MIMO de onda milímetro e a necessidade de beamforming híbrido

Os sistemas de múltiplos resultados de entrada de onda milimétrica (mmWave) são fundamentais para atingir as taxas de dados multigigabit e de latência ultra baixa previstas para redes 5G-Advanced e 6G. Operando em bandas de frequência de 24 GHz a 100 GHz e além, estes sistemas alavancam grandes antenas - muitas vezes com 64, 128 ou mais elementos - para formar feixes de alta direção que compensam a perda de caminho grave e absorção atmosférica. No entanto, o número de antenas cria um gargalo de hardware crítico: equipar cada elemento de antena com uma cadeia RF dedicada (mistura, ADC/DAC, amplificador de potência) é proibitivamente caro e de energia com frequências mmWave. A formação de feixes híbridos resolve este problema dividindo a tarefa de conformação de feixes em um domínio analógico (usando deslocamentos de fase de baixo custo) e um domínio digital (usando um conjunto reduzido de cadeias RF e processamento de banda de base mmWaveMO). Esta abordagem atinge um desempenho quase que o digital, a uma fração do custo, tornando-o domínio de fato para sistemas práticos de arquitetura.

O trade-off entre eficiência espectral, complexidade de hardware e consumo de energia é o desafio central no design de viga híbrida. Este artigo fornece uma visão aprofundada e autoritária das principais estratégias, algoritmos e considerações do mundo real que definem a formação de viga híbrida moderna para mmWave MIMO.

Compreendendo a arquitetura de vigas híbridas

Um sistema híbrido de conformação de feixes particiona a pré-codificação e combina operações em uma fase de RF analógica e uma fase de banda de base digital. O estágio analógico, tipicamente implementado com uma rede de metamorfos de fase e possivelmente interruptores, opera no sinal de frequência do portador diretamente após a cadeia de RF. O estágio digital realiza processamento MIMO mais flexível, como multiplexação espacial e mitigação de interferências multiusuários, usando um número de cadeias de RF muito menor do que o número de antenas. Duas arquiteturas primárias dominam: ] completamente conectado (cada cadeia de RF se conecta a todas as antenas através de uma rede de metamorfos de fase) e ] parcialmente conectado[[ (cada cadeia de RF movimenta um subconjunto de antenas, reduzindo a complexidade de hardware). A escolha entre essas arquiteturas afeta ganho de vigalhamento, design algoritmo e escalabilidade.

Componentes de Beamforming analógicos

A conformação analógica é realizada usando metamorfos de fase, que podem ser passivos (de baixa potência, mas limitados a controle de fase 0–360°) ou ativos (com amplificação incorporada, mas potência superior). Além disso, alguns projetos incorporam amplificadores de ganho variável (VGAs) para ajustar a amplitude, embora a maioria dos formadores de feixe analógicos sejam apenas fase devido ao custo. O formador analógico aplica um vetor de ponderação único em todas as antenas no transmissor ou receptor, criando um padrão de feixe fixo por corrente RF. Isso limita o número de fluxos de dados simultâneos ao número de cadeias RF, mas permite feixes muito largos para acesso inicial ou feixes muito estreitos para ligações de alta taxa de dados. As implementações avançadas usam redes de feixes comutados (por exemplo, matrizes de Butler) ou livros de códigos de transformação de fluxo discreto-Furier (DFT) para selecionar rapidamente de um conjunto de padrões predefinidos.

Viga digital em banda base

No domínio digital, a formatação de feixes é realizada após a conversão de baixo-conversão e a conversão analógica-digital. O pré-codificador digital pode aplicar pesos complexos arbitrários, permitindo a completa capacidade MIMO, como a eigenbeamforming (baseada em informações de estado do canal), a força zero (ZF) para a nulidade de interferência multiusuário e a recepção de erros mínimos médios-quadrado (MMSE). Porque a parte digital opera por subcarregador em sistemas OFDM, ele pode se adaptar a canais seletivos de frequência. No entanto, o número de fluxos digitais é limitado pelo número de cadeias de RF – tipicamente 2 a 8 no hardware atual. A combinação de direção analógica e processamento de fluxo digital permite arquiteturas híbridas para equilibrar o desempenho com a viabilidade de hardware.

