Millimetro Wave MIMO e la necessità di Hybrid Beamforming

I sistemi di trasmissione multi-gigabit (Mimo) sono fondamentali per raggiungere i tassi di dati multi-gigabit e per la latenza ultra-bassa prevista per le reti 5G-Advanced e 6GMO.

Il trade-off tra efficienza spettrale, complessità hardware e consumo energetico è la sfida centrale nel design ibrido di teletrasformazione. Questo articolo fornisce un'analisi autorevole e approfondita delle strategie chiave, algoritmi e considerazioni del mondo reale che definiscono il moderno ibrido di trave per mmWave MIMO.

Comprendere Architettura di Beamforming Hybrid

Un sistema di traslazione ibrido parti le operazioni di precodifica e di combinazione in una fase analogica RF e in una fase digitale della banda base. La fase analogica, tipicamente implementata con una rete di mutatori di fase e possibilmente di commutatori, opera sul segnale di frequenza del vettore direttamente dopo la catena RF.

Componenti analogici per la formazione

Il teletrasporto analogico è realizzato utilizzando dei giradischi di fase, che possono essere passivi (basso potere ma limitato al controllo di fase 0–360°) o attivi (con l'amplificazione integrata ma maggiore potenza). Inoltre, alcuni progetti incorporano amplificatori di guadagno variabili (VGA) per regolare l'ampiezza, sebbene la maggior parte dei trave analogici siano dei limiti di fase commutati.

Digital Beamforming a Baseband

Nel dominio digitale, la formazione del fascio viene eseguita dopo la conversione down-conversion e analogico-digital. Il precoder digitale può applicare pesi complessi arbitrari, consentendo a tutte le funzionalità MIMO come l'igenbeamforming (basato su informazioni dello stato del canale), il numero zero-forcing (ZF) per la nullità delle interferenze multi-utente, e la ricezione di errori medi-quari (MMSE) di flusso digitale.

Strategie di formatura ibrida core

Nel corso degli ultimi dieci anni, ricercatori e ingegneri del settore hanno sviluppato un ricco insieme di strategie per la progettazione di travi analogiche e digitali congiuntamente. Gli approcci più importanti possono essere classificati in metodi basati su codebook, ottimizzazione iterativa e tecniche di apprendimento automatico-driven.

Codice di base di Beamforming

I sistemi di trasmissione a distanza sono basati su un insieme finito di modelli di trave analogiche predefiniti, spesso derivati dalle colonne di una matrice DFT (per array lineari uniformi) o sequenze di sferoi a profilo discrezionale (per array planari).

  • vantaggi:[ Bassa complessità computazionale, non c'è bisogno di conoscenze istantanea dei canali, hardware-friendly (ad esempio, reti di commutazione).
  • Drawbacks:[] Scarico di prestazione con teletrasformazione completamente digitale, soprattutto in una ricca dispersione; risoluzione fissa limita il multiplexing spaziale.

Algoritmi di ottimizzazione iterativa

Quando le informazioni dello stato del canale (CSI) sono disponibili alla stazione di base (ad esempio, attraverso un feedback esplicito o una reciprocità del canale nei sistemi TDD), gli algoritmi iterativi possono ottimizzare congiuntamente i precodi analogici e digitali per massimizzare l'efficienza spettrale. Il lavoro seminale di El Ayach et al. (2014) ha formulato il problema di precodifica ibrido come fattore di matrice: approssimare il precoder digitale completamente digitale (power-power-power-power-power-

  • L'inseguimento coordinato ortogonale (OMP):[] Tratta il precoder analogico come una combinazione lineare rada di vettori del dizionario (ad esempio, travi DFT).
  • Alternando la minimizzazione (AltMin):[ Iterativamente fissa la parte digitale ottimizzando la parte analogica (soggetto a modulo costante), e viceversa. Converga ad un OMP locale ottimale e spesso supera in un fitto multipasto.
  • Metodi di proiezione geniali: Per grandi array, ottimizzazione multipla (ad esempio, sul collettore obliquo) può gestire in modo efficiente il vincolo costante-modulo.

Questi algoritmi richiedono tipicamente 10–100 iterazioni e possono essere implementati in unità di elaborazione a banda base. La sfida principale è l'adattamento in tempo reale: per i canali di fast-fading (± 1 ms tempo di coerenza), i metodi iterativi possono essere troppo lenti.

Apprendimento della macchina–Samforming guidato

L'apprendimento approfondito è emerso come uno strumento potente per superare i limiti sia di codebook che di metodi iterativi. Le reti neurali possono imparare la mappatura da segnali di covarianza dei canali o di pilota grezzi ai travestitori analogici/digitali ottimali, bypassando la stima CSI esplicita e l'ottimizzazione iterativa.

  • Deep rinforzo per la selezione del fascio:[] L'agente impara una politica che seleziona coppie di raggi in base alla forza del segnale ricevuta dal passato, riducendo la formazione in testa negli scenari mobili.
  • L'apprendimento supervisionato per la compressione CSI e la previsione del fascio:[ Una rete neurale convoluzionale (CNN) può prevedere il miglior indice del fascio da un'istantanea del canale a banda larga, riducendo drasticamente il feedback in testa.
  • Progettazione congiunta basata su autoencoder:[] L'intera catena di travettatura ibrida (encoder a Tx, decoder a Rx) è ottimizzata end-to-end utilizzando discese gradiente stocastica, soddisfando automaticamente i vincoli hardware come modulo costante e risoluzione del cambio di fase.

