Carreras

Es un buen momento para ser un ingeniero especializado en

AR / VR ES EL BOLETO CALIENTE DE ESTE
realidad aumentada o realidad virtual. Esa es la conclusión del último

AÑO PARA TRABAJOS informe del sitio de trabajo Hired, que publicó su informe anual sobre el

estado de los ingenieros de software en febrero. Para recopilar sus datos,

PERO EL CRECIMIENTO DE LA DEMANDA PARA DESARROLLADORES
Hired revisó 420,000 solicitudes de entrevistas de 10,000 compañías
DE BLOCKCHAIN ​STUTTERS
hechas a 98,000 solicitantes de empleo a lo largo de 2019. La demanda

de ingenieros de AR y VR, en forma de publicaciones de trabajo en el sitio

de Hired, fue 1.400 por ciento más alta en 2019 que en 2018. Salarios

para Los ingenieros de estas especialidades subieron al rango de US $

CRECIMIENTO DE LA DEMANDA DE ESPECIALIDADES DE
135,000 a $ 150,000, al menos en los centros tecnológicos más grandes
INGENIERÍA, POR PORCENTAJE
de los Estados Unidos. La demanda de ingenieros de juegos e ingenieros

de visión por computadora también está en alza; ambos treparon 146 por
Móvil ciento en 2019. Mientras tanto, la demanda de experiencia en blockchain,

una estrella fugaz en 2018 con una demanda 517 por ciento mayor que
Embebido en el año anterior, disminuyó drásticamente, aumentando solo el 9 por

ciento. Sin embargo, el crecimiento de la demanda no se traduce

Full-stack directamente en el crecimiento salarial. Solo en Londres los trabajos de

Blockchain AR / VR llegaron a la cima de la pila salarial, mientras que en Silicon

Valley, los ingenieros de búsqueda lideraron la manada. En Nueva York,

fueron los desarrolladores de back-end en primer lugar.

Back-end
Front-end

Datos
- TEKLA S. PERRY

Seguridad
Una versión de este artículo aparece en nuestro blog View From the

Machine learning Valley.

PUBLICA TUS COMENTARIOS EN spectrum.ieee.org/jobgrowth-apr2020

Search

computadora para juegos 2018

2019
Visión por

Realidad aumentada
/ virtual

00 200 400 600 800 1,000 1,200 1,400

FUENTE: CONTRATADA

DEPARTAMENTOS

SPECTRUM.IEEE.ORG | ABR 2020 | 19

 EL CRÉDITO DE CANALIZA VA AQUÍ

34 MAYO 2020 | SPECTRUM.IEEE.ORG FOTOGRAFÍA POR Nombre Apellido

 Por JOE DOWNEY, BEN
HILBURN, TIM O'SHEA

Y NATHAN WEST

APRENDIZAJE
AUTOMÁTICO
REMAKES
RADIO
EN EL FUTURO, LAS IA, NO LOS HUMANOS, DISEÑARÁN NUESTRAS SEÑALES INALÁMBRICAS

T
La capacidad del sistema de cationes para entregar Estas deficiencias se están volviendo mucho más agudas,

Los sistemas diseñados exclusivamente por información desde el punto A al punto B. El hardware de justo cuando la necesidad de tasas de bits más altas y

ERA
humanos DE llegando
están TELECOMUNICA
a su fin. A partir de aquí, la radio en sí mismo, por ejemplo, altera las señales cuando latencias más bajas está aumentando. ¿Hay una salida?

inteligencia artificial desempeñará un papel fundamental las envía o las recibe agregando ruido. Los caminos o Creemos que existe, y es a través del aprendizaje automático.

en el diseño y el funcionamiento de estos sistemas. La canales por los que viajan las señales para llegar a sus Los avances en inteligencia artificial en general, y el

razón es simple: complejidad que aumenta rápidamente. destinos también afectan las señales. Esto es cierto para aprendizaje automático en particular, han dado a los

