抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
動的資源配分は,インテリジェント無線通信システムの次世代において決定的役割を果たす。機械学習は,このドメインにおけるストライドを作るための強力なツールとして活用されてきた。ほとんどの場合,これらの解のハードウェア配置の困難な性質のため,進展はシミュレーションに限定されている。本論文では,初めて,GPU組込みソフトウェア定義無線(SDR)上の深層強化学習(DRL)ベース電力制御エージェントを設計し,展開する。この目的のために,実世界実装ハードルを克服するために,シミュレーションセットと組込みSDR開発が凝集的に働くエンドツーエンドフレームワーク(MR-iNet Gym)を提案した。実現可能性を証明するために,符号分割多重アクセス(DS-CDMA)ベースのLPI/Dトランシーバのための分散電力制御の問題を考察した。最初に,OpenAIGym環境と相互作用するDS-CDMAns3モジュールを構築した。次に,ハードウェアテストベッドを複製するシナリオにおいて,このns3-gymシミュレーション環境における電力制御DRLエージェントを訓練した。次に,エッジ(埋込みオンデバイス)配置のために,訓練されたモデルを,性能の損失なしでリアルタイム操作のために最適化した。ハードウェアベースの評価は,従来の分散制約電力制御(DCPC)アルゴリズムよりもDRLエージェントの効率を検証した。より重要なことに,一次目標として,これは,GPU埋込み無線の次世代のための最適化分散資源配分を提供するために,DRLを展開する実現可能性を確立した最初の研究である。【JST・京大機械翻訳】