Gli approcci ML hanno dimostrato di poter avvicinare l'efficienza spettrale dei sistemi completamente digitali con solo 2-4 catene RF, anche in canali non trasparenti. Tuttavia, richiedono dati di formazione e calcolo offline; la riformazione online rimane una sfida aperta.

Modello di sistema e metriche di prestazione

[LT] [LT] [FLT] [[[6]]] [[[f]]]] [[f]]]] [[[f]]]]] [[f]]]][[[f]]][[[f]]]]]][[[f]]]]]][[[[[[f]]]]]]]][[[[f]]]]]]]]]]]]]]]]]]]]][[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[f]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]

Le metriche di performance chiave includono:

  • Efficienza specifica (SE)[]: Tasso raggiungibile in bps/Hz, spesso valutato attraverso l'espressione di informazioni comuni che assumono il segnale gaussiano.
  • Complessità di Hardware: Numero di turni di fase, catene RF e consumo di energia. Per un'architettura completamente collegata, il numero di turnisti di fase è N RF × N]] [FLT][FLT][[FLT][[FLT]]][[[[[FLT]]]]][[[[FLT]]]]][[[[[[[[FLT]]]]]]]]]]]]][[[[[[[[FLT]]]]][[[[[[[FLT]]]]]]]]]]]]][[[[[[[[[[[[[[[[[[[[[[[[FLT]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]][
  • Trattamento in testa[[]: Numero di slot temporali o simboli pilota necessari per selezionare la coppia del fascio. I metodi di Codebook usano tipicamente [O(log(N]]t])])[]]]]]]]]] spazza con ricerca gerarchica; metodi ML in grado di ridurre questo a una volta in volta in volta in volta.
  • Probabilità e copertura di uscita[]: Importante per l'affidabilità, soprattutto in presenza di blocchi.

Confronto di architetture ibride

La tabella 1 (conceptual) riassume i trade-off. Le architetture completamente connesse forniscono il più alto guadagno di beamforming (array gain up to N[]]]]]] ma soffrono di un grande consumo di energia a causa di molti turni di fase.

In pratica, molte stazioni di base 5G utilizzano un array ibrido con 64 antenne e 2-4 catene RF per polarizzazione, impiegando un codebook DFT per l'accesso iniziale e raffinatezza iterativa per la trasmissione dei dati.Per le apparecchiature utente (UE), i costi e la potenza sono ancora più limitati, quindi il teletrasporto analogico basato su codebook con una singola catena RF è comune.

Sfide di attuazione e le imperfezioni hardware

Il teletrasporto ibrido Wave di real-world deve essere in contrasto con diverse non-idealtà:

  • Quantizzazione del cambio di fase[[]: Tipicamente 3–6 bit di risoluzione di fase. La quantizzazione grossolana degrada il guadagno di 1–2 dB e introduce sidelobes.
  • L'accoppiamento reciproco tra antenne[]: Più forte in array compatti, l'accoppiamento altera l'efficace vettore di guida e può ridurre l'ortogonalità dei modelli di fascio.
  • Non linearità dell'amplificatore di potenza[[]: I turnisti di fase sono spesso posti dopo il PA; la loro perdita di inserimento e le non linearità influiscono sul segnale irradiato.
  • Disallineamento tra i veicoli ad alta velocità (ad esempio 500 km/h negli scenari ferroviari), la direzione del fascio cambia in modo significativo in un tempo di coerenza. Il monitoraggio del fascio basato sull'apprendimento automatico con reti neurali ricorrenti e i filtri Kalman sono impiegati per mantenere la qualità del collegamento.
  • Calibrazione di Hardware[[]: I maltagrammi di fase e ampiezza tra le catene RF richiedono una taratura periodica. Alcuni array di mmWave commerciali offrono circuiti di autocalibrazione integrati utilizzando loop pilota.

Le direzioni e i problemi aperti

L'evoluzione del teletrasporto ibrido è strettamente accoppiata con il rollout della comunicazione sub-THz (100–300 GHz) e il MIMO (XL-MIMO) di grandi dimensioni. A queste frequenze, le antenne si restringono ulteriormente e gli array possono comprendere migliaia di elementi, rendendo completamente digitale il teletrasformarsi completamente infettibile.

  • Le superfici intelligenti riconfigurabili (RIS): Il teletrasformatore ibrido a risposta a RIS sfrutta una grande superficie passiva per riflettere i segnali in direzioni desiderate, riducendo le necessarie catene RF attive.
  • Immergere per il multiutente MIMO[[]: Le strategie ibride devono supportare gli utenti simultanei con diverse firme spaziali.
  • Hardware-in-the-loop learning[[: apprendimento profondo online che si adatta al volo utilizzando solo piloti ricevuti, senza una stima esplicita del canale.
  • Comunicazione radar-funzione (DFRC)[]: A mmWave, lo stesso array può essere utilizzato per il rilevamento e la comunicazione radar.

Per la distribuzione pratica, la standardizzazione è fondamentale. Il 3GPP ha specificato procedure di gestione dei raggi gerarchici in NR, e le versioni future includeranno una risoluzione dei raggi più sottili e miglioramenti MIMO.

Conclusioni

Grazie a un'integrazione di sistemi wireless di generazione inferiore, le soluzioni di trasmissione wireless MWave sono più complesse e più complesse.

Ulteriori informazioni: Per la teoria fondamentale, vedi ] El Ayach et al., "Spatially Sparse Precoding in Millimeter Wave MIMO Systems," IEEE Trans. Wireless Commun., 2014. Per una panoramica della gestione del fascio NR 5G, consultare 3GPP TS 38.214Live Learning]