Cada nueva generación de sistemas de comunicaciones un canal cableado, donde una línea eléctrica cercana ingenieros la capacidad de prosperar, en lugar de ahogarse,

se esfuerza por mejorar las áreas de cobertura, las puede causar interferencias desagradables. Es en situaciones complejas que involucran grandes cantidades

tasas de bits, el número de usuarios y el consumo de igualmente cierto para los canales inalámbricos, donde, de datos. Para nosotros, estos avances plantearon una

energía. Pero al mismo tiempo, los desafíos de por ejemplo, las señales que rebotan y rodean los pregunta convincente: ¿pueden las redes neuronales (un tipo

ingeniería se vuelven más difíciles. Para seguir edificios en un área urbana crean un ambiente ruidoso y de modelo de aprendizaje automático), con suficientes datos,

innovando, los ingenieros tienen que navegar por una distorsionante. en realidad diseñar mejores señales de comunicación que los

red cada vez más enredada de compensaciones humanos? En otras palabras, ¿puede una máquina aprender

tecnológicas realizadas durante generaciones a hablar con otra máquina de forma inalámbrica y hacerlo

anteriores. En telecomunicaciones, una fuente Estos problemas no son nuevos. De hecho, han mejor que si un humano hubiera diseñado sus señales?

importante de complejidad proviene de lo que existido desde los primeros días de la radio. Lo que es Según nuestro trabajo en sistemas de comunicaciones

llamaremos impedimentos. Las deficiencias incluyen diferente ahora es el ritmo explosivo de la proliferación espaciales con la NASA, estamos seguros de que la

todo lo que se deteriora o interfiere con una comunidad inalámbrica, que está siendo impulsado cada vez más respuesta es sí. A partir de 2018,

