Introduzione alla selezione dinamica del fascio nelle reti MIMO

La tecnologia Multi-Input Multiple-Output (MIMO) è una pietra angolare dei moderni sistemi di comunicazione wireless, dal Wi-Fi al 4G LTE e 5G Nuova Radio (NR).

I metodi di selezione dei raggi tradizionali si basano su codebook predefiniti, ricerca esaustiva su tutte le coppie di travi, o algoritmi euristici che assumono canali statici o lentamente variabili. Questi approcci lottano per tenere il passo con i rapidi cambiamenti visti in bande ad alta frequenza (ad esempio, le basi millimetri-wave e sub-THz) utilizzati da 5G e oltre, dove le larghezze del fascio sono strette e frequenti il riallineamento è necessario.

Comprendere la selezione di fasci nelle reti MIMO

La selezione del fascio è il problema di scegliere, da un insieme finito di possibili direzioni di trasmissione, il fascio (o combinazione di travi) che massimizza un certo obiettivo, come il rapporto segnale-interferenza-plus-noise (SINR), il throughput, o la copertura. In pratica, i sistemi MIMO impiegano la teletrasformazione del fascio—una tecnica di filtraggio spaziale che regola la fase e l'ampiezza dei segnali ad ogni elemento dell'antenna per produrre un lobo di trasmissione memorizzato di senso.

Selezione del vapore su base cartacea

Nei primi standard MIMO (ad esempio, LTE), la selezione del fascio era relativamente grossolana, con piccoli codebook (4-8 travi). L'attrezzatura dell'utente (UE) e la stazione di base (gNB) misurano i segnali di riferimento trasmessi con diversi travi e segnalano il miglior indice. Questo processo, chiamato spazzamento del fascio, introduce la testa proporzionale al numero di travi.

Tracciamento adattivo del fascio

Per ridurre la testata, i metodi di tracciamento del fascio adattativo utilizzano misure passate per prevedere quando e come regolare i raggi. Ad esempio, la spazzatura del fascio gerarchico utilizza un fascio grossolano per restringere la direzione, poi le sottili-tune all'interno di quel settore. Tuttavia, anche questi metodi si basano su regole di commutazione fissa e non possono facilmente sfruttare complesse correlazioni temporali o spaziali nel canale.

Il ruolo dell'apprendimento automatico nella selezione dinamica del fascio

I modelli di apprendimento automatico possono elaborare informazioni di stato del canale grezzo (CSI), come gli indicatori di forza del segnale ricevuti (RSSI), le risposte agli impulsi del canale, o anche i valori degli elementi dell'antenna, per emettere direttamente il miglior indice del fascio o una distribuzione delle probabilità sui raggi.

Perché i metodi tradizionali cadono breve

La selezione tradizionale del fascio si basa spesso su una ricerca esaustiva o su semplici soglie euriche, che sono sotto-ottimi in scenari con elevata mobilità degli utenti, canali rapidamente sbiaditi o dispiegazioni dense con forti interferenze.

Tecniche di apprendimento della macchina per la selezione del fascio

Apprendimento supervisionato

L'apprendimento supervisionato tratta la selezione del fascio come un problema di classificazione o di regressione. Le caratteristiche di input sono derivate da misurazioni CSI (ad esempio, una istantanea dei coefficienti di canale o poteri ricevuti su un sottoinsieme di travi). Le etichette sono le travi ottimali determinate da una esaustiva scansione al tempo di formazione.

Apprendimento di Rinforzo (RL)

L'apprendimento delle forze di forza è particolarmente attraente per la selezione dinamica del fascio perché non richiede etichette esplicite; invece, l'agente impara attraverso le interazioni con l'ambiente. Lo stato include le misurazioni del fascio passato, il contesto dell'utente e il tempo; le azioni corrispondono alle scelte del fascio; e i premi sono metriche come il throughput o la latenza.

Imparare e rappresentare senza supervisione

I metodi non supervisionati, inclusi gli autoencoders e il clustering, aiutano a ridurre la sovraccarico di misura. Ad esempio, un autoencoder rado può comprimere CSI ad alta dimensione in una rappresentazione latente a bassa dimensione. La selezione della trave può essere eseguita nello spazio latente, richiedendo meno trasmissioni pilota.

Architettura di apprendimento profondo per la selezione di Beam

Le reti neurali convoluzionali (CNN) e le reti neurali ricorrenti (RNN) sono popolari per l'elaborazione di modelli spaziali e temporali in CSI. Le CNN possono estrarre le caratteristiche dalle rappresentazioni 2D delle risposte dell'array di antenna, come gli spettri angolari.

Vantaggi dell'apprendimento automatico per la selezione dinamica del fascio

La selezione del fascio a trave ML consente di ottenere miglioramenti tangibili in diverse dimensioni delle prestazioni.

Riduzione della testa e della latenza

In molte implementazioni segnalate, la selezione dei raggi può essere effettuata con il 50-80% in meno di segnali pilota rispetto alla ricerca esaustiva. Questo abbassa direttamente il controllo del canale di controllo e la latenza associata all'acquisizione del fascio, che è fondamentale per applicazioni come il controllo industriale a bassa latenza o la teleoperazione.

Qualità e produttività dei segnali migliorati

I modelli ML possono identificare travi che raggiungono un SINR più elevato, anche negli scenari non linea-di-sight (NLOS) . Nelle prove cellulari utilizzando i dataset da ambienti interni millimetri-onda, la selezione del fascio DNN ha raggiunto circa il 90% del throughput massimo raggiungibile utilizzando solo il 5% delle coppie di raggi.

