Millimeter Wave MIMO en de noodzaak voor hybride beamforming

Millimetergolf (mmWave) multi-input multi-output systemen (MIMO) zijn van fundamenteel belang voor het bereiken van de multi-gigabit data rates en ultra-lage latency voorzien voor 5G-geavanceerde en 6G-netwerken. Het werken in frequentiebanden van 24 GHz tot 100 GHz en verder, deze systemen maken gebruik van grote antenne arrays .vaak met 64, 128 of meer elementen .Om hoge gerichte bundels te vormen die ernstige verlies van het pad en atmosferische absorptie compenseren. Echter, het pure aantal antennes creëert een kritische hardware bottleneck: het voorzien van elk antenne element met een speciale RF-keten (mixer, ADC/DAC, power versterker) is onbetaalbaar duur en power-hungry bij mmWave frequenties. Hybride bundelvorming lost dit probleem op door de bundelvorming taak op te splitsen in een analoog domein (met behulp van lage kosten fase shifters) en een digitaal domein (met behulp van een gereduceerde set van RF-ketens en basisband verwerking).

De afweging tussen spectrale efficiëntie, hardware-complexiteit en stroomverbruik is de centrale uitdaging in hybride bundelvormende ontwerp. Dit artikel biedt een gezaghebbende, diepgaande blik op de belangrijkste strategieën, algoritmen en real-world overwegingen die moderne hybride bundelvorming voor mmWave MIMO definiëren.

Hybride beamforming architectuur begrijpen

Een hybride bundelvormend systeem partitioneert de precodering en combineert handelingen tot een analoge RF-fase en een digitale basebandfase. De analoge fase, die meestal wordt uitgevoerd met een netwerk van fasewisselaars en eventueel schakelaars, werkt op het carrierfrequentiesignaal direct na de RF-keten. De digitale fase voert flexibeler MIMO-verwerking uit, zoals ruimtelijke multiplexing en multi-user interferentiebeperking, waarbij gebruik wordt gemaakt van een aantal RF-ketens veel kleiner dan het aantal antennes. Twee primaire architecturen domineren: ]volledig verbonden (elke RF-keten verbindt zich met alle antennes via een fasewisselnetwerk) en deels verbonden (elke RF-keten drijft een deel van antennes, waardoor de hardwarecomplexiteit vermindert). De keuze tussen deze architecturen beïnvloedt de bundelvormingswinst, algoritmisch ontwerp en schaalbaarheid.

Analoge bundelvormende componenten

Analoge bundelvorming wordt gerealiseerd met behulp van faseverschuivingen, die passief (low-power maar beperkt tot 0.3600° fasecontrole) of actief (met ingebouwde versterking maar hoger vermogen) kunnen zijn. Bovendien, sommige ontwerpen bevatten variabele gain versterkers (VGA's) om amplitude aan te passen, hoewel de meeste analoge bundelformers zijn fase-alleen vanwege kosten. De analoge bundelvormer past een enkele weegvector over alle antennes op de zender of ontvanger, het creëren van een vaste bundel patroon per RF keten. Dit beperkt het aantal gelijktijdige datastromen aan het aantal RF ketens, maar maakt zeer brede balken voor initiële toegang of zeer smalle balken voor hoge data rate links. Geavanceerde implementaties gebruik geschakelde-beam netwerken (bijv., Butler matrices) of discrete-Fourier-transform (DFT) beamvormen codebooks om snel te selecteren uit een set van vooraf bepaalde patronen.

Digitale beamforming bij Baseband

In het digitale domein wordt beamforming uitgevoerd na down-conversie en analoge-naar-digitale conversie. De digitale precoder kan willekeurige complexe gewichten toepassen, waardoor volledige MIMO-mogelijkheden mogelijk zijn, zoals eigenbeamforming (gebaseerd op kanaalstatusinformatie), zero-forcing (ZF) voor multi-user interferentie nulling, en minimale gemiddelde-kwadraatfout (MMSE) ontvangst. Omdat het digitale deel per subdrager in OFDM-systemen werkt, kan het zich aanpassen aan frequentie-selectieve kanalen. Echter, het aantal digitale streams wordt beperkt door het aantal RF-ketens in de huidige hardware. De combinatie van analoge besturing en digitale streamverwerking maakt hybride architecturen mogelijk om prestaties in evenwicht te brengen met hardware haalbaarheid.

