Table of Contents

Introduction à la sélection dynamique des faisceaux dans les réseaux MIMO

La technologie multi-sorties (MIMO) est une pierre angulaire des systèmes de communication sans fil modernes, du Wi-Fi au 4G LTE et au 5G New Radio (NR). En déployant plusieurs antennes à la fois à l'émetteur et au récepteur, les systèmes MIMO peuvent transmettre simultanément plusieurs flux de données spatiales, augmentant de façon spectaculaire l'efficacité spectrale et la capacité du réseau.

Les méthodes traditionnelles de sélection des faisceaux reposent sur des codes prédéfinis, une recherche exhaustive sur toutes les paires de faisceaux ou des algorithmes heuristiques qui supposent des canaux statiques ou lentement variables.Ces approches luttent pour suivre les changements rapides observés dans les bandes de haute fréquence (p. ex., millimètre-onde et sub-THz) utilisées par la 5G et au-delà, où les largeurs des faisceaux sont étroites et fréquentes réalignement est nécessaire.

Comprendre la sélection des faisceaux dans les réseaux MIMO

La sélection des faisceaux est le problème de choisir, à partir d'un ensemble fini de directions de transmission possibles, le faisceau (ou combinaison de faisceaux) qui maximise un certain objectif, comme le rapport signal-interférence-plus-bruit (SINR), débit ou couverture. En pratique, les systèmes MIMO utilisent la formage des faisceaux – une technique de filtrage spatial qui ajuste la phase et l'amplitude des signaux à chaque élément d'antenne pour produire un lobe directionnel. L'ensemble des faisceaux possibles est souvent stocké dans un répertoire, qui est une collection de matrices de précodage ou de vecteurs de poids de faisceau définis par des normes comme 3GPP.

Sélection de faisceaux basés sur le manuel de codes

Dans les premières normes du MIMO (p. ex., LTE), la sélection des faisceaux était relativement grossière, avec de petits carnets de code (4 à 8 faisceaux). L'équipement utilisateur (UE) et la station de base (gNB) mesureraient les signaux de référence transmis avec des faisceaux différents et signaleraient le meilleur indice.Ce processus, appelé balayage des faisceaux, introduit des frais généraux proportionnels au nombre de faisceaux.

Suivi adaptatif des faisceaux

Pour réduire les frais généraux, les méthodes de suivi des faisceaux adaptatifs utilisent des mesures passées pour prédire quand et comment ajuster les faisceaux. Par exemple, le balayage des faisceaux hiérarchiques utilise un faisceau grossier pour réduire la direction, puis des tons fins dans ce secteur. Cependant, même ces méthodes reposent sur des règles de commutation fixes et ne peuvent pas facilement exploiter des corrélations temporelles ou spatiales complexes dans le canal.

Le rôle de l'apprentissage automatique dans la sélection dynamique des faisceaux

Les modèles d'apprentissage automatique peuvent traiter les informations brutes sur l'état des canaux (CSI), comme les indicateurs de résistance des signaux reçus (RSSI), les réponses impulsionnelles des canaux, ou même les valeurs des éléments d'antenne, pour obtenir directement le meilleur indice de faisceau ou une distribution de probabilité sur les faisceaux.

Pourquoi les méthodes traditionnelles sont-elles courtes

La sélection traditionnelle des faisceaux repose souvent sur des seuils de recherche exhaustifs ou heuristiques simples.Ces méthodes sont peu optimales dans les scénarios à grande mobilité d'utilisateur, à perte rapide de canaux ou à déploiements denses avec une forte interférence. Par exemple, dans les systèmes à ondes millimétriques, le faisceau optimal peut changer toutes les quelques millisecondes en raison du blocage ou de la rotation de l'appareil par l'homme.

Techniques d'apprentissage automatique pour la sélection des faisceaux

Enseignement supervisé

Les caractéristiques d'entrée sont dérivées des mesures de l'ISC (p. ex., un instantané des coefficients de canal ou des puissances reçues sur un sous-ensemble de faisceaux). Les étiquettes sont les faisceaux optimaux déterminés par un balayage exhaustif au moment de l'entraînement. Un classificateur comme un réseau neuronal profond (DND) est formé pour minimiser la perte d'entropie croisée.