Adaptability potenziato alla mobilità e al blocco

Gli agenti di apprendimento di rinforzo che aggiornano continuamente la loro politica possono mantenere elevate prestazioni anche quando gli utenti si muovono a velocità veicolari (fino a 30 m/s). I risultati sperimentali mostrano che il tracciamento del fascio basato su RL riduce gli eventi di disallineamento del fascio di oltre il 40% rispetto alla spazzatura periodica.

Pianificazione e funzionamento semplificati della rete

I modelli ML possono essere formati in modo centralizzato e poi distribuiti in stazioni di base, consentendo la selezione coordinata del fascio attraverso una rete multi-cellula, riducendo le interferenze intercellula e migliorando l'efficienza spettrole generale.

Sfide nell'implementazione ML per la selezione del fascio

Nonostante la sua promessa, l'integrazione dell'apprendimento automatico nella produzione di sistemi di selezione del raggio MIMO presenta diversi ostacoli.

Acquisizione e Etichettatura dei dati

L'acquisizione di queste misurazioni comporta spesso esaustivi spazzature di travi, che incorre la ML molto in testa che intende ridurre. Inoltre, i dati etichettati devono coprire una vasta gamma di ambienti, condizioni di canale e scenari utente per evitare sovraccarico.

Complessità computazionale e vincoli di resistenza

Le reti neurali profonde possono essere computazionalmente intensive, soprattutto quando hanno bisogno di funzionare su dispositivi di utenti con la batteria o all'interno dei rigorosi budget di elaborazione della banda di base. Ad esempio, le decisioni di selezione del fascio devono essere prese entro un paio di centinaia di microsecondi in 5G NR. Mentre le tecniche di compressione del modello (quantization, potatura, distillazione) aiutano, la distribuzione in pratica richiede un'attenta co-design hardware-software.

Adeguamento in tempo reale e non-stazione

I canali wireless non sono stazionari: la distribuzione delle probabilità di fondo cambia quando gli utenti si muovono, i cambiamenti climatici o le fonti di interferenza appaiono. Un modello ML formato sui dati passati può diventare stallo. I metodi di apprendimento online o di apprendimento continuo sono necessari per adattarsi in tempo reale, ma pongono sfide nella stabilità di convergenza e nella bassa sovraccarica computazionale.

Integrazione con Standard e Infrastrutture esistenti

Gli standard cellulari attuali (3GPP Rel-15/16/17) definiscono procedure specifiche di gestione del fascio. L'introduzione della logica decisionale basata su ML deve essere retrocompatibile e non deve violare il temporizzazione del protocollo. La rete deve fornire ganci per uscite di inferenza ML per influenzare gli indici delle travi segnalati dall'UE, o l'UE stessa deve eseguire modelli leggeri.

Le direzioni e le opportunità di ricerca future

Il campo della selezione del fascio ML-driven si sta evolvendo rapidamente, con diversi viali promettenti per il lavoro futuro.

Formazione per la conservazione della privacy

Invece di centralizzare i dati dei canali degli utenti, i modelli di treni di apprendimento federati localmente su ogni dispositivo e condividono solo gli aggiornamenti del modello. Questo preserva la privacy e riduce il overhead del trasferimento dei dati. Gli approcci Federated sono particolarmente rilevanti per la selezione dei raggi perché le caratteristiche dei canali specifici dell'utente rimangono locali mentre il modello globale beneficia ancora di ambienti diversi.

Approcci ibridi classici-ML

Invece di sostituire tutti gli algoritmi tradizionali, i sistemi ibridi usano ML per migliorare le procedure di spazzamento del fascio classico. Ad esempio, un modello ML può dare priorità a quali travi per testare nelle prime spazzate, riducendo lo spazio di ricerca. In alternativa, un loop di tracciamento del fascio classico può essere eseguito continuamente, mentre un ML innesca una ricerca ricalibrata quando la qualità del segnale scende.

Modelli generalizzati per configurazioni multi-Band e multi-antenna

I futuri sistemi wireless (6G) opereranno attraverso bande sotto-6 GHz, mmWave e THz, ognuna con caratteristiche di propagazione diverse. Sviluppare un modello ML unico che può gestire diverse dimensioni del codebook, geometrie di array e bande di frequenza è una sfida attiva di ricerca.

Integrazione con Sensing e mappe ambientali

Oltre ai modelli CSI, ML può incorporare informazioni collaterali come la posizione utente del Global Navigation Satellite System (GNSS) o dati visivi in tempo reale dalle telecamere. Questo approccio multimodale può prevedere la selezione del fascio in base alla geometria nota e al contesto utente, riducendo completamente la necessità di segnali pilota.

Conclusioni

La selezione del raggio dinamico è un fattore critico per le reti MIMO ad alte prestazioni, soprattutto quando i sistemi wireless si spostano verso bande di frequenza più elevate con travi più strette. L'apprendimento automatico fornisce strumenti potenti per prevedere travi ottimali da misure limitate, ridurre la capacità di overhead, la latenza e migliorare la qualità del segnale.

Per ulteriori informazioni, vedere le specifiche 3GPP sulla gestione del fascio NR [(3GPP TS 38.300)[] e recenti indagini IEEE sull'apprendimento automatico per la selezione del fascio [](IEEE COMST 2020)]].