Method for training on site-specific channels

Abstract

A user equipment (UE) for improving communication performance is disclosed. The UE comprises one or more processors; and data storage, storing predetermined model coefficients with regard to an end-to-end (E2E) communication model and UE-executable instructions that, when executed by the one or more processors, cause the UE to execute operations. The E2E communication model includes a transmitter Neural Network (NN) and a receiver Neural Network (NN). The operations comprise obtaining site-specific radio channel information; and updating model coefficients with regard to at least one layer of the receiver NN based on the site-specific radio channel information.

Description

METHOD FOR TRAINING ON SITE-SPECIFIC CHANNELS

[0001] CROSS-REFERENCE TO RELATED APPLICATIONS

[0002] The present Application claims the benefit of U.S. Provisional Patent Application Ser. No. 63 / 692,255 filed on September 9, 2024, the entire disclosure of which is incorporated herein in its entirety by reference.BACKGROUND OF THE INVENTION1. Field of the Invention

[0003] This disclosure generally relates to a method for improving the performance of a physical layer, and more particularly, to a method for improving the performance of the physical layer by training on site-specific channels using deep learning techniques.

[0004] 2. Description of Related Art

[0005] A wireless communication system is traditionally modeled as a sequence of individual blocks for analysis and evaluation. As such, optimization of the wireless communication system is conducted separately and block-wisely.

[0006] In recent years, with rapid development of Artificial intelligence (AI) , especially Machine Learning (ML) and Deep Learning (DL) , it has become one of the candidates which could be used to revolutionarily improve the performance of the wireless communication system, for instance, a physical layer in the wireless communication system.

[0007] A straightforward concept in the spotlight right now is an end-to-end (E2E) communication model. Through treating the entire wireless communication system, typically comprising a transmitter, a channel and a receiver, as a network similar to an AutoEncoder (AE) , the overall performance of which can be jointly optimized. In other words, both the transmitter and the receiver in the communication system can be concurrently optimized.

[0008] Referring to FIG. 1, an E2E communication model (100) is illustrated. The E2E communication model (100) comprises a transmitter Neural Network (NN) (102) viewed as an encoder which receives input bits viewed as actual values, a receiver NN (104) viewed as a decoder which generates output bits viewed as predicted values, and a channel (106) between the transmitter NN (102) and the receiver NN (104) . In order to optimize model coefficients of the transmitter NN (102) and receiver NN (104) of the E2E communication model (100) , a suitable optimalization algorithm is used, e.g. Gradient Descent (GD) which is a mathematical technique used to iteratively minimize a loss function in connection to the predicted values and actual values of the E2E communication model (100) , i.e. aiming to minimize the difference between the predicted values and actual values. The channel (106) can be mathematically expressed as a transfer function which is required to be differentiable such that the gradients (gE2Emodel) of the loss function, can be backpropagated to the transmitter NN (102) . The gradients (gE2Emodel) reflect the direction and magnitude for update of model coefficients for reducing the difference between the predicted values and actual values.

[0009] However, in a real communication environment, the channel (106) operates like a black box, it is usually very difficult to find out what the channel (106) looks like. Accordingly, training the E2E communication model (100) in the real communication environment is challenging.SUMMARY OF THE INVENTION

[0010] In one aspect of the present disclosure, a user equipment (UE) for improving communication performance is disclosed. The UE comprises one or more processors; and data storage, storing predetermined model coefficients with regard to an end-to-end (E2E) communication model and UE-executable instructions that, when executed by the one or more processors, cause the UE to execute operations. The E2E communication model includes a transmitter Neural Network (NN) and a receiver Neural Network (NN) . The operations comprise obtaining site-specific radio channel information; and updating model coefficients with regard to at least one layer of the receiver NN based on the site-specific radio channel information.

[0011] In another aspect of the present disclosure, a method for a user equipment (UE) to improve communication performance is disclosed. The method comprises storing predetermined model coefficients with regard to an end-to-end (E2E) communication model including a transmitter Neural Network (NN) and a receiver Neural Network (NN) ; obtaining site-specific radio channel information; and updating model coefficients with regard to at least one layer of the receiver NN based on the site-specific radio channel information.

[0012] In yet another aspect of the present disclosure, a method for improving communication performance of a wireless communication system is disclosed. The method comprises treating the wireless communication system as an end-to-end (E2E) communication model including a transmitter Neural Network (NN) , a predetermined channel model and a receiver Neural Network (NN) ; pretraining the transmitter NN and the receiver NN on the predetermined channel model to obtain and learn predetermined model coefficients with regard to the transmitter NN and the receiver NN; obtaining site-specific radio channel information; and updating model coefficients with regard to at least one layer of the receiver NN based on the site-specific radio channel information.