por el auge de Internet de las cosas. El resultado es

que el efecto combinado de todos

ILUSTRACIÓN POR Christian Gralingen SPECTRUM.IEEE.ORG | MAYO 2020 | 35

Comenzamos a realizar experimentos utilizando el Sistema
de Satélites de Relé de Rastreo de Datos de la NASA
(TDRSS), también conocido como la Red Espacial, en el
cual aplicamos el aprendizaje automático para permitir que
las radios se comuniquen en un entorno extremadamente
complejo. El éxito de estos experimentos apunta a un futuro
probable en el que los ingenieros de comunicaciones están
menos centrados en desarrollar señales inalámbricas y más
centrados en construir los sistemas de aprendizaje
automático que diseñarán tales señales.
O
Los ingenieros de ingeniería han inventado
ver los
innumerables años,para
técnicas comunicar
minimizar las deficiencias
en las comunicaciones inalámbricas. Por ejemplo, una
opción es enviar una señal a través de múltiples
canales para que sea resistente a la interferencia en
cualquier canal. Otra es usar múltiples antenas, ya
que una señal rebota en obstáculos en el entorno, las
antenas pueden recibir la señal a lo largo de diferentes
caminos. Eso hace que las señales lleguen en
diferentes momentos para evitar una explosión de
interferencia inesperada. Pero estas técnicas también
hacen que las radios sean más complejas. Nunca ha
sido práctico tener en cuenta las deficiencias, porque
los sistemas de radio y los entornos que las crean son
muy complicados. Como resultado, los ingenieros de
comunicaciones han desarrollado modelos
estadísticos que aproximan los efectos de las
degradaciones en un canal. Estos modelos dan
comunicación
Las redes neuronales fueron capaces de desarrollar señales que las
personas no conciben de manera fácil o evidente utilizando métodos
tradicionales.
En general, las ingenierías tienen una buena idea de cómo
diseñar y construir el equipo para un sistema inalámbrico
en particular con el fin de reducir los daños tanto como
sea posible. Sin embargo, el uso de modelos estadísticos
para guiar el diseño de las señales de comunicación no
puede durar para siempre. El status quo ya está luchando
con los últimos sistemas de telecomunicaciones, como las
redes celulares 5G. Los sistemas son demasiado
complicados y la cantidad de dispositivos conectados
36 MAYO 2020 | SPECTRUM.IEEE.ORG
Transmisor QAM4
SEÑALES CLARAS
Para situaciones más simples, lo que llamamos señales de diseño de
codificadores automáticos de canales es muy similar a la de una persona.
En la modulación de amplitud en cuadratura usando QAM4 [arriba], los
datos se envían usando cuatro símbolos diferentes (como binario
00, 01, 10 y 11) representados por específicos
es muy alto. Para que la ingeniería de comunicaciones
satisfaga las demandas de los sistemas inalámbricos
actuales y futuras, se necesita un nuevo enfoque, como la
inteligencia artificial. Para ser claros, el uso de IA en los
sistemas de comunicaciones no es un concepto nuevo.
Las radios adaptativas, las radios inteligentes y las radios
cognitivas, cada vez más utilizadas en aplicaciones
militares y de otro tipo, utilizan IA para mejorar el
rendimiento en entornos desafiantes. Pero estas
tecnologías existentes siempre se han tratado de adaptar
la forma en que un sistema de radio se comporta Por
ejemplo, 4G LTE
Las redes inalámbricas incluyen técnicas de IA que
reducen las velocidades de datos cuando se degrada la
conexión entre el transmisor y el receptor. Una velocidad
de datos más baja evita sobrecargar un canal de bajo
ancho de banda y causar la pérdida de datos. En otro
ejemplo, las técnicas de IA en sistemas Bluetooth cambian
la frecuencia de una señal para evitar una señal
interferente, en caso de que aparezca. La conclusión aquí
es que la IA se ha utilizado en el pasado para modificar la
configuración
Receptor QAM4
modulaciones de señal El autoencoder de canal espacia esas cuatro
modulaciones de señal de manera bastante uniforme. Para la radio
transmisora ​[izquierda], cada símbolo se envía exactamente de la
misma manera. Después de cruzar el canal inalámbrico, el receptor
[derecha] ve que cada símbolo llega como una pequeña nube de
puntos. Esto se debe a que cada señal llega un poco diferente de las
demás debido a impedimentos. El objetivo del autoencoder del canal
dentro de un sistema de comunicaciones. Lo que no ha
sucedido antes es usar AI para diseñar la señal en sí.
Uno de nosotros, Tim O'Shea, investigó cómo aplicar el
aprendizaje profundo al procesamiento de señales
inalámbricas como parte de su trabajo de doctorado en
Virginia Tech de 2013 a 2018. A finales de 2016,
O'Shea cofundó DeepSig con Jim Shea, un ingeniero
veterano y entre preneur, para construir sobre su
investigación y crear prototipos de la tecnología. El
objetivo de la compañía, con sede en Arlington, Virginia,
es identificar dónde la ingeniería humana en los
sistemas de comunicaciones está alcanzando sus
límites, y cómo las redes neuronales podrían
permitirnos superar ese umbral (más sobre eso más
adelante). Antes de continuar, será útil saber un poco
sobre cómo los ingenieros de comunicaciones diseñan
los componentes físicos de una radio que son
responsables de crear una señal para ser transmitida.
El enfoque tradicional comienza con un modelo
estadístico que se asemeja al canal de comunicaciones
del mundo real que está tratando de construir. Por
ejemplo, si está diseñando torres de celdas para entrar
en un área urbana densa, puede elegir un modelo que
explique cómo se propagan las señales en un entorno
con muchos edificios. El modelo está respaldado por
sonidos de canal, que son medidas físicas reales
tomadas con señales de prueba en ese
 Transmisor QAM32
es garantizar que las nubes no se superpongan, lo que podría
causar confusión sobre qué símbolo se recibió realmente.
Cuando las señales inalámbricas se vuelven más complejas, los
