| 船井 遼太朗 | M, 2回目発表 | コンピューティング・アーキテクチャ | 中島 康彦, 林 優一, 張 任遠, KAN Yirong |
|
title: Evaluation of IMAX2 with Sparse Matrix-matrix Multiplication Units
abstract: We evaluated the arithmetic efficiency of sparse general matrix-matrix multiplication (SpGEMM) on artificial multiple diagonal or dataset matrices by implementing an additional SpGEMM arithmetic mechanism on the IMAX2, a compact and pow-efficient CGRA type accelerator. The results confirm that high per-area execution performance can be obtained if the number of stages is optimized in the generated matrices. Furthermore, for practical matrices, the results shows that optimizing the compression can improve the performance. language of the presentation: Japanese | |||
| 浦上 大世 | M, 1回目発表 | ネットワークシステム学 | 岡田 実, 林 優一, 東野 武史 |
|
title: Individual Memory Driven Transformer Deep Learning Model for Multi-Cell Massive MIMO Beam Prediction
abstract: In this presentation, we propose an individual memory driven transformer (IMDT) deep learning (DL) model with the individual long short-term memory (LSTM) and spatial attention method for multi-cell massive multiple-input multiple-output (MIMO) beam prediction. Specifically, the individual LSTM provides the frequency features of fluctuated millimeter wave (mmWave) channel from unexpected noise and channel attenuation for each cell. In addition, the spatial attention mechanism provides the spatial features based on the frequency features extracted from individual LSTM. Finally, we simulate the loss convergence and accuracy performance of different DL models considering different signal-to-noise ratio (SNR). The IMDT-DL model shows fast convergence and achieves high accuracy performance compared with conventional DL models even in the case of low SNR. Therefore, the high reliable performance for the multi-cell massive MIMO beam prediction of the IMDT-DL model can be confirmed. language of the presentation: Japanese 発表題目: Individual Memory Driven Transformerを用いたマルチセルMassive MIMOにおけるビーム予測 発表概要: 本発表では、マルチセルMassive Multiple-Input Multiple-Output（MIMO）におけるビーム予測のために、Individual Long Short-Term Memory（LSTM）と空間アテンションを組み合わせたIndividual Memory Driven Transformer（IMDT）Deep Learning（DL）モデルを提案する。具体的には、Individual LSTMは、ノイズやチャネル減衰により変動するミリ波（mmWave）チャネルの周波数特徴量を各セルに対して提供する。また、空間アテンションは、Individual LSTMから抽出された周波数特徴量に基づいて、空間特徴量を提供する。最後に、異なる信号対雑音比（SNR）を考慮した損失収束とビーム予測精度のシミュレーションを行った。提案するIMDT-DLモデルは、低SNRの場合であっても、従来のDLモデルと比較して、高速な収束を示し、高いビーム予測精度を達成することができた。したがって、IMDT-DLモデルは、マルチセルMassive MIMOにおけるビーム予測に対して、高い信頼性性能を示すことができた。 | |||