Estratégias de Beamforming Hybrid Núcleo

Na última década, pesquisadores e engenheiros da indústria desenvolveram um rico conjunto de estratégias para projetar os vigadores analógicos e digitais em conjunto. As abordagens mais proeminentes podem ser categorizadas em métodos baseados em livros de código, otimização iterativa e técnicas orientadas para aprendizado de máquina. Cada uma se destaca sob diferentes restrições de hardware, variabilidade de canais e orçamento computacional.

Beamforming baseado em livro de códigos

A formatação de feixes baseado em livros de códigos baseia- se num conjunto finito de padrões de feixes analógicos predefinidos, muitas vezes derivados das colunas de uma matriz DFT (para matrizes lineares uniformes) ou sequências esferoidais discretas de prolatos (para matrizes planares). Durante o treino de feixes, o transmissor e o receptor varrem o livro de códigos para encontrar o melhor par de feixes que maximiza a potência do sinal. Os padrões IEE 802.11ad/ay e 5G NR empregam esse treino hierárquico para reduzir o tempo de pesquisa: feixes grosseiros são testados primeiro, depois refinados com feixes mais finos. O trabalho recente estende o design de livro de códigos para arrays dual-polarizados e superfícies inteligentes reconfiguráveis (RIS). Um livro de códigos bem desenhado pode alcançar um ganho de vigas quase- ótimas com uma sobrecarga mínima, tornando- o ideal para a aquisição inicial de células e cenários móveis onde a baixa latência é crítica. No entanto, os métodos baseados em livros de códigos são menos flexíveis em ambientes altamente espalhantes, onde o feixe ideal não é um simples vetor DFT.

  • Vantagens: Baixa complexidade computacional, sem necessidade de conhecimento instantâneo de canais, compatível com hardware (por exemplo, redes de comutação).
  • Drawbacks: Gap de desempenho com formação de feixes totalmente digital, especialmente em dispersão rica; resolução fixa limita o multiplexamento espacial.

Algoritmos de otimização iterativa

Quando a informação do estado do canal (CSI) está disponível na estação base (por exemplo, via feedback explícito ou reciprocidade de canal em sistemas TDD), algoritmos iterativos podem otimizar conjuntamente os pré-codificadores analógicos e digitais para maximizar a eficiência espectral. O trabalho seminal de El Ayach et al. (2014) formularam o problema da pré-codificação híbrida como uma fatoração de matriz: aproximar o pré-codificador totalmente digital (ótima sob a restrição de soma de potência) pelo produto de uma matriz digital de baixa dimensão e uma matriz analógica de módulo constante. Os métodos principais incluem:

  • Perseguição ortogonal de correspondência (OMP): Trata o pré-codificador analógico como uma combinação linear esparsa de vetores de dicionários (por exemplo, feixes DFT). OMP escolhe avidamente colunas para minimizar o resíduo. Funciona bem quando o canal tem esparso angular esparso.
  • Alternando minimização (AltMin): Iterativamente fixa a parte digital enquanto otimiza a parte analógica (sujeita a módulo constante) e vice-versa. Converge para um local ótimo e muitas vezes supera OMP em multicaminho denso.
  • Métodos de projeção de gradiente: Para grandes arrays, a otimização de variedades (por exemplo, na variedade oblíqua) pode lidar com a restrição de módulo constante de forma eficiente.

Estes algoritmos normalmente requerem iterações de 10 a 100 e podem ser implementados em unidades de processamento de banda base. O principal desafio é a adaptação em tempo real: para canais de desvanecimento rápido (< 1 ms de tempo de coerência), os métodos de iterative podem ser muito lentos. As soluções de forma fechada subótima (por exemplo, forca zero faseada) são usadas na prática.