codificadores automáticos de canales realmente brillan, utilizando soluciones
inesperadas. En el segundo ejemplo, un método QAM32 [arriba], los datos
se envían utilizando 32 símbolos diferentes. Para el canal en cuestión aquí,
el autoencoder del canal ha aprendido que
medio ambiente. Luego, los ingenieros diseñarán un
módem de radio, que modula y demodula una señal de
radio para codificar los unos y los ceros del código
binario, que funciona bien con ese modelo. Cualquier
diseño tiene que ser probado en simulaciones y
experimentos del mundo real, y luego ajustado y
probado nuevamente hasta que se realice como se
esperaba. Es un proceso lento y laborioso, y a menudo
da como resultado radios con compromisos de diseño,
como la calidad del filtro. En general, una radio que
funciona en una banda estrecha de frecuencias puede
filtrar el ruido muy bien, pero una radio de banda más
ancha tendrá un filtro menos efectivo. Los esfuerzos de
DeepSig dieron como resultado una nueva técnica, que
llamamos autoencoder de canales, para crear señales.
Funciona entrenando dos redes neuronales profundas
en tándem, un codificador y un decodificador, que juntos
actúan efectivamente como módem del canal. El
codificador convierte los datos a transmitir a una señal
de radio, y en el otro lado del canal, el otro lado de las
degradaciones corruptas, el decodificador reconstruye
su mejor estimación de los datos transmitidos a partir de
la señal de radio recibida. Tomemos un momento aquí
para desglosar lo que hace el codificador automático de
canales, paso a paso. En el núcleo del autoencoder
están las dos redes neuronales. Probablemente hayas
oído hablar de redes neuronales para
EL CRÉDITO DE CANALIZA VA AQUÍ
Receptor QAM32
Para obtener la máxima claridad en el extremo receptor, los
símbolos deben transmitirse de manera desigual, a veces incluso
uno encima del otro. Pero las modulaciones de la señal se ven
afectadas por las degradaciones en el canal, y el resultado final
muestra que los símbolos recibidos apenas se superponen. Ningún
ingeniero humano pensaría diseñar señales de esta manera, y sin
embargo funciona bien.
reconocimiento de imagen. Como ejemplo básico, un
investigador podría "mostrar" una red neuronal miles de
imágenes de perros y de animales que no son perros. Los
algoritmos de la red pueden distinguir entre "perro" y "no
perro" y están optimizados para reconocer futuras
imágenes de perros, incluso si esas imágenes son nuevas
para la red. En este ejemplo, "perro" sería la imagen que la
red neuronal está entrenada para reconocer. En esta
aplicación, la red neuronal está capacitada para identificar
las características de los datos de entrada
correspondientes a una imagen. Cuando se presenta una
nueva imagen, si tiene datos de entrada con
características similares, dará como resultado una salida
similar. Por "característica", nos referimos a un patrón que
existe en los datos. En el reconocimiento de imágenes,
puede ser un aspecto de las imágenes vistas. En el
reconocimiento de voz, puede ser un sonido particular en
el audio. En el procesamiento del lenguaje natural, podría
ser el sentimiento de un párrafo. Puede recordar que
dijimos que el codificador automático de canales usa profundo
Redes neuronales. Lo que eso significa es que cada red
neuronal está compuesta por muchas más capas (a
menudo por cientos) que le permiten tomar decisiones más
detalladas sobre los datos de entrada que una red
neuronal más simple. Cada capa utiliza los resultados de
las capas anteriores para hacer progresivamente una
visión más compleja. Por ejemplo, en visión artificial, una
forma más simple
la red neuronal podría decirle si una imagen es un
perro, pero una red neuronal profunda podría decirle
cuántos perros hay o dónde se encuentran en la
imagen. También necesitará saber qué es un
codificador automático. Los codificadores automáticos
fueron inventados por primera vez en 1986 por
Geoffrey Hinton, pionero en aprendizaje automático,
para abordar el desafío de la compresión de datos. En
la implementación de un autoencoder, una de sus dos
redes neuronales es un compresor y una es un
descompresor. El compresor, como su nombre lo
indica, aprende a comprimir eficazmente los datos en
función de su tipo: comprimiría los PDF de manera
diferente a los JPG, por ejemplo. El descompresor
hace lo contrario. La clave es que ni el compresor ni el
descompresor pueden funcionar solos; ambos son
necesarios para que funcione el autoencoder. Así que
ahora pongamos todo esto en el contexto de las
señales inalámbricas. El codificador automático de
canales hace lo mismo que los codificadores
automáticos más tradicionales. Pero en lugar de
optimizar para diferentes tipos de datos, el
autoencoder está optimizando para diferentes canales
inalámbricos. El autoencoder consta de dos redes
neuronales profundas, una a cada lado del canal, que
aprenden a modular y demodular tipos de señales
inalámbricas, formando así un módem. La conclusión
es que el autoencodificador de canales puede crear
mejores señales para un canal inalámbrico que las
señales genéricas de tamaño único que generalmente
se usan en las comunicaciones. Anteriormente
mencionamos los sondeos de canales; si recuerda,
esas son las señales de prueba enviadas a través de
un canal inalámbrico para medir la interferencia y la
distorsión. Estos sondeos son clave para el codificador
automático de canales porque dan una idea de los
obstáculos que enfrentará una señal cuando se mueva
a través de un canal. Por ejemplo, mucha actividad en
el
La banda de 2,4 gigahercios indicaría que hay una red
Wi-Fi cercana. O si la radio recibe muchos ecos de la
señal de prueba, es probable que el entorno esté lleno
de muchas superficies reflectantes. Con los sondeos
completos, las redes neuronales profundas pueden
ponerse a trabajar. El primero, el codificador, utiliza la
información obtenida de los sondeos para codificar
