LLM4FB: 大規模言語モデルによる軽量UE向けの片側CSIフィードバックおよび予測フレームワーク

科学分野:

• 無線通信システム
• 信号処理
• 人工知能

背景:

• Massive MIMOはスペクトル効率を向上させますが、正確なチャネル状態情報（CSI）が必要です。
• アンテナ数が多いとフィードバックオーバーヘッドが増加し、現在の深層学習手法はユーザー機器（UE）に計算上の負担をかけます。
• 既存のCSIフィードバック手法は、効率性とUEリソースの制約に苦労しています。

研究 の 目的:

• 事前学習済み大規模言語モデル（LLM）を利用した新しい片側CSIフィードバックフレームワークであるLLM4FBを提案すること。
• Massive MIMOシステムにおけるUEのフィードバックオーバーヘッドと計算複雑性を削減すること。
• UEリソースを最小限に抑えながら、CSI再構成精度とスペクトル効率を向上させること。

主な方法:

• UEはCSI圧縮のために低複雑度の線形投影を使用します。
• 基地局（BS）の事前学習済みLLMがCSIを再構成および予測します。
• 多目的損失関数が正規化平均二乗誤差（NMSE）とスペクトル効率（SE）を最適化します。

主要な成果:

• LLM4FBは、さまざまな圧縮率と移動度レベルで高精度のCSIフィードバックを実現します。
• このフレームワークは、既存のCSIフィードバック手法を上回る性能を発揮します。
• LLMパラメータの微調整は最小限で済み、トレーニングコストを削減します。

結論:

• LLM4FBは、リソースが制約された環境におけるCSIフィードバックの有望なソリューションを提供します。
• このフレームワークは、次世代ワイヤレスセンサーネットワークおよび産業用IoTに適しています。
• LLM4FBは、フィードバックオーバーヘッドとUEの計算負荷の課題に効果的に対処します。