Introduction to Deep Learning for the Physical Layer

Introduction to Deep Learning for the Physical Layer GINAI02

Enseignant:

Email:

Durée totale du cours: 22.5 H

Semestre : 5

Option ingénierie des connaissances

Nombre de crédits : 2

Description de la formation

Objectifs d’apprentissage et compétences visées

Contenu

1. Partie I - Introduction et introduction à l'apprentissage automatique et à l'apprentissage en profondeur
   • Introduction et bases de l'apprentissage automatique
   • Qu'est-ce que le ML/IA ?
   • Quand (ne pas) utiliser le ML ?
   • Que peut faire le ML pour les communications ?
   • 3GPP Rel. 18 activités ML/IA
   • Composants d'un système ML
   • Réseaux de neurones feed-forward
   • Descente de gradient et rétropropagation
   • Architectures avancées de réseaux de neurones
   • Réseaux de neurones convolutifs
   • Foulée et mutualisation
   • Champ récepteur et circonvolutions dilatées
   • Convolutions séparables en profondeur
   • Ignorer les connexions et ResNets
   • Attention & transformateurs
   • Réseaux de neurones graphiques
   • Introduction à la bibliothèque de logiciels Sionna
2. Partie II - Applications de l'apprentissage en profondeur pour les communications
   • Récepteurs MIMO multi-utilisateurs OFDM neuronaux
   • Travaux pratiques : Implémentation d'un récepteur OFDM neuronal mono-utilisateur
   • Extension à l'OFDM MIMO multi-utilisateurs
   • Comparaison des récents récepteurs MIMO basés sur le deep learning
   • Deep Learning pour le décodage des canaux
   • Décodage pondéré de la propagation des croyances
   • Décodage de passage de messages appris à l'aide de réseaux de neurones graphiques
   • Apprentissage de bout en bout
   • Qu'est-ce que l'apprentissage E2E ?
   • Taux de décodage bit-métrique
   • Façonnage géométrique
   • Estimation du dégradé
   • Travaux pratiques : entraînez votre premier autoencodeur
   • Auto-encodeurs Turbo

Méthodes d’enseignement et d’apprentissage

• Enseignement frontal (magistral) avec des exemples à résoudre en
• Exercices théoriques et études de cas (présentation et discussion).
• Travaux pratiques (laboratoire)
• Travaux à faire à domicile (mini-projet, exposé, compte-rendu, …)

Connaissances et compétences pré-requises

• Solide expérience dans les systèmes de communication numérique, en particulier la couche physique (OFDM, MIMO, modulation, détection, estimation, codage de canal)
• Contexte de la théorie de base de l'information, du traitement du signal et des communications sans fil.
• Une connaissance de base de l'apprentissage automatique et, en particulier, de l'apprentissage en profondeur est une bonne chose, mais ce n'est pas un prérequis.
• La connaissance du langage de programmation Python ainsi que de TensorFlow ou PyTorch sont bénéfiques

Références bibliographiques

• Un polycopié (Notes du cours) de l’enseignant sera disponible avec recommandations bibliographiques.
• Goodfellow, I., Bengio, Y., Courville, A., & Bengio, Y. (2016). Deep learning (Vol. 1). MIT press Cambridge.
• Chollet, F. (2017). Deep learning with Python. Manning Publications Co.
• Bishop, C. M. (2006). Pattern recognition and machine learning. springer.
• Nielsen, M. A. (2015). Neural networks and deep learning: A textbook. Determination Press.
• Geron, A. (2019). Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow. O'Reilly Media, Inc.
• Aggarwal, C. C. (2018). Neural networks and deep learning: A textbook. Springer.
• Haykin, S. (1999). Neural networks: A comprehensive foundation. Prentice Hall.
• LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. nature, 521(7553), 436-444.
• Schmidhuber, J. (2015). Deep learning in neural networks: An overview. Neural networks, 61, 85-117.

Modalité d’évaluation

• 40% Contrôle continu (TP noté, Test, Assiduité, Devoir surveillé, travaux non présentiel, …)
• 60% Examen

Résultat d'apprentissage :

• Identifier quand il est judicieux d'utiliser l'apprentissage automatique pour résoudre un problème.
• Être conscient des efforts actuels de normalisation 3GPP en ce qui concerne l'IA/ML.
• Configurer des expériences simples pour résoudre des problèmes de couche physique à l'aide de réseaux de neurones.
• Comprendre l'idée de l'apprentissage de bout en bout et les défis connexes.
• Reconnaître les architectures de réseau neuronal de pointe les plus importantes pertinentes pour la couche physique.