Reservoir Computing-Based Detection for Molecular Communications
Abdulkadir Bilge, Eren Akyol, Murat Kuscu
基于扩散的分子通信(MC)受到严重的符号间干扰(ISI)的挑战。 这在移动场景中显着放大,其中通道脉冲响应(CIR)变得时间变化和随机。 在这样的动态环境中,获得用于传统模型检测的精确通道状态信息(CSI)是难以解决的。 虽然深度学习(DL)提供了适应性,但其复杂性不适合资源受限的微型/纳米。 本文提出了基于低复杂度的水库计算(RC)探测器。 RC架构利用固定、循环的非线性存储库将时间变化的接收信号投射到高维状态空间中。 这有效地将复杂的时间检测问题转化为简单的线性分类任务,在没有显式通道建模或复杂再训练的情况下捕获ISI动力学。 在逼真的3D移动MC模拟环境(Smoldyn)中评估,我们的RC检测器明显优于经典探测器,与复杂的ML方法(LSTM,CNN,MLP)相比,在严重的ISI下实现了卓越的性能。 重要的是,RC通过显着更少的可训练参数(例如,MLP的300 vs.高达264k)和超低延迟推理(约。 每个符号1μs)。
Diffusion-based Molecular Communication (MC) is inherently challenged by severe inter-symbol interference (ISI). This is significantly amplified in mobile scenarios, where the channel impulse response (CIR) becomes time-varying and stochastic. Obtaining accurate Channel State Information (CSI) for traditional model-based detection is intractable in such dynamic environments. While deep learning (DL) offers adaptability, its complexity is unsuitable for resource-constrained micro/nanodevices. Thi...