JP2023535198A - 大規模ビームフォーミングシステムのためのハイブリッド・メッセージ・パッシング・アルゴリズム・ベースの深層学習ニューラルネットワーク - Google Patents

Abstract

Nビーム送信器を使用して、K個の受信ビームを有する受信器へ送信するためのマルチビーム送信方法が提供される。送信器では、機械学習ブロックによって実装された非線形エンコーダ、および線形エンコーダが、受信器からのフィードバックに依拠する勾配降下逆伝搬を使用して訓練される。送信されるべき各入力について、機械学習ブロックは、入力を処理してL個の出力のN／K個のセットを生成するために使用される。線形エンコーダは、全部でK個のエンコードされた出力および全部でN個のエンコードされた出力のN／K個のセットを生成するよう、L個の出力の各セットに対して線形エンコードを行ってK個の出力のそれぞれのセットを生成するために使用される。K個のビームの各セットからK個の出力のN／K個のセットのうちの1つ。異なるSNRへの一般化を可能にし、時変のチャネル条件を可能にするために、非線形エンコーダに実装された非線形層は、特徴を抽出し、特徴を再生する役割を担い、線形エンコーダに実装された線形層は、より一般化する役割を担う。

Description

相互参照
本出願は、2020年7月24日に出願された「Hybrid Message－Passing－Algorithm－Based Deep Learning Neural Network for a Massive Beam－Forming System」という名称の米国特許出願第16／937，863号に基づく優先権を主張し、その内容は参照によりその全体が本明細書に組み込まれる。

分野
本出願は、機械学習に関し、より詳細には、ビームフォーミングシステムに適用される機械学習に関する。

無線システムのための深層学習
深層学習は、入力と出力との間に3つ以上の非線形ニューロン層がある機械学習のサブセットである。深層学習は、非常に複雑な問題への適用に関して顕著な進歩をとげた人工知能の一分野である。
深層学習技術が無線システムに適用される場合、いくつかの基本的な問題がある。第1の問題は、異なる信号対雑音比（SNR）にわたって一般化することができないことである。ディープニューラルネットワークは、情報データ、すなわち信号の統計的特性（例えば、期待値や分散など）、および無線システムにおけるランダムな敵対性に大いに関係している。いったんSNRが変化すると、ディープニューラルネットワークのニューロンは、異なるノイズに適応するよう調整される必要があり、しばしば完全な再訓練を生じさせる。実際には、信号対雑音比および信号対干渉比を含む無線チャネルは変動しており、確実に推定することは困難であるため、時変信号を処理するために深層学習ニューラルネットワークを使用することは実際的ではない。

無線ミリ波通信
5Gは、ミリメートル波（ミリ波）通信を使用して超Gbpsレベルのスループットを提供することを提案している。厳密に言えば、5Gのミリ波通信は、cmまたはmmの波長を使用しうる。

典型的なミリ波または高周波通信は、6GHz未満のものとは異なるチャネル条件および状況を有する。ミリ波帯域での伝搬損失は、6GHz未満のものよりもはるかに深刻である。これに対処するため、いくつかの送信アンテナによる信号エネルギーを（cm単位またはmm単位で）1つのスポットまたはエリアに「集中」させて、目標とされるスポットまたはエリア内で十分に高いSNR信号を生じるようにするために、ビームフォーミングと呼ばれる技術が5Gシステムによって採用された。無線に関して、信号強度は受信器の感度レベルを満たす必要がある。

しかしながら、無線システムによって使用される帯域の周波数が高いほど、無線ビームが受ける伝搬損失は大きくなる。将来の無線システムは、周波数が100GHzを超える帯域を採用する可能性もある。将来の無線ビームの受信感度は、空中での伝搬損失によって著しく制約されることになる。伝搬損失を補償するために、1つの選択肢は、無線ビーム上の送信電力を増加させることである。一方で、より高い周波数帯域を使用すると、波長が短くなり、アンテナサイズが小さくなり、他方で、より高い周波数帯域に起因するより大きな伝搬損失は、各無線ビーム上の信号受信感度レベルを増加させる。

これらの問題に対処するために、多くの（例えば何千もの）無線ビームを1つのチップダイエリア上に同時に収容するビームオンチップシステムが使用されてもよい。そのようなシステムにおいてビームフォーミングを行うために人工知能が使用される場合、受信器が移動するとき、再訓練が一般に必要である。再訓練は、特に、多数のビームが存在する場合には、変化するチャネルについていくのに十分な迅速さで行われることができないことがある。加えて、訓練に関連するシグナリングオーバーヘッドは非常に大きい。

異なる信号対雑音比への一般化を達成するために、いくつかの線形層がオートエンコーダフレームワークに挿入される。これらの線形層は、異なる信号対雑音比に対する一般化を強める。提供される深層学習アーキテクチャでは、非線形エンコード層f（・）は、1つの画像または分布のシンボルもしくはサンプルからN／K個の異なる特徴を抽出する特徴抽出器として動作する。線形層は、N／K個の位相（w）／バイアス（b）／電力（c）線形エンコーダである。N／K個の特徴は、シンボルの異なるN／K個の視点または観測とみなされることができ、線形層はそれらを並列にエンコードする。N個の無線信号は、空中でN／K個の異なる符号化された特徴を必然的に合計し、Kランクの合成器を形成する。非線形デコード層g（・）は、歪みやノイズの付加に従ってK次元の信号からシンボルを再生する全結合合成器である。

異なるSNRへの一般化を可能にし、時変のチャネル条件を可能にするために、非線形層は特徴を抽出し特徴を再生する責任を担い、線形層はより多くの一般化の責任を担う。非線形層自体は、SNRや減衰といった、通常はそのような条件の変化に伴い非線形層の完全な再訓練を必要とする時変のチャネル不確実性に対する低い耐性を有しうる。線形層を含むことは、システム全体に対して、さらなる耐性（より一般化）を導入するという効果を有し、線形層は、SNRや減衰などのチャネル不確実性に変化があるとき、線形層の再訓練を必要とすることなく容易に調整されることができる。

いくつかの実施形態では、非線形層は機械学習を使用して実装される。より具体的には、いくつかの実施形態では、非線形層にディープニューラルネットワークが使用される。全体的な解は、最適な解決手段に接近しうる。いくつかの実施形態では、システムは受信器透過的である。

いくつかの実施形態では、電力制御係数を調整するために、各送信の前にメッセージパッシングアルゴリズム（MPA）または確率伝搬アルゴリズムが適用される。

変動するチャネル減衰に対して、いくつかの実施形態では、変動するチャネル減衰を考慮に入れることを可能にするために、さらなる電力制御層が追加される。初期訓練中に、非線形層および線形エンコード層（＜f（），g（），w，b＞）を含む層の逆伝搬と、電力制御＜c＞のためのメッセージパッシングアルゴリズムの両方を含むタンデム訓練が行われる。MPAを適用するために、仮想ユーザ概念が導入される。シンボルに関する有用な情報は「真の」ユーザに向けられ、無駄な情報は「仮想」ユーザに向けられる。推論（送信）中に、各シンボル送信の前に、送信器におけるMPAは、現在の入力シンボルおよび現在のチャネル減衰に基づいて＜c＞を調整するように動作するが、他のエンコード層（＜f（），g（），w，b＞）は残る。訓練中、減衰は分布からサンプリングされる。実際の送信中、いくらかの不確実性を有する推定チャネル係数は、分布を更新するために使用される。

チャネルミスマッチおよび不確実性に対処するために、初期訓練と推論のMPAの両方において、減衰＜h＞がディープニューラルネットワークに挿入され、＜h＞は分布からのサンプルである。非線形デコード層g（・）は、これらの＜h＞を学習する能力を有する。実際には、真の減衰が分布内でまたは分布の外側でさえも少し低下する場合、g（）は依然としてこの状況を処理することができる。場合によっては、パイロットが不要であるか、あるいは、通常は必要とされるよりも少ないパイロットで済む。

いくつかの実施形態では、提供される手法は、大量ビームシステムを実装するために適用される。

いくつかの実施形態では、提供されるシステムおよび方法は、符号化利得および増分冗長ハイブリッド自動再送要求（IR－HARQ）を提供するようさらに適合される。符号化理論において符号化レートで1つのシンボルをエンコードすることには符号化利得はないが電力利得があることは周知である。符号化レートは、加法性白色ガウス雑音（AWGN）チャネルにおいて電力利得のみをもたらし、選択的チャネルにおいていくらかのMRC利得をもたらしうる。符号化利得を達成するために所与の符号化レートで1つのシンボルをエンコードするコーデックを実現するためのシステムおよび方法が提供される。

選択的減衰は敵対的である。提供されるコーデックは、パイロットが不要であるか、またはより少なくて済むよう、大規模減衰を学習し、組み込み論理によって小規模ランダム減衰に耐えることができる。

増分冗長性は、線形システムで有効である。提供されるコーデックによるIR送信の使用によってIR符号化利得を含めるためのシステムおよび方法が提供される。

次に、本開示の実施形態が、添付の図面を参照して説明される。

ミリ波帯域での顕著な伝搬損失を補償する多数のビームを図示したブロック図である。 ビームオンチップの構成を示すブロック図である。 良好な品質の信号を生じさせるためのジョイント2ビームオンチップの構成を示すブロック図である。 図2Bのビームオンチップ構成を使用した1000個のビームによる1つの64QAMシンボルの例示的な送信を図示したブロック図である。 図2Bのビームオンチップ構成からの不均等に減衰されたビームの伝搬を図示したブロック図である。 K＝3つの無相関受信次元を有する受信器の例示的な構成を示すブロック図である。 ランクに関してMCSを割り振るためのMIMOシステムの一般的な例を示すブロック図である。 ランダムな遮断物によるいくつかのビームの完全な遮断に耐えるための多数のビームの送信の能力を図示したブロック図である。 ドップラー効果に耐えるための多数のビームの送信の能力を図示したブロック図である。 チャネル係数を測定するためのラウンドロビン送信を図示したブロック図である。 チャネル係数を測定するためのラウンドロビン送信を図示したブロック図である。 AWGN上の64QAMのシンボル誤り率（SER）対Es／N0を測定したプロットである。 AWGN上の64QAMのシンボル誤り率（SER）対Eb／N0を測定したプロットである。 K＝3つの次元を使用して1つの64QAMシンボルの入力ビットを送信する場合の図11のプロットにおける予想符号化利得を図示したプロットである。 K＝3つの次元を使用して1つの64QAMシンボルの入力ビットを送信する場合の符号化利得の理論的限界および効果を図示したブロック図である。 選択的減衰に耐えるためのシンボル符号化方式の能力を図示したブロック図である。 N次元送信器およびK次元受信器を図示したブロック図である。 図15の送信器および受信器を使用した1つの64QAMの例示的な送信を図示したブロック図である。 トランシーバのハイレベル図を示すブロック図である。 3段階のエンコーダを備えるトランシーバによって形成されたディープニューラルネットワークを図示したブロック図である。 線形／非線形ハイブリッドディープニューラルネットワークの線形層および非線形層を図示したブロック図である。 電力制御を有するディープニューラルネットワークを図示したブロック図である。 仮想ユーザによる「無駄な」組み合わせの受信を図示したブロック図である。 仮想ユーザによる「無駄な」組み合わせの受信を図示したブロック図である。 力率を訓練するためのメッセージパッシングアルゴリズム（MPA）の反復を示すブロック図である。 逆伝搬が＜f，g，w，b＞を調整し、MPAがα（電力制御ベクトル）を調整するタンデム訓練の例示的な構成を示すブロック図である。 逆伝搬が＜f，g，w，b＞を調整し、MPAがα（電力制御ベクトル）を調整するタンデム訓練の例示的な構成を示すブロック図である。 逆伝搬によって訓練された層が凍結されており、MPAによる層が調整されたままである送信を図示したブロック図である。 逆伝搬によって訓練された層が凍結されており、MPAによる層が調整されたままである送信を図示したブロック図である。 R＝1／3の3つの複素数に対して1つの64QAMをエンコードするSER性能を測定したプロットである。 時変のチャネル減衰不確実性分解を図示したブロック図である。 ランダムチャネル減衰を伴うトランシーバを図示したブロック図である。 ランダムチャネル減衰を伴うトランシーバを図示したブロック図である。 チャネル減衰仮想ユーザによる送信の受信を図示したブロック図である。 チャネル減衰仮想ユーザによる送信の受信を図示したブロック図である。 チャネル減衰仮想ユーザによる送信の受信を図示したブロック図である。 チャネル減衰を伴う訓練段階中のMPAの反復を示すブロック図である。 チャネル減衰の追加を伴う図23のタンデム訓練を示すブロック図である。 チャネル減衰の追加を伴う図23Aおよび図23Bのタンデム訓練を示すブロック図である。 チャネル減衰の追加を伴う図23Aおよび図23Bのタンデム訓練を示すブロック図である。 MPAが動作し続ける間のチャネル減衰を伴う送信を図示したブロック図である。 MPAが動作し続ける間のチャネル減衰を伴う送信を図示したブロック図である。 MPAが動作し続ける間のチャネル減衰を伴う送信を図示したブロック図である。 送信中の時変のチャネル減衰を伴うMPAの反復を示すブロック図である。 減衰された、不確実性を有する、1／3のレートでエンコードされた1つの64QAMのシミュレーションを示すプロットである。 ビームオンチップの例示的な構成を図示したブロック図である。 端末の位置に関して、受信器に、予め訓練され記憶されたデコーダg（）ニューラルネットワークを送信する基地局を図示したブロック図である。 高スループットに達するためのOFDMシステムによる送信を図示したブロック図である。 高スループットに達するためのOFDMシステムによる送信を図示したブロック図である。 増分情報再送を伴う訓練を図示したブロック図である。 増分情報再送を伴う訓練を図示したブロック図である。 増分情報再送を伴う訓練を図示したブロック図である。 増分情報再送を伴う符号化利得（Eb／No）のシミュレーションを示すプロットである。 本開示の1つまたは複数の実施形態を実装するためのネットワークの一例を示す図である。 例示的な電子デバイスのブロック図である。 例示的な電子デバイスのブロック図である。