Kern hybride Strategieën

De afgelopen tien jaar hebben onderzoekers en industrie-ingenieurs een rijke reeks strategieën ontwikkeld voor het gezamenlijk ontwerpen van analoge en digitale beamformers. De meest prominente benaderingen kunnen worden gecategoriseerd in codebook-gebaseerde methoden, iteratieve optimalisatie en machine learning gedreven technieken. Elke excel onder verschillende beperkingen van hardware, kanaalvariabiliteit en computationele budget.

Codeboek-gebaseerde beamforming

Codebook-gebaseerde bundelvorming is gebaseerd op een eindige reeks vooraf gedefinieerde analoge bundelpatronen, vaak afgeleid van de kolommen van een DFT-matrix (voor uniforme lineaire arrays) of discrete prolaatsferoïdale sequenties (voor planaire arrays). Tijdens de bundeltraining gebruiken de zender en ontvanger een dergelijke hiërarchische bundeltraining om de zoektijd te verminderen: grove bundels worden eerst getest, vervolgens verfijnd met fijnere bundels. Recente werkzaamheden breidt codebookontwerp uit tot dual-gepolariseerde arrays en herconfigureerbare intelligente oppervlakken (RIS). Een goed ontworpen codeboek kan bijna-optimale bundelvormingswinst bereiken met minimale bovenbouw, waardoor het ideaal is voor initiële celopname en mobiele scenario's waar lage latentie kritiek is. Echter, codebook-gebaseerde methoden zijn minder flexibel in sterk verstrooiende omgevingen waar de optimale bundel niet een eenvoudige DFT vector is.

  • Voordelen: Lage rekencomplexiteit, geen behoefte aan directe kanaalkennis, hardwarevriendelijk (bijvoorbeeld schakelnetwerken).
  • Terugtrekking: Prestatiekloof met volledig digitale bundelvorming, vooral in rijke verstrooiing; vaste resolutie beperkt ruimtelijke multiplexing.

Iteratieve algoritmen voor optimalisatie

Wanneer de kanaalstatusinformatie (CSI) beschikbaar is op het basisstation (bijvoorbeeld via expliciete feedback of kanaalwederkerigheid in TDD-systemen), kunnen iteratieve algoritmen gezamenlijk de analoge en digitale precoders optimaliseren om de spectrale efficiëntie te maximaliseren. Het seminale werk van El Ayach et al. (2014) formuleerde het hybride precoderingsprobleem als een matrixfactorisatie: benaderen van de volledig digitale precoder (optimale onder de som-krachtbeperking) door het product van een laagdimensionale digitale matrix en een constant-modulus analoge matrix. De belangrijkste iteratieve methoden zijn:

  • Orthogonal matching character (OMP): Behandelt de analoge precoder als een schaarse lineaire combinatie van woordenboekvectoren (bijv. DFT-balken). OMP selecteert inhalig kolommen om de rest te minimaliseren. Werkt goed wanneer het kanaal een geringe hoekspreiding heeft.
  • AltMin: Het digitale deel wordt iteratief gerepareerd door het analoge deel te optimaliseren (onder voorbehoud van constante modulus) en vice versa. Convereert naar een lokaal optimaal en gaat vaak boven OPM in dichte multipath.
  • Gradient projectiemethoden: Voor grote arrays kan de optimalisatie van het verdeler (bijvoorbeeld op het schuine spruitstuk) de constante-modulusbeperking efficiënt aan.

Deze algoritmen vereisen meestal 10 .100 iteraties en kunnen worden geïmplementeerd in basisband verwerkingseenheden. De belangrijkste uitdaging is real-time aanpassing: voor snel-vervagen kanalen (< 1 ms coherentietijd), iteratieve methoden kunnen te traag zijn. Suboptimale gesloten-vorm oplossingen (bijvoorbeeld gefaseerde nul-forcing) worden gebruikt in de praktijk.

