Waveform Design for Over-the-Air Computing
作者: Nikos G. Evgenidis, Nikos A. Mitsiou, Sotiris A. Tegos, Panagiotis D. Diamantoulakis, Panagiotis Sarigiannidis, Ioannis T. Rekanos, George K. Karagiannidis
分类: cs.IT, cs.DC, cs.LG, eess.SP, math.ST
发布日期: 2024-05-31 (更新: 2025-11-12)
💡 一句话要点
针对无线计算中同步误差和符号间干扰，提出基于深度学习的波形设计方法。
🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)
关键词: 无线计算 波形设计 深度学习 同步误差 符号间干扰 多址接入 信道优化
📋 核心要点
- 现有无线计算方法在实际应用中面临同步误差和符号间干扰的挑战，影响了传输性能。
- 本文提出基于深度学习的波形设计方法，通过优化波形来降低同步误差和符号间干扰的影响。
- 实验结果表明，所设计的波形在同步误差和符号间干扰下，性能优于传统的升余弦和优于升余弦波形。
📝 摘要（中文）
为了应对下一代网络中日益增长的设备数量，本文提出了一种无线计算（OTA）方法。通过利用多址信道的叠加特性，OTA计算支持在时域和频域进行高效的同步非编码传输，从而实现高效的资源管理。为了推进OTA计算的集成，本文进行了理论分析，解决了当前数字通信收发器中遇到的实际问题，如发射机同步误差和符号间干扰（ISI）。为此，我们研究了在同步误差和ISI下OTA传输的理论均方误差（MSE），同时探索了最小化OTA传输中MSE的方法。利用交替优化，我们还推导出了设备和基站的最佳功率策略。此外，我们提出了一种新的基于深度神经网络（DNN）的方法来设计波形，以提高同步误差和ISI下的OTA传输性能。为了确保与现有波形（如升余弦（RC）和优于升余弦（BTRC））的公平比较，我们结合了自定义损失函数，该函数集成了能量和带宽约束以及波形对称性等实际设计考虑因素。仿真结果验证了我们的理论分析，并证明了所设计的脉冲相对于RC和BTRC波形的性能增益。为了方便测试我们的结果，而无需重建DNN结构，我们还为所选的基于DNN的波形提供了曲线拟合参数。
🔬 方法详解
问题定义：本文旨在解决无线计算（OTA）中由于发射机同步误差和符号间干扰（ISI）导致的性能下降问题。现有的波形设计方法，如升余弦（RC）和优于升余弦（BTRC）波形，在存在同步误差和ISI的情况下，无法提供最佳的OTA传输性能。因此，需要设计一种对同步误差和ISI具有鲁棒性的波形，以提高OTA传输的可靠性和效率。
核心思路：本文的核心思路是利用深度学习技术，通过训练深度神经网络（DNN）来设计优化的波形。DNN可以学习到复杂的非线性关系，从而设计出能够有效降低同步误差和ISI影响的波形。此外，通过自定义损失函数，可以将能量和带宽约束以及波形对称性等实际设计考虑因素纳入到波形设计过程中。
技术框架：整体框架包括以下几个主要步骤：1)建立OTA传输的数学模型，考虑同步误差和ISI的影响；2)推导OTA传输的理论均方误差（MSE）表达式；3)设计基于DNN的波形生成器，该生成器以随机噪声作为输入，输出设计的波形；4)定义包含能量、带宽和对称性约束的自定义损失函数；5)使用交替优化算法优化设备和基站的功率分配；6)使用训练好的DNN生成波形，并进行仿真验证。
关键创新：本文最重要的技术创新点在于将深度学习技术应用于OTA波形设计。与传统的基于数学模型的波形设计方法相比，DNN能够学习到更复杂的信道特性，从而设计出更优的波形。此外，自定义损失函数的设计也是一个创新点，它能够将实际设计考虑因素纳入到波形设计过程中，从而提高波形的实用性。
关键设计：在DNN结构方面，具体网络结构未知，但可以推断使用了卷积层或循环层来捕捉时序关系。损失函数包括三部分：MSE损失（衡量同步误差和ISI的影响）、能量损失（约束波形能量）和带宽损失（约束波形带宽）。波形对称性通过在损失函数中添加对称性约束来实现。交替优化算法用于优化设备和基站的功率分配，以最小化OTA传输的MSE。
🖼️ 关键图片
📊 实验亮点
仿真结果表明，与传统的升余弦（RC）和优于升余弦（BTRC）波形相比，本文设计的基于DNN的波形在同步误差和ISI下具有更好的性能。具体的性能提升幅度未知，但摘要中明确指出“demonstrate performance gains of the designed pulse over RC and BTRC waveforms”。此外，论文还提供了所选DNN波形的曲线拟合参数，方便其他研究者进行测试和验证。
🎯 应用场景
该研究成果可应用于下一代无线通信网络，尤其是在需要大量设备同时进行数据传输的场景中，如物联网、智能城市、工业自动化等。通过优化波形设计，可以提高无线计算的效率和可靠性，降低功耗，从而支持更大规模的设备接入和更复杂的应用。
📄 摘要（原文）
In response to the increasing number of devices expected in next-generation networks, a shift to over-the-air (OTA) computing has been proposed. By leveraging the superposition of multiple access channels, OTA computing enables efficient resource management by supporting simultaneous uncoded transmission in the time and frequency domains. To advance the integration of OTA computing, our study presents a theoretical analysis that addresses practical issues encountered in current digital communication transceivers, such as transmitter synchronization (sync) errors and intersymbol interference (ISI). To this end, we investigate the theoretical mean squared error (MSE) for OTA transmission under sync errors and ISI, while also exploring methods for minimizing the MSE in OTA transmission. Using alternating optimization, we also derive optimal power policies for both the devices and the base station. In addition, we propose a novel deep neural network (DNN)-based approach to design waveforms that improve OTA transmission performance under sync errors and ISI. To ensure a fair comparison with existing waveforms such as raised cosine (RC) and better-than-raised-cosine (BTRC), we incorporate a custom loss function that integrates energy and bandwidth constraints along with practical design considerations such as waveform symmetry. Simulation results validate our theoretical analysis and demonstrate performance gains of the designed pulse over RC and BTRC waveforms. To facilitate testing of our results without the need to rebuild the DNN structure, we also provide curve-fitting parameters for the selected DNN-based waveforms.