非常に多数のアンテナを使用するシステムの適用性は、大数の法則（LLN）に基づくものであり、1つの減衰されたビームが非常に弱い場合でも、何百または何千もの減衰されたビームが蓄積して、受信器の感度レベルに達するのに十分な強さの信号エネルギーになる可能性がある。一例が図1に示されている。第1の例300では、アンテナから端末への単一のビームが存在するとき、単一の無線ビーム上での顕著な伝搬損失が端末において非常に低いSNRをもたらす。第1の例302では、アンテナアレイから端末への多数N個のビームが存在するとき、ビームの多くが伝搬損失のために弱い場合でも、それらは蓄積して端末において許容できるSNRをもたらしうる。図2Aは、全体として400で示されている、マルチビームオンチップの例を示している。図2Bは、チップ400のうちの2つが、許容できる受信感度を生じさせるために、全体として402で示されているジョイント2ビームオンチップシステムにおいて使用されることを示している。2つのチップ400は、単一の基地局に配置されていてもよいし、別々の協働する基地局に配置されていてもよい。

そのような高密度ビームオンチップの設計は、いくつかの主要な設計、製造工場、およびスケジューリングの課題をもたらす。第1に、各チップの総エネルギーが半導体技術によって制限されるため、電力密度が非常に重要になるので、チップ上の無線ビームの数の増加と引き換えに各ビームの送信エネルギーが低減される必要がある。第2に、半導体技術の制限のために、ルーティング（クロックツリー、電力線）が非常に困難なので、システムは異なるビーム間のいくつかの時間オフセットに耐えることが必要になる。第3に、スケジューリングアルゴリズム（電力制御および時間前進）がすべてのビームに必要である。

大規模ビームフォーミングシステムの容量は、各無線ビーム（P_beam）および総信号電力（P_total）上で等しく送信信号電力によって制限される。有効な無線ビームの総数がNである場合には、P_total＝N・P_beamである。

AWGNチャネルにおいて、N個の均等な電力の無線ビームのこの限界は電力利得である。例えば、N＝2は、受信信号電力において3dB（＝10＊log10（3））増強し、N＝3は、4．77dB（＝10＊log10（3））増強し、N＝100は、20dB増強し、N＝1000は、30dB増強する。将来のミリ波用途では、高スループット用途に関心が寄せられているので、高次変調方式が使用される可能性が高い例えば、単一のビームは約－5dBのSNR（P_beam）を生成するが、N＝1000無線ビームフォーミングシステムは、理論的には、このSNRを、受信器感度レベルで、この受信器が64QAMシンボルをデコードするのに十分な25dB（＝－5dB＋30dB）まで低下させることができる。図3は、図2のビームオンチップ構成を使用した1000個のビームによる1つの64QAMシンボルの例示的な送信を図示したブロック図である。

しかしながら、真の環境は、理想的な均等に減衰されたAWGNよりもはるかに複雑である。すべてのビームが均等なチャネル減衰（歪み）を受けるわけではなく、その結果、異なる経路で異なるチャネル不確実性が生じる。特にミリ波帯域では、見通し外（NLoS）ビームは、典型的には、非常に高い減衰を受ける（すなわち、その経路上の信号はほとんど受信器に到達しない）。見通し内（LoS）ビーム間でさえ、それらのチャネル減衰は、通常、透過角および到来角に関して、互いに著しく異なる。さらに、すべてのビームが同期してそれらの共通受信器に到達するわけではない。ビームオンチップおよび異なる無線経路のルーティングから生じる遅延は、経路（またはビーム）ごとに異なる。非AWGNチャネルでは、情報理論に従ってこの容量限界を示すために、電力利得の代わりに最大比合成（MRC）利得を使用する方がよい。大雑把に言えば、システムは、N個のビームをスケジュールするとき、「良い」ビーム（チャネル敵対性が少ないことは、送信された信号が多いほど受信器に到達する可能性が高いことを意味する）を「悪い」ビーム（チャネルの敵対性が多いことは、送信された信号が受信器に到達する可能性が低いことを意味する）よりも優先すべきである。図4は、図2Bのビームオンチップ構成からの不均等に減衰されたビームの伝搬を図示したブロック図である。明らかに、MRC戦略をセットアップするために、送信器（ここではビームフォーミング基地局）は、比例リソース割り振りを行う前に各ビーム上のチャネル条件を推定する必要がある。

アンテナサイズは波長の関数であるため、端末が収容できる無相関受信アンテナの数K（Kは無線用語でのランクである）は波長に関連し、この数は、波長がミリ波帯域でcmまたはmmレベルに縮小されるときに増加されることができる。したがって、Nビーム基地局はそのビームを、K個のビームを各々有するN／K個のグループへとグループ化することができる。1つのグループは、それぞれK個の受信アンテナを目標とするK個の無相関ビーム［ビーム1，ビーム2，…，ビームK］を有する。N／K個のグループは、受信器において相互に加算される。図5は、K＝3つの無相関受信次元またはK個の独立したチャネル使用（時間、空間、符号、および受信器がチャネルを独立して利用するための任意の他の方法でありうる）を有する受信器の例示的な構成を示すブロック図である。

本開示では、多入力多出力（MIMO）構成の異なる受信アンテナが、独立した（無相関）チャネル使用の具体例として使用される。しかしながら、この提供される手法は、任意の他の独立したチャネル使用についてもオープンである。

いくつかのMIMOシステムで用いられる既存の方法では、K個の独立したチャネル使用が、チャネル測定（H_m×n m＜n）を用いて、推定チャネルのm×m共分散行列（H・H^H）上の特異値分解（SVD）によって推定される。SVDによって順序付けられ決定されたK個の最も重要な固有値は、このチャネルのK個のランクまたは成分の重要度または重みを示す。決定された品質に基づいて、変調符号化方式（MCS）がランクに対して適応的に選択される。例えば、ランク＃1が最良である場合、より高い変調およびより高い符号化レートがこのランクに対して選択される。K個のランクを利用して実現される性能は、MCSの粒度に依存する。3つのランクに沿って6ビットを送信する簡略化された例では、
SVDの後に1つのランクがある場合、1つの64QAMシンボルがそのランクで送信され、
（互いに類似した）2つのランクがある場合、2つの8QAMシンボルが、各ランク上で1つずつ送信され、
（互いに類似した）3つのランクがある場合、3つのQPSKシンボルが、各ランクにわたって1つずつ送信される。

図6は、ランクに関してMCSを割り振るMIMOシステムの一般的な例を示すブロック図である。

このシステムは、いくつかの理由で非効率的である。第1に、ランクの品質が確実に推定され、追跡されなければならない。これには高いパイロット密度が必要であり、その結果、顕著なパイロットオーバーヘッドが生じる。パイロット送信では、送信器は、全リソースのうちのあるパーセンテージで参照信号を送信し、受信器は、各受信ポートで参照信号を測定し、送信器にチャネル状態情報（CSI）などのフィードバックを送信する必要がある。第2に、多数のMCSが候補MCSとして定義され（5Gシステムでは何千ものMCSが定義される）、これは、BTSとUEの両方がこれらのテーブル、パラメータ、およびそれらをフェッチする方法を記憶する必要があることを意味する。第3に、送信器と受信器の両方が同じ配置に従うことを確実にするために、制御シグナリングが使用されなければならない。送信器と受信器の両方が、どのMCSがどのランクで使用されているかを知らなければならない。より重要なことには、チャネル減衰がある程度変動すると、ランクの品質は非常に大きく変化しうるので、確立されたすべての配置（MCS）が古くなる。

ミリ波では、ビーム上の減衰は偏波される。より具体的には、1つのビームが1セットのアンテナによって生成される。この1セットのアンテナは、それらのエネルギーを1つの特定の方向に向けて、エネルギーがその方向にわたる伝搬損失を大部分補償してその方向に強い送信信号を形成することができるようにするよう構成される。受信では、この1セットのアンテナは、受信感度を低下させる効果も有する。この動作は、偏波と呼ばれることもある。LoSビームは、距離に関して無線伝搬損失減衰を有し、一部のNLoSビームが厳しい減衰を受けることになり、他のNLoSビームは、金属反射によってプラスに強められる可能性もある。一般的に言えば、減衰モデル（分布）は、その地理的位置に敏感である。統計によれば、空間位置に関する減衰モデルは、コヒーレント時間と呼ばれるコヒーレント時間窓に対して利用可能になりうる。しかしながら、高周波数帯域が信号送信に使用される場合、小さい移動度が厳しいドップラー偏移および時間オフセットにつながる。そのコヒーレント窓時間は小さい。

非常に多数のビームが、これらの敵対性から符号化利得を保護するために使用されることができる。例えば、いくつかのビームが遮断された場合（無限減衰、死んだビーム）、システムは、損失を補償するために、「生き残った」ビームと「死んだ」ビームとの間で送信電力を調整する。ドップラー偏移および時間オフセットは移動軌道の角度に依存するため、それらの敵対性は、「有利な」ビームと「不利な」ビームとの間で送信電力を調整することによって補償されることができる。

図7は、多数のビームの送信が、ランダムな遮断物によって完全に遮断されているいくつかのビームに対する耐性を提供するためにどのように使用されることができるかを図示したブロック図である。図8は、ドップラー効果に耐えるための多数のビームの送信の能力を図示したブロック図である。

N個のビーム間の電力制御および同期は、ミリ波シナリオにおいて最も重要なものになる。しかし、達成することは極めて困難である。まず、減衰が知られる必要がある。広い位置に関する減衰の統計分布モデルは既知でありうるが、減衰自体は確率変数である。瞬間減衰を捕捉するために、システムは、N／K×K、合計N個の経路のチャネルを測定する必要があり、これは、多数のダウンリンク参照リソース（受信器は、N個のビームが空中で重なり合うことから生じるK次元のみを見るので、1つの受信次元は、パイロット干渉を回避するためにラウンドロビン方式でN／K個のビームを測定する必要がある。）、およびオーバーヘッドとして機能する対応する大量のアップリンク報告リソースを意味する。図9Aおよび図9Bは、チャネル係数を測定するためのラウンドロビン送信を図示したブロック図である。図9Aに図示された測定時点tでは、K個のビームのみがダウンリンクでそれらのパイロットを送信することが可能とされる。図9Bに図示された測定時点t＋1では、他のK個のビームがダウンリンクでそれらのパイロットを送信することが可能とされる。

他の方法は、ダウンリンクチャネルとアップリンクチャネルとが相反的であるという仮定に基づくものである。しかし、実際には相反性の間には常にいくらかのオフセットがある。第2に、システムがチャネル減衰の完全な知識を有していたことを完全に知っていたとしても、短い時間間隔でN／K個のビームの比例最大比合成（MRC）電力オフセットを計算することは困難であろう。

次元拡張による性能利得
符号化利得
現代の通信システムでは、チャネル減衰およびノイズを克服するために冗長性が広く使用されている。例えば、前方誤り訂正（FEC）は、いくつかの冗長ビットを挿入するだけでなく、（符号語の）符号化ビット間にいくらかの依存性も生成する次元拡張法の一種である。他の例では、MIMOエンコーダは、符号化利得を有するようにいくつかの複素シンボルを複数の空間次元上に拡張する次元拡張法である。一般に、次元拡張は次元利得をもたらすが、そのような次元利得は電力利得を含まなければならないが、必ずしも符号化利得をもたらさなくてもよい。

電力利得は、AWGNチャネルにおける等利得合成（EGC）利得である。均等に減衰されたAWGNチャネルでは、情報（例えば、1ビットまたは1つのQAMシンボル）がK個の次元上に繰り返される（または線形結合される）場合、これは必然的に10＊log10（K）dBの電力利得をもたらす。例として、図10に示されるように、3つの均等に減衰された次元利得にわたる繰り返し送信のEGC利得は4．77dB（＝10＊log10（3））に等しい。

