Millimeter Wave MIMO y la necesidad de forma híbrida

El sistema de transmisión multi-producción de radios de frecuencias (MMIMO) es fundamental para lograr las tasas de datos multi-gigabit y la latencia ultra-bajo prevista para las redes de base 5G-Advanced y 6G. Operando en bandas de frecuencia de 24 GHz a 100 GHz y más allá, estos sistemas aprovechan grandes antenas –a menudo con 64, 128 o más elementos– para formar una vía

El intercambio entre eficiencia espectral, complejidad del hardware y consumo de energía es el reto central en el diseño de la viga híbrida. Este artículo proporciona una mirada autorizada y profunda a las estrategias clave, algoritmos y consideraciones del mundo real que definen la viga híbrida moderna para el MIMO de mmWave.

Comprender la arquitectura de la estructura de la estructura de la estructuración híbrida

Un sistema de rayos híbridos divide la precodificación y combinando operaciones en una etapa RF analógica y una etapa de banda base digital. La etapa analógica, normalmente implementada con una red de conmutadores de fase y posiblemente conmutadores, funciona en la señal de frecuencia de portador directamente después de la cadena RFLT. La etapa digital realiza un procesamiento MIMO más flexible, como la multiplexación espacial y la mitigación de interferencia de usuarios múltiples, utilizando una serie de antes RFLT

Componentes de formación de analógicos

El sistema de control de haz avanzado permite el uso de los transbordadores de haz de alta velocidad (bajo poder pero limitado a 0-360°) o activo (con amplificación incorporada pero mayor potencia). Además, algunos diseños incorporan amplificadores de ganancia variable (VGA) para ajustar la amplitud, aunque la mayoría de los haces analógicos se deben a un costo de transmisión simultáneo.

Reforzamiento digital en Baseband

En el dominio digital, el conformado de haz se realiza después de la conversión a baja conversión analógica. El precodificador digital puede aplicar pesos complejos arbitrarios, permitiendo capacidades MIMO completas como eigenbeamforming (basado en información de estado de canal), cero forzamiento (ZF) para el nulización de interferencia multiusuario, y el error mínimo de flujo medio (MMSE) de la recepción.

Estrategias básicas de formación híbrida

Durante la última década, investigadores e ingenieros de la industria han desarrollado un rico conjunto de estrategias para diseñar conjuntamente los vigadores analógicos y digitales. Los enfoques más destacados pueden clasificarse en métodos basados en códigos, optimización iterativa y técnicas impulsadas por el aprendizaje automático. Cada uno destaca bajo diferentes limitaciones de hardware, variabilidad de canales y presupuesto computacional.

Codebook-Based Beamforming

El diseño de secuencias de rayos es muy fácil de usar, pero no es un código de navegación de forma más fácil.El código de barras es muy sencillo y se puede usar para crear un código de barras de alta calidad.

  • Proyecciones: Baja complejidad computacional, sin necesidad de conocimiento instantáneo de canal, hardware-friendly (por ejemplo, redes de conmutación).
  • Drawbacks:] Espacio de rendimiento con forma de haz totalmente digital, especialmente en la dispersión rica; resolución fija limita la multiplexación espacial.

Algoritmos de optimización iterativa

Cuando la información del estado del canal (CSI) está disponible en la estación base (por ejemplo, mediante retroalimentación explícita o reciprocidad de canales en los sistemas TDD), algoritmos iterativos pueden optimizar conjuntamente los precoderes analógicos y digitales para maximizar la eficiencia espectral. El trabajo seminal de El Ayach et al. (2014) formuló el problema de precodificación híbrido como una matriz de matriz: aproximar el precoder de potencia completamente digital

  • Pista de coincidencia ortogonal (OMP):] Trata el precoder analógico como una combinación lineal escasa de vectores de diccionario (por ejemplo, vigas DFT). OMP selecciona ambiciosamente columnas para minimizar el residual. Funciona bien cuando el canal tiene una escasa extensión angular.
  • Alternating minimization (AltMin): Correcciona la parte digital al mismo tiempo que optimiza la parte analógica (sujeto a un módulo constante), y viceversa. Converge a un OMP local óptimo y a menudo supera el rendimiento en multipatático denso.
  • Métodos de proyección de gran relevancia: Para grandes arrays, la optimización múltiple (por ejemplo, en el manifold oblicuo) puede manejar el coaccionamiento de módulos constante de manera eficiente.