Aprendizagem de máquina–Modelagem de feixes conduzidos

A aprendizagem profunda surgiu como uma ferramenta poderosa para superar as limitações de ambos os métodos codebook e iterativo. As redes neurais podem aprender o mapeamento da covariância de canais ou sinais piloto brutos para os vigas analógicos/digitais ideais, ignorando a estimativa CSI explícita e otimização iterativa. As estratégias baseadas em ML-chave incluem:

  • Reforço profundo de aprendizagem para seleção de feixes: O agente aprende uma política que seleciona pares de feixes com base na força de sinal recebida no passado, reduzindo o treinamento em cenários móveis.
  • Aprendizamento supervisionado para compressão CSI e previsão do feixe: Uma rede neural convolucional (CNN) pode prever o melhor índice de feixe de um instantâneo de canal de banda larga, cortando drasticamente o feedback de cima.
  • Design de juntas baseado em autoencoder: Toda a cadeia híbrida de conformação de feixes (encoder em Tx, decodificador em Rx) é otimizada de ponta a ponta usando descida de gradiente estocástico, satisfazendo automaticamente as restrições de hardware como módulo constante e resolução de metamorfos de fase.

As abordagens ML mostraram que podem abordar a eficiência espectral de sistemas totalmente digitais com apenas 2-4 cadeias RF, mesmo em canais não-espaciais. No entanto, eles exigem dados de treinamento extensos e computação offline; o retreinamento online continua a ser um desafio aberto. Pesquisas recentes também exploram a aprendizagem não supervisionada e auto-supervisionada para reduzir a necessidade de dados rotulados.

Modelo de sistema e Métricas de Desempenho

Para comparar estratégias de beamfforming híbridas, é essencial um modelo rigoroso do sistema. Considere um sistema MIMO de ligação descendente com Nt]]N transmitir antenas e Nr] receber antenas, ]N]]]sNnN]NN]N[F:3][F:3FT:3 [F:3F:T:T:3F:T:T:T:T:T:3:T:T:T:

As principais métricas de desempenho incluem:

  • Eficiência espectral (SE): Taxa alcançável em bps/Hz, frequentemente avaliada através da expressão mútua de informação assumindo sinalização gaussiana.
  • Complexidade de hardware: Número de metamorfos de fase, cadeias de RF e consumo de energia. Para uma arquitetura totalmente conectada, o número de metamorfos de fase é NRF[ × N[t[[; para parcialmente conectado, é N[]t[] (uma por antena).
  • Calça de treino de feixe: Número de slots de tempo ou símbolos-piloto necessários para selecionar o par de feixes.Os métodos de livro de códigos normalmente usam O(log(Nt)]]] varre com pesquisa hierárquica; Os métodos ML podem reduzir isso a inferência única.
  • Probabilidade e cobertura de perda : Importante para a confiabilidade, especialmente na presença de bloqueios.

Comparação de Arquiteturas Híbridas

A Tabela 1 (conceitual) resume as trocas. Arquiteturas totalmente conectadas fornecem o maior ganho de formatação de feixe (ganho de arranjo até Nt]) mas sofrem de grande consumo de energia devido a muitos metamorfos de fase. Arquiteturas parcialmente conectadas sacrificam algum ganho (por um fator igual ao número de subarrays), mas reduzem significativamente a potência e complexidade. Para ambos, as estratégias de conformação de feixes híbridas acima podem ser aplicadas, embora os métodos de livro de código sejam mais naturais para arrays parcialmente conectados, pois cada subarray pode ser treinado de forma independente.

Na prática, muitas estações de base 5G usam um array híbrido com 64 antenas e cadeias de RF 2-4 por polarização, empregando um codebook DFT para acesso inicial e refinamento iterativo para transmissão de dados. Para equipamentos de usuário (UE), o custo e a potência são ainda mais restritos, assim que a formação de feixe analógico baseado em livro de código com uma única cadeia de RF é comum.Os padrões emergentes 3GPP Release 18 e 19 incluem suporte para a formação de feixe híbrido aprimorado com até 64 cadeias de RF para estações de base, permitindo MIMO digital completo em algumas bandas de frequência (FR2-2).

