Dans les systèmes MIMO, la performance de la modulation de faisceaux, du précodage et de l'adaptation dépend de la connaissance exacte de l'état du canal sans fil. Toutefois, dans les environnements à effet rapide et très mobile, l'information instantanée sur l'état du canal (ISC) est souvent dépassée au moment où elle est utilisée. La prévision du canal – prévision du futur ICC à partir d'observations antérieures – aborde ce retard. Les prédicteurs traditionnels linéaires et fondés sur des modèles se battent dans des environnements de propagation complexes et non stationnaires. Les approches de l'apprentissage automatique (LM) sont apparues comme des solutions de rechange puissantes et fondées sur les données qui peuvent apprendre des modèles spatiotemporaux complexes, s'adapter aux conditions changeantes et fournir une précision de prévision supérieure.

Fondations de la prévision de la chaîne MIMO

La prédiction du canal MIMO est la tâche d'estimer la matrice du canal futur (ou ses propriétés statistiques) basée sur une séquence d'estimations du canal passé. Le canal entre un émetteur avec des antennes Nt et un récepteur avec une matrice Nrrr[ × Ntt[[Matrice H(t). Dans un environnement variable en fonction du temps, les éléments de cette matrice évoluent selon des phénomènes physiques tels que la propagation multi-pathale, le déplacement Doppler et la diffusion.

Les méthodes classiques de prédiction comprennent les modèles autorégressifs (AR), les filtres Kalman et les filtres Wiener.Ces approches supposent une dynamique linéaire et des statistiques stationnaires, qui sont souvent violées dans des scénarios réels. Par exemple, un équipement d'utilisateur en mouvement rapide dans un environnement urbain dense crée un canal hautement non stationnaire.

Techniques d'apprentissage automatique pour la prévision de la chaîne MIMO

Le choix de la technique dépend de la disponibilité des données, du budget de calcul, de l'horizon de prévision requis et de la complexité de l'environnement. Ci-dessous, nous décrivons en détail les familles les plus influentes des modèles ML, en mettant l'accent sur leurs architectures, leurs approches de formation et leur aptitude aux systèmes MIMO.

Apprentissage supervisé avec des modèles peu profonds

Le modèle a pour base de nombreux prédicteurs de canaux. Vu un ensemble de données sur les paires entrées-sorties — échantillons de canaux passés comme entrées, échantillons de canaux futurs comme sorties — le modèle apprend une fonction de cartographie. Les premières méthodes utilisées pour le noyau, comme la régression vectoriel (SVR) et les processus gaussiens, peuvent saisir des non-linéarités modérées mais sont confrontées à des problèmes d'évolutivité avec des canaux MIMO haute dimensionnels. Par exemple, un système 64×64 MIMO donne 4096 coefficients de canaux complexes par étape de temps, rendant les méthodes du noyau calculant prohibitif.

Une autre approche peu profonde est le réseau neuronal d'alimentation (RNN).Avec une ou deux couches cachées et un nombre modéré de neurones, les RNN peuvent approximativement des fonctions non linéaires plus évolutives que les méthodes du noyau. Ils nécessitent une régularisation soigneuse (abandon, perte de poids) pour éviter un surajustement, surtout lorsque les données d'entraînement sont limitées.

Réseaux neuronaux et LSTM récurrents

Pour des horizons de prédiction plus longs, les réseaux neuronaux récurrents (RNN) sont un choix naturel. Les RNN maintiennent un état caché qui code les informations des étapes précédentes, leur permettant de modéliser la dynamique temporelle. Cependant, les RNN simples souffrent de la disparition et de l'explosion des gradients, ce qui rend difficile d'apprendre les dépendances sur de nombreuses étapes du temps.

Dans la prévision des canaux MIMO, un LSTM prend en entrée une séquence de matrices de canaux passés (aplaties en vecteurs) et produit une matrice future prévue. Les chercheurs ont démontré que les LSTM peuvent prédire avec précision les canaux pour des horizons de prédiction de 5 à 20 millisecondes dans des scénarios de véhicules à une fréquence porteuse de 2,6 GHz. Par exemple, une étude de Wang et al. a proposé un prédicteur basé sur le LSTM qui a obtenu des améliorations moyennes d'erreur carrée (EMS) de 10 dB par rapport aux modèles d'AR linéaires à SNR au-dessus de 10 dB. L'architecture comprend généralement deux ou trois couches de LSTM empilées suivies d'une couche de sortie entièrement connectée.

