Aportando estabilidad a las conexiones inalámbricas | Febrero 2021

La comunicación es más importante que nunca, y todo, desde la universidad hasta CrossFit, se vuelve virtual durante la pandemia de COVID-19. Nadie entiende esto mejor que la ganadora del Premio Marconi 2020, Andrea Goldsmith, quien ha pasado su carrera haciendo que las conexiones inalámbricas en las que confiamos sean más capaces y estables. Pionera de los avances teóricos y prácticos en las comunicaciones inalámbricas adaptativas, Goldsmith habló sobre su trabajo sobre los límites de rendimiento del canal de múltiples entradas y múltiples salidas (MIMO), su nuevo rol como decana entrante en la Escuela de Ingeniería y Ciencias Aplicadas de la Universidad de Princeton, y lo que sigue para la creación de redes.

Como estudiante, estudió ingeniería en la Universidad de California, Berkeley. ¿Qué le atrajo de las comunicaciones inalámbricas?

Después de obtener mi título universitario, me puse a trabajar para una pequeña empresa de comunicaciones de defensa. Fue una gran oportunidad, porque estaba trabajando en problemas realmente difíciles con personas que tenían títulos avanzados. Buscábamos sistemas de comunicación por satélite y tecnología de antenas. Estaba realmente motivado para volver a la escuela de posgrado porque quería aprender más.

Esta fue la época en que la tecnología inalámbrica comercial estaba comenzando a despegar; sistemas celulares en particular.

Cuando fui a la escuela de posgrado, en 1989, estaban comenzando a hablar sobre estándares celulares de segunda generación. Hubo un gran debate sobre cuál debería ser la tecnología. Encontré toda esa área fascinante, y es en lo que terminé centrándome inicialmente.

Más tarde, después de unirse al departamento de Ingeniería Eléctrica de Stanford, realizó avances revolucionarios en los límites de rendimiento de canales de múltiples entradas y múltiples salidas (MIMO).

Habíamos analizado las técnicas de búsqueda de dirección en la puesta en marcha de comunicaciones de defensa en los años 80, lo que me expuso a los algoritmos MUSIC y ESPIRIT para la búsqueda de dirección con múltiples antenas. Durante la escuela de posgrado, pasé dos veranos trabajando en los laboratorios de AT&T Bell con Gerry Foschini, cuyo trabajo informó muchas de las primeras técnicas MIMO, siguiendo el trabajo pionero de A. Paulraj en Stanford.

Unos años después de que llegué a Stanford, la tecnología MIMO surgió como una realmente atractiva para la ganancia de capacidad. Entonces mi grupo comenzó a buscar cómo manejar la adaptación dinámica de múltiples sistemas de antenas. Habíamos estado trabajando en la adaptación dinámica de sistemas de antena única, y esa era un área natural para expandirnos.

Más recientemente, ha comenzado a explorar implementaciones en la banda de ondas milimétricas y, en particular, tecnologías MIMO masivas de ondas milimétricas. ¿Puedes hablar sobre tu trabajo en esa área?

La onda milimétrica es una banda espectral realmente interesante para explorar en la tecnología inalámbrica comercial. La mayor atracción es la cantidad de espectro disponible: decenas de gigahercios de espectro. Tenemos que encontrar formas de utilizar eso, especialmente teniendo en cuenta la cantidad de bandas inferiores que ya están ocupadas.

Pero la comunicación de ondas milimétricas es un desafío incluso en rangos relativamente cortos, porque es muy ineficiente.

Si tiene una sola antena omnidireccional, la potencia disminuye en relación con una sobre la frecuencia al cuadrado. Entonces, cuando subes a estas frecuencias muy altas, tienes una tremenda caída, porque la antena omnidireccional está enviando energía en todas direcciones. Cuando diriges esa energía en una dirección particular, puedes recuperar gran parte de la energía, y existen diferentes técnicas. Puede utilizar diseños de antena como antenas de bocina, por ejemplo, para obtener esta directividad. Pero la belleza de MIMO es que usa software y técnicas de dirección electrónica para apuntar dinámicamente la energía exactamente en la dirección en la que desea que vaya, dependiendo de dónde se mueva el receptor. Eso es en teoría. En la práctica, es difícil de hacer porque cualquier interferencia dispersa la energía en todas las direcciones. La onda milimétrica es mucho más sensible a la interferencia porque requiere esta dirección direccional para obtener un rendimiento razonable.

¿Cuáles son algunas de las técnicas que ha explorado?