Renforcement de l'apprentissage (RL)

L'apprentissage du renforcement est particulièrement intéressant pour la sélection dynamique des faisceaux parce qu'il ne nécessite pas d'étiquettes explicites; au contraire, l'agent apprend par des interactions avec l'environnement. L'état comprend les mesures des faisceaux passés, le contexte utilisateur et le temps; les actions correspondent aux choix des faisceaux; et les récompenses sont des mesures comme le débit ou la latence. Les algorithmes RL, comme Q-learning ou les réseaux Q profonds (DQN), apprennent une politique qui équilibre l'exploration (essai de nouveaux faisceaux) et l'exploitation (en utilisant des faisceaux connus) . Cette approche est bien adaptée aux scénarios où les conditions des canaux évoluent au fil du temps, et le système doit s'adapter continuellement.

Apprentissage et représentation non supervisés Apprentissage

Par exemple, un autoencodeur à faible densité peut comprimer le CSI à haute dimension en une représentation latente à basse dimension. La sélection du faisceau peut ensuite être effectuée dans l'espace latent, nécessitant moins de transmissions de pilotes. Les algorithmes de regroupement comme les moyennes k groupent des états de canaux similaires; chaque groupe est associé à un jeu de faisceau fixe, réduisant l'espace de recherche. Ces techniques sont souvent combinées avec des modèles supervisés ou RL pour améliorer l'efficacité.

Architectures d'apprentissage profond pour la sélection des faisceaux

Les réseaux neuronaux convolutionnels (RNC) et les réseaux neuronaux récurrents (RNN) sont populaires pour le traitement des modèles spatiaux et temporels dans le CSI. Les RNN peuvent extraire des caractéristiques de représentations 2D de réponses de réseaux d'antennes, comme les spectres angulaires. Les RNN, particulièrement les réseaux de mémoire à court terme (LSTM) de longue durée, gèrent les données de séries chronologiques pour prédire les changements de faisceau en fonction des observations passées.

Avantages de l'apprentissage automatique pour la sélection dynamique des faisceaux

Le déploiement de la sélection de faisceaux mus par ML permet des améliorations tangibles dans plusieurs dimensions de performance.

Réduction des frais généraux et des latences

En prédisant le meilleur faisceau à partir d'un ensemble limité de mesures, ML réduit le nombre de balayages de faisceau requis. Dans de nombreuses implémentations rapportées, la sélection du faisceau peut être effectuée avec 50 à 80 % moins de signaux pilotes que la recherche exhaustive.

Amélioration de la qualité et du débit des signaux

Les modèles ML peuvent identifier des faisceaux qui atteignent des SINR plus élevés, même dans les scénarios de non-ligne de vision (NLOS). Dans les tests cellulaires utilisant des ensembles de données provenant d'environnements à ondes millimétriques intérieurs, la sélection de faisceaux DNN a atteint environ 90% du débit maximal réalisable en utilisant seulement 5% des paires de faisceaux.

Amélioration de la capacité d'adaptation à la mobilité et au blocage

Les agents d'apprentissage qui mettent constamment à jour leur politique peuvent maintenir des performances élevées même lorsque les utilisateurs se déplacent à des vitesses de véhicule (jusqu'à 30 m/s).Les résultats expérimentaux montrent que le suivi des faisceaux basé sur la RL réduit les événements de désalignement des faisceaux de plus de 40% par rapport au balayage périodique.

Planification et fonctionnement simplifiés du réseau

Les modèles ML peuvent être formés de manière centralisée puis déployés dans les stations de base, ce qui permet de sélectionner les faisceaux de façon coordonnée sur un réseau multicellulaire, ce qui réduit les interférences intercellulaires et améliore l'efficacité spectrale globale.

Défis dans la mise en oeuvre de la LM pour la sélection des faisceaux

Malgré sa promesse, l'intégration de l'apprentissage machine dans les systèmes de sélection de faisceaux MIMO de production présente plusieurs obstacles.

Acquisition de données et étiquetage

Les modèles supervisés de formation nécessitent de grandes séries de mesures de canal jumelées à des faisceaux optimaux de la vérité au sol. L'obtention de ces mesures implique souvent des balayages de faisceau complets, ce qui implique la réduction très élevée de la LM. De plus, les données étiquetées doivent couvrir une large gamme d'environnements, de conditions de canal et de scénarios utilisateurs pour éviter les surajustements.