Estos algoritmos normalmente requieren 10–100 iteraciones y pueden ser implementados en unidades de procesamiento de banda base.El principal desafío es la adaptación en tiempo real: para canales de rápida evolución (tiempo de coherencia de 1 ms), métodos iterativos pueden ser demasiado lentos. Las soluciones suboptimales de forma cerrada (por ejemplo, cero forzamiento) se utilizan en la práctica.

Aprendizaje de máquina–Formación de haz

El aprendizaje profundo ha surgido como una herramienta poderosa para superar las limitaciones de ambos métodos de código y iterativos. Las redes neuronales pueden aprender la asignación de la covariancia de canales o señales piloto crudas a los rayos óptimos analógicos/digitales, superando la estimación explícita de CSI y optimización iterativa.

  • Aprendizaje de refuerzo profundo para la selección de vigas: El agente aprende una política que selecciona pares de vigas basados en la fuerza de señal recibida pasada, reduciendo la formación en escenarios móviles.
  • Aprendizaje supervisado para la compresión de CSI y la predicción de haz: Una red neuronal convolutiva (CNN) puede predecir el mejor índice de haz desde una instantánea de canal de banda ancha, cortando drásticamente la retroalimentación.
  • Diseño conjunto basado en el autoencoder: Toda la cadena de vigas híbrido (encoder en Tx, decodificador en Rx) se optimiza con un descenso de gradiente estócástico, satisfaciendo automáticamente las limitaciones de hardware como el módulo constante y la resolución de desplazamiento de fase.

Los enfoques de ML han demostrado que pueden acercarse a la eficiencia espectral de los sistemas totalmente digitales con sólo 2-4 cadenas RF, incluso en canales no esparcidos. Sin embargo, requieren datos de entrenamiento extensos y computación offline; la reeducación en línea sigue siendo un desafío abierto. Investigaciones recientes también exploran el aprendizaje no supervisado y autosupervisado para reducir la necesidad de datos etiquetados.

Modelo de sistema y medición de rendimiento

[LT][LT] [FLT] [L] [L]] [L] [L]] [L]] [L]] [L] [L]] [L]]

Las métricas de rendimiento clave incluyen:

  • Eficiencia temporal (SE): Tasa alcanzable en bps/Hz, a menudo evaluada mediante la expresión de información mutua asumiendo la señalización gausiana.
  • Complejidad de los conocimientos: Número de transmisores de fase, cadenas RF y consumo de energía. Para una arquitectura totalmente conectada, el número de transmisores de fase es NRF [FLT] [FLT] [4]] [FLT [4]] [4]] [F1]]] [[F]]]]] [[F
  • Entrenamiento de haz superior: Número de ranuras de tiempo o símbolos piloto necesarios para seleccionar el par de haz. Los métodos de Codebook utilizan típicamente O(log(N]t) barre con búsqueda jerárquica; los métodos ML pueden reducir esto a una vez en referencia.
  • Probabilidad y cobertura de salida: Importante para la fiabilidad, especialmente en presencia de bloqueos.

Comparación de las arquitecturas híbridas

En la tabla 1 (conceptual) se resumen las compensaciones. Las arquitecturas totalmente conectadas proporcionan el mayor beneficio de la viga (recibe de rayos hasta N]t ]]) pero sufren de gran consumo de energía debido a muchos transductores de fase.

En la práctica, muchas estaciones base 5G utilizan un array híbrido con 64 antenas y cadenas RF 2-4 por polarización, empleando un código DFT para el acceso inicial y refinamiento iterativo para la transmisión de datos. Para el equipo de usuario (UE), el costo y la potencia son aún más limitados, por lo que el rayo analógico basado en códigos con una única cadena RF.

