מבוא ל- Antenna Array Pattern Optimization

מערכות תקשורת אלחוטיות מודרניות להתמודד עם דרישות הסלמה עבור שיעורי נתונים גבוהים יותר, שקיפות נמוכה יותר, וקישוריות חזקה יותר ויותר סביבות ספקטרום דינמי.אנטנה, המורכב מאלמנטים קורנים מרובים מסודרים בתצורה גיאומטרית, הם היסוד לפגוש דרישות אלה.על ידי שליטה בשלב יחסי ו amplitude של אותות בכל רכיב, מהנדסים יכולים לעצב את דפוס הקרינה וכתוצאה מכך - את ההתקדמות של מערך - כדי להתאים את המנגנונים אמיתיים, כמו אופטימיזציה בזמן, הוא תהליך זה.

באופן מסורתי, אופטימיזציה דפוס התבססה על אלגוריתמים ⁇ כגון תכנות ליניארי, אופטימיזציה של convex, ושיטות הירריסטיות כמו אלגוריתמים גנטיים (GA) ואופטימיזציה של חלקיקים (PSO) בעוד טכניקות אלה יכולות לייצר פתרונות יעילים לסביבות סטטיות או לאטות, הן הופכות לאיסור חישובי ככל שגודל מערך מגיב (למשל, MIMO מסיבי ב 5G) ולא גמישות הנדרשת לערוצים מהירים, מקבצייתות של משתמשים, ממולקולות מתקדמות, מכוונות למידה, מכוונות יעילות ומניעות באופן יעיל.

אופטימיזציה מסורתית לעומת Machine Learning

כדי להעריך את המהפכה ש-ML מביא, זה שימושי לניגוד שיטות מסורתיות עם גישות מבוססות ML.טכניקות אופטימיזציה קלאסיות לפעול לעתים קרובות לא מקוון: קבוצה של פרמטרים (משקל, שלבים) הוא מצורף באמצעות פונקציה עלות מוגדרת מראש (למשל, מצמצם את רמת ההפיכה בצד או למקסם את יחס אות-ל-להשוואה-אין-שלב) שיטות אלה בדרך כלל מבוססות מודל - הם מסתמכים על ביצועים מדויקים על מודלים מתמטיים ומדוכאיים של תכונות מתמטיות (ד-מסוגיות).

למידה מכונה, לעומת זאת, היא מבוססת נתונים ומודל-agnostic. אלגוריתם ML לומד מדוגמאות של תצורה מוצלחת בעבר (או מתצפיות סביבתיות) לחזות או ליצור תצורה חדשה מבלי לדרוש מודל מפורש.פעם מאומנים, ההפרעה היא מהירה מאוד, המאפשרת ל-symbol או להתאמה ל- per-slot.ML יכול לגלות מערכות יחסים לא-לינאריות שקשה ללכוד עם משוואות מורכבות, במיוחד, כמו תרחישים של ניהול דינמיקה, כגון לוויינים מורכבים, כמו מילימטרים, כמו מילימטרים, סימפוניים, כמו סימפוניים, כמו סימפוניים, מילימטריים, כמו מילימטריים, כמו סימפוניים, כמו תרחישים מורכבים.

Machine Learning מתקרב

שלוש משפחות רחבות של טכניקות ML הוחלו בהצלחה על אופטימיזציה של דפוס האנטנה: למידה מבוקרת, למידה חיזוק ורשתות עצביות עמוקות.כל אחת מציעה יתרונות ברורים בהתאם למגבלות היישום ונתונים זמינים.

למידה על רקע חיזוי החיזוי

תכונות קלט של מפות למידה (למשל, עמדות משתמשים, מקורות התערבות, אזור כיסוי מטרה) כדי לקבוע וקטורים אופטימליים משקל או beam אינדיקציות.המודל להכשרה מורכב מזוגות (input, פלט אופטימלי), שבו הפלט האופטימלי מתקבל באמצעות חיפוש ממצה, סימולציה, או אופטימיזציה מורשת.

