CIFRE PhD offer at Huawei Paris / INSA Rennes - Machine learning-driven methods for tensor decomposition in massive random access communications.

3 Avril 2023

---

Catégorie : Doctorant

---

Title

Machine learning-driven methods for tensor decomposition in massive random access communications.

 

Context and motivations

Tensor-based modulation has been recently preconized as an efficient solution to blind user separation in the context of massive communications that involves a large number of transmitting devices, without a prior knowledge of user activity and user channel information.

With the diversity of devices expected to be served by the future networks, the exponential growth of their number, and the multitude of applications, the research community races to provide transmission schemes that can support ultra-massive connectivity (furthermore with large-scale networks). Non-coherent detection (also called blind signal detection) is an alternative approach to the coherent one that consists in estimating the users' channels in a first step before allowing them to transmit their messages). It aims at enhancing the spectral efficiency-overhead ratio in a context where the messages sent by users are short. On the road to "everything is connected to everything else" (ultra-massive connectivity), reviewing the basics of existing non-coherent communication schemes becomes essential. Grassmannian modulation and non-coherent tensor modulation are among the recently designed tools that are expected to enable the massive-scale vision, showing to be effective in massive MIMO and massive multiple access scenarios.

Tensor-based modulation (TBM) is a recently proposed modulation suitable for ultra-massive connectivity, where multi-user multiplexing is handled through tensor algebra. Each user transmits a sequence that is associated with a rank-one tensor. The receiver observes the linear combination of these signals weighted by the respective channel realizations, which itself can be interpreted as a tensor summing a number of rank-one components equal to the number of active users. This structure allows the receiver to separate the users using a classical tensor decomposition (canonical tensor decomposition, CPD) without requiring a separate activity detection or channel estimation step; the channels are estimated jointly with the data by the receiver. This modulation is particularly suitable for grant-free transmission scenarios, since it enables user separation at the receiver without prior information about the identity of the active users. Furthermore, the absence of pilot symbols in the design circumvents the difficult problem of pilot sequence design for grant-free access.

Specific decoding techniques, like maximum-likelihood methods, lead to optimal performance but are not scalable in realistic deployment scenarios due to their high complexity. Some propositions have been made to simplify their structure by resorting to multi-step decoding and by relaxing the underlying optimization problem by changing the parameter definition spaces. However, such solutions remain highly complex, while leading to suboptimal solutions. Therefore, it becomes crucial to explore new perspectives for user separation and signal decoding in tensor-based schemes.

 

Objectives

This thesis introduces new signal processing techniques based on machine learning tools for performing multi-user separation and detection in uplink wireless communications under the tensor-based modulation framework. These machine learning techniques include deep/reinforcement learning and federated learning. They aim at partially optimizing the tensor decomposition, i.e., either in one of the decomposition algorithm steps or to replace the whole TBM receiver (from signal detection to soft demapping). One of the primary motivations for introducing ML approaches for tensor decomposition is to investigate their ability to:

• ·reduce the complexity of the receiver.
• ·improve the receiver's performance when confronted with signal mismatches such as timing offset, time variations, etc.

The study will start in the context of localized massive MIMO base stations. It will then be generalized to cell-free massive MIMO. This generalization to distributed MIMO will allow efficient cooperative decoding through the distributed access points. An interesting extension of the study will include non-orthogonal multiple access (NOMA) with appropriate power control schemes to allow an efficient successive interference cancellation at the receivers.

 

Thesis organization

The thesis will include the following tasks:

• ·Review of the literature on tensor-based modulation and machine learning techniques applied to wireless communications (6 months)
• ·Analysis (in terms of performance/complexity) of the integration of machine learning techniques for tensor decomposition in the context of a localized base station and a block fading channel (1 year)
• ·Analysis of the robustness of the learning techniques in the context of a channel undergoing more complex perturbations such as temporal and frequency variations (6 months)
• ·Generalization of the study to the context of a cell-free network allowing the introduction of a cooperative decoding (1 year).

 

Key-words

Tensor decomposition, modulation, massive random access, MIMO, reinforcement learning, federated learning.

 

References

[1]Decurninge, A., Land, I. and Guillaud, M., 2020. Tensor-based modulation for unsourced massive random access. IEEE Wireless Communications Letters, 10(3), pp.552-556.

[2]Decurninge, A., Land, I. and Guillaud, M., 2021, September. Tensor decomposition bounds for TBM-based massive access. In 2021 IEEE 22nd International Workshop on Signal Processing Advances in Wireless Communications (SPAWC) (pp. 346-350). IEEE.

[3]Polyanskiy, Y., 2017, June. A perspective on massive random-access. In 2017 IEEE International Symposium on Information Theory (ISIT) (pp. 2523-2527). IEEE.

[4]Chafii, M., Bariah, L., Muhaidat, S. and Debbah, M., 2023. Twelve scientific challenges for 6g: Rethinking the foundations of communications theory. IEEE Communications Surveys & Tutorials.