符号化利得は、EGC利得を超える。例えば、ECG利得に加えて3dBの利得を達成するために3つの次元にわたって1つのシンボルをエンコードすることは、送信器が電力を半分に削減すること、またはカバレッジ距離を2倍にすることのいずれかを可能にする。符号化利得を実証するために、シンボル誤り率（SER）を、シンボルあたりのエネルギー（Es）対スペクトルノイズ密度の比（Es／No）の代わりにビットあたりのエネルギー（Eb）対スペクトルノイズ密度（No）の比（Eb／No）に関して測定する方がよい。単純な繰り返し（または任意の線形結合）の方式が、図11に示されるようにゼロ符号化利得につながる。

符号化利得を有するように、従来のチャネルエンコーダ（FEC）は、M個の情報ビットに対して（K－M）個の冗長ビットを挿入するか、またはN（K＞M＞1）個の次元をK個の次元に拡張する。本質的に、符号化利得は、符号化レート：M／Kに関するものである。より低い符号化レートは、より多くの符号化利得をもたらす。（M＝1）次元がK個の次元に拡張されて1／Kの符号化レートになるとき、符号化理論によれば、入力次元が均等に減衰されたAWGNチャネルにおいて1（M＝1）である場合、符号化利得はない。均等減衰チャネルのAWGNチャネルにおいてそのようなシステムのための符号化利得を達成することが有利であろう。

MRC利得とは異なり、AWGNチャネルでの符号化利得の利用可能性はよく理解されている。図12で1→K次元拡張について符号化利得があった場合、より複雑なチャネル条件においてシステムレベルで利益を実現することが可能であろう。

ダイバーシチ利得
64QAMシンボルの入力ビットは、K＝3つの次元を使用して、各々3ビットを搬送する3つの独立したQSPKシンボルを送信することによって送信されることができる。QPSKコンステレーションは、任意の2つの隣接するコンステレーション点間の一定のユークリッド距離とコンステレーション点の一定の大きさの両方により、符号化距離（例えば、ハミング距離）に関して最適であることは周知である。K＝3つの次元を使用して6ビットが送信されることができる他の方法もあり、QPSK曲線は、K＝3つの次元を使用することの潜在的な符号化利得の理論的限界として機能することができる。

図13は、1つの次元で1つの64QAMシンボルを送信するのと比較して、K＝3つの次元を使用して6ビットを送信する場合の約8dBの潜在的な符号化利得の余地を示している。符号化利得の余地は、送信電力を約16％に削減すること、またはカバレッジを約36倍拡大することに相当する。3つ次元を使用して1つの64QAMシンボルの6ビットを送信する例は、この例を、二次元複素ヒルベルト空間において最適であることが証明されているQPSKコンステレーションと比較できるようにするために選択されたにすぎないことに留意されたい。しかしながら、これは一般的な場合ではなく、1／Kの任意の符号化レートでより高い変調次数（512QAM、1024QAM、または4096QAMなど）での理論的限界が何であるかは証明されておらず不明のままである。提供される方法は、QPSK、16QAMの最適な解決手段であることが実証されている。提供される方法はまた、高次の変調に適用されることもできる。提供される方法は、高次の変調に適用される場合、最適な解決手段に接近することができると推測される。これは、最適性能のためではなく容易な実装のために設計された従来の高次変調方式とは対照的である。

変調器次数および任意の符号化レートが与えられると、これがlog2（変調器次数）／Kが整数になることにつながることが、保証されることはできない。3つのシンボルを使用して6ビットを送信する場合には、これは1／3の符号レートに相当し、log2（64）／3＝2（→QPSK）であり、一方で、1024QAMシンボルの入力ビット（10）に1／3の符号化レートを適用する他の場合には、これは、次元あたりlog2（1024）／3＝10／3ビットになり、これは整数ではない。実際には、様々な受信次元の数Kが存在しうる。例えば、最大4つの受信アンテナを装備した端末に対して、3つの受信アンテナのみが無相関のままである可能性が非常に高い。実際には、所与のインスタンスにおいて利用可能な無相関チャネルの数は環境条件の関数であり、正確な方法で容易に制御することはできない。

マルチパスチャネル条件でダイバーシチ利得またはMRC利得を達成することが有利であろう。K個の無相関次元は、K個の独立した異なる減衰を受ける可能性がある。送信器が、1つの64QAMシンボルの6ビットを3つのQPSKシンボルで送信するために3セットの2ビットに分割し、それらをそれぞれ3つの無相関次元を介して送信するとする。3つの次元のうちの1つが厳しい負の減衰を受け（弱められ）、その他の2つの次元が強められる場合、弱められた次元上のQPSKシンボルは失われ、元の64QAMシンボルを復元することが不可能になりうる。対照的に、1つの64QAMシンボルが何らかの方法で3つの次元にエンコードされた場合、受信器は、図14に示されるように、無線チャネルによって残り2つの強められた次元からこの64QAMシンボルを大部分復元しうる。これは、ダイバーシチ利得またはMRC利得である。

増分冗長再送
無線システムでは、平均スループットを犠牲にして信頼性を高める（またはカバレッジを拡大する）ために、IR－HARQがチャネル符号と共に広く使用されている。ターボ符号、畳み込み符号、および低密度パリティ検査（LDPC）のようないくつかのチャネル符号は、送信器が1つの送信間隔で受信器に部分符号語（符号化ブロック）を送信することを可能にする。現在のチャネル条件が十分に良好である場合、受信器は、この部分符号語からでさえも情報ブロック全体を復元することができる可能性があり、そうでない場合、受信器は、再送を求めて送信器にフィードバックを送信してもよい。以前に送信されたものを再送する（チェイス合成再送）代わりに、送信器は、符号語の増分冗長部分を送信して、受信器が、増分冗長部分を以前に受信された部分と合成して、そのチャネルデコーダのためのより長い符号語にするようにする。このようにして、純粋な電力（反復）利得を超える追加の符号化利得が実現されることができる。

IR－HARQは、時変のチャネル条件に敏感な日和見的方法である（チャネル使用が肯定的条件を示すときもあれば、否定的条件を示すときもある）。最初の送信が肯定的条件で行われる場合、再送リソースは節約される。さらに、超高信頼低遅延通信（URLLC）のような一部のレイテンシクリティカルかつ信頼性クリティカルな用途では、フィードバックサイクルがレイテンシ要件に対して長すぎる可能性があるため、送信器はフィードバックを待機する代わりにブラインド再送を行おうとする傾向がある。どちらのシナリオでも、符号化利得を得るために、最も不可欠または有用な情報が（1つまたは複数の）増分再送に含められるべきである。

これまでのところ、増分冗長性ベースの再送は、いくつかのチャネル符号方式、例えば、ターボ、畳み込み、低密度パリティ検査（LDPC）などの特定のチャネル符号を使用する方式でのみ行われている。MIMO、拡散符号などの他の次元拡張ベースのアルゴリズムは、同様の再送を報告していない（それらの大部分は、チェイス合成、すなわち電力利得のみをサポートする）。

5Gシステムの発展に伴い、周波数（サブキャリア、異なる帯域）、空間（MIMO、デュアルコネクティビティ）、時間、および符号（PN符号、擬似ランダム符号）などのチャネル使用の次元数が増加している。良好なシステムは、複数の利用可能な次元を統合して、利用可能なリソースの使用に関して効率的な全体的なシステム利得をもたらすことができるはずである。システム利得のソースの中で、符号化利得は、システムスペクトル効率に対するその影響の点で最も求められている。

それにもかかわらず、一部のチャネル符号方式のみがいくらかの符号化利得で増分冗長（IR）再送を達成することができる理由の1つは、これらの次元の正規直交性に起因する。そのようなIRに支援されたチャネル符号方式は、M個の情報ビットが独立同分布（IID）であり、K個の符号化ビットがAWGNノイズを受けるというその仮定から利益を得る。言い換えれば、入力は正規直交M次元エンティティであり、出力も正規直交K次元エンティティである。実際、パイロット、チャネル推定、および等化を使用することにより、チャネル符号のこの理想的な環境を「維持」するために通常努力がなされる。残念ながら、これはほとんどの次元拡張アルゴリズムには当てはまらず、常時の入力と出力の両方の正規直交性が常に保証されることはできない。例えば、2つのアンテナが常に無相関のままであることが保証されることはできない。他の例では、2つのサブキャリアは、マルチパスフェージングまたはドップラー効果により、周波数選択性チャネルにおいて非常に異なるチャネル減衰を受ける可能性がある。

これらの困難に直面して、ほとんどの先行技術のシステムは、ダイバーシチを受動的に克服するために最大比合成（MRC）方式に頼っている。MRCベースの受信器は、ダイバーシチ送信のためにMRC利得を実現しうる場合もあるが、利得は常に保証されることはできない。

機械学習
機械学習技術を使用して、上記の2つの問題を解決し、電力制御されたN／K個の無線ビームによってM個のレガシーQAMシンボルをK個の次元にエンコードするための符号化方式を作成することが提案されている。最も簡潔な提案は、入力がM個のQAMシンボルであり、出力がデコードされたQAMシンボルであり、K個の次元を有する潜在層があり、減衰がこのK次元潜在層上の乗算器によってモデル化され、AWGNノイズがこのK次元潜在層上で付加されるオートエンコーダを使用することである。このオートエンコーダの損失または目標は、入力と出力との間の二乗誤差（MSE）を最小化することである。

この解決手段の1つの問題は、デコーディングニューラルネットワーク（K次元潜在層の後）が、K次元潜在層に依存する尤度確率を数学的に最大化しようと試みることである。しかし、このK次元潜在層は、変動するノイズおよび減衰を受ける。変動するSNRおよび減衰により、K次元潜在層の統計的特性が変化するので、デコーディングニューラルネットワークが再訓練されることが必要になる。実際には、SNRまたは減衰が時変である状況で完全なディープニューラルネットワークを再訓練することは実際的ではない。

他の問題は、N個のビームを有するために、オートエンコーダアーキテクチャがKニューロン層（N＞＞K）の直前にNニューロン層を含み、2つの層間の接続が所与の減衰係数によって乗算され、ランダムノイズによって加算されることである。そのようなディープニューラルネットワークでは、訓練は、ビームの大部分を「パワーダウン」させ、ごく少数の残りのビームに送信電力P_totalを「集中」させる傾向になり、これは、各ビームがはるかに高い最大送信電力を有するよう設計されることを必要とし、その結果より高いコストおよびより大きいチップダイサイズもたらされるため、望ましい結果ではない。

深層学習ニューラルネットワークが無線通信用途で適用することが困難である1つの主な理由は、深層学習ニューラルネットワークが非線形関数であることである。従来の線形関数（大部分の無線信号処理アルゴリズムは線形または準線形である）と比較して、非線形関数は、過剰適合の傾向を有するので、その一般化が厳しく制限される。

他の問題は、無線システムにおける変動するチャネル減衰の存在から生じる。無線チャネルは、時変であり、周波数選択性があり、減衰する。その存在は、受信信号（チャネルによって歪んだ送信信号）の統計的特性も、時変であり、周波数選択性があるものとする。ディープニューラルネットワークのニューロンは、変動する選択的なチャネル減衰に適応するよう調整される必要があり、しばしば、完全な再訓練をもたらすこととなる。

実施形態1
Nビーム対K受信システムのモデル
次に図15を参照すると、トランシーバシナリオのモデルが示されている。N次元送信器は、敵対的環境を介してヒルベルト空間
上でマニホールドA（確率分布）1500からサンプリング方法F1502を使用してサンプリングされた1つの特定のサンプル「a」1504を送信し、デコーダ1550を含むK次元受信器は、歪んだノイズを含む受信信号からそのサンプル「a」を推定する。送信器は、エンコーダ1506を用いてサンプルをエンコードして、K×N／K個の出力（すなわち、N／K個のK次元ベクトル）を生成し、Nは送信器の次元数であり、Kは受信器の次元数である（すなわち、これらのN／K個のK次元ベクトルは累積されて、受信器のための1つのK次元ベクトルになる）。特定の例では、N個の送信次元は、N個の送信アンテナ素子からのN個の送信ビームで達成され、K個の受信次元は、K個の受信アンテナ素子で達成される。

より具体的には、送信器は、サンプリング方法F1502を使用してシンボルaを取得するためにマニホールドAからサンプリングし、エンコーダ1506を用いてシンボルaをベクトル
にエンコードし、式中、f（・）は、受信器には未知の送信器エンコーダである。ベクトル［s₁，s₂，…，s_N］は、N個の送信経路上で送信され、空中で必然的に合計され、受信器で受信ベクトル
1520をもたらす。受信器は、デコーダg（・）1550を使用して受信信号をデコードして、
を生成する。

空間
、マニホールドA、およびサンプリング方法Fを含むトポロジーは、送信器と受信器の両方に対して指定され、標準化され、知られている。

送信器は、N個の独立したまたは無相関の送信次元
を有し、各次元は、複素数値によって表される正弦波を送信する。
のN個の成分は、N／K個の群：
へとグループ化される。各グループは、K個の成分：
を有し、受信器のK個の無相関受信次元を目標とする。一般性を失うことなく、送信次元s_i，1は、i番目の送信グループから1番目の受信ポートへの接続を表し、s_i，2は、i番目の送信グループから2番目の受信ポートへの接続を表し、以下同様である。例えば、図15は、1510に最初のK個の送信次元で送信された
を示している。