יישום בולט אחד הוא בחירת ב- מילימטר-גלי (mmWave) מערכות. במקום לסרוק באמצעות ספר קוד גדול, מודל בפיקוח המאומנים על מדידות ערוצים יכול לחזות ישירות את זוג הדבורים הטוב ביותר.מחקר הוכיח כי גישות כאלה להשיג יותר מ-95% מהביצועים האופטימליים תוך צמצום אימון beam על ידי הזמנות של גודל.האתגר העיקרי הוא מקבל נתונים גדולים מספיק - התווית לעתים קרובות דורש סימולציה יקרה או מדידות של נתונים.

Reinforcement Learning for Real-Time הסתגלות

Reinforcement Learning (RL) הוא חזק במיוחד כאשר הסביבה אינה ידועה או משתנה במהירות. במסגרת ה-RL, סוכן (בקר אנטנה) אינטראקציה עם הסביבה (הערוץ האלחוטי והמשתמשים) על ידי ביצוע פעולות (שלב / הדגה או בחירת קרן) ומקבל תגמולים (למשל, SNR, מוגברת, מופחתת BER).

לדוגמה, בקר מבוסס DQN יכול להתאים את תבנית המערך כדי לשמור על קשר חזק עם משתמש נע 101 מבלי לדרוש אופטימיזציה מפורשת של ערוץ estimation.הסוכן לומד לצפות תנועת משתמשים ו pre-steer the beam, להפחית באופן משמעותי את ההסתברות של הסימולציות של מספר רב של רשתות מרובות תאים, שבו הם מתואמים את הסימולציות לפני אימון לא יציב; עם הסתברות.

מודלים של למידה עמוקה ו-Nural Network Models

למידה עמוקה מרחיבה גם למידה בפיקוח וחיזוק באמצעות רשתות עצביות עמוקות (DNNs) עם שכבות רבות כדי ללכוד מתאםים מסדר גבוה יותר. עבור אופטימיזציה של מערך האנטנה, אדריכלות מיוחדת הופיעו:

  • (FLT:0convolutional Neural Networks (CNN)אנדרל 1: המשמש לעבד מפות ערוץ מרחבי או גיאומטריה מערך אנטנה לחיזוי משקל אופטימלי.הם מנצלים את המרחב המקומיות - אלמנטים שכנים תואמים אינטראקציות.
  • (FLT:0)AutoencodersphersFLT:1: מודלים בלתי מבוקרים אשר לומדים ייצוגים מאוחרים של דפוסים קרינה. a decoder יכול ליצור דפוסים הניתנים פיזית מהחלל המנוח, המאפשרת סינתזה דפוס מהיר.
  • (FLT:0Graph Neural Networks (GNNs)אנדרל 1:1: באופן טבעי מתאים למגוון רחב של גיאוגרפיות (למשל, נוסחאות קונפורטיביות) כי הם מתייחסים לכל אלמנט כצומת בגרף, עם הקצוות המייצגים הפיכה או קרבה מרחבית.
  • (ב) [ה]ה'ייברידיד': שילוב DNN לחיזוי ראשוני עם זיכוך קל משקל (למשל, ירידה על עלות נלמדת) מניבה דפוסים כמעט-אופטימיים עם חישוב מינימלי.

כיוון מבטיח אחד הוא השימוש ברשתות עצביות המבוססות על פיזיקה (PINNs), המשלבות את המשוואות של מקסוול לתפקוד האובדן.זה מבטיח כי דפוסים חזו מכבדים מגבלות אלקטרומגנטיות תוך למידה מהנתונים. PINNs להפחית את הצורך במאגרי נתונים גדולים ולשפר את הכללה לתנאי הפעלה בלתי נראים.

מחקרים ויישומים מפורטים

רשתות MIMO ⁇ ב-5G/6G

תחנות בסיס Massive MIMO עם מאות אלמנטים אנטנה דורשות beamforming יעיל מאוד. גישות מבוסס קוד פתוח הם מהיר אך suboptimal; חיפוש ממצה הוא בלתי אפשרי. סוכן RL שהוכשר על דפוסי דיקור ערוץ וחלוקה למשתמש יכול לבחור באופן דינמי beams, השגת ביצועים דומים ל- אפס-forcing precoding תוך צמצום המורכבות חישובית על ידי גורם של 10- 100 ניסויים המבוססים על ידי תאים.

