MEAN：专家混合神经接收器——架构与性能分析

《ACM Transactions on Embedded Computing Systems》：MEAN: Mixture-of-Experts Neural Receiver - Architecture and Performance Analysis

动态神经网络架构MEAN通过实时信道自适应选择专家模块，在22nm FD-SOI硬件实现中实现37.11%能效提升，面积仅增11.04%，性能与静态网络相当。

　　

摘要

基于神经网络的无线接收器，也称为“神经接收器”，在性能上优于传统接收器，但计算复杂度更高。在注重能源效率的边缘设备上使用这些网络的需求日益增加，因此需要开发出能够在不同信道条件下高效运行的自适应神经接收器。通过将静态神经接收器转换为基于动态神经网络（DyNN）概念的动态模型，可以降低运行时的计算复杂度和能耗。这种方法可以在运行时调整网络架构，并利用移动通信系统中的变化信道条件来减少计算复杂度。本文介绍了一种名为MEAN的新型神经接收器架构，该架构基于硬门控的专家混合（MOE）技术。MEAN的核心思想是在运行时使用多个较小的信噪比（SNR）专家网络，根据当前数据输入选择合适的专家网络以降低复杂度。本文的主要贡献包括：

(1)

基于[25]的MEAN架构：一种能够根据当前信道条件动态选择最合适专家的硬门控MoE模型。

(2)

对MEAN在不同编码速率和调制方案下的系统级性能进行了全面分析，包括验证了推理过程中的专家选择机制。

(3)

对门控网络进行了损失函数优化，以促进特定专家在指定噪声区域内的激活。这一改进降低了门控网络的复杂度，同时提高了专家选择的准确性。

(4)

对采用22nm FD-SOI技术实现的MEAN的硬件架构进行了分析。该设计使用了定制的高级综合（HLS）框架进行生成，提供了详细的功耗和面积评估。

所提出的MEAN架构应用于单输入多输出（SIMO）无线系统，总功耗降低了37.11%，而面积仅增加了11.04%，同时保持了与静态神经网络相当的准确性。