MIMO Millimètre Wave et la nécessité de la formation de faisceaux hybrides

Les systèmes multisorties (MIMO) à ondes millimétriques (mmWave) sont essentiels pour atteindre les taux de données multigigabits et les latences ultra-faibles envisagées pour les réseaux 5G avancés et 6G. En utilisant des bandes de fréquences allant de 24 GHz à 100 GHz et au-delà, ces systèmes tirent parti de grandes antennes (souvent avec 64, 128 éléments ou plus) pour former des faisceaux hautement directionnels qui compensent une perte de trajectoire grave et l'absorption atmosphérique. Cependant, le nombre élevé d'antennes crée un goulot d'étranglement matériel critique : équiper chaque élément d'antenne d'une chaîne RF dédiée (mélangeur, ADC/DAC, amplificateur de puissance) est prohibitif et amaigrissant à mmWave fréquences.

Le compromis entre l'efficacité spectrale, la complexité matérielle et la consommation d'énergie est le défi central dans la conception de faisceaux hybrides. Cet article fournit un examen approfondi et faisant autorité des stratégies clés, des algorithmes et des considérations du monde réel qui définissent le faisceau hybride moderne pour mmWave MIMO.

Comprendre l'architecture de faisceaux hybrides

Un système hybride de faisceaux de formation divise le précodage et combine les opérations en une phase RF analogique et une phase de bande de base numérique. La phase analogique, généralement mise en place avec un réseau de commutateurs de phase et éventuellement de commutateurs, fonctionne sur le signal de fréquence de porteuse directement après la chaîne RF. La phase numérique effectue un traitement MIMO plus flexible, comme le multiplexage spatial et l'atténuation des interférences multi-utilisateurs, en utilisant un certain nombre de chaînes RF beaucoup plus petites que le nombre d'antennes. Deux architectures primaires dominent : entièrement connecté (chaque chaîne RF se connecte à toutes les antennes via un réseau de décalage de phase) et partiellement connecté (chaque chaîne RF entraîne un sous-ensemble d'antennes, réduisant ainsi la complexité matérielle).

Composants de faisceaux analogiques

Le faisceaulage analogique est réalisé à l'aide de décalages de phase, qui peuvent être passifs (faible puissance mais limité à 0–360° de contrôle de phase) ou actifs (avec amplification intégrée mais puissance plus élevée). De plus, certaines conceptions intègrent des amplificateurs à gain variable (VGA) pour ajuster l'amplitude, bien que la plupart des diffuseurs analogiques ne soient pas en phase seulement en raison du coût. Le faisceaumètre analogique applique un vecteur de pondération unique sur toutes les antennes de l'émetteur ou du récepteur, créant un faisceau fixe par chaîne RF. Cela limite le nombre de flux de données simultanées au nombre de chaînes RF, mais permet des faisceaux très larges pour l'accès initial ou des faisceaux très étroits pour les liaisons à haut débit de données.

Le babillard numérique à la base

Dans le domaine numérique, la formation de faisceaux est effectuée après conversion en mode descendant et conversion analogique-numérique. Le précodeur numérique peut appliquer des poids complexes arbitraires, permettant des capacités MIMO complètes telles que la formation de faisceaux propres (basée sur l'état des canaux), la mise à zéro (ZF) pour la suppression des interférences multi-utilisateurs et la réception d'erreurs moyennes carrées (MMSE). La partie numérique fonctionnant par sous-porteur dans les systèmes OFDM permet toutefois de s'adapter aux canaux sélectifs de fréquence.

Stratégies de base de faisceaux hybrides

Au cours de la dernière décennie, des chercheurs et des ingénieurs de l'industrie ont élaboré un ensemble riche de stratégies pour concevoir conjointement les fabricants de faisceaux analogiques et numériques. Les approches les plus importantes peuvent être classées en méthodes fondées sur le codebook, optimisation itérative et techniques axées sur l'apprentissage automatique.

Brampe à base de codebook

La formation de faisceaux basée sur le manuel de code repose sur un ensemble fini de modèles de faisceaux analogiques prédéfinis, souvent dérivés des colonnes d'une matrice DFT (pour des tableaux linéaires uniformes) ou de séquences sphérooïdales prolates discrètes (pour des tableaux planaires). Pendant l'entraînement de faisceaux, l'émetteur et le récepteur balayent le répertoire de code afin de trouver la meilleure paire de faisceaux qui maximise la puissance de signal reçue. Les normes IEEE 802.11ad/ay et 5G NR utilisent une telle formation hiérarchique de faisceaux pour réduire le temps de recherche : les faisceaux grossiers sont d'abord testés, puis raffinés avec des faisceaux plus fins.

