大型ミモ配列における同期と校正の課題

はじめに: 大規模MIMOにおける同期と校正の問題のスケール

複数の入力複数の出力(MIMO)技術は、数本のアンテナを数百個または数千の要素で大規模な構成にサポートする小規模な配列から進化しました。これらの大きなMIMO配列は、5Gの新しいラジオに基礎的であり、6Gシステムでさらに大きな役割を果たしることが期待されています。大規模なMIMOの約束 - より高スペクトル効率、改善されたビームフォーミングゲイン、およびより良い空間の多重化 - これらは、厳密に2つの緊密なプレクシブサイトに異なる要素を組み合わせることに変化します。正確なタイミングと、MIMOの精度を向上させるため、すべての要素が向上します。

大規模なMIMO配列における同期: なぜそれはマター

大規模なMIMOコンテキストでの同期は、すべてのトランシーバーチェーンを横断するタイミングとキャリアフェーズのアライメントを指します。このアライメントなしで、ビームフォーミングは、配列ゲインを削減し、インターユーザー干渉を増加させ、スループットを劣化させる、インコヒーレントになります。大規模なMIMO展開を支配するタイムディビジョンデュプレックス(TDD)システムでは、チャネルの往復が想定されますが、両サイドのハードウェアチェーンが適切に同期および並列化される場合にのみ、相互接続が保持されます。

タイミング同期

大規模な配列のタイミングエラーは、シンボルの不整列を引き起こします。これは、直角周波数分割多重化(OFDM)システムが、インターキャリア干渉(ICI)とインターシンボル干渉(ISI)を引き起こします。参照クロック分布ネットワークは、すべてのラジオヘッドに安定した低ジッター信号を配信しなければならないため、チャレンジは配列サイズで増加します。長い分布パスは、遅延の変動と熱の漂流をもたらします。分散型MIMOアーキテクチャでは、アンテナは複数の場所を同期していますが、IEG(IEG)は、より厳しい状況を把握し、より詳細な手順を把握することができます。

フェーズ同期

Coherent のビームフォーミングは、すべてのアンテナ要素が同じキャリアフェーズ(または既知のフェーズオフセット)で送信することを必要とします。局所発振器(LO)からのフェーズノイズは、主要な障害です。大規模な配列では、単一のソースから共通 LO を分配すると、フェーズドリフトを減らしますが、電力分割とケーブルロスによるスケーラビリティの問題を紹介します。または、各要素で独立した LO を使用して、高度なフェーズトラッキングと補正が必要です。 OTA は、トランスフォーメーション (ADF) およびトランスフォーメーション (ADF) およびトランスポート (Reference) およびトランスポート (Reference) ) の3 およびトランスポートを含み、およびトランスフォーメーション (Reference) ) トランスポート (Refer ) ) ) およびトランスポート (Refer ) ) ) の3 または 3 (Refer ) ) ) トランスポート (Refer ) ) ) トランスポート (Refer ) ) ) ) トランスポート (Refer ) ) トランスポート (Refer ) ) ) )

口径測定: 均一要素の応答の達成

校正は、各アンテナ要素と関連するアナログフロントエンドの振幅と相応答の違いを扱います。同期がタイミングとキャリアフェーズを揃えても、配列ビームパターンを歪める要素間で振幅と相差が相まってきます。2つの主要な校正戦略は、内部(組み込みテストパスを使用して)および外部(オーバーザエア参照信号を使用して)存在します。

内部口径測定およびその限界

内部校正は、専用の校正ネットワークを介して、各トランシーバーチェーンに既知の参照信号を結合します。このネットワーク自体は、周波数に依存し、時間ごとに異なる不一致をもたらします。要素の数が成長すると、校正ネットワークは複雑で損失になります。校正精度も温度変化とコンポーネントの老化と劣化します。製造業者は、多くの場合、定期的な自己テストルーチンと内部校正を組み合わせますが、数百の要素のためのすべての環境変数を追跡することは重要なエンジニアリングチャレンジを残します。

オーバーザエア(OTA)キャリブレーション

OTA校正は、外部参照送信機から信号を使用します。これは、専用の校正ステーションまたはUEを既知の場所で測定し、要素の応答を補正します。アンテナ相互カップリングや配列環境の相互作用を含むエンドツーエンドの動作を直接キャプチャします。ただし、OTA校正は、複数の問題に直面しています。

[測定の曖昧さ:[] 参照ソースと各要素の間のチャネルは、既知または分離可能でなければなりません。マルチパスと散布は、この困難をします。
計算負荷:]] リアルタイムで数千要素の校正係数を推定し、適用することは重要な処理能力を必要とします。
再較正周波数:[]] 環境変化(温度、風による構造運動)は、空気資源を消費することができる頻繁な再較正を必要とします。

一般的なアプローチは、既定の参照UEで「校正スロット」を「によって文書化される高度なビームフォーミングアルゴリズムで説明する」と説明したように、スケジュールされた「校正スロット」を使用してバックグラウンドでOTAキャリブを実行することです。欧州通信規格研究所(ETSI)[])および大規模なMIMO試験ベッドに関するIEEE文献。

