Annonce

Les commentaires sont clos.

Power-efficient transceivers for 6G cell free massive MIMO networks

4 Mars 2022


Catégorie : Doctorant


Contact : David Demmer, david.demmer@cea.fr

 

Le Cell-free massive multiple-input multiple-output (CF-mMIMO) est une technologie clé de la future 6e génération de réseaux sans fil (6G). Cela représente une infrastructure de réseau alternative et constitue une piste de recherche solide pour améliorer l'efficacité énergétique (EE) et l'efficacité spectrale (SE) des systèmes sans fil de demain. Dans un système CF-mMIMO, les frontières des cellules disparaissent et de nombreux points d'accès se partagent les différentes antennes de la station de base. Il en résulte des modules radio plus petits et plus légers, avec seulement quelques antennes par point d'accès. Plus important encore, le CF-mMIMO récolte tous les avantages du MIMO massif classique/co-localisé, et offre de nombreux avantages en plus par rapport aux systèmes sans fil traditionnels tel que d'assurer un déploiement rapide et flexible d'infrastructures avec une consommation énergétique réduite et d'améliorer la couverture du réseau.

Cependant, pour être intéressant économiquement, le CF-mMIMO doit utiliser des composants à faible coût et fort rendement énergétique. Une telle utilisation implique de fortes distorsions Radiofréquence (RF) ce qui limite la capacité et les performances des systèmes CF-mMIMO. Ces distorsions doivent être prise en compte dans la spécification et la conception de la couche physique. Le sujet de thèse se concentrera sur l'étude des précodeurs multi-utilisateurs ayant pour objectif d'annuler l'interférence entre les utilisateurs.

Avec cette thèse, nous proposons d'explorer le potentiel offert par les méthodes d'optimisation distribuée et des algorithmes apprentissage (Machine Learning) pour compenser ces distorsions matérielles et pouvoir considérablement améliorer l'efficacité énergétique des systèmes CF-mMIMO.

1. Etude d'algorithmes de précodage assurant conjointement l'annulation de l'interférence inter-utilisateur et la réduction de la fluctuation de l'enveloppe du signal (PAPR). En effet, les signaux à enveloppe constante sont moins sensibles aux effets non-linéaires des amplificateurs de puissance.

2. Etude d'algorithmes de précodage assurant conjointement l'annulation de l'interférence inter-utilisateur et la compensation de distorsion RF. Le but étant de directement prendre en compte l'inévitable distorsion induite par les chaînes RF (effets non-linéaires et effets de quantification).

3. Etude de nouvelles architectures ML et de méthodes d'apprentissage adaptées aux distorsions non-linéaires et aux architectures distribuées.

Le·a candiat·e devra démontrer des compétences diverses aussi bien dans le domaine du traitement du signal, aux communications numériques, aux problèmes d'optimisation et aux méthodes d'apprentissage.

 

 

Cell-free massive multiple-input multiple-output (CF-mMIMO) is a key technology of the forthcoming 6th generation of wireless networks (6G) representing an alternative network infrastructure and being the most ultimate enabler of energy-efficiency (EE) and spectral-efficiency (SE). In CF-mMIMO, the cell boundaries disappear and many access points (APs) share the different antennas at the (virtual) base station. Consequently, it results in smaller and lighter radio modules with only few antennas per AP. Most importantly, CF-mMIMO harvests all benefits of classical/co-located massive MIMO, and offers many advantages compared to traditional wireless systems, by enabling huge coverage probability, rapid deployment and reduced power requirement in the installation site with less heat generated.

However, CF-mMIMO can be economically attractive only if its implementation is based on low-quality/power-efficient hardware at a time where communications are about to reach up to 14% of global CO2 emissions by 2040. Such hardware generates severe Radio Frequency (RF) impairments limiting the system performance and is considered as the major bottleneck in CF-mMIMO systems in practice.

This PhD aims at exploring the potentiality of distributed optimization methods and Machine Learning (ML) algorithms to achieve, besides the performance requirements, considerable power consumption reduction, by mitigating RF impairments in power-efficient transceivers. Specifically, we aim to:

1.Study new local precoding schemes for joint multi-user (MU) interference avoidance and peak-to-average power ratio (PAPR) reduction in CF-mMIMO: the precoder generates low-PAPR signals that are less sensitive to RF impairments.

2.Study local joint MU precoding and HWI mitigation: HWIs are dominated by the power amplifier and DACs.

3.Investigate new ML architectures and training methods that are adapted to the problem of tackling the RF impairments in scalable CF-mMIMO systems, while considering the computational and hardware complexity.

The candidate should have diverse skills including signal processing dedicated to digital communications, optimization and machine learning.