  • Avantages:[ Faible complexité informatique, aucune nécessité de connaissance instantanée du canal, matériel facile (p. ex., réseaux de commutation).
  • Drawbacks:[ Écart de performance avec la formation de faisceaux entièrement numériques, en particulier dans la diffusion riche; la résolution fixe limite le multiplexage spatial.

Algorithmes itératifs d'optimisation

Lorsque l'information sur l'état du canal (CSI) est disponible à la station de base (par exemple, par rétroaction explicite ou réciprocité du canal dans les systèmes TDD), les algorithmes itératifs peuvent optimiser conjointement les précodeurs analogiques et numériques pour maximiser l'efficacité spectrale. Le travail séminal d'El Ayach et al. (2014) a formulé le problème de précodage hybride comme une factorisation matricielle : approximation du précodateur entièrement numérique (optimal sous la contrainte de puissance de somme) par le produit d'une matrice numérique à faible dimension et d'une matrice analogique à module constant.

  • Recherche de correspondance orthogonale (OMP):[ Traite le précodeur analogique comme une combinaison linéaire clairsemée de vecteurs de dictionnaire (p. ex., faisceaux DFT). OMP sélectionne avidement les colonnes pour minimiser le résidu. Fonctionne bien lorsque le canal a une dispersion angulaire clairsemée.
  • Minimisation alternative (AltMin): Il corrige la partie numérique de façon itérative tout en optimisant la partie analogique (sous réserve de module constant), et vice versa. Converge vers un optimum local et surpasse souvent les OMP dans un multipath dense.
  • Méthodes de projection graduées: Pour les grands tableaux, l'optimisation des collecteurs (par exemple sur le collecteur oblique) peut gérer efficacement la contrainte de module constant.

Ces algorithmes nécessitent généralement des itérations de 10 à 100 et peuvent être mis en œuvre dans les unités de traitement de la bande de base. Le principal défi est l'adaptation en temps réel : pour les canaux à effet rapide (< 1 ms de temps de cohérence), les méthodes itératives peuvent être trop lentes.

Apprentissage automatique – Beamforming

Les réseaux neuronaux peuvent apprendre à cartographier la covariance des canaux ou les signaux bruts de pilote aux fabricants de faisceaux analogiques/numériques optimaux, en contournant l'estimation explicite de CSI et l'optimisation itérative. Les stratégies clés basées sur le ML comprennent:

  • Enrichissement profond pour la sélection des faisceaux:[ L'agent apprend une politique qui sélectionne les paires de faisceaux en fonction de la force de signal reçue par le passé, réduisant les frais d'entraînement dans les scénarios mobiles.
  • Apprentissage supervisé pour la compression et la prédiction du faisceau CSI: Un réseau neuronal convolutionnel (CNN) peut prédire le meilleur indice de faisceau à partir d'un instantané de canal large, réduisant radicalement les retours d'information.
  • Conception de joint à base d'autoencodeur:[ L'ensemble de la chaîne de formage de faisceau hybride (encodeur à Tx, décodeur à Rx) est optimisé de bout en bout en utilisant une descente stochastique de gradient, satisfaisant automatiquement les contraintes matérielles comme le module constant et la résolution de décalage de phase.

Les approches ML ont montré qu'elles peuvent aborder l'efficacité spectrale des systèmes entièrement numériques avec seulement 2-4 chaînes RF, même dans les canaux non-parcs. Cependant, elles nécessitent des données de formation étendues et un calcul hors ligne; le recyclage en ligne reste un défi ouvert.

Modèle de système et critères de performance

[[FLT][[FLT][[FLT:][FLT:][FLT:][[FLT:][[FLT:][[FLT:][[FLT:][[FLT:][[FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][F]

Les principales mesures de rendement comprennent :

  • Efficacité spécifique (SE)[: Taux d'atteinte en bps/Hz, souvent évalué par l'expression d'information mutuelle en supposant la signalisation gaussienne.
  • Complexité du logiciel[: Nombre de sélecteurs de phase, chaînes RF et consommation d'énergie.Pour une architecture entièrement connectée, le nombre de sélecteurs de phase est [NRF × N[[; pour les sélecteurs partiellement connectés, il est Nt[une par antenne].
  • Cours de l'entraînement au faisceau: Nombre de créneaux horaires ou de symboles de pilote requis pour sélectionner la paire de faisceaux. Les méthodes du manuel de codes utilisent généralement O(log(Nt)[ balays avec une recherche hiérarchique; les méthodes ML peuvent réduire cette valeur à une seule inférence.
  • Probabilité de sortie et couverture: Important pour la fiabilité, en particulier en présence de blocages.