SPECTRUM.IEEE.ORG | MAYO 2020 | 37
Los datos se modulan en una señal inalámbrica. Eso
significa que la red neuronal de este lado está
aprovechando los efectos de los convertidores de
señal analógica a digital y los amplificadores de
potencia en la propia radio, así como las superficies
reflectantes conocidas y otras deficiencias en los
sondeos. Al hacerlo, el codificador crea una señal
inalámbrica que es resistente a la interferencia y la
distorsión en el canal, y puede desarrollar una
solución compleja a la que no se llega fácilmente por
los medios tradicionales. En el otro lado del canal, la
red neuronal designada como decodificador hace lo
mismo, pero a la inversa. Cuando recibe una señal,
tomará lo que sabe sobre el canal para eliminar los
efectos de la interferencia. En este caso, la red
invertirá distorsiones y reflexiones junto con cualquier
redundancia que se codificó para estimar qué
secuencia de bits se transmitió. Las técnicas de
corrección de errores también pueden entrar en juego
para ayudar a limpiar la señal. Al final del proceso, el
decodificador ha restaurado la información original.
Durante el proceso de capacitación, las redes
neuronales obtienen retroalimentación sobre su
desempeño actual en relación con cualquier métrica
que los ingenieros quieran priorizar, ya sea la tasa de
error en los datos reconstruidos, el consumo de
energía del sistema de radio u otra cosa. Las redes
neuronales utilizan esa retroalimentación para
mejorar su desempeño frente a esas métricas sin
intervención humana directa. Entre las ventajas del
autoencoder de canales se encuentra su capacidad
para tratar todas las deficiencias de la misma manera,
independientemente de su origen. No importa si el
deterioro es la distorsión del hardware cercano dentro
de la radio o la interferencia en el aire de otra radio.
Lo que esto significa es que las redes neuronales
pueden tener en cuenta todas las deficiencias de una
vez y crear una señal que funcione mejor para ese
canal específico.
El equipo de DeepSig creía que entrenar redes
neuronales para administrar el procesamiento de señales
en un par de módems sería un cambio titánico en la forma
en que se diseñan los sistemas de comunicaciones. Así
que sabíamos que tendríamos que probar el sistema a
fondo si íbamos a demostrar que este cambio no solo era
posible, sino deseable.
38 MAYO 2020 | SPECTRUM.IEEE.ORG
Afortunadamente, en la NASA, el coautor Joe
Downey y su colega Aaron Smith se habían dado
cuenta de las ideas de DeepSig, y tenían esa prueba
en mente.
S
comunicación
TDRSS ha estado proporcionando servicios de
y seguimiento
Desde principios para satélites
de la década de 1980, cercanos
la NASA a la
Tierra. TDRSS es en sí mismo una colección de estaciones
terrestres y una constelación de satélites que se mantiene en
contacto continuo con los satélites en órbita terrestre y la
Estación Espacial Internacional. Los satélites TDRSS actúan
como relés, transmitiendo señales entre otros satélites y
antenas de estaciones terrestres en todo el mundo. Este
sistema elimina la necesidad de construir más estaciones
terrestres para garantizar que los satélites puedan
mantenerse en contacto. Hoy, 10 satélites TDRSS brindan
servicio para la Estación Espacial Internacional, las misiones
de reabastecimiento comercial y las misiones de ciencia
espacial y de la Tierra de la NASA. Cuando TDRSS entró en
línea por primera vez, las naves espaciales utilizaron señales
de velocidad de datos más bajas que eran robustas y
resistentes al ruido. Sin embargo, las misiones más recientes
de la ciencia y el vuelo espacial humano han requerido un
mayor rendimiento de datos. Para mantenerse al día con la
demanda, TDRSS ahora utiliza señales que pueden incluir
más bits de información en la misma cantidad de ancho de
banda. La compensación es que este tipo de señales son
más sensibles a las degradaciones. A principios de la década
de 2010, las demandas de la NASA en TDRSS se habían
vuelto tan grandes que era difícil diseñar señales que
funcionaran bien entre las deficiencias crecientes. Nuestra
esperanza era
APRENDIZAJE DE MÁQUINAS, PRUEBAS DE MÁQUINAS:
Los ingenieros de la NASA Cameron Seidl y Janette Briones realizan
pruebas sobre TDRSS desde esta sala de control de la estación
terrestre. Durante las pruebas de autoencoder de canal, el
autoencoder demostró su superioridad sobre las técnicas humanas al
enviar datos con una tasa de error más baja.
que no sería tan difícil para las redes neuronales
hacerlo por su cuenta. Una característica clave de
TDRSS para nuestros propósitos es que sus satélites
no realizan ningún procesamiento de señal.
Simplemente reciben una señal de una estación
terrestre u otro satélite, amplifican la señal y luego la
retransmiten a su destino. Eso significa que las
principales alteraciones de una señal transmitida a
través de TDRSS provienen de los propios
amplificadores y filtros de la radio, y la distorsión por
interferencia entre señales simultáneas. Como
recordarán, nuestras redes neuronales no distinguen
entre las formas de interferencia, tratándolas a todas
como parte del mismo canal externo por el que la señal
tiene que viajar. TDRSS proporcionó un escenario ideal
para probar qué tan bien la IA podría desarrollar
señales para situaciones complejas del mundo real. La
comunicación con un satélite a través de TDRSS está
plagada de interferencias, pero es un sistema
completamente probado. Eso significa que tenemos
una buena comprensión de qué tan bien funcionan
actualmente las señales. Eso hizo que sea fácil verificar
qué tan bien estaba funcionando nuestro sistema en
comparación. Aún mejor, las pruebas no requerirían
modificar el equipo TDRSS existente en absoluto.
Porque los codificadores automáticos del canal
CENTRO DE INVESTIGACIÓN GLENN / NASA (2)
 Y esta es la mejor parte: presentado con un nuevo canal