N個の送信次元をK個の受信次元に接続する合計N個の接続がある。各接続は独自の減衰係数
を有し、その各々は複素数値（I，Q）によって表され、その振幅（I²＋Q²）は電力減衰を表し、角度（内積＜I，Q＞）は位相オフセット、すなわち時間オフセットを表す。
のグループ化に続いて、
がN／K個のグループへとグループ化されることができ、各グループはK個の複素数要素：
および
を有する。減衰は、図15の1512で一般的に示されている。

同様に、各接続は、送信電力飽和を回避するために正規化された電力制御係数（実数値）
を有する。
のグループ化に続いて、
がN／K個のグループへとグループ化されることができ、各グループはK個の実数要素：
および
を有する。過剰な電力集中を回避するために、
のように制限し、これは、総電力がN／K未満であること、すなわち
であることを意味する。グループの最大総電力は、過剰な電力集中に起因する損傷がないようにするためにN／Kである。電力制御係数は、図15の1514で適用される。電力制御1514の出力は、無線で送信されるものである。

k番目の受信次元では、N／K個の接続が空中で合計される：
。受信器では、受信器はK要素の複素ベクトル
を受信し、各要素は、複素数
によって表される正弦波を送信し、
は要素ごとの乗算である。

AWGNノイズnが
に付加される。ノイズの付加は、図15の1516に示されている。

K＝1の場合、モデルはN個の独立した送信次元から1つの受信次元に縮小されることに留意されたい。この場合、符号化利得はもはや存在しないが、電力利得は依然として存在しうる。

次に、図15のモデルの具体例が図16を参照して説明される。この例では、ヒルベルト空間
は、実部および虚部を有する2次元空間である。64QAMコンステレーションが、この
上の非ゼロ確率位置（サポートと呼ばれる）を定義する標準化されたマニホールドAである。グレイ符号化Fがそのマニホールドをサンプリングする方法であり、すべてのコンステレーション点が等しい確率、すなわち、1／64でサンプリングされることを保証する。サンプリングされると、64QAMシンボルa＝（a_I，a_Q）（2次元空間
からサンプリングされたため）が、
によって
にエンコードされる。この例の送信器は、768個の独立したビームを有する。受信器は、768個のビームが256個のグループへとグループ化される（各グループが3つのビームを有する）よう、3個（K＝3）の独立した受信アンテナを有する。3つのビームの1つのグループは、それぞれ並列に3つの受信アンテナポートを目標とする。256個のグループが存在するので、単一のグループの顕著な伝搬損失が補償されることができる（この受信アンテナで256→24dBのSNR改善）。その結果、受信器は
を有し、デコーダg（）を使用してシンボル：
を推定する。この例は以下の説明で使用されているが、提供されるシステムおよび方法は、任意のヒルベルト空間、マニホールド、およびサンプリング方法に有効であることを理解されたい。

符号化利得問題
f（・）およびg（・）を見つける目的で、チャネル減衰係数は固定され（例えば、
を設定する）、電力制御は固定される（例えば、
を1に固定することによって）。この問題は、
に縮小される。
、A、およびF、ならびにNおよびKが与えられた場合、最大符号化利得をもたらすf（・）およびg（・）を見つける。

図16の前述の例を使用すると、送信器は、1つの64QAMシンボルを受信器へ送信しようとする。送信器は、受信器が3つの独立した受信アンテナを有することを知っている。送信器は、この送信に利用可能な非常に多数のビームを有する。N個のビームにわたる1シンボルから3シンボルへの反復または他の線形拡張は、均等に減衰されたAWGNチャネルにおいて電力利得（EGC）利得しかもたらさないことが知られている。均等に減衰されたK次元AWGNチャネルにおいてEGC利得に加えて最大符号化利得を達成することができるシンボルレベルの符号化方式を見出すことが望ましい。

電力制御問題
他の問題は、減衰および時間オフセットが変動する状況においてN個のビームに対する電力制御を設定することに関する。1つのビーム上の減衰（h）は、静的（h_s）、動的不確実性（Δh_d）、およびミスマッチ不確実性（Δ’h_m）の3つの成分で構成され、h＝h_s＋Δh_d＋Δ’h_mである。静的成分は、端末の空間位置および周囲の特性、例えば、建物、樹木、山、何らかの固定環境要因と強い相関を有する。Δh_dは、主に、移動度および遮断などのランダムイベントに起因し、h_sに対するランダムジッタである。Δ’h_mは、不可避の測定不確実性であり、Δh_dに対するランダムジッタである。ジッタΔh_dおよびジッタΔ’h_mは、h_sよりも重要ではないと仮定されることができる。N個のビームに対する動的電力制御が、変動する減衰不確実性を補償するために使用されることができる。電力制御は、追跡および適合されることができるが、顕著な符号化利得を有する。問題モデルは
であり、すなわち、
（
は要素ごとの乗算器である）

全体的な解決手段は、符号化問題と電力制御問題の両方に対処し、以下のようにサブタスクに分割されることができる。
第1のタスク：
、A、F、N、Kおよび静的減衰
が与えられた場合、最大符号化利得をもたらすコーデック、f（・）およびg（・）を見つけ、静的減衰を補償するための電力制御［c₁，c₂，…，c_N］を見つける。
第2のタスク：時変の減衰（
が与えられた場合、g（・）を変化させることなく動的減衰を補償するために電力制御
を動的に調整する。

高いスループットおよび短いレイテンシのために、時変のチャネル減衰およびSNRのために同じデコーダg（・）を保持することが重要である。

前述の例を続けると、基地局は、1つの64QAMシンボルを受信器へ送信しようとする。基地局は、受信器が、基地局が利用できる3つの受信アンテナを有することを知っている。基地局は、この送信に利用可能な非常に多数のN個のビームを有する。N個のビームにわたるチャネル減衰は均等ではなく、それらは時変の確率変数である。基地局は、チャネル減衰の分布を推定してもよく、従来の考え方は、これはパイロットを送信することによってのみ可能である、というものである。しかしながら、これは、大きな次元数を有するシステムにおいては多数のパイロットを必要とする。多数のパイロットの送信を回避することが有利であろう。

第3の問題は、時変のチャネル減衰
に関して、
、A、F、N、K、および静的減衰
が与えられた場合に、コーデック、f（・）およびg（・）ならびに電力制御
をどのようにして得かに関する。機械学習技術が使用されることができるが、時間のかかる逆伝搬アルゴリズムは、ミリ波用途におけるリアルタイム通信には実際的ではない。

上記の例の他の問題は、目標とされる受信器が更新される必要があることであり、これを行う実際的で効率的な方法はない。これは、g（）の新しい係数を受信器に再び送信することを伴い、これはかなりの無線リソースを消費する。

分解器および再合成器
純粋な符号化利得問題を調べるために、まず、均等に減衰されたK次元AWGNチャネル条件、すなわち、定数1＋0jとしてのチャネル減衰
が考察される。AWGNノイズが
に付加される。

比較および実際の実装の目的で、
は、
の平均エネルギーが1／Kであることを確実にするために、
として正規化され、そのため、
の平均エネルギーは1（＝1／K＊K）である。

次に図17を参照すると、エンコーダf（・）およびN個のビームは、ブラックボックスエンコーダ1700とみなされることができ、このブラックボックスエンコーダは、1つのシンボルaを入力し、平均エネルギー1を有するK要素の複素ベクトル
を出力する。Es／N0に関してホワイトノイズnと合成された後、
はデコーダg（・）に出力される。この視点から見ると、1つのシンボルaはK個のv_kにエンコードされる。前述の詳細な例に従い、1つの64QAMシンボルが3つの複素シンボルにエンコードされてもよい。ブラックボックスデコーダ1702も示されている。

いくつかの先行技術のシステム（MIMOプリコーディングを使用するシステムなど）では
であり、式中、wはK×1エンコーダ行列である。AWGNチャネル条件では、この線形結合は符号化利得を有しないが、電力（EGC）利得（10＊log10（K）dB）はもたらす。符号化利得は、1セットのシンボルが1セットの2K個の複素数値にエンコードされるときに存在する。これはチャネル符号化方式である。しかしながら、ここでの焦点は、1つのシンボルを複数の次元にわたってエンコードすることにある。

次に図18を参照すると、図17のブラックボックス「エンコーダ」は、以下の2つの概念に基づいて、非線形分解器1800、線形エンコーダ1802、および線形（再）合成器1804の3つの段階に分割される。
シンボルaは、情報自体ではなく情報キャリアとみなされる。先行技術の手法では、トランシーバはすべての手段を使用してシンボルaの受信信号電力を最大化する。その結果、従来のトランシーバは電力利得を有する。しかしながら、本明細書に記載されるシステムでは、焦点は代わりに情報指向であり、デコーダg（）はデコーディングを行うことができるので、受信器側でシンボルaによって搬送される情報に重点が置かれる。
K要素の
は、K個の複素数要素で構成される分割可能なベクトルではなく、K次元のアトミックエンティティとみなされる。先行技術のシステムでは、デコーダは、
からシンボルaを復元または推測する冗長性低減器である。

2つの概念に基づいて、エンコーダf（・）は、シンボルaからN／K個の特徴
を抽出する分解器である。各特徴は、L次元の複素エンティティ：
である。関数f（・）は、機械学習ブロックによって実装される非線形関数である。特定の例では、機械学習ブロックは、ReLU、シグモイドなどのような特定のカーネルおよび非線形活性化を有するディープニューラルネットワークである。機械学習ブロック、例えばディープニューラルネットワークf（・）は、異なる
（ヒルベルト空間）、A（マニホールド）、およびF（サンプリング方法）、N（無相関送信次元の数）およびK（無相関受信次元の数）が与えられた場合に、個々の実装に対してオープンである。

エンコーダf（）が1つのシンボルaをN／K個のL次元エンティティ
に偽装した後、各エンティティは独自の線形符号によって独立して（並列に）エンコードされる。
式中、w_iはL×Kの複素行列であり、
は1×Kの複素行列である。結果
は、K次元複素エンティティ：
である。合計で、N／K個のK次元複素エンティティ：
を有する。

Nビーム送信器は、単純に合計することによってN／K個のK次元複素エンティティを1つの
に再合成する。

の正規化およびノイズの付加の後、ユニタリー
は
を推定するためにデコーダg（・）に入力される。g（・）は、ReLU、シグモイドなどのような特定のカーネルおよび非線形活性化を有するディープニューラルネットワークなどの機械学習ブロックである。機械学習ブロックg（・）は、異なる
（ヒルベルト空間）、A（マニホールド）、およびF（サンプリング方法）、N（無相関送信次元の数）およびK（無相関受信次元の数）が与えられた場合に、個々の実装に対してオープンである。図18では、AWGNチャネルにおける全体の手順は以下の通りである。

全体の手順は、図19に図示されるように、1つの完全なディープニューラルネットワーク1900とみなされることができる。入力サンプルaは、所与の
（ヒルベルト空間）、A（マニホールド）、およびF（サンプル方法）、N（無相関送信次元の数）、およびK（無相関受信次元の数）からサンプリングされる。エンコーダf（・）およびデコーダg（・）は、このディープニューラルネットワークの非線形層である。w_iおよび
は、このディープニューラルネットワークの線形層である。訓練の損失または報酬は、二乗誤差（MSE）：
を最小化することである。ニューラルネットワークは微分可能である。この実施形態では、勾配降下逆伝搬が、f（・）層、g（・）層、w_i層および
層をMSE最適点に接近するように調整するために使用される。

f（・）およびg（・）は非線形ニューラルネットワーク層であり、w_iおよび
は線形層であるので、このディープニューラルネットワークは、従来の非線形ディープニューラルネットワークとは異なる、線形／非線形ハイブリッドニューラルネットワークアーキテクチャである。線形層（w_iおよび
）は、f（・）およびg（・）が変動するチャネル条件およびノイズレベルに対してより耐性を有するよう支援するために使用される。

実施形態2 出力の重み付け
この実施形態では、受信器へ送信される有用な情報の量を増加させる目的で、線形エンコーダの出力に重み付けするための様々な手法が提供される。

再び図18を参照すると、1セットの分解されたN／K個の特徴
において、すべての
が等しく重要であるわけではない。いくつかの特徴は、それらの特徴が他の特徴よりも、受信器g（）が送信された情報を復元するためにより不可欠な情報を搬送するという意味で、他の特徴よりも重要である。重要度の分布は、所与の
（ヒルベルト空間）、A（マニホールド）、およびF（サンプル法）、N（無相関送信次元の数）およびK（無相関受信次元の数）に依存する。より重要な特徴を分離することは困難である。

上記の実施形態では、収束は
であり、これは、特徴が均等にまたは同等の重要度で合成されていることを意味する。他の実施形態では、システムは、これらのさほど重要ではない特徴にさほど重点が置かれず、より重要な特徴にさらに重点が置かれることを可能にするよう修正される。

この実施形態では、追加の電力制御ベクトル
が導入され、特定の実施形態では、これは、次のように特徴ごとに1つの電力制御係数（実数値）を含むよう単純化される：
。電力制御ベクトルが所与の特徴に対してより大きい値を有する場合に、その特徴には相対的により重点が置かれるが、電力制御ベクトルが所与の特徴に対してより小さい値を有する場合に、その特徴には相対的にさほど重点が置かれない。次いで、収束は
および
になる。