[0013] In yet another aspect of the present disclosure, the predetermined model coefficients with regard to the E2E communication model are obtained and learned by pretraining the transmitter NN and the receiver NN based on a predetermined channel model.

[0014] In yet another aspect of the present disclosure, the predetermined channel model is an Urban Micro (UMi) channel model or an Urban Macro (UMa) channel model.

[0015] In yet another aspect of the present disclosure, the site-specific radio channel information is obtained based on ray tracing data.

[0016] In yet another aspect of the present disclosure, the receiver NN includes N layers and model coefficients with regard to M layers of the receiver NN are updated based on the site-specific radio channel information, and wherein N and M are integers and N > M.

[0017] In yet another aspect of the present disclosure, M is equal to 1, and wherein model coefficients with regard to a nth layer of the receiver NN are updated based on the site-specific radio channel information.

[0018] These and other features and advantages of the present disclosure can be more readily understood from the following preferred embodiments with reference to the appended drawings.BRIEF DESCRIPTION OF THE DRAWINGS

[0019] In order to sufficiently understand the essence, advantages and the preferred embodiments, the following detailed description will be more clearly understood by referring to the accompanying drawings.

[0020] FIG. 1 illustrates an E2E communication model.

[0021] FIG. 2 (a) illustrates a pretraining stage for an E2E communication model in accordance with a first embodiment of the present disclosure.

[0022] FIG. 2 (b) illustrates an updating stage for an E2E communication model in accordance with the first embodiment of the present disclosure.

[0023] FIG. 2 (c) illustrates pretrained blocks of E2E communication model in accordance with the first embodiment of the present disclosure.

[0024] FIG. 2 (d) illustrates updated blocks of E2E communication model in accordance with the first embodiment of the present disclosure.

[0025] FIG. 3 illustrates evaluation results of the first embodiment of the present disclosure.

[0026] FIG. 4 illustrates a method for a UE to improve communication performance in accordance with a second embodiment of the present disclosure.

[0027] DETAILED DESCRIPTION OF THE DRAWINGS

[0028] The following description discloses the preferred embodiments. The present disclosure is described below by referring to the embodiments and the figures. Thus, the present disclosure is not intended to be limited to the embodiments shown, but is to be accorded the principles disclosed herein. Furthermore, that various modifications or changes in light thereof will be suggested to a person having ordinary skill in the art and are to be included within the spirit and purview of this application and scope of the appended claims.

[0029] Firstly, please refer to FIG. 2 (a) and FIG. 2 (b) for a two-stage training process for a wireless communication system in accordance with a first embodiment of the present disclosure. The wireless communication system can be treated as an end-to-end (E2E) communication model (200) . The E2E communication model (200) includes a transmitter Neural Network (NN) (202) , a receiver Neural Network (NN) (204) and a predetermined channel model (206) between the transmitter NN (202) and the receiver NN (204) . Both the transmitter NN (202) and the receiver NN (204) contain a plurality of layers. Although the transmitter NN (202) and the receiver NN (204) in FIG. 2 (a) and FIG. 2 (b) are illustrated to have four layers as an example, a person having ordinary skill in the art would understand that there might be more or less layers.

[0030] In FIG. 2 (a) , a first training process for the E2E communication model (200) at a pretraining stage is illustrated. The transmitter NN (202) and the receiver NN (204) are pretrained on the predetermined channel model (206) . The predetermined channel model (206) can be an Urban Micro (UMi) channel model or an Urban Macro (UMa) channel model provided by 3GPP TR 38.901 standard titled “5G; Study on channel model for frequencies from 0.5 to 100 GHz” or 3GPP TR 36.873 standard titled “3rd Generation Partnership Project; Technical Specification Group Radio Access Network; 3D channel model for LTE” , the whole contents of which are incorporated herewith for reference.

[0031] With adoption of the predetermined channel model (206) , e.g. UMi channel model or UMa channel model, a differentiable transfer function regarding the channel between the transmitter NN (202) and the receiver NN (204) can be obtained, and thus gradients (gE2Emodel) regarding a loss function of the E2E communication model (200) can be computed and backpropagated to the transmitter NN (202) , which makes the E2E communication model (200) trainable. A link-level simulator can be further utilized to generate a large amount of data for training the E2E communication model (200) .

