Гибридные стратегии формирования луча для миллиметровых волновых Mimo систем

Миллиметровая волна MIMO и необходимость гибридного лучеобразования

Системы с многомерной вводной многократной выходной мощностью (MIMO) имеют основополагающее значение для достижения многогигабитных скоростей передачи данных и сверхнизкой задержки, предусмотренных для сетей 5G-Advanced и 6G. Работая в частотных диапазонах от 24 ГГц до 100 ГГц и более, эти системы используют большие антенные массивы - часто с 64, 128 или более элементами - для формирования сильно направленных лучей, которые компенсируют серьезные потери пути и поглощение атмосферы. Однако огромное количество антенн создает критическое аппаратное узкое место: оснащение каждого антенного элемента выделенной RF-цепочкой (миксер, ADC / DAC, усилитель мощности) является непомерно дорогим и энергоемким на частотах mmWave. Гибридное формирование луча решает эту проблему путем разделения задачи формирования луча на аналоговый домен (с использованием недорогих фазовых сдвигателей) и цифровой домен (с использованием сокращенного набора RF-цепей и обработки базовой полосы). Этот подход достигает почти полностью цифровой производительности за долю стоимости, что делает его фактической архитектур

Сравнение между спектральной эффективностью, сложностью оборудования и энергопотреблением является центральной проблемой в гибридном лучеобразовании.В этой статье представлен авторитетный, глубокий взгляд на ключевые стратегии, алгоритмы и реальные соображения, которые определяют современное гибридное лучеобразование для MIMO mmWave.

Понимание архитектуры гибридного луча

Гибридная система формирования луча разделяет предкодирование и объединение операций на аналоговую стадию RF и цифровую стадию базовой полосы. Аналоговая стадия, обычно реализуемая с сетью фазовых сдвигателей и, возможно, переключателей, работает на несущей частоте сигнала непосредственно после цепи RF. Цифровая стадия выполняет более гибкую обработку MIMO, такую как пространственное мультиплексирование и смягчение помех для нескольких пользователей, используя ряд цепей RF, намного меньших, чем число антенн. Доминируют две первичные архитектуры: полностью подключены (каждая RF-цепь соединяется со всеми антеннами через сеть фазового сдвига) и частично подключены (каждая RF-цепь приводит в действие подмножество антенн, уменьшая аппаратную сложность). Выбор между этими архитектурами влияет на усиление формирования луча, алгоритмическую конструкцию и масштабируемость.

Аналоговые компоненты формирования луча

Аналоговое формирование луча реализуется с использованием фазовых сдвигателей, которые могут быть пассивными (низкое энергопотребление, но ограниченное 0-360-градусным фазовым управлением) или активными (со встроенным усилением, но большей мощностью). Кроме того, некоторые конструкции включают в себя усилители переменного усиления (VGA) для корректировки амплитуды, хотя большинство аналоговых лучеобразителей являются только фазовыми из-за стоимости. Аналоговый лучеобразитель применяет один вектор взвешивания для всех антенн в передатчике или приемнике, создавая фиксированный паттерн луча на число радиочастотных цепей. Это ограничивает количество одновременных потоков данных до числа радиочастотных цепей, но позволяет использовать очень широкие лучи для начального доступа или очень узкие лучи для высокоскоростных линий передачи данных. Расширенные реализации используют сети с коммутацией луча (например, матрицы Батлера) или дискретно-фурье-трансформирующие кодовые книги для быстрого выбора из набора предопределенных шаблонов.

Цифровое лучеобразование в Baseband

В цифровой области формирование луча выполняется после преобразования вниз и аналого-цифрового преобразования. Цифровой прекодер может применять произвольные сложные веса, позволяя использовать полные возможности MIMO, такие как собственное формирование луча (на основе информации о состоянии канала), нулевое нажатие (ZF) для многопользовательского нажатия помех и прием с минимальной ошибкой среднего квадрата (MMSE). Поскольку цифровая часть работает на поднесущую в системах OFDM, она может адаптироваться к частотно-селективным каналам. Однако количество цифровых потоков ограничено количеством радиочастотных цепей - обычно от 2 до 8 в текущем оборудовании. Сочетание аналогового рулевого управления и обработки цифрового потока позволяет гибридным архитектурам сбалансировать производительность с аппаратной осуществимостью.

Основные стратегии гибридного луча

За последнее десятилетие исследователи и инженеры отрасли разработали богатый набор стратегий для совместной разработки аналоговых и цифровых лучеобразующих устройств. Наиболее известные подходы можно разделить на методы, основанные на кодовых книгах, итеративную оптимизацию и методы машинного обучения. Каждый из них отличается различными ограничениями аппаратного обеспечения, изменчивостью каналов и вычислительным бюджетом.

Codebook-Based Beamforming (англ.)русск.

