LLM4FB: Un marco de retroalimentación y predicción de CSI unilateral para UEs ligeros a través de modelos de lenguaje...

Área de la Ciencia:

• Sistemas de comunicación inalámbrica
• Procesamiento de señales
• Inteligencia artificial

Sus antecedentes:

• Massive MIMO mejora la eficiencia espectral pero requiere información precisa del estado del canal (CSI).
• El alto número de antenas aumenta la sobrecarga de retroalimentación y los métodos actuales de aprendizaje profundo imponen una carga computacional a los equipos de usuario (UE).
• Los métodos existentes de retroalimentación de CSI luchan con la eficiencia y las restricciones de recursos de la UE.

Objetivo del estudio:

• Proponer LLM4FB, un marco novedoso de retroalimentación de CSI unilateral que utiliza un modelo de lenguaje grande (LLM) preentrenado.
• Reducir la sobrecarga de retroalimentación y la complejidad computacional para las UEs en sistemas Massive MIMO.
• Mejorar la precisión de la reconstrucción de CSI y la eficiencia espectral con recursos mínimos de UE.

Principales métodos:

• La UE emplea proyecciones lineales de baja complejidad para la compresión de CSI.
• Un LLM preentrenado en la estación base (BS) reconstruye y predice el CSI.
• Una función de pérdida multiobjetivo optimiza el Error Cuadrático Medio Normalizado (NMSE) y la Eficiencia Espectral (SE).

Principales resultados:

• LLM4FB logra una retroalimentación de CSI de alta precisión en varias relaciones de compresión y niveles de movilidad.
• El marco supera a los métodos existentes de retroalimentación de CSI.
• Se requiere un ajuste mínimo de los parámetros del LLM, lo que reduce los costos de entrenamiento.

Conclusiones:

• LLM4FB ofrece una solución prometedora para la retroalimentación de CSI en entornos con recursos limitados.
• El marco es adecuado para redes de sensores inalámbricos de próxima generación y IoT industrial.
• LLM4FB aborda eficazmente los desafíos de la sobrecarga de retroalimentación y la carga computacional de la UE.