[0032] The two-stage training process for the wireless communication system in accordance with a first embodiment of the present disclosure can be implemented on a User Equipment (UE) side or a network side. Taking the UE side for example, a UE can offline perform the first training process for the E2E communication model (200) in its manufacturing factory, which eliminates the need for complex standardization on an air interface in a real communication environment. The UE then stores model coefficients with regard to the E2E communication model (200) obtained from the first training process before it leaves the manufacturing factory.

[0033] In FIG. 2 (b) , a second training process for the E2E communication model (200) at an updating stage is illustrated. Considering that the predetermined channel model (206) , e.g. UMi channel model or UMa channel model, would not perfectly fit it with an air interface in different communication environment, the second training process is used to fine-tune model coefficients with regard to the E2E communication model (200) obtained from the first training process. In the second training process, site-specific radio channel information which reflects the surroundings of the communication system in a specific location, including geometry, buildings, vegetation and mobile phones etc., is obtained and then model coefficients with regard to the receiver NN (204) are updated based on the site-specific radio channel information. The receiver NN (204) with updated model coefficients is also marked as receiver NN (204-1) in the FIG. 2 (b) .

[0034] In practice, the site-specific radio channel information can be obtained based on site-specific method, e.g. ray tracing method. The ray tracing method is used to simulate how radio waves propagate through an air interface in the real communication environment. Through tracing rays emitting from a transmitter for sensing and observing reflection, diffraction, scattering of these rays receiving by a receiver for sensing because of the surroundings of the communication system in a specific location, ray tracing data reflecting channel characteristics can be obtained and learned. Model coefficients with regard to the receiver NN (204) can be further fine-tuned and updated based on the ray tracing data.

[0035] In one example in accordance with the first embodiment of the present disclosure, the receiver NN (204) contains N layers and model coefficients with regard to M layers of the receiver NN (204) are updated based on the site-specific radio channel information, e.g. ray tracing data. N and M are integers and N > M. For example, N is equal to 4 and N is equal to 2, which means the receiver NN (204) contains 4 layers and model coefficients with regard to 2 layers of the receiver NN (204) are updated based on the site-specific radio channel information. For example, model coefficients with regard to the 3rd layer and 4th layer of the receiver NN (204) are updated based on the site-specific radio channel information. In another example, N is equal to 4 and N is equal to 1, which means the receiver NN (204) contains 4 layers and model coefficients with regard to one layer of the receiver NN (204) are updated based on the site-specific radio channel information. For example, model coefficients with regard to the top layer, i.e. the 4th layer, of the receiver NN (204) are updated based on the site-specific radio channel information. In yet another example, only part of model coefficients with regard to the top layer, i.e. the 4th layer, of the receiver NN (204) are updated based on the site-specific radio channel information.

[0036] With adoption of the second training process, model coefficients with regard to one or more layers of the receiver NN (204) can be updated without the need of passing gradients (gE2Emodel) regarding a loss function of the E2E communication model (200) through the air interface in the real communication environment. The transmitter for sensing simply needs to continue transmitting rays while the receiver for sensing simply needs to receive rays transmitted from the transmitter for sensing and collects data. Accordingly, only a small amount of data (e.g. 5K data) is required to train the E2E communication model (200) in the second training process at the updating stage in comparison to that (e.g. 800K data) in the first training process at the pretraining stage.

[0037] Secondly, please refer to FIG. 2 (c) and FIG. 2 (d) for pretrained and updated blocks of the wireless communication system in accordance with the first embodiment of the present disclosure. In FIG. 2 (a) and FIG. 2 (b) , the wireless communication system is illustrated in a high-level view. In FIG. 2 (c) and FIG. 2 (d) , the wireless communication system is further illustrated in various blocks.

[0038] In FIG. 2 (c) and FIG. 2 (d) , in a transmitting side, a Binary Data Source block (250) transmits binary bits to a Channel Coding block (252) . The Channel Coding block (252) generates coded bits by utilizing error correction techniques, such as Hamming codes, Reed-Solomon codes, convolutional codes, turbo codes, and Low-density Parity-Check (LDPC) codes, to protect the binary bits from noise and disturbance during transmission. The Channel Coding block (252) then transmits the coded bits to a Symbol Mapper block (254) . The symbol Mapper block (254) generates complex-valued symbols in accordance with a modulation format corresponding to a Constellation block (256) . The modulation format can be Quadrature Amplitude Modulation (QAM) or phase shift keying (PSK) format. The symbol Mapper block (254) then transmits the complex-valued symbols to a OFDM Resource Grid Mapper block (258) . The OFDM Resource Grid Mapper block (258) generates time-frequency signals with specific OFDM subcarriers and OFDM symbols for a corresponding antenna port to be transmitted via physical antennas at the transmitting side. The time-frequency signals then pass through a channel between the transmitting side and the receiving side and are received by physical antennas at the receiving side. In the receiving side, a Receiving block (260) is used to generate the coded bits in a reverse way corresponding to the OFDM Resource Grid Mapper block (258) , the Constellation block (256) , and the Symbol Mapper block (254) . The Receiving block (260) then transmits the coded bits to a Channel Decoding block (262) . The Channel Decoding block (262) is used to generate the binary bits in a reverse way corresponding to the Channel Coding block (252) .

