GPU加速的深度学习算法用于MIMO信号检测

《Telecom》:GPU-Accelerated Deep Learning Algorithms for MIMO Signal Detection

【字体: 大 中 小 】 时间:2026年08月29日 来源:Telecom 2.8

编辑推荐:

  深度学习(DL)已成为多输入多输出(MIMO)无线通信系统中信号检测的一种有前景的替代方案,其性能接近最优最大似然(ML)准则。然而,实现用于MIMO信号检测的DL算法仍然需要很高的计算成本。近期,一种基于DL的低复杂度架构被提出用于MIMO信号检测。具体而言

  
深度学习(DL)已成为多输入多输出(MIMO)无线通信系统中信号检测的一种有前景的替代方案,其性能接近最优最大似然(ML)准则。然而,实现用于MIMO信号检测的DL算法仍然需要很高的计算成本。近期,一种基于DL的低复杂度架构被提出用于MIMO信号检测。具体而言,该方案增加了一个预处理阶段来标记输入信号,从而实现了更高效的检测方案。然而,即使复杂度有所降低,所提出的检测方案仍然计算量大,且随着系统扩展到更高阶调制和/或大规模天线阵列,该成本急剧增长。为进一步降低这些方案的复杂度,本文提出了一种基于图形处理器(GPU)加速的DL-MIMO信号检测流程。该算法通过在一个支持CUDA的PyTorch实现中采用两种策略进行加速。首先,研究人员优化了训练过程,将One-Hot(OH)标签的误码率(BER)差距从1.00 dB缩小至约0.20 dB,将One-Hot-per-Antenna(OHA)标签的BER差距从2.00 dB缩小至约0.90 dB。此外,研究人员通过七种策略优化了蒙特卡洛仿真,在NVIDIA RTX 4090 GPU上将端到端评估时间减少了34.7%。这些结果旨在支持未来项目在更短的计算窗口内评估基于DL的MIMO系统。
**基于GPU加速的深度学习MIMO信号检测算法解读**

**1. 研究背景与问题提出**

多输入多输出(MIMO)技术作为第五代(5G)及未来第六代(6G)无线通信系统的关键使能技术,在数据传输速率和频谱效率方面带来了显著增益。然而,信号检测一直是该技术的主要瓶颈之一。最优的最大似然(ML)检测准则需要对发射字母表进行穷举搜索,其复杂度随发射天线数呈指数增长,使得最优检测在中大规模MIMO配置下变得不切实际。尽管球形译码等次优方案能够实现接近最优的性能,但其平均复杂度在低信噪比(SNR)区域会显著恶化。

近年来,深度学习(DL)为解决这一问题提供了一种全新的思路。研究表明,经过训练的神经网络能够以极低的成本逼近ML准则的性能,且其性能可通过应用于发射符号的标签策略进行显式调整。已有研究提出了一种基于DL的高效MIMO检测方案,其中引入了预处理阶段并比较了One-Hot-per-Antenna(OHA)和Direct Symbol Encoding(DSE)两种新的编码策略,在降低复杂度的同时取得了接近最优的性能。然而,先前工作仍有两个方面探索不足:其一,BER性能对训练配置(数据量、训练轮数、输出层激活函数)的敏感性;其二,蒙特卡洛评估本身的计算成本,在2×2 MIMO配置下,每个信噪比(SNR)点进行10?次迭代的完整评估即使在NVIDIA RTX 4090等现代GPU上也可能消耗超过17小时。为解决这一问题,本研究提出了基于支持CUDA的PyTorch框架的GPU加速流程,在不引入新检测器架构的前提下,专注于对现有方案进行加速优化。

**2. 研究内容与关键技术方法**

研究人员在NVIDIA RTX 4090 GPU平台上,采用CUDA-enabled PyTorch(Ver. 2.5.0+cu121)框架实现了完整的GPU加速流程。研究采用了2×2 MIMO系统配置,结合4-QAM调制,信道为准静态瑞利衰落信道(固定实现),固定隐藏层神经元数为300。研究主要包含两个方面的加速优化:其一,优化训练框架,将训练数据量从10?样本增加至10?样本,训练轮数从2000轮增加至10000轮,并针对OH采用softmax激活、OHA和DSE采用Sigmoid激活;其二,对蒙特卡洛BER评估流程实施七项算法优化,包括消除CPU?GPU传输、ML检测器的范数预计算、SNR转换参数预计算、基于XOR的误比特计数、复数噪声的直接生成、推理阶段消除softmax层、以及建立误比特查找表。研究使用准确率、宏F1分数和BER作为性能评估指标,通过torch.cuda.Event进行独立优化评估和端到端时间测量,并采用Amdahl定律分析理论加速上限与实际实测加速比之间的差距。

**3. 研究结果**

**3.1 训练性能**

采用优化配置后,OH方案在16个输出维度下达到了98.5%的准确率;OHA和DSE方案分别以8个和4个输出维度运行,准确率约为86.5%。在10000轮训练过程中,三种方案的测试损失始终与训练损失保持贴合,最终差距低于0.01,测试准确率与训练准确率之差在0.05个百分点以内,未出现过拟合迹象。

**3.2 BER性能**

在BER为1.0×10?3水平下,OH方案的BER差距从基准配置的1.00 dB降至约0.20 dB,主要归因于训练数据量提升十倍;OHA方案从2.00 dB改善至约0.90 dB,证实了Sigmoid作为多路同时激活输出方案激活函数的适用性;DSE方案在Sigmoid激活下性能略有下降,表明该方案在反向传播训练下更适合使用ReLU激活。低于5 dB时,三种DL检测器性能均较差;在10–20 dB的信息有效范围内,OH、OHA、DSE三种方案的BER曲线明显分化。所有报告数据均为全合成仿真数据,在BER达1.0×10?3处对应约4000个误比特计数,相对置信区间约为±3%,足以支持对三种标签方案差异的可靠判断。

**3.3 计算加速效果**

端到端完整评估时间从基准实现的17.64小时降至优化实现的11.51小时,每次完整仿真节省6.12小时(34.7%),实测加速比为1.53×。该实测值低于七项优化各自缩减率乘积所给出的2.27×理论乘法上限,这归因于训练阶段等不可优化部分在总流程中所占的比例。Amdahl定律分析表明,若优化部分占比约为0.56,则与实测加速比操作点吻合。

**4. 讨论与结论**

本研究通过CUDA-enabled PyTorch实现,对已有DL-MIMO检测方案进行了训练优化和蒙特卡洛仿真加速。训练方面的优化将OH标签方案相对ML检测器的BER差距从1.00 dB缩小至约0.20 dB,OHA方案从2.00 dB缩小至约0.90 dB;同时确认了Sigmoid激活对OHA的适用性,但不适用于DSE方案的反向传播训练。在仿真方面,七项算法优化使完整评估时间从17.64小时缩短至11.51小时,节省6.12小时(34.7%),且该实测加速比与理论乘法上限之间的差距可通过Amdahl定律得到直接解释。未来工作将扩展到更大规模的MIMO配置和更高阶调制方案,以及评估随机信道训练的影响。
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