Neural Network Inference in 5G Physical Uplink Shared Channel Control Information Decoding

No Thumbnail Available
Journal Title
Journal ISSN
Volume Title
Sähkötekniikan korkeakoulu | Master's thesis
Date
2020-08-17
Department
Major/Subject
Signal, Speech and Language Processing
Mcode
ELEC3031
Degree programme
CCIS - Master’s Programme in Computer, Communication and Information Sciences (TS2013)
Language
en
Pages
76
Series
Abstract
The next mobile access technology, fifth-generation (5G) New Radio, has new requirements and expectations compared to previous generations. These requirements include faster signal processing algorithms to match a large amount of data sent on the wireless channel. This thesis develops a solution based on neural networks to detect and decode physical uplink shared channel control information. The implemented neural network decoders are subjected to an inference implementation for a link-level simulator and a hardware accelerator runtime. In addition, the obtained results are compared with the neural network decoder implemented in previous studies. The data used in the neural network training is created with a link-level simulator to correspond to a real-world mobile communications. The data comprises three different types of modulation schemes as well as a broad signal-to-noise ratio. The models have been implemented using the Keras neural network library and the Python programming language. The thesis examined new types of training strategies for the existing feed-forward neural network, and as a new proposal, the use of the convolutional neural network was evaluated. Besides, the thesis includes a review of the results obtained with these neural network models as determined by 3GPP through performance values as well as computational metrics. Finally, inference was implemented for the trained neural network models to serve actual use-cases in simulated environments. The results show that the convolutional neural network performs slightly better in decoding than the feed-forward neural network. However, the execution time of the convolutional neural network for decoding a single codeword is longer than in the feed-forward neural network. Also, new training strategies with splitting the neural network into several submodels seems to enable a slightly better results. Based on the results, the convolutional neural network fulfills the requirements set by 3GPP, and the conventional decoding algorithms can be effectively replaced by the neural networks in the simulator and hardware accelerator.

Seuraava mobiiliverkkoteknologia, viides sukupolvi (5G), tuo uusia vaatimuksia ja parannuksia edeltäviin sukupolviin. Suuremman datamäärän käsittely kuitenkin vaatii optimoitujen algoritmien käyttöä, jotta fyysiset laiteresurssit voidaan pitää suurin piirtein ennallaan. Tässä diplomityössä kehitetään neuroverkkoihin perustuva ratkaisu fyysisen nousevan siirtotien jaetun kanavan kontrolli-informaation tulkintaan. Toteutetuille neuroverkkodekoodereille tehdään inferenssitoteutus simulaattorille ja tekoälykiihdyttimelle. Lisäksi saatuja tuloksia vertaillaan olemassa olevaan neuroverkkodekooderiin. Neuroverkon koulutuksessa käytetty data on luotu linkkitason simulaattorilla vastaamaan aitoa kommunikaatiotapahtumaa. Data käsittää kolme eri modulaatiotyyppiä sekä laajan signaali-kohinasuhteen. Tätä dataa käytettiin ehdotettujen neuroverkkomallien syötearvoina ja testidatana. Mallien toteutus on tehty hyödyntäen Keras-koneoppimiskirjastoa sekä Python-ohjelmointikieltä. Työssä tutkittiin uudenlaisia koulutusstrategioita olemassa olevalle myötäkytkentäneuroverkolle sekä uutena ehdotuksena konvoluutioneuroverkon hyödyntämistä dekoodaamisessa. Lisäksi työ sisältää näiden neuroverkkomallien tuloksien tarkastelun 3GPP:n määrittämien suorituskykyarvojen sekä laskennallisen tehokkuuden kautta. Lopulta koulutetuille neuroverkkomalleille ohjelmoitiin inferenssi simuloiduissa käyttökohteissa. Tulokset osoittavat, että testidatalla konvoluutioneuroverkko suoriutuu hieman paremmin dekoodamisessa kuin myötäkytkentäneuroverkko. Lisäksi konvoluutioneuroverkolle ei tarvitse tehdä varsinaista syötearvojen esiprosessointia. Konvoluutioneuroverkon suoritusaika yksittäisen koodisanan dekoodamisessa näyttäisi kuitenkin olevan pidempi kuin myötäkytkentäneuroverkolla. Lisäksi myötäkytkentäneuroverkon koulutuksen jakaminen alimalleihin mahdollisti hieman paremmat tulokset. Tulosten perusteella konvoluutioneuroverkko täyttää 3GPP:n asettamat suorituskykyarvot ja neuroverkoilla saa tehokkaasti korvattua perinteisen dekoodamisalgoritmin simulaattorissa ja tekoälykiihdyttimellä.
Description
Supervisor
Wichman, Risto
Thesis advisor
Olives, Jean-Luc
Keywords
5G, machine learning, neural networks, signal processing, PUSCH, UCI
Other note
Citation