[0039] In one example, the Constellation block (256) and the Receiving block (260) are neural network-based blocks and are jointly pretrained on the predetermined channel model, e.g. UMi channel model or UMa channel model, so as to obtain and learn model coefficients with regard to the Constellation block (256) and the Receiving block (260) in accordance with the first training process as recited in the first embodiment of the present disclosure. In addition, model coefficients with regard to the Receiving block (260) are fine-tuned and updated based on site-specific radio channel information. The Receiving block (260) with updated model coefficients is also marked as Receiving block (260-1) in the FIG. 2 (d) .

[0040] The two-stage training process for the wireless communication system in accordance with the first embodiment of the present disclosure has described above. Now please refer to FIG. 3 which shows the evaluation results for the wireless communication system adopting the two-stage training process in accordance with the first embodiment of the present disclosure, where QAM represents Quadrature Amplitude Modulation, CE represents Channel Estimation, LS represents Least-Square, EQ represents Equalization, LC represents Learned Constellation corresponding to the first training process in accordance with the first embodiment of the present disclosure, RT represents Ray-Tracing corresponding to the second training process in accordance with the first embodiment of the present disclosure, and BLER represents Block Error Rate which is a ratio of the number of erroneous blocks to the total number of blocks for evaluating the communication performance of the wireless communication system.

[0041] The required parameters for simulation in association with the wireless communication system are set as following table, where BS represents Base Station, UE represents User Equipment PRB represents Physical Resource Block, OFDM represents Orthogonal Frequency Division Multiplexing, and LDPC represents Low-Density Parity Check.

[0042] In FIG. 3, the traditional communication methods include an ideal CE or a LS CE along with a LMMSE equalizer, marked as “QAM, known channel, LMMSE” and “QAM, filter, LMMSE” , respectively. In contrast, the method adopting the first training process alone and the first and second training processes are marked as “LC DeepRX+AF+SNR, pilotless (train on UMi) ” and “LC DeepRX+AF+SNR, pilotless (train on Umi, fine-tune on RT) ” , respectively. From the BLER performance depicted in FIG. (3) , it can be observed that the receiver NN with implementation with the second training process (2.66dB) outperforms that without implementation with the second training process (3.74db) by about 1.1dB at 10%BLER. In addition, the BLER performance regarding the receiver NN with implementation with the second training process (2.66dB) outperforms that regarding the traditional communication method with the LS CE along with a LMMSE equalizer (3.87db) by about 1.2db at 10%BLER and is very close to that regarding the traditional communication method with the ideal CE along with a LMMSE equalizer (2.36db) , demonstrating the benefit of the first training process together with the second training process.

[0043] The two-stage training process for the wireless communication system has described by referring to the first embodiment of the present disclosure above. Now please refer to FIG. 4, where a method (400) for a UE to improve communication performance in accordance with a second embodiment of the present disclosure is illustrated. The method (400) comprises several steps implemented by the UE. The method (400) comprises storing predetermined model coefficients with regard to an E2E communication model including a transmitter NN and a receiver NN (step 402) ; obtaining site-specific radio channel information (step 404) ; and updating model coefficients with regard to at least one layer of the receiver NN based on the site-specific radio channel information (step 406) .

[0044] The predetermined model coefficients with regard to the E2E communication model as recited in step 402 are obtained and learned by pretraining the transmitter NN and the receiver NN based on a predetermined channel model, which can be an Urban Micro (UMi) channel model or an Urban Macro (UMa) channel model provided by 3GPP TR 38.901 standard or 3GPP TR 36.873 standard as described above.

[0045] In addition, the site-specific radio channel information as recited in step 406 is obtained based on ray tracing data as described above.

[0046] In addition, the receiver NN as recited in step 402 includes N layers and model coefficients with regard to M layers of the receiver NN are updated based on the site-specific radio channel information, and wherein N and M are integers and N > M. In other words, the receiver NN contains 1st layer (the bottom layer) , 2nd layer, …, nth layer (the top layer) , and wherein only model coefficients with regard to one or more layers of which are updated based on the site-specific radio channel information.