תקשורת עם קרינת בשלב

(LEO) לווייני גלקסיות מחשוב בשלב זה כדי לנווט מספר רב של דבורים לעבר מסופי הקרקע.התנועה המהירה ושדה רחב של נוף להפוך את קריטי אופטימיזציה דפוס בזמן אמת.מודלים למידה מאומן על נתונים אמפימיס וקישור חישובים תקציביים יכול לחזות את הציטוטים הנדרשים כדי לשמור על שולי קישור קבועים.

« « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « «

במערכות רדיו ודאר קוגניטיביות, היכולת להציב נקודות נחות עמוקות לכיוון של להפריע תוך שמירה על רווח מרכזי. RL סוכנים יכולים ללמוד להתאים משקולות מורכבות על - באופן דומה כי מפריעים מופיעים להיעלם. בהשוואה לאלגוריתמים הסתגלות רדיניסטיים (למשל, מערכת ההפעלה, RLS), היגוי מבוסס RL משיגה התכנסות מהירה יותר, כי הסוכן יכול לזכור בעבר מדיניות מוצלחת של 20B יכול לדכא אפילו הדבקה של קוד כפול של 20 מילימטרים.

יתרונות של אופטימיזציה של ML-Driven

למידת מכונה מציעה יתרונות ברורים על שיטות אופטימיזציה קונבנציונליות, מה שהופך אותו גישה ל-Go-to עבור מערכות אנטנות מודרניות:

  • (FLT:0) ,Adaptability to non-Stationary EnvironmentsFLT) 1:1: מודלים של ML ניתן לעדכן ללא הרף עם נתוני הזרמת (למידה מקוונת) כדי לעקוב אחר שינויים בדחיסות המשתמשים, סטטיסטיקות ערוצים ודפוסי התערבות מסורתיים דורשים לעתים קרובות להפעיל מחדש את האופטימיזציה מאפס.
  • (FLT:0) מהירות גבוהה ב-InferenceFLT:1: רשת עצבית מאומנת יכולה למקם מערכת של משקלים מערכיים במיקרו-שניות - סדרי גודל מהירים יותר מאשר פותרים רציונאליים.זה מאפשר הסתגלות בזמן אמת ברמת הסמל או מרווח זמן שידור.
  • (FLT:0)Automated Feature Engineering Engineering Engineeringation EngineeringFLT:1: למידה עמוקה באופן אוטומטי תמצית תכונות רלוונטיות של נתוני חיישן גולמי (למשל, קיבלה נקודות, זוויות של הערכות) ללא לוח ידני.זה מקטין את התחום הנדרש עבור אופטימיזציה דפוס.
  • (FLT:0)ScalabilityFLT:1: מודלים של ML יכולים להתמודד עם מערך גדול יותר על ידי ניצול עיצובים מודולריים (למשל, שיתוף משקל על פני אלמנטים) עלות חישובית בקנה מידה sub-לינארי עם מספר אלמנטים, בעוד שיטות convex מסורתיות לעתים קרובות בקנה מידה מתואם.
  • (FLT:0) רובווט למודל MismatchFIRLT:1; כי ML לומד מדידות בעולם האמיתי, הוא לפצות באופן מוחלט על פגמים כגון הפיכה הדדית, ניצולי רכיב וריאציות ייצור. זה מנוגד לטכניקות המבוססות על מודלים שיש להסתמך על ידע מושלם.

אתגרים ומייגים

למרות התוצאות המבטיחות, כמה אתגרים מעכבים פריסה נרחבת של ML עבור אופטימיזציה של דפוס אנטנה:

