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

Modules spécialisés	Modules de base	Sciences et techniques de l’ingénierie	Préparation à la carrière professionnelle
	X

 

Nombre d’heures	Activités hors classe
22.5	18

  

Code

:GINAI02

Introduction to Deep Learning for the Physical Layer

Volume Horaire : 1h30 Cours intégrés +Travaux pratiques (par semaine)

Description de la formation

Obtenez une introduction aux concepts clés de l’apprentissage en profondeur et à leurs applications pratiques aux problèmes de communication, allant de l’estimation de canal, sur un récepteur OFDM neuronal complet, à un système de communication basé sur un réseau entièrement neuronal qui ne utiliser n’importe quel algorithme traditionnel.

Objectifs d’apprentissage et compétences visées

Ce cours fournit d’abord un aperçu de l’architecture RAN actuelle basée sur 3GPP, couvrant différentes options de déploiement telles que D-RAN, C-RAN et V-RAN. Dans ce contexte, les options de division du RAN sont discutées, en se concentrant sur la division des couches supérieure et inférieure (HLS et LLS, respectivement).

Ensuite, les limitations et les frais généraux résultant des aspects propriétaires des solutions RAN non ouvertes basées sur le 3GPP sont analysés, jetant les bases de la présentation du cadre O-RAN.

La proposition O-RAN est d’abord introduite par la présentation de l’effort de normalisation pertinent, de l’écosystème, des parties impliquées et de l’état actuel du déploiement.

Ensuite, les aspects techniques de l’O-RAN sont analysés, y compris l’architecture, les interfaces, les aspects logiciels et matériels et le rôle de la virtualisation.

Une analyse détaillée du rôle des contrôleurs intelligents RAN (RIC) est fournie, expliquant comment l’architecture des RIC ouvre le RAN à des solutions et fonctionnalités innovantes.

Enfin, l’instructeur présente des études de cas des premiers utilisateurs de l’O-RAN, résumant les principales conclusions de ces premiers déploiements et discutant des défis et menaces potentiels de l’O-RAN.

Contenu

Les sujets suivants seront abordés :

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 :

Après ce cours, les étudiants seront capables de :

• 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.