Measured Energy Consumption for AI-Based Precoding

doi:10.1109/ojvt.2026.3692717

Measured Energy Consumption for AI-Based Precoding

2026-05-12

0

OA

AI

DOI：10.1109/ojvt.2026.3692717

原文链接

原文求助

摘要

En 中文

本文首次基于测量数据研究了人工智能（AI）算法在无线接入网络（RAN）中的能耗，旨在探究AI集成是否比传统非AI算法消耗更多能量。我们以多用户预编码问题为代表性示例，AI在支持6G系统天线部署方面具有广泛认可的应用潜力。本研究评估了三种AI算法，包括卷积神经网络（CNN）、边缘图神经网络（EGNN）和通信模型基图神经网络（MGNN），并与两种非AI算法（加权最小均方误差（WMMSE）和正则化零强制（RZF）算法）进行比较。通过广泛的能耗和功耗测量，我们考察了深度神经网络（DNN）的高效架构设计如何影响能耗，并提供了实测结果与现有功耗估计模型的定量比较。结果表明，在三种DNN中，MGNN作为最有效的架构，在大规模系统中比非AI算法显著节省能量，而CNN在训练和推理阶段相比MGNN和EGNN消耗更多能量。此外，GPU并不总是比CPU消耗更多功率；当使用GPU时，应考虑CPU的功耗，而DRAM对总功耗的贡献较小。我们揭示了现有基于利用率和基于浮点运算次数（FLOPs）的模型在能耗估算方面的不足，强调了需要更精确的模型来支持RAN的绿色AI设计。

Keyword:

Energy consumption

power consumption

artificial intelligence

deep neural network

MIMO

Measured Energy Consumption for AI-Based Precoding

摘要

期刊

机构

引用论文