Desafíos de implementación e imperfecciones de hardware

El modelado híbrido de agua real debe contender con varias no-idealidades:

  • )Calificación de conmutador de presión: Típicamente 3–6 bits de resolución de fase. La cuarentena gruesa degrada ganancia de forma de haz por 1–2 dB e introduce sidelobes. Los algoritmos deben incorporar el corrit de codigo finito.
  • Acoplamiento corporal entre las antenas: Más fuerte en los arrays compactos, el acoplamiento altera el vector de dirección eficaz y puede reducir la ortogonalidad de los patrones de vigas. El diseño de calibración y de concordancia mutua son áreas de investigación activas.
  • ]Power amplificative nonlinearities: Los cambiadores de fase se colocan a menudo después de la PA; su pérdida de inserción y no linealidades afectan la señal radiada. Se estudian arquitecturas híbridas con topologías de PA push-pull o predistortion digital.
  • Alineación de vapor en movilidad: Para vehículos a alta velocidad (por ejemplo, 500 km/h en escenarios de trenes), la dirección del haz cambia significativamente dentro de un tiempo de coherencia. Seguimiento de rayos basado en el aprendizaje automático mediante redes neuronales recurrentes y filtros Kalman se emplea para mantener la calidad del enlace.
  • Calibración de hardware: Los desigualdades de fase y amplitud en cadenas RF requieren calibración periódica. Algunos arrays comerciales de mmWave ofrecen circuitos de autocalibración incorporados utilizando bucles piloto.

Futuros Direcciones y Problemas Abiertos

La evolución del conformado híbrido se une estrechamente con la puesta en marcha de la comunicación sub-THz (100–300 GHz) y MIMO de gran escala (XL-MIMO). En estas frecuencias, las antenas se encogen más y los arrays pueden componer miles de elementos, haciendo completamente infecables el rayo digital.

  • ] Superficies inteligentes (RIS) : El modelado híbrido asistido por RIS explota una gran superficie pasiva para reflejar las señales en las direcciones deseadas, reduciendo las cadenas RF activas necesarias. Optimización conjunta de los cambios de fase RIS y el vigador híbrido es un problema desafiante no-convexo.
  • Formación para multiusuario MIMO: Las estrategias híbridas deben apoyar a los usuarios simultáneos con diferentes firmas espaciales. Se están desarrollando algoritmos como la diagonalización de bloques híbridos y la selección conjunta de usuarios/beam.
  • Hardware-en-the-loop learning: Aprendizaje profundo en línea que se adapta a la mosca utilizando sólo pilotos recibidos, sin estimación explícita de canales. El aprendizaje de meta-aprendizaje y poca instantánea son prometedores para la adaptación rápida del haz.
  • Comunicación de radar de funcionamiento final (DFRC): En mmWave, el mismo array se puede utilizar para la detección y comunicación de radar. El rayo híbrido permite compartir tiempo o frecuencia de rayos, requiriendo forma de onda conjunta y diseño de precoder.

Para el despliegue práctico, la estandarización es crítica. El 3GPP ha especificado procedimientos jerárquicos de gestión de haz en NR, y las versiones futuras incluirán resolución de haz más fino y mejoras MIMO. Los líderes industriales como Qualcomm, Samsung y Nokia están desarrollando activamente conjuntos con arquitecturas integradas de rayos híbridos.

Conclusión

El sistema de medición de rayos Híbridos y la integración de rayos M sigue siendo el generador de datos de alta calidad, y combinando con justicia los cambiadores de fases analógicos con un pequeño número de cadenas RF digitales, estas arquitecturas logran una eficiencia espectral casi óptima mientras se encuentran con limitaciones de hardware.

Más información: Para la teoría de la fundación, véase El Ayach et al., "Spacialmente Sparse Precoding in Millimeter Wave MIMO Systems", IEEE Trans. Wireless Commun., 2014. Para una visión general de la gestión de las vigas NR 5G, consulte 3GPP TS 38.214