DeepOFW：ピーク対平均電力比（PAPR）低減のためのOFDMフレキシブル波形変調を実現するディープラーニング駆動方式

Abstract

ピーク対平均電力比（PAPR）は、直交周波数分割多重（OFDM）などのマルチキャリア変調方式における主要な制約として依然として残っており、電力増幅器の効率を低下させ、実用的な送信電力を制限します。本研究では、従来のトランシーバにおける低複雑度なハードウェア構造を維持しつつ、データ駆動の波形設計を可能にする、深層学習駆動のOFDMフレキシブル波形変調フレームワークであるDeepOFWを提案します。提案するアーキテクチャは完全に微分可能であり、実運用上の物理的制約の下で、波形生成と受信処理をエンドツーエンドで最適化できます。リンク両端で深層学習による推論を必要とするニューラル・トランシーバ方式とは異なり、DeepOFWでは学習段階をオフラインまたは中央集約型ユニットに限定します。これにより、追加の計算オーバーヘッドを伴わずに、標準的な送信機および受信機ハードウェアへ展開できます。フレームワークは、PAPR制約を学習時に明示的に組み込みながら、波形表現と検出パラメータを共同で最適化します。3GPPのマルチパスチャネルに対する大規模なシミュレーションの結果、学習された波形は従来のOFDMと比べてPAPRを大幅に低減するだけでなく、最先端の伝送方式に対してビット誤り率（BER）性能も同時に向上させることが示されました。これらの結果は、ハードウェア効率の高い実装を維持しながら、データ駆動の波形設計がマルチキャリア通信システムを強化できる可能性を示しています。再現可能な研究と実運用への導入を促進するため、提案フレームワークのオープンソース実装が公開されます。