  • (FLT:0Data Scarcity and QualityFLT:1): נתונים מתוייגים (הגדרות אופציונליות עבור תרחישים נתון) יקרים להשיג.הנתונים המבוססים על סימולציה עשויים לא ללכוד מורכבות סביבתית בעולם האמיתי. Mitigations כוללים העברת למידה (האימון בנתונים מדומים, ערך קנס על נתונים אמיתיים מוגבלים) ולמידה חיזוק (שמיוצרת באמצעות אינטראקציה משלו).
  • (FLT:0) התאמה ו- GeneralizationFLT:1: מודל שהוכשר על קבוצה צרה של תנאים עלול להיכשל בסביבות חדשות.סדירזציה, ירידה, והעלאת זמן הבדיקה יכול לשפר את הכללה.
  • (FLT:0) הסבירות והאמון (איור 1: 1): בתקשורת ביקורתית בטיחותית (למשל, תעופה, צבא), מודלים שחורים של ML ML לעתים קרובות נתפסים בחשד.טכניקות כגון SHAP (הסברים של תוספת נאמנות) ומנגנוני תשומת לב יכולים לספק תובנה מדוע דפוס מסוים של קרן נבחר.שלב ML עם מגבלות המבוססות על פיזיקה (PINN) גם מגביר שקיפות.
  • (FLT:0) משאבים חישוביים עבור הדרכה FLT: הדרכה רשתות עמוקות או סוכני RL דורש זמן GPU משמעותי.עם זאת, הכשרה לא מקוונת על משאבי ענן מקובל; רק הקצאה פועל על המכשיר קצה. Quantization ומודל runing להפחית את העלות כדי להתאים אפילו על FPGAs צנוע.
  • (FLT:0) Real-Time ConstraintssFLT:1: עבור העדכונים של beam sub-milliII, latency הוא קריטי.מסור מאיצים חומרה (למשל, מעבדי רשת עצביים מבוססי FPGA) יכולים לעמוד בדרישות התזמון הללו. יתר על כן, מודלים רבים של ML יכולים להיות מוקדשים כדי לנצל ארכיטקטורות SIMD במעבדים מודרניים.

כיוונים עתידיים ומגמות מתפתחות

תחום אופטימיזציה האנטנה המונעת על ידי ML מתקדם במהירות.כמה כיוונים מחקר מבטיחים להתגבר על המגבלות הנוכחיות ולפתוח יישומים חדשים:

  • (FLT:0) ,Federated LearningFLT:1: מספר תחנות בסיס או מסופי רכבת משותפת מודל אופטימיזציה דפוס גלובלי ללא שיתוף נתונים גולמיים.זה משמר פרטיות המשתמש ומפיץ את עומס האימונים - במיוחד יקר עבור פריסות צפופות.
  • (FLT:0) Meta-Reinforcement LearningFIRLT:1: סוכן RL לומד מטבול-policy שיכול להסתגל לסביבת ערוץ חדשה עם רק כמה שלבים אינטראקציה.זה באופן דרמטי מפחית את זמן הפריסה עבור ML מבוסס על קידוד באתרים חדשים.
  • (FLT:0) אינטגרציה עם משטחים חכמים Reconfigurable (RIS)FIRLT:1: ML יכול לייעל את המערך הפעיל בתחנה הבסיס ואת האלמנטים הרהורים פסיביים של RIS, יצירת מערכת בקרה הוליסטית של אלקטרומגנטית מחקרים ראשוניים מראים כי למידה עמוקה יכולה לפתור את הבעיה אופטימיזציה משותפת רבת ממדית זו ביעילות.
  • (FLT:0)Hardware-in-the-Loop TrainingFLT:1: Co-simulations הכוללים מודלים ריאליים של מגברי חשמל, משמרות שלב, ו-דיגיטל-לanalog להמיר מודלים ל-ML כדי ללמוד התנהגויות נכונות לפני הפריסה. תאומים דיגיטליים של אנטנה של מערךים מאפשרים אימון בטוח, מואץ.
  • (FLT:0)Quantum Machineve LearningFLT:1: עבור מגוון גדול מאוד (אלפי אלמנטים), רשתות עצביות קוונטיות עשויים להציע מהירות אקספוננציאלית עבור סינתזת דפוס.למרות עדיין במחקר מוקדם, רשתות בצורת קוונטית כבר מציגות יתרונות עבור משימות אופטימיזציה משקל מסוימות.

מסקנה

למידת מכונות היא באופן יסודי משנה את האופן שבו דפוסי מערך האנטנה מתואמים.ממתחזיות עמוקות לסוכני למידה אוטונומיים, שיטות המונעות על ידי נתונים אלה מספקות הסתגלות, מהירות וביצועים שטכניקות אופטימיזציה מסורתיות אינן יכולות להתאים.כפי שמערכות אלחוטיות מתפתחות לקראת להקות teratz, מערךים מסיביים, ומשטחים אינטליגנטיים, ML יהפכו למרכיב חיוני של תהליך העיצוב של מערכות רדיו.