図20に例示的な実装形態が示されており、これは図18と同じであり、ただし、図18では、合成された関数が入力の和になるよう線形合成器がいかなる重み付けも適用しなかったが、図20では、電力制御ベクトルからの1セットの重み：
が線形エンコーダ1802の出力に適用される。

したがって、図20では、全体の手順は、以下によって要約されることができる。

目的は、訓練制約
を用いて
を決定することである。

電力制御がどの程度良好に機能するかは所与の
（ヒルベルト空間）、A（マニホールド）、およびF（サンプリング方法）に大部分依存する。サンプルが空間
の1つのエリアに集中する場合、
は比較的静的であり、訓練が容易である。サンプルが空間
の1つの「より広い」エリアに分散する場合、
は動的であり、訓練の困難さまたはより長い時間につながる。

無線システムでは、サンプルが広く分散している方がよく、サンプル間の平均距離が大きいほど、ノイズに対して良好に機能する。特徴重要度の分布は、あるサンプル（シンボル）から他のサンプル（シンボル）へと劇的に変動しうる。

第3の実施形態 仮想ユーザ
他の実施形態によれば、システムは、実際には、出力全体を単一の受信器に向けるのではなく、線形エンコード
の出力が、真のユーザと仮想ユーザとに対して異なる電力制御ベクトルを使用することによって真のユーザと仮想ユーザとの間で分割されるよう仮想ユーザを実装するようにさらに修正される。システムは、2つの電力制御ベクトルを適切に設定することによって、より重要な特徴（本明細書では「有用な」情報とも呼ばれる）を真のユーザに向け、さほど重要でない特徴（本明細書では「無駄な」情報とも呼ばれる）を仮想ユーザに向けるように訓練される。

重み付きエンコーダ出力
は真のユーザに送信され、重み付きエンコーダ出力
は「仮想」ユーザに送信される。2つのユーザは電力を共有する：α_i＋β_i＝c_i。
がシンボルaに関するより重要な情報を搬送する場合には、α_i＞β_iであり、そうでない場合には、α_i＜β_iである。この場合の元の電力制御ベクトルは
に設定されることができる。すべての
は2つの接続を有し、1つは電力制御実係数α_iを有する真のユーザとの接続であり、もう1つは電力制御実係数1－α_iを有する仮想ユーザとの接続である。元の電力制御ベクトルのこの設定により、
が満たされる。

システム全体は以下のように要約されることができる。

図21Aおよび図21Bは共に、そのようなシステムのブロック図である。図21Aおよび図21Bは、図20に厳密に基づくものであるが、電力制御ブロック2004の代わりに、電力制御ブロック2104があり、電力制御ブロック2104は、線形エンコーダ1802の出力に重みα_iを適用して真のユーザに向けられた出力を生成し、線形エンコーダ1802の出力に重みβ_iを適用して仮想ユーザに向けられた出力を生成する。

仮想ユーザへの出力は実際には送信されないことに留意されたい。仮想ユーザは、最適化および訓練を支援するよう構築される。

そのようなシステムを構築すると、目的は、訓練制約α_i≦1を用いて
を決定するようにシステムを訓練することである。従来の勾配降下逆伝搬が用いられる場合、
は訓練において具体化されない。

本開示の一実施形態によれば、訓練は、以下の2つのサブ訓練で構成される。
のための勾配降下逆伝搬、
α_iのためのメッセージパッシングアルゴリズム。α_i＋β_i＝1を満たすために、以下のソフトマックス関数が使用される。
式中、
は、
と
との間の距離メトリックであり、
は、
と
との間の距離である。

と
との間の平均距離メトリックを最小化するために、距離は、
と
との間の内積として定義される。以下は、重みを決定するために使用されることができるメッセージパッシングアルゴリズム（MPA）の一例である。
初期設定：
反復＝1：rでは
反復の終了／／

これが図22にグラフで図示されている。図22の上部分は、N／K個の
ノードから2つのrノード（真および仮想）への反復を示している。各
ノードには、2つの入力
および
がある。各
ノードは、
、電力重みを計算し、次いで、
を真のユーザに、
を仮想ユーザに送信する。すべてのN／K個の
ノードが同じことを行うことに留意されたい。しかしながら、それらの重みα_iは、それらの
が異なるため、異なる。図22の下部分は、2つのrノード（真および仮想）からN／K個の
ノードへの反復を示している。真のrノードは、N／K個の
ノードからのすべての
を合計し
、すべてのN／K個の
ノードに
を送り返す。仮想rノードは、N／K個の
sノード、
からのすべての
を合計し、すべてのN／K個の
ノードに
を送り返す。ここで、すべてのN／K個の
ノードは、更新された
および
を取得し、次いでプロセス全体が複数の反復にわたって繰り返される。

これは、典型的なメッセージングパッシングアルゴリズムである。1回の反復では、送信側で並列にすべてのグループについて（3）が計算される。次いで、各送信は、更新されたα_iおよび（1－α_i）に関して電力を調整し、次いで
および
を更新する。次の反復では。更新された
および
は、（3）によってすべてのα_iを更新するために使用される。r回の反復の後、結果として得られるα_iは電力制御係数である。

このメッセージパッシングアルゴリズムは、ディープニューラルネットワークに組み込まれることができるように（
のソフトマックス関数のために）微分可能である。

目的は、
を決定することである。

勾配降下逆伝搬について、［α₁，α₂，…α_N／K］は定数である。MPAは、
を定数として扱いながら［α₁，α₂，…α_N／K］を訓練する。タンデム訓練方法は図23および図23Bに図示されており、図23および図23Bは、逆伝搬訓練およびMPA訓練を示している。

逆伝搬によって訓練された層
は、電力制御層（［α₁，α₂，…α_N／K］）の固定／凍結された値を仮定し、MPA（電力制御）によって訓練された層（［α₁，α₂，…α_N／K］）は、逆伝搬によって訓練された層
の固定値を仮定する。いくつかの実施形態では、図24および図24Bに図示されるように、送信時に、電力制御層は継続的に調整され続けるが、逆伝搬によって訓練された層は凍結される。

AWGNチャネルにおいて1つの64QAMシンボルを3つの次元にエンコードする前述の例を再び参照すると、特定の実装形態において、送信器は、3回の反復で100個の64QAMシンボルにわたってメッセージパッシングアルゴリズムを実行する。符号化利得を実証するために、シンボル誤り率対Eb／N0が決定され、図25にプロットされている。電力利得に加えて約8dBの符号化利得がある。図25では、曲線はエラーフロアなしで広範囲のSNRにわたって理論的限界に非常に近いが、例では10dBの固定Es／N0で訓練された。

システム全体が、従来のオートエンコーダ手法に存在する一般化の問題を受けないことがわかる。6ビットに対して3つの等品質ランクがある場合には、システムは3つのQPSKシンボルを生成する。デコーダg（）を介在させて変更することなく、システムは広範囲のSNRにわたって最適な解決手段に接近することができる。

この例は、送信されるべきビット数および利用可能な等しい重要度のランクの数が与えられた場合、このディープニューラルネットワークアーキテクチャが理論的限界に接近することを可能にすることを示している。実際には、送信されるべきビット数は5、7、または他の値とすることができ、特に2の累乗である必要はない。また、ランクの数は任意である。例えば、5つのランクにわたる7ビットの場合、従来の方法にはヒューリスティックな制限はない。ディープニューラルネットワークは最適な解決手段に接近する。

実施形態4 マルチパスチャネル用途
実施形態3の詳細な説明
均等に減衰された（K個の等品質ランク）AWGNチャネル上で符号化利得を有することにはいくらかの有用性があるが、ランクの品質が異なる場合、マルチランク送信の方が理にかなう。先行技術の手法では、K個のランクの品質はSVDによって推定され、ランク付けされなければならず、品質に関して、1つのシンボルが比例的にK通りに分離される。このメカニズムは、顕著なオーバーヘッド（パイロット、メッセージおよびプリミティブの制御）と、標準化された候補の大きなセットとを伴う。これは、一部の現在のMIMOシステムが設計される方法である：ステップ1：送信器が、異なる経路上でいくつかの参照信号を送信する；ステップ2：受信器が、異なる経路上のチャネル条件を測定し、それらを組み合わせてチャネル品質インジケータ（CQI）にする；ステップ3：受信器がCQIを送信器に送り返す；ステップ4、送信器はSVDを実行して、CQIから固有値および固有ベクトルを見つける；ステップ5、送信器は、固有値をより高いものからより低いものにランク付けし、いくつかの非常に小さい固有値を排除する。固有値（ランクの品質）に従って、変調符号化方式を割り振る。ステップ6、送信器は、ランクごとのMCSおよびデコード行列（固有ベクトル）を受信器へ送信する。

ミリ波用途シナリオでは、AWGNチャネルは過度の単純化であり、マルチパスフェージング、すなわち時変の周波数選択性のフェージングチャネルが代わりに使用されることができ、これはさらなる複雑さを導入する。実際には、N個のビームは独立してK個の受信アンテナに到達し、それらの受信信号は相互に加算される、または干渉される。ビームは何らかの方法で相関されてもよい。各ビームは、異なる、周波数選択性の、時変のフェージング減衰を有する。選択性は、ビーム上の複数経路に起因し、主に物理的環境によって決定される。無線通信のある期間にわたって、選択性に起因する減衰は静的：h_sであるとみなされることができる。時変の減衰は、移動する端末だけでなく、近くの移動する妨害物の、移動度に起因する。時変の減衰は、測定および推定されることができる、静的減衰に対するジッタ：Δh_d（t）とみなされることができる。さらに、時変のチャネル減衰は、正確に推定されることは決してなく、不可避の推定ミスマッチを引き起こす。あるいは、時変のチャネル減衰は、しばらくすると古くなり、他の不可避の古くなったミスマッチを引き起こす。このミスマッチは、Δd_m（t）に対するジッタ：Δ’d_m（t）とみなされことができる。

N対Kシナリオ（N＞＞K）では、N／K個のビームグループにわたるパイロット（参照信号）が受信器で合計されるので、N／K個のビームグループにわたるラウンドロビン測定アルゴリズムが必要になる。残念ながら、1つの所与のビームグループについて、その2回の連続するダウンリンクチャネル測定が、少なくとも（N／K－1）個の測定間隔ごとに行われる。NはKよりもはるかに大きい数でありうるため、この間隔は長すぎてΔh_d（t）の変化を説明することができない。さらに、この方法は、ダウンリンク（パイロット信号およびサウンディング信号）とアップリンク（報告およびフィードバック）の両方において顕著なオーバーヘッドを必要とする。

代替的な手法は、TDDモードにおけるUL／DLの相反的特性に依存し、すなわち、基地局（送信器）は、受信器から送信されたUL信号上のチャネル減衰を推定し、次いで、それらを、次のDL（送信器から受信器）上のチャネル減衰とみなす。この相反的仮定は、ULとDLとの間の潜在的なミスマッチのために不完全である。

ミリ波用途では、ラウンドロビンベースの手法よりも少ないオーバーヘッドを占有するため、UL／DL相反性に依拠することが好ましい。加えて、極端な高スループットおよび超低レイテンシをサポートするために、従来の同期、チャネル推定、および等化のカスケードの代わりに単純なデコーダg（・）を使用することが好ましい。

いくつかの実施形態では、減衰h（t）＝（h_s＋Δh_d（t）＋Δh_m（t））に対処するための手法は、以下に基づくものである。
再合成
の結果として、その固有の合成論理は、トランシーバが減衰h（t）＝（h_s＋Δh_d（t）＋Δh_m（t））に耐えるのを助けることができる。
機械学習は（非線形）フィッティング関数であるため、層
はいくつかのチャネル減衰サンプルによって訓練および固定される。それらは、ある（限られた）程度まで、以前に遭遇したことのないチャネル減衰を扱うことができる。
固定層（
は訓練および固定された層である）を訓練した後、送信器は、
の電力制御ベクトル［α₁，α₂，…α_N／K］を更新するためにMPAを実行し続ける。h_s＋Δh_d（t）の知識により、トランシーバが時変のチャネル減衰を適合させるのを助けることができる。

訓練の目的で、チャネル減衰は、図26に図示されるように、以下の3つの部分に分割される。
静的（大規模）チャネル減衰（h_s）2600は、主に、受信器の位置に関して異なるビームアンテナ間の静的時間オフセットおよびビーム上のマルチパスに起因する。基地局（送信器）は、典型的には、静的チャネル減衰の十分な知識を有する。
動的（中規模）チャネル減衰（Δh_d（t））2602は、主に、変化する環境（例えば、ランダムな乗客）および低い移動度（例えば、小さな動き）に起因する。基地局は、アップリンクでΔh_d（t）を測定し続け、これらの測定値をUL／DLの相反的仮定に基づいてダウンリンクに使用する。
ミスマッチ（小規模）チャネル減衰（Δh_m（t））2604は、主に、チャネル推定と測定との間のミスマッチに起因する。これは、相反性が仮定される場合のULチャネルとDLチャネルとの間のミスマッチ、または経時的に蓄積するミスマッチでありうる。

