Использование машинного обучения для динамического выбора луча в сетях Mimo

Введение в динамический выбор луча в сетях MIMO

Технология Multiple-Input Multiple-Output (MIMO) является краеугольным камнем современных систем беспроводной связи, от Wi-Fi до 4G LTE и 5G New Radio (NR). Развертывая несколько антенн как на передатчике, так и на приемнике, системы MIMO могут одновременно передавать несколько потоков пространственных данных, резко повышая спектральную эффективность и пропускную способность сети. Однако для реализации этих достижений в реальных средах требуется тщательное управление лучами передачи - направленными сигналами, которые фокусируют энергию на предполагаемых приемниках. Процесс выбора оптимального луча, известный как выбор луча, становится все более сложным в динамических средах, где пользователи перемещаются, условия канала колеблются и сдвиг помех.

Традиционные методы выбора луча основаны на предопределенных кодовых книгах, исчерпывающем поиске по всем парам луча или эвристических алгоритмах, которые предполагают статические или медленно меняющиеся каналы. Эти подходы изо всех сил пытаются идти в ногу с быстрыми изменениями, наблюдаемыми в высокочастотных диапазонах (например, миллиметровой волне и суб-THz), используемых 5G и за его пределами, где ширина луча узкая и необходима частая перегруппировка. Машинное обучение (ML) предлагает путь вперед, позволяя системам учиться на исторических данных и данных в реальном времени, предсказывая лучшие лучи без исчерпывающего зондирования. Эта статья обеспечивает всеобъемлющий взгляд на то, как методы машинного обучения применяются к динамическому выбору луча в сетях MIMO, охватывающих технические основы, алгоритмические подходы, преимущества, проблемы и будущие направления исследований.

Понимание выбора луча в сетях MIMO

Выбор луча - это проблема выбора из конечного набора возможных направлений передачи луча (или комбинации лучей), который максимизирует некоторую цель, такую как отношение сигнал-помеха-плюс-шум (SINR), пропускную способность или покрытие. На практике системы MIMO используют формирование луча - метод пространственной фильтрации, который регулирует фазу и амплитуду сигналов на каждом элементе антенны для получения направленной доли. Набор возможных лучей часто хранится в кодовой книге, которая представляет собой набор предкодирующих матриц или векторов веса луча, определенных стандартами, такими как 3GPP.

Codebook-Based Beam Selection (англ.)русск.

В ранних стандартах MIMO (например, LTE) выбор луча был относительно грубым, с небольшими кодовыми книгами (4-8 лучей). Пользовательское оборудование (UE) и базовая станция (gNB) измеряли опорные сигналы, передаваемые с различными лучами, и сообщали лучший индекс. Этот процесс, называемый лучевой проверкой, вводит накладные расходы, пропорциональные количеству лучей. В 5G NR кодовые книги для полос частот до 6 ГГц и ммВава больше (до 64 лучей в начальном доступе). Исчерпывающий луч, прочесывающий каждые несколько миллисекунд, становится непрактичным, особенно со многими антенными элементами и высокой мобильностью.

Адаптивное отслеживание луча

Для уменьшения накладных расходов адаптивные методы отслеживания лучей используют прошлые измерения для прогнозирования того, когда и как настраивать лучи. Например, иерархическое лучевое стреловидение использует грубый луч для сужения направления, затем тонко настраивается в этом секторе. Однако даже эти методы полагаются на фиксированные правила переключения и не могут легко использовать сложные временные или пространственные корреляции в канале. Именно здесь машинное обучение обеспечивает убедительную альтернативу.

Роль машинного обучения в выборе динамического луча

Модели машинного обучения могут обрабатывать информацию о состоянии канала (CSI), такую как принятые индикаторы силы сигнала (RSSI), импульсные реакции канала или даже значения антенных элементов, для непосредственного вывода лучшего индекса луча или распределения вероятности по лучам. В отличие от традиционных алгоритмов, которые следуют жестко закодированной логике, модели ML учатся из данных захватывать нелинейные отношения и адаптироваться к изменяющимся средам без явной реконфигурации.

Почему традиционные методы неэффективны

Традиционный выбор луча часто полагается на исчерпывающий поиск или простые эвристические пороги. Эти методы являются неоптимальными в сценариях с высокой мобильностью пользователя, быстро угасающими каналами или плотными развертываниями с сильными помехами. Например, в системах миллиметрового диапазона оптимальный луч может изменяться каждые несколько миллисекунд из-за блокировки или вращения устройства человеком. Исчерпывающий размах вызывает задержку и сигнализацию накладных расходов, которые могут ухудшить производительность системы. Модели машинного обучения, особенно основанные на глубоких нейронных сетях, могут приблизить отображение от экологических особенностей (например, местоположение, скорость, прошлые лучи) к будущим оптимальным лучам с гораздо меньшим зондированием.

Методы машинного обучения для выбора луча

Надзорное обучение

Надзорное обучение рассматривает выбор луча как проблему классификации или регрессии. Функции ввода получены из измерений CSI (например, снимок коэффициентов канала или принятых мощностей на подмножестве лучей). Эти метки являются оптимальными лучами, определяемыми исчерпывающим размахом во время обучения. Классификатор, такой как глубокая нейронная сеть (DNN), обучается минимизировать потери перекрестной энтропии. Альтернативно, регрессия может выводить прогнозируемый SINR для каждого луча, и выбран луч с самым высоким прогнозируемым SINR. Наблюдаемые подходы превосходят, когда доступны высококачественные меченные данные, но генерация меченных данных может потребовать очень больших накладных расходов, которых мы хотим избежать.

