CSI Feedback Enhancement using Machine Learning

Amélioration du retour d'information des CSI à l'aide de l'apprentissage automatique Acquérir les information d'état du canal est indispensable dans un réseau cellulaire. Dans les protocoles de communication actuels, le CSI en liaison descendante est estimé par l'User Equipment (l'équipement utilisateur - UE) via des pilotes dédiés puis renvoyés à la station de base. L'information retour du CSI nécessite la transmission d'une importante quantité de données supplémentaire Over-The-Air (OTA) afin d'améliorer la qualité du CSI acquis au niveau de la station de base. La compression est l'une des solution utilisées dans les standards, mais elle dégrade les performances d'acquisition du CSI. Des solutions alternatives telles que l'intelligence artificielle (AI) et l'apprentissage automatique (ML) sont apparues récemment. Ces techniques sont prometteuses pour palier aux problèmes dus aux déficits d'algorithmes et de modèles.Cette thèse de doctorat propose d'utiliser les techniques AI/ML pour améliorer les performances du retour d'information CSI. La première partie de la thèse développe un nouveau cadre ML, baptisé CSIFB-PNet, qui exploite des prédicteurs à deux canaux pour améliorer la rétroaction CSI. En utilisant le mécanisme de retour CSI conventionnel, les modèles ML sont entrainés aux deux extrémités (BS et UE) de la chaine de communication. De façon plus générale, le UE évalue le retour CSI généré par le modèle ML. La solution proposée permet de réduire la quantité d'information nécessaire à la rétroaction du CSI tout en améliorant sa précision. Cette solution est ensuite étendue à l'entraînement unilatéral du modèle ML pour améliorer davantage les performances. Le modèle est généré au niveau du UE puis est partagé avec la station de base. Les résultats observés confirment la validité de l'entraînement unilatéral du modèle ML. Nous aborderons également divers algorithmes ML pour la prédiction des canaux, car elle joue un rôle central dans le travail proposé. Les résultats sont évalués à l'aide des données réelles enregistrées sur le campus de Nokia Bell-Labs à Stuttgart, en Allemagne.La mise en œuvre de modèle ML au niveau du UE peut être impossible pour diverses raisons, en particulier la consommation d'énergie. Motivés par ce problème, nous proposons un mécanisme d'apprentissage CSI au niveau de la station de base, appelé CSILaBS, pour pallier à l'utilisation de modèles ML au niveau du UE. La station de base calcule une fonction prédictive légère (PF) en exploitant les modèles ML, pour aider l'UE à évaluer la rétroaction. Ce processus permet de réduire la quantité de données supplémentaires OTA tout en minimisant la complexité au niveau du UE. Pour aller plus loin, dans un environnement multi-utilisateurs, nous avons proposé plusieurs solutions afin de planifier le retour CSI en utilisant des fonctions prédictives légères tout en visant à améliorer sa précision. Les résultats de simulation obtenus montrent l'efficacité de la planification du retour et que le seuil d'erreur de prédiction pour la boucle retour de planification est un paramètre de conception important qui doit être affiné pour maximiser la précision du CSI. Par la suite, en prenant en compte le problème de surcharge lié à l'entrainement du modèle et son partage avec la station de base, nous proposerons une solution pertinente pour le standard. Cette solution peut être implémentée soit au niveau de l'utilisateur et de la station de base, soit au niveau de l'utilisateur seulement. Pour développer cette solution, nous avons exploité les dictionnaires, utilisé pour reporter le CSI, afin de vérifier l'efficacité des données générées par un algorithme d'augmentation de données.Dans la deuxième partie de la thèse, nous exploitons les surfaces intelligentes reconfigurables (RIS) pour améliorer les performances d'un prédicteur de canal, qui est la composante principale des schémas d'amélioration de retour du CSI.