[論文レビュー] Antenna Coding Optimization for Pixel Antenna Empowered Wireless Communication Using Deep Learning with Heterogeneous Multi-Head Selection

Binzhou Zuo, Shanpu Shen+1 more|arXiv (Cornell University)|Feb 27, 2026

Wireless Signal Modulation Classification被引用数 0

ひとこと要約

この論文は、SISOおよびMIMOシステムにおけるピクセルアンテナの符号化を最適化するための異種多頭選択（HMSM）を用いた深層学習アプローチを提案し、ヒューリスティックSEBO性能の約98%を達成、計算は最大297倍高速化。

ABSTRACT

Pixel antenna is a promising antenna technology that enables flexible adjustment of radiation characteristics and enhancement of wireless systems through antenna coding. This work proposes a novel deep learning-based antenna coding optimization algorithm. Specifically, the proposed algorithm is supported by a heterogeneous multi-head selection mechanism, whose main idea is to train multiple neural networks based on various coding schemes and select the one that leads to the best system performance. Unlike traditional heuristic searching-based algorithms that require high computational complexity to achieve satisfactory performance, the proposed data-driven deep learning approach can achieve 98\% of the performance achieved by the searching-based algorithms with significantly reduced computational complexity. Results demonstrate that in pixel antenna empowered single-input single-output systems, the proposed algorithm achieves a computational speed 81 times faster than the searching-based algorithm. For more complex pixel antenna empowered multiple-input multiple-output systems, the computational speed is 297 times faster than the existing searching-based algorithm. Benefiting from the high performance and low computational complexity, this algorithm demonstrates the significant potential of pixel antennas as a novel and practical technology to enhance wireless systems.

研究の動機と目的

• 6G/WiFiシステムの機能向上を目的としたピクセルアンテナとアンテナ符号化の動機付け。
• HMSMを用いた深層学習ベースのアンテナ符号化設計を提案し、高性能な符号化器設定を選択。
• 二値符号化/Gray符号化を用いてデコード/探索空間を圧縮。
• SISOおよびMIMOの設定で、チャネル利得/容量と計算効率を比較してアプローチを検証。

提案手法

• ピクセルアンテナを二値のアンテナ符号器bと開/短スイッチ状態を持つQ+1ポート網としてモデル化。
• アンテナ符号化最適化を|e_R(b_R)^T H_v e_T|^2 (SISO) または log2|I + (P/(σ^2 N_T)) H(B_T,B_R) H(B_T,B_R)^H| (MIMO) を最大化する問題として定式化。
• 三チャネル入力、異種多頭（ResNet50ベース）、unzip層、最適なアンテ mapを選択する決定機能からなるHMSMアーキテクチャを提案。
• 入力としてRe{H_v}, Im{H_v}, およびSNRを用いて訓練。ラベルはSEBOを用いて二値とGray符号化から生成し、二つの頭（M=3）を訓練。
• 複雑さモデルD(M)=Φ(f(Q/M), g(2^M))を提供し、サブタスク数とカテゴリサイズのバランスを取る。

Figure 1: (a) An example of pixel antenna designs proposed in [ 19 ] and (b) the multi-port circuit network for pixel antenna.

実験結果

リサーチクエスチョン

• RQ1 深層学習ベースのHMSMアプローチはSISOシステムにおけるピクセルアンテナ符号化でヒューリスティックSEBO性能に近づけるか。
• RQ2 ピクセルアンテナ対応のMIMOへHMSMをスケールさせた場合のチャネル容量と計算時間はどうなるか。
• RQ3 アンテナ符号器における二値符号化とGray符号化の使用が学習精度と性能に与える影響は何か。
• RQ4 HMSMが効果的に一般化するために必要なデータセットサイズはどれくらいか。

主な発見

• HMSMはMIMOでSEBO性能の約98%を達成しつつ、SEBOの約0.34%の時間で済む大きな速度向上を提供。
• 単一ヘッドDLは従来のコードブックを上回り、SISOではHMSMが単一ヘッド DLより平均利得を約17%改善。
• SISOではHMSMがSEBO計算時間の約1.23%、MIMOでは約0.34%の計算時間を実現。
• HMSMを用いたニューラルネットワークはデータセットサイズに強く依存し、約1e5サンプル付近でより良い一般化を示す。
• HMSMは複雑さを控えめに増やすだけでSEBO性能に近づく傾向を示し、並列計算はMIMOでの負荷増加を緩和する。

Figure 2: Diagram of (a) pixel antenna empowered SISO systems and (b) pixel antenna empowered MIMO systems integrated with HMSM.