これらの減衰は、以下のようにシステムモデルに含められることができる。
式中、
は静的であり、常に送信器には既知である
は時変であるが、送信器には既知である
は時変であるが、理論的には送信器には未知である
は要素ごとの複素乗算である。

および
は時変であるが、それらの分布はいくつかの統計によって知られるか、または推定されることができる。訓練段階中に、
および
の値はすぐには入手できないが、
の推定値は入手可能でありうる。これに対処するために、値が訓練目的で仮定される。以下の例では、N／K個のビームグループについての2つの既知のガウス分布、すなわち
および
が使用される。これらの分布は、以下でさらに詳細に説明される。

次いで、上記モデルでは、
が
に置き換えられ、
が
に置き換えられる。

チャネル減衰を示すように修正された図20のシステムが図27Aおよび図27Bに図示されており、チャネル減衰成分は2700で導入される。

図28A、図28B、および図28Cは、仮想ユーザを含む図21Aおよび図21Bのシステムを示しており、仮想ユーザは、負または正の減衰なしの理想的なユーザであると定義されている。図28A、図28B、および図28Cのシステムは、真のユーザのみの出力に適用されるチャネル減衰2800を示している。ニューラルネットワーク全体は、以下の通りであり、
式中、訓練段階中には
である。

訓練中には、以下の手法がとられる。
および
反復＝1：rでは
または
／／仮想ユーザに減衰なし
および
反復の終了／／

上記の例は、仮想ユーザの減衰がないと仮定しており、他の実施形態では、真のユーザの同じ減衰が仮想ユーザについて仮定される。シミュレーションによれば、2つの手法の間に大きな性能差はない。

訓練は、AWGNチャネルについて上述したのと同じである。目的は
である。勾配降下逆伝搬は、［α₁，α₂，…α_N／K］を固定しながら
を訓練しており、MPAは、
を固定しながら［α₁，α₂，…α_N／K］を訓練している。減衰を伴う訓練段階中のこのMPAが図29に要約されている。

訓練後、f（）、g（）、w_iおよび
層は凍結される。送信器は、これらを使用してサンプルaを
にエンコードする。送信器は、チャネル減衰に対して［α₁，α₂，…α_N／K］を生成するためにMPAを使用し続ける。各送信間隔tにおいて、送信器はチャネル減衰
を受信する。ミスマッチに関して、MPAは、
によって更新される
からのサンプルを使用し続ける。送信段階中には
である。

図30A、図20Bおよび図30Cは、図23Aおよび図23Bの実施形態について前述されたように、訓練が逆伝搬とMPAとの間でどのように分割されるかを示している。図31A、図31B、および図31Cに示されるように、勾配降下層は、MPAが電力制御係数を更新するために送信に使用されている間、凍結されている。

訓練に続いて、以下の手法がとられる。
iter＝1：rでは
または
／／仮想ユーザに減衰なし
反復の終了

減衰を伴う送信中の訓練段階後のMPAの動作が、図32に要約されている。

3つの次元にエンコードされた1つの64QAMの例に戻ると、第1のシミュレーションでは、
および
のみが考察される。訓練段階中、減衰は（
）であり、式中、
は既知の分布N（m_hd，σ_hd）からサンプリングされたものである。送信中、MPAは減衰（
）を使用し、式中、
は時変の確率変数であるが送信器には既知である。
も
も、単にデコーダg（・）を使用する受信器には未知である。

第2のシミュレーションでは、
、および
が考察される。訓練段階中、減衰は
であり、式中、
は既知の分布N（m_hd，σ_hd）_i，kからサンプリングされたものであり、
は既知の分布N（m_hm，σ_hm）_i，kからサンプリングされたものである。送信中、MPAは減衰
を使用し、式中、
は時変の確率変数であるが送信器には既知であり、
は
によって更新された分布N（m_hm，σ_hm）_i，kからサンプリングされたものである。シミュレーション結果が図33に示されている。

ランダムに減衰されたチャネルでは、（減衰なしの）仮想ユーザは、MPAが電力制御係数［α₁，α₂，…α_N／K］を生成するために重要な役割を果たす。（K個のビームを含む）各グループについて、MPAは2つの接続を有し、一方は減衰を伴う真のユーザ用であり、他方は減衰を伴わない仮想ユーザ用である。MPAの目的は、最大情報を真のユーザに移動し、残りを仮想ユーザに移動することである。

さらに重要なことには、N対Kシナリオでは、前述のように、すべてのビームが受信器で合計される（ビームのパイロットが互いに干渉している）ため、各ビームにパイロットを挿入することは困難であるか、または非現実的である。記載の手法では、パイロットは不要である（またははるかに少なくて済む）。すべての変動する減衰は、
を推定するためにデコーダとしてg（・）を使用する受信器に対して透過的である。同期も、チャネル推定も、等化も受信器によって必要とされないので、非常に高いスループットおよび短いレイテンシが達成されることができる。

実施形態5 ミリ波への適用
いくつかの実施形態では、上述の手法のうちの1つまたは複数が、ミリ波用途に適合される。

いくつかの実施形態では、基地局は、ビームオンチップシステムを含む。1つのチップが多数（例えば、何百または何千も）のミリ波アンテナを含む。

アンテナ間の時間オフセットにつながりうるルーティング問題に対処するために、チップ上のいくつかの近くのアンテナ回路は、ビームを生成するためのセットへとまとめられうる。1つのビームのアンテナは、同じクロックツリーノードに接続されることができるため、チップ的にも物理的にも近く、互いに同期している。電力密度に対処するために、1つのビームのアンテナは、同じ電源島内から選択されることができる。相互にグループ化されたK個の隣接するビームのセットを示す例が図34に図示されている。所与のビームグループについて、それらのクロックは同じクロックツリーノードから導出され、それらは同じ電源島内にある。1つの電源島に対して、この島上のK個すべてのビームを制御する電力制御チューナがある。図34において、1つのグループが3400で示され、これはK個すべてのビームを制御する電力制御チューナ3402を有し、すべてのビームに接続されたクロックツリー3404を有する。1グループのK個のビームは常に、同じ受信器を指し示すように一緒にスケジュールされる。それらは互いに近接しているが、「同期」され、均一かつ均等に電力供給され、空間的に並列である（干渉なし）。ビームグループは、基本スケジューリング粒度である。1つのビームオンチップは、ビームの何百または何千ものグループを含んでいてもよい。1つのチップまたはシステムオンチップ（SoC）上に多数のビームが実装される場合、それらのすべてのクロックを同期させる従来の方法は、特にルーティングクロックツリーを設計する際に、チップ設計に対する課題を提示する。その結果、大規模な完全同期式のチップは、ルーティングクロックツリーのために電力のかなりの部分（30％超）を消費することになる。また、大きい電力消費は、換気目的のためにチップの面積を不可避的に増加させる。したがって、チップ設計では、大規模な完全同期式のロックツリーがいくつかの非同期サブクロックツリーに分割されることができる場合、これは電力および面積およびコストを劇的に削減する。これは、ビームのこれらのグループ間のチップルーティングに起因する時間オフセットが許容されるので、ルーティング問題が大幅に軽減されることができるからである。しかしながら、グループ間の時間オフセットはチップごとに異なる。それらは固定されており、測定されることができる。静的時間オフセットは、
に統合される静的減衰に含まれうる。

同時のN／K個のビームグループに到達するために複数のビームオンチップが一緒に使用されてもよい。ビームオンチップ間の時間オフセットは静的であり、測定され、次いで、
に統合される静的減衰のために考慮に入れられることができる。複数のビームオンチップは、別々に設置され、配線接続によって接続されることができる。端末の位置が与えられた場合、空中の時間遅延が決定され、
に統合される静的減衰のために考慮に入れられることができる。

一例が図35に示されており、基地局3500と、スポットA3503に位置する第1の端末3502およびスポットB3505に位置する第2の端末3504を含む2つの端末とを示している。

端末の位置は基地局には既知である。その位置、ユーザタイプ、および利用可能なK個の無相関次元、
（静的遅延および減衰）が与えられた場合、N（m_hd，σ_hd）およびN（m_hm，σ_hm）の分布が得られることができる。いくつかの実施形態では、これらは基地局のメモリまたはデータベースに記憶されており、あるいは、これらは、例えば、ディープニューラルネットワークを使用して予測される。いくつかの実施形態では、
は、位置、ユーザタイプ、および利用可能なK個の無相関次元に関して既に訓練されており、メモリに記憶されていてもよい。一例が図35に示されており、データベース3510は、基地局のカバレッジエリア内の様々なスポットの予め訓練されたg（）を記憶している。この場合、基地局は、g（）を再び訓練する必要はなく、むしろg（）の係数およびアーキテクチャを端末に単に送信する。端末が異なるスポット内に移動する場合、係数およびアーキテクチャは更新される必要がある。理想的には、各スポットと関連付けられたカバレッジエリアは、これが頻繁に発生しすぎないように十分に大きい。

動作に際して、受信器は、基地局のN個のビームによって検出／受信されるアップリンク上で参照信号を送信することから開始する。次いで、基地局は、各ビーム上のチャネル減衰を推定する。基地局は、
を形成するためにUL／DL相反性の仮定を適用する。基地局は、MPAを使用して、電流減衰（
および
または
）に対するK個のビームの各グループの電力［α₁（t），α₂（t），…α_N／K（t）］を計算する。更新された［α₁（t），α₂（t），…α_N／K（t）］で、送信器は、
を実行し、ビームグループの粒度に合わせて電力を調整し、最後に信号をダウンリンクにおいて無線で送信する。受信器は、K個の無相関アンテナから信号を受信し、信号をg（）に入力する。次いで、端末は、基地局が次の反復のために
の更新された値を有するように、アップリンク上で参照信号を送信し続ける。

動作に際して、基地局は、従来の統計的方法またはディープニューラルネットワークベースの方法のいずれかによってN（m_hd，σ_hd）の分布を調整するために
を記憶する。基地局は、
を使用して、従来の統計的方法またはディープニューラルネットワークベースの方法のいずれかによってN（m_hm，σ_hm）の分布を調整する。

基地局は、
および
に対する相対性を計算することによって、
および
を監視する。

γ_d（t）が所定の制限を超えており、ユーザが位置に留まっている場合、
はこの位置を十分に表すことができない可能性があるため、
はより最近の
によって更新されるべきである。しかしながら、更新された
は、
の再訓練をトリガする。いくつかの実施形態では、転移学習概念が使用され、これは、未定義のニューロンのセットからではなく現在のニューロンから訓練することを伴う。再訓練が収束した場合、基地局は新しいg（）を受信器へ送信する。再訓練が収束しなかった場合、この位置は「死角」である、すなわち、N個のビームが不十分である可能性があり、カバレッジエリアのその部分の受信器と通信するためにより多くのビームが使用される必要がある。この場合、基地局は、このエリアにより多くのビームを割り振ってもよい。システム全体の次元が変更されるため、新しい訓練が必要とされる。これらの「死角」状況は、新しい基地局の始動期間に発生する可能性がある。

γ_m（t）が所定の制限を超える場合、より頻繁なパイロットおよび／またはより多くのパイロットが必要とされる。より頻繁でより多くのパイロットが状況の助けとならない場合には、N個のビームは不十分である可能性があり、より多くのビームをこの受信器に割り振られることができる。次元が変更されたため、新しい訓練が必要とされる。

詳細な例は1つのシンボルに焦点を当てているが、いくつかの実施形態ではOFDMが使用され、複数のシンボルがOFDMシステムによって並列に送信される。各シンボルは、独自の
を有する。いくつかの実施形態では、より多くの符号化利得を有するように2つ以上のシンボルを一緒にエンコードするエンコーダが使用される。2つのQAMシンボルが1つの「シンボル」として扱われる場合、手順は同じである。OFDMベースのシステムの一例が図36に示されている。

実施形態6 増分冗長性
この実施形態では、増分冗長性ベースの再送システムおよび方法が提供される。再送は、時間領域に限定されない一般的な概念とすることができる。「再送」とは、増分情報が他の独立した次元から送信されることを意味する。例えば、最初の送信は3つの次元上のものであり、再送は第4の次元上のものである。複数回の再送が行われてもよいが、以下の例は、例として1回の再送を用いる。実際には、3回、4回、またはそれ以上の再送が行われうる。

最大次元数をKであると定義する。最初の送信では、最初の（K－1）個の次元が使用され、2回目の送信（第1の再送）では、増分情報がK番目の次元上で送信される。ディープニューラルネットワークは、最初の（K－1）個の次元用のg1（）と、K番目の次元を前のK－1個の次元と結合するK番目の次元用のg2（）の2つのデコーダ（DNN）があることを除いて、再送なしのものとほぼ同じである。

訓練の目的は、
であり、式中、γは送信に重み付けするために受信器で使用される重み係数であり、（1－γ）は2回目の送信の重み係数である。より高いγ値、例えば0．9では、予想は、ほとんどの場合最初の送信が正常にデコードされることができるというものになる。3回以上の送信が行われる場合、それらの重みの合計は1でなければならない。