Machine Learning . Driven Beamforming

Deep learning is ontstaan als een krachtig hulpmiddel om de beperkingen van zowel codebook als iteratieve methoden te overwinnen. Neurale netwerken kunnen leren van het in kaart brengen van kanaalcoovarium of ruwe pilot signalen tot de optimale analoge/digitale beamformers, het omzeilen van expliciete CSI schatting en iteratieve optimalisatie. Key ML-gebaseerde strategieën omvatten:

  • Diep versterking leren voor bundel selectie: De agent leert een beleid dat straalparen selecteert op basis van eerder ontvangen signaalsterkte, waardoor training overhead in mobiele scenario's wordt verminderd.
  • Gesuperviseerd leren voor CSI compressie en bundelvoorspelling: Een convolutionair neuraal netwerk (CNN) kan de beste bundelindex voorspellen vanuit een breedbandkanaal snapshot, waardoor feedback drastisch overhead wordt verminderd.
  • Autoencoder-gebaseerd gewrichtsontwerp: De gehele hybride bundelvormende keten (encoder bij Tx, decoder bij Rx) wordt eind-tot-eind geoptimaliseerd met behulp van stochastische hellingsdaling, automatisch voldoen aan hardwarebeperkingen zoals constante modulus en faseverschuivingsresolutie.

ML-benaderingen hebben aangetoond dat ze de spectrale efficiëntie van volledig digitale systemen kunnen benaderen met slechts 2 RF-ketens, zelfs in niet-sparse kanalen. Ze vereisen echter uitgebreide trainingsgegevens en offline berekening; online omscholing blijft een open uitdaging. Recent onderzoek verkent ook onbeheerste en zelf-toezichtde leren om de behoefte aan gelabelde gegevens te verminderen.

Systeemmodel en prestatiemetrics

Om hybride bundelvormingsstrategieën te vergelijken is een rigoureus systeemmodel essentieel. Overweeg een downlink mmWave MIMO systeem met N[t[[] zend antennes uit en N[r[[[FLT:]][[FLT:]]][[[FLT:]]] [[FLT:]]] zend antennes uit en [[FLT:]]][[FLT:]]]r[[FLT:]][FLT:]]][FLT:]]][FLT:]]]] [FLT:]]]]] [[FLT:]]]]] [[FLT:]]]]]]] [[FLT:]]]]]][FLT:]]]]]]]]]][FLT:]][FLT:]]]][FLT:]]

De belangrijkste prestatiegegevens zijn:

  • Spectrale efficiëntie (SE): Bereikbaar percentage in bps/Hz, vaak geëvalueerd via de wederzijdse informatieuitdrukking uitgaande van Gaussiaanse signalering.
  • Hardwarecomplex : Aantal fasewisselaars, RF-ketens en stroomverbruik. Voor een volledig verbonden architectuur is het aantal fasewisselaars NRF × Nt]; voor gedeeltelijk aangesloten is het N.]t (een per antenne).
  • Beam training overhead: Aantal tijdslots of piloot symbolen nodig om de bundelpaar te selecteren. Codebook methoden gebruiken meestal O(log(Nt)] sweeps met hiërarchische zoekopdracht; ML methoden kunnen dit verminderen tot eenmalige gevolgtrekking.
  • Maak kans op verlies en dekking : Belangrijk voor betrouwbaarheid, vooral in aanwezigheid van blokkades.

Vergelijking van hybride architectuur

Tabel 1 (conceptueel) vat de afwegingen samen. Volledig verbonden architecturen leveren de hoogste straalvormingswinst (arraywinst tot Nt[[]) maar hebben te lijden onder groot stroomverbruik door veel fasewisselaars. Gedeeltelijk verbonden architecturen offeren enige winst (door een factor gelijk aan het aantal subarrays) maar verminderen vermogen en complexiteit aanzienlijk. Voor beide kunnen de hybride bundelvormingsstrategieën hierboven worden toegepast, hoewel codebookmethoden natuurlijker zijn voor gedeeltelijk verbonden arrays omdat elke subarray onafhankelijk kan worden getraind.

In de praktijk gebruiken veel 5G-basisstations een hybride array met 64 antennes en 2

Implementatie Uitdagingen en hardware-impacties

De hybride bundelvorming van de golf in de reële wereld mm moet worden geconfronteerd met verschillende niet-idealiteiten:

  • Fase shifter quantization: Typisch 3
  • Wekelijkse koppeling tussen antennes: Sterker in compacte arrays, koppeling verandert de effectieve stuurvector en kan de orthogonaliteit van bundelpatronen verminderen. Kalibratie en wederzijds koppelingsbewuste codebookontwerp zijn actieve onderzoeksgebieden.
  • Power amplifier non-linearities: Faseverschuivers worden vaak geplaatst na de PA; hun insertion loss en non-linearities beïnvloeden het uitgestraalde signaal. Hybride architecturen met push-pull PA topologieën of digitale predistortie worden bestudeerd.
  • Beam mis outout in mobility: Voor voertuigen met hoge snelheid (bv. 500 km/h in treinscenario's), verandert de straalrichting aanzienlijk binnen een coherentietijd. Machine learning ..based beam tracking met behulp van terugkerende neurale netwerken en Kalman filters wordt gebruikt om de linkkwaliteit te behouden.
  • Hardwarekalibratie: Fase- en amplitude-mismatches tussen RF-ketens vereisen periodieke kalibratie. Sommige commerciële mmWave arrays bieden ingebouwde zelfkalibratiecircuits met behulp van pilotlussen.

Toekomstige aanwijzingen en Open problemen

De evolutie van hybride bundelvorming is nauw verbonden met de uitrol van sub-THz (100.3300 GHz) communicatie en extreem grootschalige MIMO (XL-MIMO). Bij deze frequenties krimpen antennes verder en arrays kunnen duizenden elementen omvatten, waardoor volledig digitale bundelvorming volledig onhaalbaar wordt. Toekomstige onderzoek zal zich richten op:

  • Herkenbare intelligente oppervlakken (RIS): De met RIS ondersteunde hybride bundelvorming gebruikt een groot passief oppervlak om signalen in de gewenste richtingen weer te geven, waardoor de benodigde actieve RF-ketens worden verminderd. De gezamenlijke optimalisatie van de RIS-faseverschuivingen en de hybride bundelvormer is een uitdagend niet-convex probleem.
  • Beamforming voor multiuser MIMO: Hybride strategieën moeten gelijktijdige gebruikers ondersteunen met verschillende ruimtelijke handtekeningen. Algorithmen zoals diagonaal van hybride blok en gezamenlijke gebruikersplanning/beamselectie worden ontwikkeld.
  • Hardware-in-the-loop learning: Online diep leren dat zich aanpast op de vlieg met alleen ontvangen piloten, zonder expliciete kanaalschatting. Meta-learning en weinig schoten leren zijn veelbelovend voor snelle bundel aanpassing.
  • Dual-functionele radarcommunicatie (DFRC): Bij mmWave kan dezelfde array worden gebruikt voor radardetectie en communicatie. Hybride bundelvorming maakt het delen van tijd- of frequentieverdeling mogelijk van bundels, waarvoor gezamenlijk golfvorm en precoderontwerp vereist is.

Voor praktische implementatie is standaardisatie cruciaal. De 3GPP heeft hiërarchische beam management procedures in NR gespecificeerd, en toekomstige releases zullen fijnere beam resolutie en MIMO verbeteringen omvatten. Industrieleiders zoals Qualcomm, Samsung, en Nokia zijn actief het ontwikkelen van chipsets met geïntegreerde hybride beamvormende architecturen.

Conclusie

Hybride bundelvorming is de belangrijkste enabler voor kostenefficiënte, energiezuinige mmWave MIMO-systemen. Door analoge fasewisselaars met een klein aantal digitale RF-ketens te combineren, bereiken deze architecturen bijna optimale spectrale efficiëntie terwijl ze voldoen aan hardwarebeperkingen. De keuze van bundelvormingsstrategie .Codebook-gebaseerde, iteratieve optimalisatie, of machine learning gedreven ..afhankelijk van het scenario: codebooks voor snelle initiële toegang, iteratieve methoden voor high-performance data transmissie, en ML voor agile beam voorspelling in mobiele omgevingen. Aangezien mmWave en sub-THz systemen vooruit, zal hybride beamvorming blijven evolueren, met herconfigureerbare oppervlakken, meer geavanceerde algoritmen, en een strakkere integratie met sensors. Engineers en onderzoekers die deze strategieën beheersen, zullen de volgende generatie draadloze connectiviteit vormgeven.

Voor de basistheorie, zie El Ayach et al., "Ruim spaarse precodering in Millimeter Wave MIMO Systems," IEEE Trans. Wireless Commun., 2014. Voor een overzicht van 5G NR-balkenbeheer, raadpleeg 3GPP TS 38.214[. Voor ML-gebaseerde bundelvorming, zie ]Liang et al., "Deep Learning for Hybrid Beamforming in mmWave MIMO Systems: A Survey," IEEE Commun. Surveys & Tutorials, 2020].