Les GRU bidirectionnels et les unités de répétition sécurisées (GRU) sont des variantes qui offrent des compromis différents entre complexité et performance. Les GRU ont moins de paramètres que les LSTM et s'entraînent ainsi plus rapidement, mais peuvent saisir un peu moins de contexte temporel.

Réseaux neuronaux convolutionnels pour les caractéristiques spatiales

Les réseaux neuronaux convolutionnels (RNC) sont conçus pour saisir les corrélations locales par l'intermédiaire de couches convolutionnelles et de couches de mise en commun. Dans la prédiction des canaux, les NCN sont généralement appliqués après avoir remodelé la matrice des canaux en une grille 2D (pour des tableaux linéaires uniformes) ou en une tenseur 3D (pour des tableaux planaires uniformes).

Par exemple, un modèle CNN-LSTM utilise un CNN pour extraire des caractéristiques spatiales de chaque instantané de canal, puis les alimente en LSTM pour modéliser l'évolution temporelle. De tels modèles hybrides ont montré des performances de pointe dans des tâches massives de prédiction MIMO. Un article de Jiang et al. a démontré qu'un prédicteur CNN-LSTM a réduit le MSE normalisé jusqu'à 30% par rapport à un système LSTM autonome dans un système 32×32 MIMO à 5,9 GHz. Lien externe à la recherche pertinente : Jiang et al., « Deep Learning for MIMO Channel Prediction », IEEE Trans. Wireless Commun., 2020.

Transformateurs et mécanismes d'attention

L'architecture Transformer, développée à l'origine pour le traitement du langage naturel, a récemment été appliquée à la prédiction de la série chronologique. Les transformateurs s'appuient sur des mécanismes d'auto-attention qui pèsent l'importance des différentes étapes temporelles, leur permettant de saisir des dépendances à longue distance sans le goulot d'étranglement séquentiel de traitement des RNN. Dans la prédiction du canal MIMO, un encodeur Transformer peut traiter l'ensemble de la séquence passée en parallèle, ce qui rend l'entraînement plus rapide.

Les premiers résultats suggèrent que les transformateurs peuvent surpasser les MTSL pour des horizons de prédiction très longs (plus de 50 ms) et dans des canaux très non stationnaires, parce que le mécanisme d'attention peut directement s'occuper des états passés pertinents, peu importe la distance temporelle. Cependant, les transformateurs nécessitent de grandes quantités de données de formation et ont une complexité quadratique dans la longueur des séquences, qui peut être prohibitive pour les séquences longues. Des techniques comme l'attention clairsemée ou le Linformer sont en cours d'étude pour réduire la complexité.

Renforcement de l'apprentissage pour la prévision adaptative

Dans les environnements dynamiques, le modèle de prédiction optimal peut changer au fil du temps. L'apprentissage du renforcement (RL) fournit un cadre pour l'adaptation en ligne. Un agent RL sélectionne un modèle de prédiction (ou des hyperparamètres) à chaque étape, reçoit des commentaires basés sur l'erreur de prédiction, et met à jour sa politique pour minimiser les erreurs cumulatives.

Par exemple, un agent peut choisir entre un modèle AR à faible complexité pendant la phase de décoloration lente et un LSTM pendant la phase de décoloration rapide, s'adaptant en temps réel. Bien que prometteur, la prévision basée sur la LR demeure un domaine de recherche actif en raison du défi de l'efficacité des échantillons et de l'exploration dans les espaces à état haute dimensionnel.

Transfert de l'apprentissage et de la méta-apprentissage

La collecte de données de grande envergure pour chaque nouvel environnement de déploiement est peu pratique. L'apprentissage par transfert permet de préparer un modèle à partir d'un scénario (p. ex., macrocellule suburbaine) pour être affiné avec des données limitées provenant d'un scénario cible (p. ex., microcellule urbaine). Cela réduit les besoins en données et le temps de formation.

Par exemple, un LSTM méta-formé peut s'adapter à un nouveau modèle de mobilité après avoir vu seulement 10 à 20 nouvelles réalisations de canaux, alors que l'entraînement à partir de zéro nécessiterait des milliers. Ceci est critique pour les réseaux 5G/6G où le comportement des utilisateurs est divers et imprévisible. Lien externe : Chen et al., « Meta-Learning for Fast Adaptation in MIMO Channel Prediction », IEEE Trans. Veh. Technol., 2021.

