Non-orthogonal multiple access (NOMA) is a promising evolution path to meet the requirements of massive machine type communications (mMTC) in 5G and beyond. However, the deployment of NOMA is hindered by the non-unified signal processing architectures of various NOMA schemes and the inflexibility resulting from the offline design paradigm. The block-wise optimized transceivers make its performance far from the limit. The recent breakthrough of deep learning and its positive applications to wireless communications have paved the way to tackle these challenges. This article studies the effectiveness and efficiency of deep learning in enhancing NOMA performance. Specifically, we first present the deep neural network (DNN), which is constructed via a uniform signal processing architecture, and use it as the unified multiuser receiver in both data and model-driven approaches. This enables the end-to-end optimization of NOMA transceivers due to the universal function approximation property of DNN. On the other hand, with DNN we can automatically extract the user access behaviors out of the time-series signals and optimize the transceivers to match these cross-lay-er behaviors. We further analyze the integration of non-orthogonal communication and neural computation to accomplish high-efficiency data transmission at low cost. Finally, we identify some essential future directions of deep-learning-en-hanced NOMA from the perspectives of online reconfigurability and adaptability toward the ever changing environment in future mMTC.

中文翻译：

---

面向大规模 MTC 的深度学习增强型 NOMA 收发器设计：挑战、最新技术和未来方向

非正交多址 (NOMA) 是满足 5G 及以后大规模机器类型通信 (mMTC) 要求的有前途的演进路径。然而，NOMA 的部署受到各种 NOMA 方案的非统一信号处理架构以及离线设计范式带来的不灵活性的阻碍。逐块优化的收发器使其性能远非极限。最近深度学习的突破及其在无线通信中的积极应用为应对这些挑战铺平了道路。本文研究了深度学习在提高 NOMA 性能方面的有效性和效率。具体来说，我们首先介绍了通过统一的信号处理架构构建的深度神经网络 (DNN)，并将其用作数据和模型驱动方法中的统一多用户接收器。由于 DNN 的通用函数逼近特性，这使得 NOMA 收发器的端到端优化成为可能。另一方面，使用 DNN，我们可以自动从时间序列信号中提取用户访问行为，并优化收发器以匹配这些跨层行为。我们进一步分析了非正交通信和神经计算的集成，以实现低成本的高效数据传输。最后，我们从在线可重构性和对未来 mMTC 不断变化的环境的适应性的角度确定了深度学习增强型 NOMA 的一些重要未来方向。由于 DNN 的通用函数逼近特性，这使得 NOMA 收发器的端到端优化成为可能。另一方面，使用 DNN，我们可以自动从时间序列信号中提取用户访问行为，并优化收发器以匹配这些跨层行为。我们进一步分析了非正交通信和神经计算的集成，以实现低成本的高效数据传输。最后，我们从在线可重构性和对未来 mMTC 不断变化的环境的适应性的角度确定了深度学习增强型 NOMA 的一些重要未来方向。由于 DNN 的通用函数逼近特性，这使得 NOMA 收发器的端到端优化成为可能。另一方面，使用 DNN，我们可以自动从时间序列信号中提取用户访问行为，并优化收发器以匹配这些跨层行为。我们进一步分析了非正交通信和神经计算的集成，以实现低成本的高效数据传输。最后，我们从在线可重构性和对未来 mMTC 不断变化的环境的适应性的角度确定了深度学习增强型 NOMA 的一些重要未来方向。使用 DNN，我们可以自动从时间序列信号中提取用户访问行为，并优化收发器以匹配这些跨层行为。我们进一步分析了非正交通信和神经计算的集成，以实现低成本的高效数据传输。最后，我们从在线可重构性和对未来 mMTC 不断变化的环境的适应性的角度确定了深度学习增强型 NOMA 的一些重要未来方向。使用 DNN，我们可以自动从时间序列信号中提取用户访问行为，并优化收发器以匹配这些跨层行为。我们进一步分析了非正交通信和神经计算的集成，以实现低成本的高效数据传输。最后，我们从在线可重构性和对未来 mMTC 不断变化的环境的适应性的角度确定了深度学习增强型 NOMA 的一些重要未来方向。