Hay muchas preguntas abiertas. Hemos trabajado un poco para analizar los límites de capacidad fundamentales de las matrices MIMO masivas que se adaptan a los canales que varían en el tiempo. Comenzamos con condiciones perfectas, donde se puede estimar perfectamente el canal y retroalimentarlo instantáneamente. Por supuesto, ese es un escenario muy idealizado. En una configuración MIMO masiva típica, es necesario medir la ganancia de la antena desde decenas o incluso cientos de elementos de antena en el transmisor hasta cada uno de los elementos de antena en el receptor. Eso es mucho más desafiante. Así que también hemos analizado técnicas para situaciones en las que no se puede hacer ese tipo de adaptación dinámica. ¿Qué pasaría si estimaras el canal de manera imperfecta? ¿Cómo lidiarías con la interferencia? ¿Qué pasa si deja de intentar hacer cualquier tipo de estimación de canal y realiza una decodificación MIMO ciega? También hemos estudiado la posibilidad de adaptar los conjuntos de antenas para cumplir con los requisitos de diferentes aplicaciones, porque algunas aplicaciones no requieren ganancias de tan alto rendimiento.

Entonces, está tratando de hacer coincidir lo que está haciendo en la capa física con los requisitos en la capa de aplicación.

La próxima generación de redes inalámbricas debe admitir una gama mucho más amplia de aplicaciones. El objetivo de cada generación de celulares siempre ha sido llegar a velocidades de datos más altas, pero lo que estamos viendo ahora son aplicaciones de baja latencia como la conducción autónoma, y ​​las redes hasta ahora no han impuesto restricciones de latencia estrictas en sus criterios de diseño. Si excede las restricciones de latencia en sus aplicaciones de video o audio, solo significa que la calidad es mala o tal vez la conexión se interrumpe. Eso no es aceptable para una aplicación de vehículo autónomo en tiempo real. Las redes también deben poder soportar restricciones suaves sobre el consumo de energía para dispositivos de Internet de las cosas de bajo consumo, que pueden funcionar con una batería que no se puede recargar.

«Hay que pagar un precio por el aprendizaje automático, en términos de complejidad computacional y latencia».

Hablemos del aprendizaje automático, que descubrió que puede triunfar sobre la teoría para igualar canales desconocidos o complejos.

Yo era muy escéptico a la hora de subirme al tren del aprendizaje automático, pero cuando no tienes buenos modelos, el aprendizaje automático es una herramienta interesante para descubrir la optimización de un sistema de un extremo a otro. Aplicamos el aprendizaje automático por primera vez cuando estábamos trabajando en la comunicación molecular: usando moléculas en lugar de ondas electromagnéticas para enviar unos y ceros. Usamos un ácido para uno y una base para cero y lo enviamos a través de un canal de líquido. La forma en que se propaga la señal es por difusión, y no existe un buen modelo de canal para eso. También debe igualarlo, porque los productos químicos permanecen en el canal durante mucho tiempo. Si envía muchos, entonces el canal tiene demasiado ácido y cuando envía una base, el ácido lo destruirá.

En esa situación, descubrió que el aprendizaje automático funcionaba mejor que cualquier técnica existente.

Así es. Más tarde, comenzamos a analizar el aprendizaje automático de manera más amplia para la ecualización de canales en los canales inalámbricos tradicionales. La técnica óptima es el algoritmo de Viterbi, y descubrimos que no se puede superar en condiciones ideales, en las que conoce el canal perfectamente y no tiene limitaciones de complejidad. Pero cuando relaja esas suposiciones perfectas, resulta que el aprendizaje automático puede funcionar mejor.

Por supuesto, no siempre es el caso de que deba pasar al aprendizaje automático tan pronto como se aleje de las condiciones perfectas. Hay un precio a pagar por el aprendizaje automático, en términos de complejidad computacional y latencia. Pero para mí, la metalección es que tener conocimiento del dominio más algo de conocimiento del aprendizaje automático es mucho más valioso para resolver problemas específicos del dominio que tener un conocimiento muy profundo del aprendizaje automático, pero no comprender realmente el problema específico que está tratando de resolver resolver. Entendimos bien el problema de la ecualización, por lo que pudimos tomar esta herramienta y usarla de manera muy eficiente para llegar a una solución.

Recientemente fue nombrado decano de la Facultad de Ingeniería y Ciencias Aplicadas de la Universidad de Princeton. ¿Cuáles son algunos de tus objetivos?

Princeton ya cuenta con un grupo sólido de personas que trabajan en redes y comunicaciones inalámbricas. Para mi propia investigación, estoy emocionado de trabajar con estos colegas de Princeton, así como con investigadores de grupos inalámbricos cercanos en NYU y Rutgers. Últimamente ha habido un resurgimiento del interés en la tecnología inalámbrica y en reducir la brecha digital en la pandemia, por lo que es un momento muy emocionante para trabajar en el campo.

Me uno a Princeton en un momento en que está aumentando el tamaño de su facultad de ingeniería en casi un 50%, construyendo un vecindario completamente nuevo con nuevos edificios para todos sus departamentos de ingeniería e institutos interdisciplinarios, y también construyendo una parte separada del campus dedicada a la innovación. el espíritu empresarial y el establecimiento de vínculos más estrechos con la industria. Estoy muy emocionado de ser el decano entrante en un momento tan transformador para Princeton Engineering.

Volver arriba

La Biblioteca digital es una publicación de la Association for Computing Machinery. Copyright © 2021 ACM, Inc.

entradas no encontradas