Comparaison des architectures hybrides

Le tableau 1 (conceptuel) résume les compromis. Les architectures entièrement connectées fournissent le gain de formage de faisceau le plus élevé (gain de faisceau jusqu'à Nt[), mais souffrent d'une consommation importante de puissance due à de nombreux décalages de phase.Les architectures partiellement connectées sacrifient un gain (par un facteur égal au nombre de sous-arrays) mais réduisent de façon significative la puissance et la complexité.

Dans la pratique, de nombreuses stations de base 5G utilisent un réseau hybride avec 64 antennes et 2 à 4 chaînes RF par polarisation, utilisant un codebook DFT pour l'accès initial et le raffinement itératif pour la transmission des données. Pour l'équipement utilisateur (UE), les coûts et la puissance sont encore plus limités, de sorte que le faisceau analogique basé sur le codebook se formant avec une seule chaîne RF est commun.

Défis de mise en œuvre et imperfections matérielles

Le faisceau hybride de Wave doit être confronté à plusieurs non-idéalités:

  • La quantification du décalage de phase[: Généralement 3–6 bits de résolution de phase. La quantification grossière dégrade le gain de faisceau de 1–2 dB et introduit des lobes latéraux. Les algorithmes doivent intégrer la contrainte finie du codebook.
  • Raccordement mutuel entre antennes[: Plus fort dans les réseaux compacts, le couplage modifie le vecteur de direction efficace et peut réduire l'orthogonalité des motifs de faisceau. L'étalonnage et la conception de codebooks mutuels de couplage-concept sont des domaines de recherche actifs.
  • Non-linéarités de l'amplificateur de puissance: Les décalages de phase sont souvent placés après l'AP; leur perte d'insertion et leur non-linéarité affectent le signal irradié.
  • Dysalignement du faisceau dans la mobilité: Pour les véhicules à grande vitesse (p. ex., 500 km/h dans les scénarios de train), la direction du faisceau change considérablement dans un délai de cohérence.
  • Californage des appareils[: Les erreurs de phase et d'amplitude à travers les chaînes RF nécessitent un calibrage périodique.

Orientations futures et problèmes ouverts

L'évolution de la formation hybride de faisceaux est étroitement couplée au déploiement de la communication sous-THz (100–300 GHz) et du MIMO (XL-MIMO) à très grande échelle. À ces fréquences, les antennes se rétrécissent davantage et les réseaux peuvent comprendre des milliers d'éléments, rendant la formation entièrement numérique de faisceaux totalement invraisemblables.

  • Surfaces intelligentes reconfigurables (RIS): Le faisceau hybride assisté par RIS exploite une grande surface passive pour réfléchir les signaux dans les directions souhaitées, réduisant les chaînes RF actives nécessaires. L'optimisation conjointe des déplacements de phase RIS et du faisceaux hybrides est un problème difficile non convexe.
  • Beamforming for multiuser MIMO[: Les stratégies hybrides doivent soutenir les utilisateurs simultanés avec différentes signatures spatiales. Des algorithmes comme la diagonalisation des blocs hybrides et la sélection conjointe des utilisateurs/faisceaux sont en cours de développement.
  • L'apprentissage en ligne en boucle: L'apprentissage en profondeur en ligne qui s'adapte à la volée en utilisant uniquement des pilotes reçus, sans estimation explicite de canal.
  • La communication radar à double fonction (DFRC)[: À mmWave, le même tableau peut être utilisé pour la détection et la communication radar. La formation hybride de faisceau permet le partage de temps ou de fréquence de division des faisceaux, nécessitant la conception de forme d'onde et de précodeur.

Pour un déploiement pratique, la normalisation est essentielle. La 3GPP a spécifié des procédures de gestion hiérarchique des faisceaux dans NR, et les futures versions comprendront une résolution de faisceau plus fine et des améliorations MIMO.

Conclusion

En combinant judicieusement des décalages de phase analogiques avec un petit nombre de chaînes RF numériques, ces architectures permettent une efficacité spectrale presque optimale tout en répondant aux contraintes matérielles.Le choix de la stratégie de formage de faisceau – basée sur un manuel de code, l'optimisation itérative ou l'apprentissage automatique – dépend du scénario : des carnets de code pour un accès initial rapide, des méthodes itératives pour la transmission de données à haute performance et des ML pour la prédiction agile de faisceau dans les environnements mobiles.

Pour plus de détails : Pour la théorie fondamentale, voir El Ayach et al., « Spatially Sparse Precoding in Millimeter Wave MIMO Systems », IEEE Trans. Wireless Commun., 2014. Pour un aperçu de la gestion des faisceaux NR 5G, consulter 3GPP TS 38.214. Pour la formation des faisceaux à base de LM, voir Liang et al., « Deep Learning for Hybrid Beamforming in mmWave MIMO Systems: A Survey », IEE Commun Surveys & Tutorials, 2020.