Transformer reduziert Fehler bei Radio‑Signaltrennung um 122‑fach

Wissenschaftler haben einen völlig datengetriebenen Ansatz entwickelt, um ein Signal von unbekannter, nicht‑gaussischer Störung zu trennen. Dabei werden Trainingsbeispiele des interessierenden Signals (SOI) und der Störung verwendet, um ein Modell zu lernen, das die beiden Komponenten zuverlässig voneinander trennt.

Der Schlüssel liegt in einem neu gestalteten Tokenizer, der auf Googles SoundStream basiert, aber zusätzliche Transformer‑Schichten und eine finite‑Skalare‑Quantisierung (FSQ) nutzt. Anschließend wird ein End‑to‑End‑Transformer mit Kreuzentropie‑Verlust trainiert, was im Vergleich zur herkömmlichen mittleren quadratischen Fehler‑Methode (MSE) deutliche Verbesserungen bringt.

In Tests mit realen und synthetischen Mischungen aus dem MIT RF Challenge‑Datensatz erzielte das Verfahren einen 122‑fachen Rückgang des Bit‑Fehler‑Raten (BER) beim Trennen eines QPSK‑Signals von 5G‑Störungen. Das Modell generalisiert ohne zusätzliche Informationen auf bisher unbekannte Mischungen und zeigt damit großes Potenzial für Anwendungen über die Radiofrequenz hinaus, etwa bei der Analyse von Gravitationswellendaten oder anderen wissenschaftlichen Messungen, die eine datenbasierte Hintergrundmodellierung erfordern.