de comunicaciones, los sistemas de aprendizaje automático

pueden entrenar codificadores automáticos para ese canal

en solo unos segundos. A modo de comparación,

generalmente lleva un equipo de expertos expertos meses

desarrollar un nuevo sistema de comunicaciones. Para ser

claros, el aprendizaje automático no elimina la necesidad de

que los ingenieros de comunicaciones comprendan las

comunicaciones inalámbricas y el procesamiento de

señales. Lo que hace es introducir un nuevo enfoque para

diseñar futuros sistemas de comunicaciones. Este enfoque

es demasiado poderoso y efectivo para dejarlo fuera de los

sistemas futuros. Desde el experimento TDRSS y la

investigación posterior, hemos visto un creciente interés en

la investigación en codificadores automáticos de canales así

como un uso prometedor, especialmente en campos con

canales muy difíciles de modelar. El diseño de sistemas de

ya incluyen módems, podrían conectarse al equipo Vale la pena mencionar que las pruebas no incluyeron la comunicaciones con IA también se ha convertido en un

TDRSS y estar listos para transmitir. corrección de errores estándar después del hecho, para tema candente en las principales conferencias inalámbricas,

permitir una comparación directa. Típicamente, ambos incluidas Asilomar, la Conferencia de Radio GNU y la

A finales de julio de 2018, después de meses de sistemas verían una tasa de error de bit mucho más baja. Sin Conferencia de Comunicaciones Globales IEEE. Los futuros

preparación, el equipo de DeepSig se dirigió al Laboratorio de embargo, solo en esta prueba, el codificador automático de ingenieros de comunicaciones no serán ingenieros de