相互カップリングおよび配列の変形

密な配列では、隣接した要素間の電磁カップリングは、各要素の効果的な放射線パターンとインピーダンスを変更します。校正は、これらのカップリング効果を考慮しなければなりません。ビームフォーメーションに相互カップリング補償やキャリブレーションを組み込むなどの技術は、問題を軽減することができますが、それらは複雑性を追加します。さらに、アンテナ配置と熱膨張による変形における機械的許容差は、測定および補正される必要があるフェーズエラーをもたらします。

スケールの挑戦:何百ものから数千の要素まで

アンテナ要素が増えるにつれて、同期と校正タスクは、データのせん断量と、配列全体にわたって高精度の必要性により、指数関数的に困難になります。

分散アーキテクチャとフェーズコヒーレンス

将来の展開は、複数の地理的に分離されたサブアレイ(分布MIMO)に配列を分割することができます。これらのサブアレイを同期させるには、ネットワークレベルの時間とフェーズアライメントが必要です。これは、単一のサイトソリューションが達成できるものを超えて行く必要があります。フロントホールリンクのレイテンシとジッタが重要になります。 O-RAN Allianceは、 ]の無線ユニット(RU)を渡るタイトな同期のための仕様を定義しました。 O-RANフロントホール規格[FLT:FLT:]]のサブアナライラネットワークが、およびサブアナライラが、およびサブアナライラのタイミングを継承します。

校正アルゴリズムの計算式バーデン

校正アルゴリズムは、すべてのアンテナパスの行列の反転または最小平方推定を頻繁に関与します。 N-element配列では、完全なクロスカップリングが考慮された場合、複雑さが O(N^3) または悪化します。効率的な再帰的または格子ベースのアルゴリズムが必要です。機械学習方法、特に人工ニューラルネットワークは、温度、電力、および老化履歴に基づいて校正係数を予測することを提案しています。これらのモデルは、広範な再較正を削減することができますが、トレーニングデータが必要です。

戦略と新興ソリューション

研究者やエンジニアは、大規模なMIMO配列で同期と校正の課題に対処するためのさまざまな技術を開発しました。最も重要なことは、以下に説明されています。

ローカルオシレーターの同期を分散

単一のLO、各サブ配列または各要素を分配する代わりに、共通のGPSの懲戒処分の発振器またはIEEE 1588ネットワーク参照に同期する独自のPLA(相ロックされたループ)を持つことができます。低相ノイズ周波数合成の進歩により、ミリ波周波数で数度以内に相関を維持することができます。光技術を使用して信号参照の光学分布は、別の方法で、ミリ波帯域およびサブバンドのサブバンドを研究するアプローチです。

UL/DL のフィードバックの Reciprocity の口径測定

TDDシステムでは、ハードウェア応答が校正されている場合にのみチャネルの往復が保持されます。よく知られている方法は、各要素から既定の校正信号を送信し、受け取った信号を参照要素(またはUEで測定することを含みます)で測定することを含みます。共焦点チャンネルを利用すると、校正係数が誘導することができます。この方法は、多くの大規模なMIMOプロトタイプに組み込まれ、3GPPの ]TS 38.211(Phyical channels:[FRS]および[F])の校正手順で標準化されています。

リアルタイム校正のための機械学習

ディープラーニングモデルは、環境条件(温度、湿度、電力レベル)とキャリブレーションエラー間の複雑な関係を学習することができます。訓練された後は、モデルは、通常の動作を中断することなく、ドリフトを予測し、補償することができます。さまざまなオートエンコーダとジェネレーション広告ネットワークは、限られた測定から配列の欠陥をモデル化するために探されています。有望な一方で、これらのモデルは、異なるハードウェアユニット全体で過度にそして一般化することを避けるために、慎重に展開する必要があります。

ハードウェアの改良

アナログコンポーネントが向上します。高品質の結晶、温度補償振動子、デジタル調整可能なフェーズシフトャーは、同期と校正エラーの拡大度を削減します。シリコンベースのビームフォーミングICは、最大64要素の配列で市販可能です。チップレベルでの人工知能のさらなる統合と使用は、将来の世代における外部校正の必要性を減らすことができます。

結論: 大規模なMIMO配列のための道のフォワード

同期と校正は、商用ネットワークの大規模なMIMO配列をデプロイする最も重要かつ技術的に難しい側面の中に残ります。問題は、アナログハードウェア設計、デジタル信号処理、ネットワークレベルのプロトコルに及ぶ問題です。単一のソリューションは、すべてのシナリオに適合するわけではありませんが、ハードウェア、インテリジェントアルゴリズム、および標準ベースの同期フレームワークの組み合わせは、大規模MIMOをより実用的に実現します。分散フェーズコヒーレンス、オーバーザエアキャリブレーション、および機械のインベストメントのアレイをさらに高めるためには、より詳細なパフォーマンスを最適化する必要があります。