MACHINE LEARNING-BASED RECEIVER IN WIRELESS COMMUNICATION NETWORK

The present disclosure relates to a machine learning (ML)-based receiver that is computationally efficient, irrespective of a number NR of receiver antennas used in a Multiple Input Multiple Output (MIMO) scenario. To achieve this, the ML-based receiver is configured to obtain a modified matrix and a modified array of symbols based on a channel state information (CSI) matrix and a received array of symbols. The modified matrix has a dimension NT × NT, where NT is a number of MIMO layers. The modified array of symbols has a dimension NT. After that, the ML-based receiver is configured to restore a transmitted array of symbols from the received array of symbols by applying a pre-trained ML model that receives the modified matrix and the modified array of symbols as input data and outputs a set of bit log-likelihood ratio (LLR) estimates for the transmitted array of symbols. La présente invention concerne un récepteur basé sur l'apprentissage automatique (ML) qui est efficace sur le plan informatique, indépendamment d'un nombre NR d'antennes réceptrices utilisées dans un scénario à entrées multiples et sorties multiples (MIMO). Pour ce faire, le récepteur basé sur ML est configuré pour obtenir une matrice modifiée et un réseau de symboles modifié sur la base d'une matrice d'informations d'état de canal (CSI) et d'un réseau de symboles reçu. La matrice modifiée a une dimension NT × NT, où NT est un nombre de couches MIMO. Le réseau de symboles modifié a une dimension NT. Après cela, le récepteur basé sur ML est configuré pour restaurer un réseau de symboles transmis depuis le réseau de symboles reçu par application d'un modèle ML pré-entraîné qui reçoit la matrice modifiée et le réseau de symboles modifié en tant que données d'entrée et délivre en sortie un ensemble d'estimations de rapport de log-vraisemblance (LLR) de bits pour le réseau de symboles transmis.