基于人工智能的预编码技术的能耗测量结果

《IEEE Open Journal of Vehicular Technology》:Measured Energy Consumption for AI-based Precoding

【字体: 大 中 小 】 时间:2026年05月13日 来源:IEEE Open Journal of Vehicular Technology 4.8

编辑推荐:

  本文首次基于实测数据研究了人工智能(AI)算法在无线接入网络(RAN)中的能耗问题,旨在探讨AI的集成是否会导致比传统非AI算法更高的能耗。我们以多用户预编码问题作为典型例子,因为AI在支持6G系统中天线的广泛应用方面具有巨大潜力。研究比较了三种AI算法(卷积神经网络(CNN)、

  

本文首次基于实测数据研究了人工智能(AI)算法在无线接入网络(RAN)中的能耗问题,旨在探讨AI的集成是否会导致比传统非AI算法更高的能耗。我们以多用户预编码问题作为典型例子,因为AI在支持6G系统中天线的广泛应用方面具有巨大潜力。研究比较了三种AI算法(卷积神经网络(CNN)、边缘图神经网络(EGNN)和基于通信模型的图神经网络(MGNN)与两种非AI算法(加权最小均方误差算法WMMSE和正则化零强迫算法RZF)的性能。通过大量关于能源和功率消耗的测量数据,我们分析了深度神经网络(DNN)的高效架构设计对能耗的影响,并对实测结果与现有功率估算模型给出的预测值进行了定量对比。结果表明,在三种DNN中,MGNN的能效最高,其在大规模系统中的能耗明显低于非AI算法;相比之下,CNN在训练和推理阶段的能耗均显著高于MGNN。此外,使用GPU并不总是会导致更高的功耗,在使用GPU时必须考虑CPU的功耗,而DRAM对总功耗的贡献较小。我们指出了现有基于利用程度或FLOPs的能耗估算模型的局限性,呼吁开发更精确的模型以促进RAN的绿色AI设计。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号