Principaux avantages des approches d'apprentissage automatique

L'adoption de la LM pour la prévision des canaux MIMO est motivée par plusieurs avantages tangibles par rapport aux méthodes traditionnelles:

  • Modélisation non linéaire: Les modèles ML peuvent approximativement des fonctions non linéaires arbitraires, captant des interactions complexes entre les composants multipathes, les déplacements Doppler et les corrélations d'antenne que les modèles linéaires manquent.
  • Adaptabilité:[ Les modèles d'apprentissage profond peuvent être reformés ou affinés lorsque les statistiques des canaux changent, sans nécessiter une refonte manuelle du prédicteur.
  • Prédiction multivariée: Les canaux MIMO sont haute dimension. Les modèles ML gèrent avec grâce les grandes dimensions d'entrée et de sortie, apprenant la structure spatiotemporelle de l'articulation.
  • Inférence en temps réel:[ Une fois formé, l'inférence du réseau neuronal peut être accélérée par l'intermédiaire de GPU ou de matériel spécialisé (FPGA, ASIC), répondant aux exigences de sous-milliseconde de latence de la 5G et au-delà.
  • La robustesse à l'imperfection CSI: Les prédicteurs ML formés avec des estimations de canaux bruyants peuvent encore produire des prédictions précises, alors que les méthodes basées sur le modèle se dégradent rapidement sous le bruit.

Défis et limites

Malgré leurs promesses, les prédicteurs de canaux basés sur la LM doivent faire face à plusieurs obstacles qui doivent être surmontés avant le déploiement généralisé :

Exigences en matière de données de formation

Les modèles d'apprentissage profond, en particulier les Transformateurs et les grands LSTM, nécessitent des quantités massives de données marquées. La collecte de mesures de canaux dans le monde réel est coûteuse et prend du temps.

Complexité informatique

Pour en tirer des conclusions, même un LSTM de taille moyenne peut nécessiter des millions d'opérations à accumulation multiple par prédiction, des équipements d'utilisation à batterie exigeants. Les techniques de compression des modèles – taille, quantification, distillation des connaissances – sont des domaines de recherche actifs pour réduire la complexité tout en préservant la précision.

Généralisation dans les scénarios

Un modèle formé dans une bande de fréquences, une configuration d'antenne ou un modèle de mobilité échoue souvent lorsqu'il est testé dans différentes conditions. L'adaptation excessive à la distribution de la formation est une préoccupation majeure.

Prédiction Horizon vs Exactitude Échange

Les modèles de ML peuvent étendre l'horizon prévisible au-delà de ce que les méthodes linéaires atteignent, mais au-delà d'un certain point (p. ex., > 100 ms pour une mobilité élevée), la précision diminue fortement. Certains chercheurs explorent la prévision probabiliste (p. ex., les réseaux neuronaux bayésiens) pour quantifier l'incertitude, qui peut être utilisée dans le planning de risque.

Orientations futures et tendances de la recherche

Le champ évolue rapidement. Plusieurs directions passionnantes devraient façonner la prochaine génération de prédiction de canal MIMO:

  • L'intégration avec les Twins numériques:[ Les jumeaux numériques d'environnements sans fil (combinant le traçage des rayons et les mesures en temps réel) peuvent fournir des données d'entraînement de haute fidélité et permettre des mises à jour continues des modèles.
  • Réseaux neuronaux de couches (RGN):[ Représenter le canal MIMO comme un graphique sur les éléments d'antenne et les diffuseurs peut conduire à des modèles plus efficaces et plus physiquement conscients.
  • Federated Learning:[ Les prédicteurs des canaux de formation dans plusieurs stations de base sans centraliser les données brutes préservent la vie privée et réduisent les frais de communication.
  • Prediction multi-étapes et multi-taux:[ Prédictant non seulement l'état du canal suivant, mais une trajectoire complète sur plusieurs échelles de temps (p. ex., pour l'attribution des ressources et les décisions de transfert).
  • Réseaux neuronaux pour logiciels de stockage:[ Concevoir des architectures qui se cadraient efficacement avec les chipsets sans fil existants, en utilisant des poids binaires ou des réseaux neuronaux à glissière pour une puissance ultra-faible.

Conclusion

L'apprentissage automatique a fondamentalement transformé la prédiction des canaux MIMO, offrant une précision, une adaptabilité et une robustesse sans précédent par rapport aux méthodes conventionnelles de traitement des signaux. Des SVR peu profonds aux LSTM profonds, aux CNN et aux Transformateurs, chaque architecture apporte des forces uniques qui peuvent être adaptées à des cas d'utilisation spécifiques. La voie de déploiement consiste à surmonter les défis de la rareté des données, du coût de calcul et de la généralisation. La recherche en cours dans l'apprentissage des transferts, le méta-apprentissage et la compression des modèles comblent constamment cette lacune.