訓練後、受信器は2つのデコーダ、g1（）およびg2（）を有する。最初の送信中、受信器はK－1次元の信号を受信し、これをg1（）に入力してシンボルaを推定する。再送中、受信器は、K次元の信号を受信し、それを前のK－1個の次元と結合してg2（）のためのK次元ベクトルにする。最初の送信が正常にデコードされる尤度を制御するために訓練が使用されることができる。パラメータγをより高く設定することにより、より不可欠な情報がプッシュされて、g1（）によって処理される信号に含まれるようになる。

具体的なシミュレーション例では、初期送信のγ＝0．8であり、（1－γ）＝0．2が再送に使用される。シミュレーション計算結果は、図38に示されている。

結果は、1つの次元上の増分情報からの約0．3dBの符号化利得を示している。

図39は本開示の実施形態が実装されうる例示的な通信システム100を示している。一般に、通信システム100は、複数の無線要素または有線要素がデータおよび他のコンテンツを通信することを可能にする。通信システム100の目的は、ブロードキャスト、ナローキャスト、ユーザデバイス対ユーザデバイスなどを介してコンテンツ（音声、データ、ビデオ、テキスト）を提供することでありうる。通信システム100は、帯域幅などのリソースを共有することによって動作しうる。

この例では、通信システム100は、電子デバイス（ED）110a～110cと、無線アクセスネットワーク（RAN）120a～120bと、コアネットワーク130と、公衆交換電話網（PSTN）140と、インターネット150と、他のネットワーク160とを含む。図39には特定の数のこれらの構成要素または要素が示されているが、通信システム100には任意の妥当な数のこれらの構成要素または要素が含まれていてもよい。

ED110a～110cは、通信システム100において、動作するか、通信するか、またはその両方を行うよう構成されている。例えば、ED110a～110cは、無線または有線通信チャネルを介して送信するか、受信するか、または、その両方を行うよう構成されている。各ED110a～110cは、無線動作のための任意の適切なエンドユーザデバイスを表し、ユーザ機器／デバイス（UE）、無線送信／受信ユニット（WTRU）、移動局、固定式もしくは移動式加入者ユニット、携帯電話、局（STA）、マシンタイプ通信（MTC）デバイス、パーソナルデジタルアシスタント（PDA）、スマートフォン、ラップトップ、コンピュータ、タブレット、無線センサ、または家庭用電子デバイスなどのデバイスを含みうる（またはそのようなデバイスと呼ばれうる）。

図39では、RAN120a～120bは基地局170a～170bをそれぞれ含む。各基地局170a～170bは、ED110a～110cのうちの1つまたは複数との無線でインターフェースして、任意の他の基地局170a～170b、コアネットワーク130、PSTN140、インターネット150および／または他のネットワーク160に対するアクセスを可能にするよう構成されている。例えば、基地局170a～170bは、無線基地局（BTS）、ノードB（NodeB）、進化型NodeB（eNodeB）、ホームeNodeB、gNodeB、送信点（TP）、サイトコントローラ、アクセスポイント（AP）、または無線ルータなどの、いくつかの周知のデバイスのうちの1つまたは複数を含んでいてもよい（またはそれらであってもよい）。任意のED110a～110cが、代替としてまたはこれに加えて、任意の他の基地局170a～170b、インターネット150、コアネットワーク130、PSTN140、他のネットワーク160、またはこれらの任意の組み合わせとインターフェースするか、これらにアクセスするか、またはこれらと通信するよう構成されていてもよい。通信システム100は、RAN120bなどのRANを含んでいてもよく、対応する基地局170bは、図示されるように、インターネット150を介してコアネットワーク130にアクセスする。本明細書に記載される詳細な実施形態はTPを参照するが、より一般的には、任意のタイプの基地局が本明細書に記載される実施形態のいずれかに使用されることができる。

ED110a～110cおよび基地局170a～170bは、本明細書に記載されている機能および／または実施形態の一部または全部を実装するよう構成されることができる通信機器の例である。図39に示されている実施形態では、基地局170aはRAN120aの一部を形成し、他の基地局、（1つまたは複数）の基地局コントローラ（BSC）、（1つまたは複数の）無線ネットワークコントローラ（RNC）、リレーノード、要素、および／またはデバイスを含みうる。任意の基地局170a、170bは、図示のように、単一の要素であってもよいし、対応するRAN内で分散された複数の要素であってもよいし、これら以外であってもよい。また、基地局170bもRAN120bの一部を形成し、他の基地局、要素、および／またはデバイスを含みうる。各基地局170a～170bは、「セル」や「カバレッジエリア」と呼ばれることもある、特定の地理的領域またはエリア内で無線信号を送信および／または受信する。セルはセルセクタにさらに分割されていてもよく、基地局170a～170bは、例えば、複数のトランシーバを用いて複数のセクタにサービスを提供してもよい。いくつかの実施形態では、無線アクセス技術がそのようなセルをサポートする場合にはピコセルやフェムトセルが確立されてもよい。いくつかの実施形態では、複数のトランシーバが、例えば多入力多出力（MIMO）技術を使用して各セルに使用されることもできる。図示のRAN120a～120bの数は例示にすぎない。任意の数のRANが、通信システム100を考案する際に企図されてもよい。

基地局170a～170bは、無線通信リンク、例えば、無線周波数（RF）、マイクロ波、赤外線などを使用して1つまたは複数のエアインターフェース190上でED110a～110cのうちの1つまたは複数と通信する。エアインターフェース190は、任意の適切な無線アクセス技術を利用してもよい。例えば、通信システム100は、エアインターフェース190において、符号分割多元接続（CDMA）、時分割多元接続（TDMA）、周波数分割多元接続（FDMA）、直交FDMA（OFDMA）、シングルキャリアFDMA（SC－FDMA）など、1つまたは複数のチャネルアクセス方法を実装してもよい。

基地局170a～170bは、広帯域CDMA（WCDMA（登録商標））を使用してエアインターフェース190を確立するために、ユニバーサル移動物体通信システム（UMTS）地上無線アクセス（UTRA）を実装してもよい。その際、基地局170a～170bは、HSDPA、HSUPA、またはその両方を任意選択で含むHSPA、HSPA＋などのプロトコルを実装してもよい。代替として、基地局170a～170bは、LTE、LTE－A、LTE－Bおよび／または新無線（NR）を使用して進化型UTMS地上無線アクセス（E－UTRA）を用いてエアインターフェース190を確立してもよい。通信システム100は、上記のような方式を含む複数チャネルアクセス機能を使用しうることが企図されている。エアインターフェースを実装するための他の無線技術は、IEEE802．11、IEEE802．15、IEEE802．16、CDMA2000、CDMA2000 1X、CDMA2000 EV－DO、IS－2000、IS－95、IS－856、GSM、EDGE、およびGERANを含む。当然ながら、他の多元アクセス方式および無線プロトコルが利用されてもよい。

RAN120a～120bはコアネットワーク130と通信してED110a～110cに音声サービスや、データサービスや、他サービスなどの様々なサービスを提供する。RAN120a～120bおよび／またはコアネットワーク130は、1つまたは複数の他のRAN（図示せず）と直接的に通信しても、または間接的に通信してもよく、他のRANはコアネットワーク130によって直接サービス提供される場合もされない場合もあり、RAN120a、RAN120bまたはその両方と同じ無線アクセス技術を用いる場合も用いない場合もある。コアネットワーク130はまた、（i）RAN120a～120bまたはED110a～110cまたはその両方と、（ii）他のネットワーク（PSTN140、インターネット150や他のネットワーク160など）との間のゲートウェイアクセスとして機能してもよい。加えて、ED110a～110cの一部または全部が、様々な無線技術および／またはプロトコルを使用して様々な無線リンク上で様々な無線ネットワークと通信するための機能を含んでいてもよい。無線通信の代わりに（または無線通信に加えて）、EDは、有線通信チャネルを介してサービスプロバイダまたはスイッチ（図示せず）や、インターネット150に通信してもよい。PSTN140は基本電話サービス（POTS）を提供するための回路交換電話網を含んでいてもよい。インターネット150は、コンピュータのネットワークおよびサブネット（イントラネット）またはその両方を含んでいてもよく、IP、TCP、UDPなどのプロトコルを組み込んでいてもよい。ED110a～110cは複数の無線アクセス技術による動作を行うことができるマルチモードデバイスであってもよく、そのような技術をサポートするのに必要な複数のトランシーバを組み込んでいてもよい。

図40Aおよび図40Bは、本開示による方法および教示を実装しうる例示的デバイスを示している。特に、図40Aは例示的なED110を示しており、図40Bは例示的な基地局170を示している。これらの構成要素は、通信システム100で、または任意の他の適切なシステムで使用されることができる。

図40Aに示されるように、ED110は、少なくとも1つの処理ユニット200を含む。処理ユニット200はED110の様々な処理動作を実装する。例えば、処理ユニット200は、信号符号化、データ処理、電力制御、入力／出力処理、またはED110が通信システム100で動作することを可能にする任意の他の機能を行うことができる。処理ユニット200はまた、上記でより詳細に説明された機能および／または実施形態の一部または全部を実装するよう構成されてもよい。各処理ユニット200は、1つまたは複数の動作を行うよう構成された任意の適切な処理または計算デバイスを含む。各処理ユニット200は、例えば、マイクロプロセッサ、マイクロコントローラ、デジタル信号プロセッサ、フィールドプログラマブルゲートアレイ、または、特定用途向け集積回路を含むことができる。

ED110はまた、少なくとも1つのトランシーバ202も含む。トランシーバ202は、少なくとも1つのアンテナまたはネットワークインターフェースコントローラ（NIC）204による送信のためにデータまたは他のコンテンツを変調するよう構成されている。トランシーバ202はまた、少なくとも1つのアンテナ204によって受信されたデータまたは他のコンテンツを復調するようにも構成されている。各トランシーバ202は、無線送信もしくは有線送信用の信号の生成および／または無線もしくは有線で受信された信号の処理のための任意の適切な構造を含む。各アンテナ204は無線信号または有線信号の送信および／または受信のための任意の適切な構造を含む。1つまたは複数のトランシーバ202がED110において使用されることができる。1つまたは複数のアンテナ204がED110において使用されることができる。単一の機能ユニットとして図示されているが、トランシーバ202は、少なくとも1つの送信器および少なくとも1つの別個の受信器を使用して実装されることもできる。

ED110は1つまたは複数の入力／出力デバイス206やインターフェース（インターネット150への有線インターフェースなど）をさらに含む。入力／出力デバイス206は、ユーザまたはネットワーク内の他のデバイスとの対話を可能にする。各入力／出力デバイス206は、ネットワークインターフェース通信を含む、スピーカ、マイクロフォン、キーパッド、キーボード、ディスプレイ、タッチスクリーンなどの、ユーザに情報を提供する、またはユーザから情報を受け取るための任意の適切な構造を含む。

加えて、ED110は少なくとも1つのメモリ208を含む。メモリ208は、ED110によって使用、生成、または収集される命令およびデータを記憶する。例えば、メモリ208は、上記の機能および／または実施形態の一部または全部を実装するように構成された、（1つまたは複数の）処理ユニット200によって実行されるソフトウェア命令またはモジュールを記憶することができる。各メモリ208は、（1つまたは複数の）任意の適切な揮発性および／または不揮発性の（1つまたは複数の）記憶デバイスおよび検索デバイスを含む。ランダムアクセスメモリ（RAM）、読み出し専用メモリ（ROM）、ハードディスク、光ディスク、加入者識別モジュール（SIM）カード、メモリスティック、セキュアデジタル（SD）メモリカードなどといった、任意の適切なタイプのメモリが使用されてもよい。

図40Bに示されるように、基地局170は、少なくとも1つの処理ユニット250と、少なくとも1つの送信器252と、少なくとも1つの受信器254と、1つまたは複数のアンテナ256と、少なくとも1つのメモリ258と、1つまたは複数の入力／出力デバイスまたはインターフェース266とを含む。送信器252および受信器254の代わりに、図示されていない、トランシーバが使用されてもよい。処理ユニット250にスケジューラ253が結合されてもよい。スケジューラ253は基地局170内に含まれていてもよいし、基地局170から分離されて動作してもよい。処理ユニット250は、信号符号化、データ処理、電力制御、入力／出力処理、または他の任意の機能などの、基地局170の様々な処理動作を実装する。処理ユニット250はまた、上記でより詳細に説明された機能および／または実施形態の一部または全部を実装するようにも構成されることができる。各処理ユニット250は、1つまたは複数の動作を行うよう構成された任意の適切な処理または計算デバイスを含む。各処理ユニット250は、例えば、マイクロプロセッサ、マイクロコントローラ、デジタル信号プロセッサ、フィールドプログラマブルゲートアレイ、または、特定用途向け集積回路を含むことができる。