В процессе обучения пучку передатчик и приемник проносятся через кодовую книгу, чтобы найти наилучшую пару пучка, которая максимизирует принятую мощность сигнала. Стандарты IEEE 802.11ad/ay и 5G NR используют такую иерархическую тренировку пучка для сокращения времени поиска: сначала тестируются грубые пучки, а затем уточняются более тонкими лучами. Недавняя работа расширяет дизайн кодового справочника до двухполяризованных массивов и реконфигурируемых интеллектуальных поверхностей (RIS). Хорошо разработанный кодовый справочник может достичь почти оптимального усиления формирования пучка с минимальными накладными расходами, что делает его идеальным для начального приобретения ячеек и мобильных сценариев, где низкая задержка имеет решающее значение. Однако методы на основе кодового справочника менее гибки в средах с высоким рассеянием, где оптимальный луч не является простым вектором DFT.

• Преимущества: Низкая вычислительная сложность, отсутствие необходимости в знаниях о мгновенном канале, аппаратно-дружественные (например, коммутационные сети).
• Недостатки: Отставание в производительности при полностью цифровом формовании луча, особенно при богатом рассеянии; фиксированное разрешение ограничивает пространственное мультиплексирование.

Алгоритмы итеративной оптимизации

Когда информация о состоянии канала (CSI) доступна на базовой станции (например, посредством явной обратной связи или взаимности каналов в системах TDD), итеративные алгоритмы могут совместно оптимизировать аналоговые и цифровые прекодеры для максимизации спектральной эффективности.Основная работа El Ayach et al. (2014) сформулировала гибридную проблему прекодирования как матричную факторизацию: приблизить полностью цифровой прекодер (оптимальный при ограничении суммарной мощности) продуктом низкоразмерной цифровой матрицы и аналоговой матрицы с постоянным модулятором. Ключевые итеративные методы включают:

• Ортогональное сопоставление (OMP): Рассматривает аналоговый прекодер как скудную линейную комбинацию словарных векторов (например, лучей DFT). OMP жадно выбирает столбцы, чтобы минимизировать остаток. Хорошо работает, когда канал имеет скудное угловое распространение.
• Альтернативная минимизация (AltMin): Итеративно фиксирует цифровую часть при оптимизации аналоговой части (при условии постоянного модуля), и наоборот. Сходится к локальному оптимуму и часто превосходит OMP в плотном мультипате.
• Методы градиентной проекции: Для больших массивов многообразная оптимизация (например, на наклонном многообразии) может эффективно обрабатывать ограничение постоянного модуля.

Эти алгоритмы обычно требуют 10-100 итераций и могут быть реализованы в блоках обработки базовых полос. Основной задачей является адаптация в реальном времени: для быстрозатухающих каналов (< 1 мс когерентного времени) итеративные методы могут быть слишком медленными. На практике используются субоптимальные решения замкнутой формы (например, поэтапное нулевое нажатие).

Машинное обучение - управляемое формирование луча

Глубокое обучение стало мощным инструментом для преодоления ограничений как кодового учебника, так и итеративных методов. Нейронные сети могут изучать отображение из ковариации каналов или необработанных пилотных сигналов в оптимальные аналоговые/цифровые лучообразователи, минуя явную оценку CSI и итеративную оптимизацию. Ключевые стратегии на основе ML включают:

• Глубокое обучение усилению для выбора луча: Агент изучает политику, которая выбирает пары луча на основе прошлой полученной силы сигнала, уменьшая накладные расходы на обучение в мобильных сценариях.
• Надзорное обучение для сжатия CSI и прогнозирования луча: Свёрточная нейронная сеть (CNN) может предсказать лучший индекс луча от широкополосного канала, резко сокращая накладные расходы на обратную связь.
• Совместная конструкция на основе автоэнкодера: Вся цепочка формирования гибридного луча (энкодер в Tx, декодер в Rx) оптимизирована сквозной с использованием стохастического градиентного спуска, автоматически удовлетворяя аппаратным ограничениям, таким как постоянный модуль и разрешение фазового переключателя.

Подходы к МО показали, что они могут приблизиться к спектральной эффективности полностью цифровых систем только с 2-4 радиочастотными цепями, даже в нераздельных каналах. Однако они требуют обширных данных обучения и автономных вычислений; онлайн-переподготовка остается открытой проблемой. Недавние исследования также исследуют неконтролируемое и самоконтролируемое обучение, чтобы уменьшить потребность в меченных данных.

Системная модель и метрики производительности

Для сравнения гибридных стратегий формирования луча необходима строгая модель системы. Рассмотрим нисходящую линию mmWave MIMO с N_rRFRFRF[[FLT]]H[FLT]]RF_FFFRF_RFRF[[FLT: B — цифровой прекодерN_RF × N. Аналогично, комбайнером у приемника являетсяW = W_RFW_BB.

Ключевые показатели эффективности включают:

• Спектральная эффективность (SE): Достижимая скорость в bps/Hz, часто оцениваемая через взаимное выражение информации, предполагающее гауссову сигнализацию.
• Программная сложность: Количество фазовых сдвигателей, RF-цепей и энергопотребление.Для полностью подключенной архитектуры число фазовых сдвигателей составляет N_RF × N_t; для частично подключенных — N_t (по одному на антенну).
• Накладные расходы на обучение луча : Количество временных интервалов или символов пилота, необходимых для выбора пары луча. Методы Codebook обычно используют O(log(N_t)] сканирование с иерархическим поиском; методы ML могут уменьшить это до одноразового вывода.
• Вероятность и покрытие отдачи: Важно для надежности, особенно при наличии завалов.