OpenRANet: Neuralized Spectrum Access by Joint Subcarrier and Power Allocation with Optimization-based Deep Learning

要約

Open RANとして知られる次世代ラジオアクセスネットワーク（RAN）は、新興衛星テレストリアルシステムを含むワイヤレスセルラーネットワーク向けのAI-Nativeインターフェイスを備えており、その動作に深い学習を不可欠にしています。
このホワイトペーパーでは、オープンランの共同サブキャリアとパワー配分の非コンベックス最適化課題に対処し、総電力消費を最小限に抑えながら、ユーザーが伝送データレートの要件を満たすことを保証します。
Machine-Learning手法を反復的最適化アルゴリズムと統合する最適化ベースのディープラーニングモデルであるOpenRanetを提案します。
元の非凸の問題を、デカップリング、可変変換、および弛緩技術を通じて凸様式に変換することから始めます。
これらのサブ問題は、標準の干渉関数フレームワーク内の反復方法を使用して効率的に解決され、原始二重ソリューションの導出を可能にします。
これらのソリューションは、数値実験に示されているように、機械学習と凸分析と凸分析を組み合わせることにより、制約順守、ソリューションの精度、および計算効率を高めるために、OpenRanet内の凸最適化レイヤーとしてシームレスに統合されます。
OpenRanetは、マルチセルシステム、衛星テレストリアルネットワーク、複雑な電力消費要件を備えた将来のOpen RAN展開など、より広範なシナリオ向けに、リソースに制約のあるAI-Nativeワイヤレス最適化戦略を設計するための基盤としても機能します。

要約(オリジナル)

The next-generation radio access network (RAN), known as Open RAN, is poised to feature an AI-native interface for wireless cellular networks, including emerging satellite-terrestrial systems, making deep learning integral to its operation. In this paper, we address the nonconvex optimization challenge of joint subcarrier and power allocation in Open RAN, with the objective of minimizing the total power consumption while ensuring users meet their transmission data rate requirements. We propose OpenRANet, an optimization-based deep learning model that integrates machine-learning techniques with iterative optimization algorithms. We start by transforming the original nonconvex problem into convex subproblems through decoupling, variable transformation, and relaxation techniques. These subproblems are then efficiently solved using iterative methods within the standard interference function framework, enabling the derivation of primal-dual solutions. These solutions integrate seamlessly as a convex optimization layer within OpenRANet, enhancing constraint adherence, solution accuracy, and computational efficiency by combining machine learning with convex analysis, as shown in numerical experiments. OpenRANet also serves as a foundation for designing resource-constrained AI-native wireless optimization strategies for broader scenarios like multi-cell systems, satellite-terrestrial networks, and future Open RAN deployments with complex power consumption requirements.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google