各送信器252は、1つまたは複数のEDまたは他のデバイスへの無線送信または有線送信用の信号を生成するための任意の適切な構造を含む。各受信器254は、1つまたは複数のEDまたは他のデバイスから無線または有線で受信された信号を処理するための任意の適切な構造を含む。別々の構成要素として図示されているが、少なくとも1つの送信器252と少なくとも1つの受信器254とがトランシーバに結合されることもできる。各アンテナ256は、無線信号または有線信号の送信および／または受信のための任意の適切な構造を含む。共通のアンテナ256が、ここでは送信器252と受信器254の両方に結合されているように図示されているが、1つまたは複数のアンテナ256が（1つまたは複数の）送信器252に結合されることもでき、1つまたは複数の別個のアンテナ256が（1つまたは複数の）受信器254に結合されることもできる。各メモリ258は、ED110に関連して上述されたものなど、任意の適切な揮発性および／または不揮発の（1つまたは複数の）記憶デバイスおよび検索デバイスを含む。メモリ258は、基地局170によって使用、生成、または収集される命令およびデータを記憶する。例えば、メモリ258は、上記の機能および／または実施形態の一部または全部を実装するよう構成された、（1つまたは複数の）処理ユニット250によって実行されるソフトウェア命令またはモジュールを記憶することができる。

各入力／出力デバイス266は、ユーザまたはネットワーク内の他のデバイスとの対話を可能にする。各入力／出力デバイス266は、ネットワークインターフェース通信を含む、ユーザに情報を提供する、またはユーザから情報を受け取る／提供するための任意の適切な構造を含む。

ED110および基地局170に関するさらなる詳細は、当業者には公知である。よって、これらの詳細は、明確にするために本明細書では省略される。

上記の教示に照らして本開示の多くの修正および変形が可能である。したがって、添付の特許請求の範囲内で、本開示は本明細書に具体的に記載されている以外の方法で実施されうることを理解されたい。

100 通信システム
110a 電子デバイス（ED）
110b ED
110c ED
120a 無線アクセスネットワーク（RAN）
120b RAN
130 コアネットワーク
140 公衆交換電話網（PSTN）
150 インターネット
160 他のネットワーク
170 基地局
170a 基地局
170b 基地局
190 エアインターフェース
200 処理ユニット
202 トランシーバ
204 アンテナまたはネットワークインターフェースコントローラ（NIC）
206 入力／出力デバイス
208 メモリ
250 処理ユニット
252 送信器
253 スケジューラ
254 受信器
256 アンテナ
258 メモリ
266 入力／出力デバイスまたはインターフェース
400 ビームオンチップ
402 ジョイント2ビームオンチップシステム
1500 マニホールドA
1502 サンプリング方法F
1504 サンプル「a」
1506 エンコーダ
1510 最初のK個の送信次元
1512 減衰
1514 電力制御係数の適用
1516 ノイズの付加
1520 受信ベクトルa
1550 デコーダ
1700 ブラックボックスエンコーダ
1702 ブラックボックスデコーダ
1800 非線形分解器
1802 線形エンコーダ
1804 線形（再）合成器
1900 ディープニューラルネットワーク
2104 電力制御ブロック
2600 静的（大規模）チャネル減衰
2602 動的（中規模）チャネル減衰
2604 ミスマッチ（小規模）チャネル減衰
2700 チャネル減衰成分の導入
2800 チャネル減衰の適用
3400 グループ
3402 電力制御チューナ
3404 クロックツリー
3500 基地局
3502 第1の端末
3503 スポットA
3504 第2の端末
3505 スポットB
3510 データベース

Claims (21)

1. Nビーム送信器を使用して、K個の受信ビームを有する受信器へ送信するためのマルチビーム送信方法であって、前記方法は、
   前記受信器からのフィードバックに依拠する勾配降下逆伝搬を使用して機械学習ブロックおよび線形エンコーダを訓練するステップであって、前記機械学習ブロックは非線形エンコーダを実装する、ステップと、
   送信されるべき各入力について、
   前記機械学習ブロックを用いて入力を処理し、L個の出力のN／K個のセットを生成するステップと、
   前記線形エンコーダを用いてL個の出力の各セットに対して線形エンコードを行い、全部でK個のエンコードされた出力および全部でN個のエンコードされた出力のN／K個のセットを生成するよう、K個の出力のそれぞれのセットを生成するためにステップと、
   K個のビームのそれぞれのセットからK個の出力の前記N／K個のセットのそれぞれのセットを送信するステップとを含む、方法。
2. 前記機械学習ブロックはディープニューラルネットワークである、請求項1に記載の方法。
3. 前記線形エンコーダを訓練する前記ステップは、送信されるべき各入力について行われる、請求項1または2に記載の方法。
4. であり、式中、「a」は、送信されるべき入力であり、
   f（a）は、前記非線形エンコーダによって実行される非線形エンコード演算であり、
   は、前記非線形エンコード演算の出力であり、
   w_iおよび
   は、前記線形エンコーダのパラメータであり、
   は、前記Nビーム送信器の前記出力で生成されるK個の再合成エンティティのセットであり、
   は、ノイズであり、
   は、前記受信器において機械学習ブロックによって実行される非線形デコード演算であり、
   は、前記非線形デコード演算への入力である、
   請求項1から3のいずれか一項に記載の方法。
5. K個の出力の前記N／K個のセットの各々にそれぞれの重みを適用し、K個の出力の重み付きのセットを生成するためにステップ
   をさらに含み、
   各ビームからK個の出力の前記N／K個のセットのそれぞれのセットを送信するステップは、K個の出力の前記それぞれの重み付きのセットを送信するステップを含み、
   前記方法は、メッセージパッシングアルゴリズムを使用して前記重みを訓練するステップをさらに含む、
   請求項1から4のいずれか一項に記載の方法。
6. であり、式中、「a」は、送信されるべき入力であり、
   f（a）は、前記非線形エンコーダによって実行される非線形エンコード演算であり、
   は、前記非線形エンコード演算の出力であり、
   w_iおよび
   は、前記線形エンコーダのパラメータであり、
   は、前記Nビーム送信器の前記出力で生成されるK個の再合成エンティティのセットであり、
   は、ノイズであり、
   は、前記メッセージパッシングアルゴリズムを使用して訓練される前記重みであり、
   は、前記受信器において機械学習ブロックによって実行される非線形デコード演算であり、
   は、前記非線形デコード演算への入力である、
   請求項5に記載の方法。
7. さらに、K個の出力の前記N／K個のセットの各々にそれぞれの重みを適用して、K個の出力の重み付きのセットを生成するステップは、K個の出力の前記N／K個のセットのi番目のセットにそれぞれの重みα_iを適用するステップと、
   最適化基準に基づいて、重み1－α_iを使用して計算された他の仮想信号に含まれる前記線形エンコーダの前記出力における有用な情報の量と比較して、前記送信される信号に含まれる前記線形エンコーダの前記出力における有用な情報の量を最適化するよう、メッセージパッシングアルゴリズムを使用してα_iを決定するステップとを含む、請求項5または6に記載の方法。
8. 初期訓練中、
   前記機械学習ブロックおよび前記線形エンコーダを訓練している間、前記重みα_iを固定するステップと、
   重みα_iを訓練している間、前記機械学習ブロックおよび前記線形エンコーダのパラメータを定数として扱うステップと、
   訓練に続いて、各送信の前記重みを更新するためにメッセージパッシングアルゴリズムを使用するステップと
   をさらに含む、請求項7に記載の方法。
9. 初期訓練中、前記機械学習ブロックおよび前記線形エンコーダを訓練している間、前記重みα_iを固定するステップは、
   チャネル減衰の推定値＝静的チャネル減衰の推定値＋動的減衰の確率分布＋ミスマッチチャネル減衰の確率分布に基づいて前記初期訓練を行うステップと、
   訓練に続いて、チャネル減衰の更新された値に基づいて各送信の前記重みを更新するためにメッセージパッシングアルゴリズムを使用するステップとを含む、請求項8に記載の方法。
10. それぞれの共通クロックツリーからK個のアンテナの各グループを駆動するステップと、
    K個のアンテナの各グループにそれぞれの均一な電力で電力供給するステップと
    をさらに含む、請求項1から9のいずれか一項に記載の方法。
11. 前記Nビーム送信器のカバレッジエリアの複数の異なる部分の各々についての前記機械学習ブロックおよび前記線形エンコーダの訓練結果を記憶するステップであって、前記訓練結果は、前記送信器の前記非線形エンコード演算のパラメータおよび前記送信器の前記線形エンコーダのパラメータと、前記カバレッジエリアの前記部分内に位置する非線形デコーダのパラメータとを含む、ステップと、
    前記受信器の位置を決定するステップと
    をさらに含み、
    前記機械学習ブロックおよび前記線形エンコーダを使用するステップは、前記受信器の前記決定された位置に基づいて前記記憶された訓練結果を使用するステップを含む、請求項9に記載の方法。
12. 前記決定された位置についての前記非線形デコーダの前記パラメータを前記受信器へ送信するステップ
    をさらに含む、請求項11に記載の方法。
13. 静的減衰と比較した動的減衰の分析に基づいて、静的減衰の値が前記エリアの前記部分を表していないと決定するステップと、
    静的減衰の前記値を静的減衰のより最近の推定値に更新するステップと、
    前記より最近の推定値を使用して前記非線形エンコーダおよび前記線形エンコーダを再訓練するステップと、
    再訓練が収束しなかった場合、ビームの数を増加させ、前記より多数のビームについて前記非線形エンコーダおよび前記線形エンコーダを再訓練するステップと
    をさらに含む、請求項12に記載の方法。
14. 静的減衰と比較したミスマッチ減衰の分析に基づいて、パイロットの数および／または頻度を増加させるステップ
    をさらに含む、請求項12に記載の方法。
15. 前記数および／または頻度パイロットを増加させた後の静的減衰と比較したミスマッチ減衰のさらなる分析に基づいて、さらなるビームを決定するステップと、
    ビームの数を増加させるステップと、
    前記より多数のビームについて前記非線形エンコーダおよび前記線形エンコーダを再訓練するステップと
    をさらに含む、請求項14に記載の方法。
16. K個のビームのそれぞれのセットからK個の出力の前記N／K個のセットのそれぞれのセットを送信するステップは、
    第1の送信において、K個のビームの前記それぞれのセットのT個のビームからK個の出力の前記それぞれのセットのT個を送信するステップであって、T＜Kである、ステップと、
    第2の送信において、K個のビームのそれぞれのセットの残りのK－T個のビームからK個の出力の前記それぞれのセットの残りのK－T個を送信するステップとを含む、請求項1から15のいずれか一項に記載の方法。
17. K個の受信ビームを有する受信器へ送信するための装置であって、前記装置は、
    プロセッサおよびメモリを備え、
    前記プロセッサおよび前記メモリは、非線形エンコーダを有する機械学習ブロックを実装し、線形エンコーダを実装し、
    前記プロセッサおよび前記メモリは、
    前記受信器からのフィードバックに依拠する勾配降下逆伝搬を使用して前記機械学習ブロックおよび前記線形エンコーダを訓練し、
    送信されるべき各入力について、
    前記機械学習ブロックを用いて入力を処理し、L個の出力のN／K個のセットを生成し、
    前記線形エンコーダを用いてL個の出力の各セットに対して線形エンコードを行ってK個の出力のそれぞれのセットを生成し、全部でK個のエンコードされた出力および全部でN個のエンコードされた出力のN／K個のセットを生成するよう構成されており、
    前記装置は、K個のビームのそれぞれのセットからK個の出力の前記N／K個のセットのそれぞれのセットを送信するためのNビーム送信器をさらに備える、装置。
18. K個の出力の重み付きのセットを生成するためにK個の出力の前記N／K個のセットの各々にそれぞれの重みを適用する
    ようさらに構成されており、
    各ビームからK個の出力の前記N／K個のセットのそれぞれのセットを送信することは、K個の出力の前記それぞれの重み付きのセットを送信することを含み、
    前記装置は、メッセージパッシングアルゴリズムを使用して前記重みを訓練するようさらに構成されている、請求項17に記載の装置。
19. K個の出力の前記N／K個のセットのi番目のセットにそれぞれの重みα_iを適用すること、および
    最適化基準に基づいて、重み1－α_iを使用して計算された他の仮想信号に含まれる前記線形エンコーダの前記出力における有用な情報の量と比較して、前記送信される信号に含まれる前記線形エンコーダの前記出力における有用な情報の量を最適化するよう、メッセージパッシングアルゴリズムを使用してα_iを決定すること
    によって、K個の出力の重み付きのセットを生成するためにK個の出力の前記N／K個のセットの各々にそれぞれの重みを適用するよう構成された、請求項18に記載の装置。
20. それぞれの共通クロックツリーからK個のアンテナの各グループを駆動し、
    K個のアンテナの各グループにそれぞれの均一な電力で電力供給する
    ようさらに構成された、請求項17から19のいずれか一項に記載の装置。
21. 第1の送信において、K個のビームの前記それぞれのセットのT個のビームからK個の出力の前記それぞれのセットのT個を送信し、T＜Kであり、
    第2の送信において、K個のビームのそれぞれのセットの残りのK－T個のビームからK個の出力の前記それぞれのセットの残りのK－T個を送信すること
    によって、K個のビームのそれぞれのセットからK個の出力の前記N／K個のセットのそれぞれのセットを送信するよう構成された、請求項17から20のいずれか一項に記載の装置。