Radio Cognitiva de la NASA en el Centro de Investigación canales redujo la tasa de error de bits de TDRSS en un 42 procesamiento de señales e inalámbricos. Más bien, sus

Glenn en Cleveland. Allí, probarían los módems usando por ciento. habilidades necesitarán abarcar una mezcla de ingeniería

señales creadas a través de redes neuronales en un inalámbrica y ciencia de datos. Algunas universidades,

experimento en vivo y por aire. El objetivo de la prueba era incluidas la Universidad de Texas en Austin y Virginia Tech,

T
ejecutar modulaciones de señal utilizadas por el sistema ya están introduciendo la ciencia de datos y el aprendizaje

TDRSS junto con nuestro sistema de codificador automático introducción de la tecnología, pero fue una automático a sus programas de posgrado y subgraduados

de canales, lo que nos permitió comparar directamente sus validación importante

La prueba TDRSSdel
fueuso
una de algoritmos
demo tempranade para ingeniería inalámbrica. Los codificadores automáticos

actuaciones en un canal en vivo. En Glenn, el equipo de aprendizaje automático para diseñar señales de radio de canales aún no son una tecnología plug-and-play.

DeepSig se unió a científicos e ingenieros de investigación de que deben funcionar en entornos desafiantes. El aspecto Todavía queda mucho por hacer para desarrollar aún más

la NASA para reemplazar los módems probados y diseñados más emocionante de todo esto es que las redes la tecnología y las arquitecturas informáticas subyacentes.

por humanos en las estaciones terrestres de la NASA en neuronales fueron capaces de desarrollar señales que no Si los codificadores automáticos de canales alguna vez se

Ohio y Nuevo México con redes neuronales creadas con un son concebidas fácil o obviamente por personas que vuelven parte de los sistemas inalámbricos de gran alcance

codificador automático de canales. Durante las pruebas, las utilizan métodos tradicionales. Lo que eso significa es existentes, deberán someterse a un riguroso proceso de

señales TDRSS tradicionales, así como las señales que las señales pueden no parecerse a ninguna de las estandarización y también necesitarán arquitecturas

generadas por nuestros codificadores automáticos, viajarían modulaciones de señal estándar utilizadas en las informáticas especialmente diseñadas para maximizar su

desde una estación terrestre, hasta uno de los satélites, y de comunicaciones inalámbricas. Esto se debe a que el rendimiento. Las deficiencias de TDRSS son difíciles de

vuelta a la segunda estación terrestre. Debido a que codificador automático está construyendo las señales optimizar. Esto plantea una pregunta final: si los

mantuvimos el uso de ancho de banda y frecuencia igual, el desde cero (las frecuencias, las modulaciones, las codificadores automáticos de canales pueden funcionar tan

sistema TDRSS existente y el codificador automático de velocidades de datos, todos los aspectos) para el canal bien para TDRSS, ¿por qué no para muchos otros sistemas

canales enfrentaron exactamente el mismo entorno. en cuestión. inalámbricos? Nuestra respuesta es que no hay razón para

creer que no pueden. norte

¿Recuerdas cómo dijimos que las técnicas actuales para la

creación y el procesamiento de señales son un arma de doble

filo? Los enfoques tradicionales de modulación de señal se

Cuando terminó la prueba, vimos que el sistema TDRSS vuelven más complejos a medida que aumentan los datos

tradicional tenía una tasa de error de poco más del 5 por disponibles sobre el sistema. Sin embargo, un enfoque de

ciento, lo que significa que aproximadamente uno de cada aprendizaje automático prospera a medida que los datos se

20 bits de información no había llegado correctamente vuelven más abundantes. El enfoque tampoco se ve

debido a algún deterioro en el camino. Sin embargo, el obstaculizado por equipos de radio complejos, lo que significa

codificador automático de canales tenía una tasa de error que el problema de la espada de doble filo desaparece.

de poco menos del 3 por ciento.

PUBLICA TUS COMENTARIOS EN spectrum.ieee.org/
channelautoencoders-may2020

SPECTRUM.IEEE.ORG | MAYO 2020 | 39