[0047] In addition, M can be chose to be 1, and only model coefficients with regard to the nth layer (the top layer) of the receiver NN are updated based on the site-specific radio channel information.

[0048] The preferred embodiments of the present invention have been described above. However, those having ordinary skill in the art readily recognize that the disclosure described above can be utilized in a variety of devices, environments, and situations. Although the present invention is written with respect to specific embodiments and implementations, various changes and modifications may be suggested to a person having ordinary skill in the art. It is intended that the present disclosure encompass such changes and modifications that fall within the scope of the appended claims.

[0049] For example, those having ordinary skill in the art would understand that a UE may include one or more processors, data storage in electronic communication with the one or more processors, and UE-executable instructions stored in the data storage. The instructions are used to perform the methods in accordance with the embodiments above. In particular, a UE for improving communication performance is implemented as follows. The UE comprises one or more processors; and data storage, storing predetermined model coefficients with regard to an E2E communication model and UE-executable instructions that, when executed by the one or more processors, cause the UE to execute operations. The E2E communication model includes a transmitter NN and a receiver NN. The operations comprise obtaining site-specific radio channel information; and updating model coefficients with regard to at least one layer of the receiver NN based on the site-specific radio channel information.

Claims

1.A user equipment (UE) for improving communication performance, comprising:one or more processors; anddata storage, storing predetermined model coefficients with regard to an end-to-end (E2E) communication model and UE-executable instructions that, when executed by the one or more processors, cause the UE to execute operations,wherein the E2E communication model includes a transmitter Neural Network (NN) and a receiver Neural Network (NN) ,and wherein the operations comprise:obtaining site-specific radio channel information; andupdating model coefficients with regard to at least one layer of the receiver NN based on the site-specific radio channel information.2.The UE of claim 1, wherein the predetermined model coefficients with regard to the E2E communication model are obtained and learned by pretraining the transmitter NN and the receiver NN based on a predetermined channel model.3.The UE of claim 2, wherein the predetermined channel model is an Urban Micro (UMi) channel model or an Urban Macro (UMa) channel model.4.The UE of claim 1, wherein the site-specific radio channel information is obtained based on ray tracing data.5.The UE of claim 1, wherein the receiver NN includes N layers and model coefficients with regard to M layers of the receiver NN are updated based on the site-specific radio channel information, and wherein N and M are integers and N > M.6.The UE of claim 5, wherein M is equal to 1, and wherein model coefficients with regard to a nth layer of the receiver NN are updated based on the site-specific radio channel information.7.A method for a user equipment (UE) to improve communication performance, comprising:storing predetermined model coefficients with regard to an end-to-end (E2E) communication model including a transmitter Neural Network (NN) and a receiver Neural Network (NN) ;obtaining site-specific radio channel information; andupdating model coefficients with regard to at least one layer of the receiver NN based on the site-specific radio channel information.8.The method of claim 7, wherein the predetermined model coefficients with regard to the E2E communication model are obtained and learned by pretraining the transmitter NN and the receiver NN based on a predetermined channel model.9.The method of claim 8, wherein the predetermined channel model is an Urban Micro (UMi) channel model or an Urban Macro (UMa) channel model.10.The method of claim 7, wherein the site-specific radio channel information is obtained based on ray tracing data.11.The method of claim 7, wherein the receiver NN includes N layers and model coefficients with regard to M layers of the receiver NN are updated based on the site-specific radio channel information, and wherein N and M are integers and N > M.12.The method of claim 11, wherein M is equal to 1, and wherein model coefficients with regard to a nth layer of the receiver NN are updated based on the site-specific radio channel information.13.A method for improving communication performance of a wireless communication system, comprising:treating the wireless communication system as an end-to-end (E2E) communication model including a transmitter Neural Network (NN) , a predetermined channel model and a receiver Neural Network (NN) ;pretraining the transmitter NN and the receiver NN on the predetermined channel model to obtain and learn predetermined model coefficients with regard to the transmitter NN and the receiver NN;obtaining site-specific radio channel information; andupdating model coefficients with regard to the receiver NN based on the site-specific radio channel information.14.The method of claim 13, wherein the predetermined channel model is an Urban Micro (UMi) channel model or an Urban Macro (UMa) channel model.15.The method of claim 13, wherein the site-specific radio channel information is obtained based on ray tracing data.16.The method of claim 13, wherein the receiver NN includes N layers and model coefficients with regard to M layers of the receiver NN are updated based on the site-specific radio channel information, and wherein N and M are integers and N > M.17.The method of claim 16, wherein M is equal to 1, and wherein model coefficients with regard to a nth layer of the receiver NN are updated based on the site-specific radio channel information.

Images