Complexité computationnelle et contraintes de latence

Les réseaux neuronaux profonds peuvent être exigeants en calcul, surtout lorsqu'ils doivent fonctionner sur des appareils utilisateurs à batterie ou dans les limites des budgets de temps stricts du traitement de la bande de base. Par exemple, les décisions de sélection des faisceaux doivent être prises en quelques centaines de microsecondes dans 5G NR. Bien que les techniques de compression des modèles (quantification, taille, distillation) aident, les déployer dans la pratique nécessite une co-conception soigneuse matériel-logiciel.

Adaptation en temps réel et non-statistique

Un modèle de ML formé sur des données antérieures peut devenir inexistant. L'apprentissage en ligne ou des méthodes d'apprentissage continu sont nécessaires pour s'adapter en temps réel, mais ils posent des défis en matière de stabilité de la convergence et de frais généraux de calcul faibles. Les approches RL s'adaptent de façon intrinsèque, mais elles peuvent nécessiter de nombreuses interactions pour converger, ce qui pourrait ne pas être possible dans des environnements en évolution rapide.

Intégration aux normes et à l'infrastructure existante

Les normes cellulaires actuelles (3GPP Rel-15/16/17) définissent des procédures de gestion des faisceaux spécifiques. L'introduction de la logique de décision basée sur la LM doit être compatible avec le rétro-réglage et ne doit pas violer le calendrier des protocoles. Le réseau doit fournir des crochets pour les sorties d'inférence de la LM pour influencer les indices de faisceau signalés par l'UE, ou l'UE elle-même doit exécuter des modèles légers.

Orientations futures et possibilités de recherche

Le champ de sélection des faisceaux à moteur ML évolue rapidement, avec plusieurs pistes prometteuses pour les travaux futurs.

Formation fédérée pour la protection de la vie privée

Au lieu de centraliser les données sur les canaux utilisateurs, l'apprentissage fédéré forme localement des modèles sur chaque appareil et ne partage que les mises à jour de modèles. Cela préserve la vie privée et réduit les frais généraux de transfert de données.

Approches hybrides classiques-ML

Au lieu de remplacer tous les algorithmes traditionnels, les systèmes hybrides utilisent le ML pour améliorer les procédures de balayage classique des faisceaux. Par exemple, un modèle ML peut prioriser les faisceaux à tester dans les premiers balayages, réduisant ainsi l'espace de recherche.

Modèles généralisés pour les configurations multi-bandes et multi-antennes

Les futurs systèmes sans fil (6G) fonctionneront sur les bandes de sous--6 GHz, mmWave et THz, chacune ayant des caractéristiques de propagation différentes. L'élaboration d'un modèle ML unique qui peut gérer diverses tailles de carnets de codes, des géométries de réseaux et des bandes de fréquences est un défi de recherche actif.

Intégration avec les cartes de la sensibilisation et de l'environnement

Au-delà de la pure CSI, les modèles ML peuvent intégrer des informations secondaires telles que la localisation de l'utilisateur à partir du système mondial de navigation par satellite (GNSS) ou des données visuelles en temps réel à partir des caméras. Cette approche multimodale peut prédire la sélection des faisceaux en fonction de la géométrie et du contexte utilisateur connus, réduisant ainsi entièrement le besoin de signaux pilotes.

Conclusion

La sélection dynamique des faisceaux est un outil essentiel pour les réseaux MIMO à haute performance, surtout lorsque les systèmes sans fil se déplacent vers des bandes de fréquences plus élevées avec des faisceaux plus étroits. La machine-learning fournit des outils puissants pour prédire les faisceaux optimaux à partir de mesures limitées, réduire les frais généraux, latence et améliorer la qualité des signaux. L'apprentissage supervisé, l'apprentissage renforcé et les méthodes non supervisées offrent chacun des avantages distincts selon la disponibilité des données, la variabilité de l'environnement et les contraintes informatiques.

Pour plus de détails, voir la spécification 3GPP sur la gestion des faisceaux NR (3GPP TS 38.300) et les enquêtes récentes de l'IEEE sur l'apprentissage automatique pour la sélection des faisceaux (IEEE COMST 2020).