[论文解读] Machine Learning based Channel Modeling for Molecular MIMO Communications

Changmin Lee, H. Birkan Yilmaz+3 more|arXiv (Cornell University)|Apr 4, 2017

Molecular Communication and Nanonetworks参考文献 13被引用 6

一句话总结

本文提出一种基于机器学习的方法，利用人工神经网络（ANN）在三维扩散环境中对具有点状发射器和吸收性球形接收器的2×2分子MIMO信道进行建模。单机和双机ANN技术能以低均方根误差（RMSE）有效逼近信道抽头，从而在无需大规模仿真的情况下实现精确的误比特率（BER）预测。

ABSTRACT

In diffusion-based molecular communication, information particles locomote via a diffusion process, characterized by random movement and heavy tail distribution for the random arrival time. As a result, the molecular communication shows lower transmission rates. To compensate for such low rates, researchers have recently proposed the molecular multiple-input multiple-output (MIMO) technique. Although channel models exist for single-input single-output (SISO) systems for some simple environments, extending the results to multiple molecular emitters complicates the modeling process. In this paper, we introduce a technique for modeling the molecular MIMO channel and confirm the effectiveness via numerical studies.

研究动机与目标

• 解决在具有多个发射器和接收器的三维环境中缺乏分子MIMO信道的解析模型的问题。
• 克服具有吸收性接收器的分子MIMO系统精确解析推导的不可行性。
• 开发一种实用的、无需仿真的方法，利用机器学习估计分子信道抽头。
• 通过理论BER分析并与仿真结果对比，验证所提出的基于ANN的信道模型。
• 比较两种ANN架构——“单机”与“双机”——在建模信道冲激响应方面的性能。

提出的方法

• 在三维扩散环境中，采用具有点状发射器和球形吸收性接收器的2×2分子MIMO系统。
• 以文献[12]中的SISO信道模型为基础，通过经验参数调整以适应多发射器和多接收器配置。
• 训练两种人工神经网络：一种单一ANN（单机）和两种独立的ANN（双机），用于预测累积分子撞击概率。
• 使用仿真生成的训练数据（TDS）拟合ANN模型，输入特征包括时间、距离和扩散系数。
• 将训练好的ANN应用于估计每对发射器-接收器的信道抽头，从而通过理论模型计算BER。
• 通过将预测BER与使用10^6比特的蒙特卡罗仿真得到的实测BER进行对比，验证模型准确性。

实验结果

研究问题

• RQ1 人工神经网络能否在解析解难以求解的三维扩散环境中有效建模分子MIMO信道响应？
• RQ2 单个ANN（单机）与两个独立ANN（双机）在建模分子MIMO信道方面的性能有何差异？
• RQ3 训练数据集大小（完整TDS与一半TDS）对所提基于ANN的信道模型准确性和泛化能力有何影响？
• RQ4 基于ANN的信道模型在多大程度上能无需依赖大规模仿真即可准确预测误比特率（BER）？
• RQ5 扩散系数和距离对所提机器学习技术建模精度有何影响？

主要发现

• 当使用完整训练数据集（TDS）时，单机ANN技术的平均RMSE（0.0239–0.0305）低于双机技术（0.0246–0.0314）。
• 当仅使用一半TDS时，双机技术优于单机技术，表明在数据有限条件下具有更好的数据效率。
• 当D = 100 µm²/s且d = 10 µm时，单机方法在F₁₁(t)上的RMSE为0.0304，而双机方法为0.0306。
• 基于ANN模型推导的理论BER曲线与仿真得到的实测BER结果高度吻合，仅在放大插图中可见微小偏差。
• 所提出的基于ANN的信道模型可在无需重复大规模仿真的情况下实现高精度BER预测，显著降低计算成本。
• 该模型在不同扩散系数（50和100 µm²/s）和距离（2–10 µm）下均表现出鲁棒性，性能趋势一致。