[5]Fengler, A., Musa, O., Jung, P. and Caire, G., 2022. Pilot-based unsourced random access with a massive MIMO receiver, interference cancellation, and power control. IEEE Journal on Selected Areas in Communications, 40(5), pp.1522-1534.

[6]Monga, V., Li, Y., Jung, P. and Eldar, Y., 2021. Algorithm Unrolling. Interpretable, efficient deep learning for signal and image processing. IEEE Signal Processing Magazine, pp.18-44.

 

Candidate profile

Engineering degree and/or Master's degree (specialty: Telecommunications) with knowledge in: Digital communications, Mobile networks, Signal processing, Machine learning, Matlab programming, Python.

 

Location and starting date of the thesis

The thesis will take place at the Advanced Wireless Technology Lab of Huawei Paris Research Center (20, quai du Point du Jour, 92100 Boulogne-Billancourt, France).

The PhD candidate will also be affiliated to IETR Laboratory, INSA (Institut National des Sciences Appliquées), Campus of Beaulieu, Rennes.

The thesis will start in October 2023.

 

To apply

Please send a CV, motivation letter, copies of all academic records and grades (preferably with rankings), and (optionally) a letter of recommendation to

Sofiane Kharbech : sofiane.kharbech@huawei.com

Joumana Farah : joumana.farah@insa-rennes.fr

Only complete applications will be considered.

 

-----------------French Version of the offer --------------------

 

Titre

Méthodes basées sur l'apprentissage automatique pour la décomposition des tenseurs dans les communications massives à accès aléatoire.

 

Contexte et motivations

Les modulations tensorielles ont été récemment considérées comme une solution efficace à la séparation aveugle des utilisateurs dans le contexte de communications massives impliquant un grand nombre de transmetteurs/utilisateurs, sans connaissance préalable de l’identité des utilisateurs et des informations d’état de leurs canaux.

Avec la diversité des appareils qui devraient être desservis par les futurs réseaux, la croissance exponentielle de leur nombre, et la multitude d'applications, la recherche s’est intensifiée afin de proposer des schémas de transmission qui peuvent soutenir une connectivité ultra-massive (en outre avec les réseaux à grande échelle). Les communications non cohérentes (utilisant notamment des schémas de détection de signal aveugle) sont une approche alternative aux communications cohérentes (consistant à estimer les canaux des utilisateurs dans un premier temps avant de leur permettre de transmettre leurs messages) pour améliorer l’efficacité spectrale dans un contexte où les messages envoyés par les utilisateurs sont courts. Dans le futur contexte du « tout-connecté » (connectivité ultra-massive), il devient essentiel de revoir les bases des systèmes de communication non cohérents existants. Les modulations grassmanniennes et les modulations tensorielles non cohérentes sont parmi les outils récemment conçus qui sont censés permettre le passage à une grande échelle, se montrant efficaces dans les scénarios de MIMO massifs et d'accès multiple massif.

La modulation à base de tenseurs (TBM) est une modulation récemment proposée dans le cadre de la connectivité ultra-massive, où le multiplexage multi-utilisateurs est assuré par l'algèbre tensorielle. Chaque utilisateur transmet une séquence qui est associée à un tenseur de rang 1. Le récepteur reçoit la combinaison linéaire de ces signaux pondérés par les réalisations de canaux respectives, qui peut elle-même être interprétée comme un tenseur de rang égal au nombre d'utilisateurs actifs. Cette structure permet au récepteur de séparer les utilisateurs à l'aide d'une décomposition tensorielle classique (décomposition tensorielle canonique, CPD) sans nécessiter une étape séparée de détection d'activité ou d'estimation de canal; les canaux sont estimés conjointement avec les données par le récepteur. Cette modulation est particulièrement appropriée pour des scénarios de transmission sans demande d’autorisation préalable (transmission grant-free), car elle permet une séparation des utilisateurs au niveau du récepteur sans information préalable sur l'identité des utilisateurs actifs. En outre, l'absence de symboles pilotes dans la conception permet de contourner le problème difficile de la conception de ces séquences dans le contexte de transmission grant-free.

Des techniques de décodage spécifiques, comme les méthodes à maximum de vraisemblance, permettent d'obtenir des performances optimales, mais ne sont pas utilisables dans des scénarios de déploiement réalistes en raison de leur grande complexité. Certaines propositions ont été faites pour simplifier la structure du décodeur en recourant au décodage en plusieurs étapes et en relaxant le problème d’optimisation sous-jacent en changeant les espaces de définition des paramètres. Toutefois, ces solutions demeurent très complexes, tout en aboutissant à des solutions sous-optimales. Par conséquent, il devient crucial d'explorer de nouvelles perspectives pour la séparation des utilisateurs et le décodage des signaux dans des schémas basés sur des tenseurs.

