AutoML + Deep Unfolding: 5 Schichten erreichen 98,8 % Effizienz

In einer bahnbrechenden Studie wird gezeigt, wie automatisiertes Machine Learning (AutoML) mit dem Konzept des Deep Unfolding kombiniert werden kann, um drahtlose Beamforming‑ und Wellenformoptimierung effizienter und nachvollziehbarer zu gestalten. Dabei wird der klassische proximal gradient descent (PGD)-Algorithmus in ein tiefes neuronales Netzwerk überführt, dessen Parameter anstelle von festgelegten Werten gelernt werden.

Ein besonderes Highlight ist die Einführung einer hybriden Schicht, die vor der proximalen Projektion eine lernbare lineare Gradiententransformation durchführt. Durch den Einsatz von AutoGluon in Verbindung mit einem tree‑structured parzen estimator (TPE) für die Hyperparameter‑Optimierung (HPO) wird ein erweiterter Suchraum erschlossen, der Netzwerk­tiefe, Schritt­größen­initialisierung, Optimierer, Lern­rate‑Scheduler, Schichttyp und Aktivierungs­funktion umfasst.

Das Ergebnis: Das Auto‑Unrolled PGD (Auto‑PGD) erreicht mit lediglich fünf unrollten Schichten 98,8 % der Spektraleffizienz eines herkömmlichen 200‑Iteration‑PGD‑Lösers, benötigt dafür jedoch nur 100 Trainingsproben. Zusätzlich wird ein Gradient‑Normalisierungsmechanismus eingeführt, um die Konsistenz während Training und Evaluation sicherzustellen, und per‑Schicht‑Sum‑Rate‑Logging wird Transparenz geschaffen.

Diese Fortschritte demonstrieren, dass die Kombination von AutoML und Deep Unfolding nicht nur die Menge an Trainingsdaten und die Inferenzkosten drastisch reduziert, sondern gleichzeitig die Interpretierbarkeit gegenüber klassischen Black‑Box‑Architekturen erhält.