Desafios de Implementação e Imperfeições de Hardware

A formatação híbrida de vigas mmWave no mundo real deve enfrentar várias não-idealidades:

  • Quantização do metamorfo de fase: Normalmente 3-6 bits de resolução de fase. A quantização densa degrada o ganho de formatação de feixes de 1-2 dB e introduz sidelobes. Algoritmos devem incorporar a restrição finita de livro de códigos.
  • Acoplamento mutual entre antenas: Mais forte em arrays compactos, acoplamento altera o vetor de direção eficaz e pode reduzir a ortogonalidade dos padrões de feixe. Calibração e design de codebook mútuo consciente de acoplamento são áreas de pesquisa ativa.
  • Não linearidades do amplificador de potência: Os metamorfos de fase são frequentemente colocados após a PA; sua perda de inserção e não linearidades afetam o sinal irradiado. Arquiteturas híbridas com topologias de PA push-pull ou pré-distorção digital são estudadas.
  • Desalinhamento do feixe na mobilidade: Para veículos a alta velocidade (por exemplo, 500 km/h em cenários de comboios), a direcção do feixe muda significativamente dentro de um tempo de coerência. O rastreio baseado em aprendizagem de máquinas utilizando redes neurais recorrentes e filtros Kalman é utilizado para manter a qualidade da ligação.
  • Calibração de hardware: As descompatibilizações de fase e amplitude entre as cadeias de RF requerem calibração periódica. Alguns arrays comerciais de mmWave oferecem circuitos de autocalibração integrados usando loops piloto.

Instruções futuras e problemas abertos

A evolução da formação de feixes híbridos está fortemente associada à implantação de comunicação sub-THz (100–300 GHz) e extremamente em larga escala MIMO (XL-MIMO). Nestas frequências, as antenas encolhem ainda mais e as matrizes podem incluir milhares de elementos, tornando totalmente inviável a formação de feixes digitais.

  • Superfícies inteligentes reconfiguráveis (RIS): A RIS-assistida formadora de feixe híbrido explora uma grande superfície passiva para refletir sinais em direções desejadas, reduzindo as cadeias RF ativa necessárias. A otimização conjunta das mudanças de fase e do formador híbrido é um problema desafiador não-convexo.
  • Beamforming for multiusuário MIMO: Estratégias híbridas devem suportar usuários simultâneos com diferentes assinaturas espaciais. Algoritmos como diagonalização de blocos híbridos e seleção conjunta de agendamento/feixe de usuário estão sendo desenvolvidos.
  • Hardware-in-the-loop learning: Aprendizagem profunda online que se adapta em tempo real utilizando apenas pilotos recebidos, sem estimativa explícita de canais. Meta-learning e aprendizagem de poucos tiros são promissores para adaptação rápida de feixes.
  • Comunicação de radar de função dupla (DFRC): Na mmWave, o mesmo array pode ser usado para detecção e comunicação de radar. A formatação de feixes híbridos permite a partilha de feixes de tempo ou frequência, exigindo forma de onda conjunta e projeto de pré-codificador.

Para implantação prática, a padronização é fundamental.O 3GPP especificou procedimentos hierárquicos de gerenciamento de feixes em NR, e futuras versões incluirão resolução de feixes mais finos e melhorias MIMO. Líderes da indústria, como Qualcomm, Samsung e Nokia, estão desenvolvendo chipsets com arquiteturas integradas de vigagem híbrida.

Conclusão

A combinação criteriosa de metamorfos analógicos com um pequeno número de cadeias digitais de RF, estas arquiteturas alcançam eficiência espectral quase ótima ao atender restrições de hardware. A escolha da estratégia de formatação de feixes – baseada em livros de códigos, otimização iterativa ou aprendizado de máquina – depende do cenário: livros de códigos para acesso inicial rápido, métodos iterativos para transmissão de dados de alto desempenho e ML para previsão de feixes ágeis em ambientes móveis. À medida que os sistemas mmWave e sub-THz avançam, a formação de feixes híbridos continuará a evoluir, incorporando superfícies reconfiguráveis, algoritmos mais sofisticados e integração mais apertada com sensoriamento. Engenheiros e pesquisadores que dominam essas estratégias irão moldar a próxima geração de conectividade sem fio.

Leia mais: Para a teoria fundamental, consulte El Ayach et al., "Spacialmente Sparse Precoding in Millimeter Wave MIMO Systems", IEEE Trans. Wireless Commun., 2014]. Para uma visão geral do gerenciamento de feixes NR 5G, consulte 3GPP TS 38.214[. Para a formatação de feixes ML, consulte Liang et al., "Deep Learning for Hybrid Beamforming in mmWave MIMO Systems: A Survey," IEEE Commun. Levantamentos & Tutoriais, 2020.