 

Objectifs

Cette thèse présente de nouvelles techniques de traitement de signal basées sur des outils d'apprentissage automatique pour effectuer la séparation et la détection multi-utilisateurs dans des communications sans fil de liaison montante dans le cadre de la modulation à base de tenseurs (TBM). Ces techniques d'apprentissage automatique comprennent l'apprentissage profond/renforcé et l'apprentissage fédéré. Ils visent à optimiser partiellement la décomposition du tenseur, c'est-à-dire, soit dans l'une des étapes de l'algorithme de décomposition, soit pour remplacer l'ensemble du récepteur TBM (de la détection du signal au décodage à décision souple). Les motivations principales pour introduire des approches d’apprentissage automatique dans le cadre de la décomposition tensorielle résident dans leur capacité à :

• ·réduire la complexité du récepteur,
• ·améliorer les performances du récepteur en augmentant en particulier sa robustesse lorsqu'il est confronté à des perturbations du signal telles qu'un décalage temporel, des variations temporelles des canaux, etc.

 

L'étude débutera dans le contexte des stations de bases MIMO massives localisées. Elle sera ensuite généralisée au cas des réseaux MIMO massifs acellulaires (cell-free). Cette généralisation aux stations de base MIMO distribuées permettra un décodage coopératif efficace à travers les points d'accès distribués. Une extension intéressante de l'étude comprendra l'accès multiple non orthogonal au spectre (NOMA) avec des schémas de contrôle de puissance appropriés permettant l’utilisation efficace d’algorithmes de suppression successive d’interférence au niveau des récepteurs.

 

Organisation de la thèse

La thèse inclura les tâches suivantes :

• ·Revue de la littérature sur la modulation à base de tenseurs et sur l’apprentissage automatique appliqué au cadre des communications sans fil (6 mois)
• ·Analyse (en termes de performance/complexité) de l’intégration de techniques d’apprentissage automatique pour la décomposition de tenseurs dans le cadre d’une station de base localisée et d’un canal subissant une atténuation en bloc (block fading channel) (1 an)
• ·Analyse de la robustesse des techniques d’apprentissage dans le cadre d’un canal subissant des perturbations plus complexes telles que des variations temporelles et fréquentielles (6 mois)
• ·Généralisation de l’étude dans le cadre de réseau acellulaire permettant l’introduction d’un décodage coopératif (1 an).

 

Mots clés

Décomposition tensorielle, modulation, accès aléatoire massif, MIMO, apprentissage par renforcement, apprentissage fédéré.

 

Références

[1]Decurninge, A., Land, I. and Guillaud, M., 2020. Tensor-based modulation for unsourced massive random access. IEEE Wireless Communications Letters, 10(3), pp.552-556.

[2]Decurninge, A., Land, I. and Guillaud, M., 2021, September. Tensor decomposition bounds for TBM-based massive access. In 2021 IEEE 22nd International Workshop on Signal Processing Advances in Wireless Communications (SPAWC) (pp. 346-350). IEEE.

[3]Polyanskiy, Y., 2017, June. A perspective on massive random-access. In 2017 IEEE International Symposium on Information Theory (ISIT) (pp. 2523-2527). IEEE.

[4]Chafii, M., Bariah, L., Muhaidat, S. and Debbah, M., 2023. Twelve scientific challenges for 6g: Rethinking the foundations of communications theory. IEEE Communications Surveys & Tutorials.

[5]Fengler, A., Musa, O., Jung, P. and Caire, G., 2022. Pilot-based unsourced random access with a massive MIMO receiver, interference cancellation, and power control. IEEE Journal on Selected Areas in Communications, 40(5), pp.1522-1534.

[6]Monga, V., Li, Y., Jung, P. and Eldar, Y., 2021. Algorithm Unrolling. Interpretable, efficient deep learning for signal and image processing. IEEE Signal Processing Magazine, pp.18-44.

 

Profile souhaité

Diplôme d'ingénieur et/ou Master (spécialité : Télécommunications) avec des connaissances en : Communications numériques, Réseaux mobiles, Traitement du signal, Machine learning, Programmation Matlab, Python.

 

Lieu et démarrage de la thèse

La thèse aura lieu au sein du laboratoire Advanced Wireless Technology du Centre de Recherche de Huawei Paris (20, quai du Point du Jour, 92100 Boulogne-Billancourt, France).

Le(la) candidat(e) sera aussi rattaché(e) au laboratoire IETR, composante INSA, Campus de Beaulieu, Rennes.

La thèse démarrera en octobre 2023.

 

Pour candidater

Prière d’adresser un CV, une lettre de motivation, une copie de toutes les notes universitaires (de préférence avec classement), et (optionnellement) une lettre de recommandation à :

Sofiane Kharbech : sofiane.kharbech@huawei.com

Joumana Farah : joumana.farah@insa-rennes.fr

 

Seuls les dossiers complets seront considérés.