Molecular communication schemes for extreme environments in future wireless networks

Abstract

The concept of Internet of Bio-Nano Things (IoBNT) has emerged due to its revolutionary possibilities that transcend traditional wireless communication systems. Molecular Communication (MC) arises as a potential centrepiece for this paradigm, enabling applications in challenging environments. However, this type of communication, which often relies on molecular diffusion, suffers from a high inter-symbol interference (ISI), which deteriorates the reliability of the transmission. To cope with the strong ISI as well as the typical short coherence time of the MC channel, this work considers the adoption of a data-driven approach to accomplish non-coherent based detection at the receiver. In particular, we investigate the performance of a low complexity one-dimensional Convolutional Neural Network (CNN) based on dilated causal convolutional layers, a Gated Recurrent Unit based Recurrent Neural Network (GRU-RNN) and a one-dimensional Convolutional Neural Network combined with a Gated Recurrent Unit Recurrent Neural Network (1-D CNN-RNN) aimed at the tasks of symbol detection and synchronization. Initially, we study the performance of the proposed Neural Network (NN) based detectors assuming prior synchronisation between the transmitter and the receiver and, afterwards, we extend the approach for scenarios without prior synchronisation. Furthermore, we also investigate the robustness of the proposed NNs schemes against unknown variations in the distance between the transmitter and the receiver as well as in the diffusion coefficient. Finally, the results presented in this work lead to the conclusion that the implementation of NNs for both synchronisation and non-coherent detection can be a very effective approach for the challenging MC channel.

O conceito de “Internet das Bio-Nano Coisas” surgiu devido às suas possibilidades revolucionárias que transcendem os sistemas tradicionais de comunicação sem fios. A Comunicação Molecular surge como uma potencial peça central para este paradigma, permitindo aplicações em ambientes desafiantes. No entanto, este tipo de comunicação, que se baseia frequentemente na difusão molecular, sofre de uma elevada interferência inter-simbólica (IIS), que deteriora a transmissão da informação. Para lidar com a forte IIS, bem como com o curto tempo de coerência típico do canal molecular, este trabalho considera a adoção de uma abordagem baseada em dados para realizar uma deteção não coerente no recetor. Em particular, investigamos o desempenho de uma Rede Neural Convolucional (CNN) unidimensional de baixa complexidade baseada em camadas convolucionais causais dilatadas, uma Rede Neural Recorrente baseada em Unidades Recorrentes Gated Recurrent (GRU-RNN) e uma Rede Neural Convolucional unidimensional combinada com uma Rede Neural Recorrente de Unidades Recorrentes Gated Recurrent (CNN-RNN 1-D), para as tarefas de deteção e sincronização de símbolos. Inicialmente, estudamos o desempenho dos detetores baseados em Redes Neuronais (RNs) propostos assumindo sincronização prévia entre o transmissor e o recetor e, posteriormente, estendemos a abordagem para cenários sem sincronização prévia. Além disso, investigamos também a robustez das RNs propostas face a variações desconhecidas na distância entre o emissor e o recetor, bem como no coeficiente de difusão. Finalmente, os resultados apresentados neste trabalho levam à conclusão de que a implementação de RNs para sincronização e deteção não-coerente pode ser uma abordagem muito eficaz para o desafiante canal molecular.