Усиление обучения (RL)

Усиление обучения особенно привлекательно для выбора динамического луча, потому что оно не требует явных меток; вместо этого агент учится через взаимодействие с окружающей средой. Состояние включает в себя измерения луча прошлого, контекст пользователя и время; действия соответствуют выбору луча; и вознаграждения - это метрики, такие как пропускная способность или задержка. Алгоритмы RL, такие как Q-обучение или глубокие Q-сети (DQN), изучают политику, которая уравновешивает исследование (пытаясь новые лучи) и эксплуатацию (используя известные хорошие лучи). Этот подход хорошо подходит для сценариев, где условия канала развиваются с течением времени, и система должна постоянно адаптироваться. Проксимальная оптимизация политики (PPO) также применялась к непрерывному направлению луча для фазированных массивов.

Неконтролируемое обучение и представление обучения

Неконтролируемые методы, в том числе автокодеры и кластеризация, помогают в снижении накладных расходов на измерения. Например, скудный автокодер может сжимать высокоразмерные CSI в низкоразмерное латентное представление. Затем выбор луча может выполняться в латентном пространстве, требуя меньшего количества пилотных передач. Алгоритмы кластеризации, такие как k-средние группы, аналогичные состояния канала; каждый кластер связан с фиксированным набором луча, уменьшая пространство поиска. Эти методы часто объединяются с контролируемыми или RL моделями для повышения эффективности.

Архитектура глубокого обучения для выбора луча

Свёрточные нейронные сети (CNN) и рекуррентные нейронные сети (RNN) популярны для обработки пространственных и временных паттернов в CSI. CNNs могут извлекать особенности из 2D-представлений ответов антенных решеток, таких как угловые спектры. RNN, особенно сети с длинной кратковременной памятью (LSTM), обрабатывают данные временных рядов для прогнозирования изменений луча на основе прошлых наблюдений. Более поздняя работа использует модели на основе трансформатора для захвата зависимостей на больших расстояниях в поведении канала, достигая самых современных характеристик в прогнозировании луча для автомобильных коммуникаций mmWave.

Преимущества машинного обучения для выбора динамического луча

Развертывание выбора луча на основе ML дает ощутимые улучшения по нескольким параметрам производительности.

Сокращение накладных расходов и задержки

Предсказывая лучший луч из ограниченного набора измерений, ML уменьшает количество требуемых лучевых зачисток. Во многих зарегистрированных реализациях выбор луча может быть выполнен с 50-80% меньшим количеством пилотных сигналов по сравнению с исчерпывающим поиском. Это непосредственно снижает накладные расходы канала управления и задержку, связанную с приобретением луча, что имеет решающее значение для таких приложений, как промышленное управление с низкой задержкой или телеоперация.

Улучшение качества и пропускной способности сигнала

Модели ML могут идентифицировать лучи, которые достигают более высокой SINR, даже в сценариях, не связанных с прямой видимости (NLOS). В клеточных тестах с использованием наборов данных из внутренних миллиметровых волновых сред выбор луча на основе DNN достиг около 90% максимальной достижимой пропускной способности при использовании только 5% пар луча. Это приводит к более надежным соединениям и лучшему пользовательскому опыту, особенно на краях ячеек.

Улучшенная адаптация к мобильности и блокировке

Усиление обучающих агентов, которые постоянно обновляют свою политику, может поддерживать высокую производительность даже при движении пользователей на автомобильных скоростях (до 30 м/с). Экспериментальные результаты показывают, что отслеживание луча на основе RL снижает события смещения луча более чем на 40% по сравнению с периодическим разметанием. Эта адаптивность имеет важное значение для будущих беспроводных систем, которые поддерживают высокоскоростные поезда, беспилотные летательные аппараты и автономные транспортные средства.

Упрощенное сетевое планирование и эксплуатация

Модели ML могут быть обучены централизованно, а затем развернуты на базовых станциях, что позволяет координировать выбор пучка по сети с несколькими ячейками. Это уменьшает межклеточные помехи и повышает общую спектральную эффективность. Операторы получают выгоду от снижения потребности в ручной настройке параметров пучка в различных средах.

Проблемы внедрения ML для выбора луча

Несмотря на свои перспективы, интеграция машинного обучения в производственные системы выбора пучка MIMO представляет собой несколько препятствий.

Приобретение и маркировка данных

Для обучения моделей с контролем за движением каналов требуются большие наборы данных измерений каналов в сочетании с оптимальными лучами наземной истины. Получение этих измерений часто включает в себя исчерпывающие лучевые прострелы, которые несет на себе очень накладные МЛ, намеревающиеся уменьшить. Кроме того, меченые данные должны охватывать широкий спектр сред, условий канала и пользовательских сценариев, чтобы избежать переобучения. Обучение на основе моделирования может помочь, но разрывы между синтетическими и реальными данными остаются значительным барьером.

Вычислительная сложность и ограничения задержки

Глубокие нейронные сети могут быть вычислительно интенсивными, особенно когда им нужно работать на устройствах пользователей с ограниченными батареями или в пределах строгих бюджетов времени обработки базовой полосы. Например, решения о выборе луча должны быть приняты в течение нескольких сотен микросекунд в 5G NR. В то время как методы сжатия модели (квантизация, обрезка, дистилляция) помогают, развертывание их на практике требует тщательного аппаратного обеспечения совместной разработки. Специализированные ускорители (например, ядра FPGA или AI в чипах базовой полосы) все чаще встречаются, но добавляют сложность в сетевую архитектуру.

Адаптация в реальном времени и нестационарность

Беспроводные каналы нестационарны — основные изменения распределения вероятностей по мере перемещения пользователей, изменения погоды или источников помех. Модель ML, обученная прошлым данным, может стать устаревшей. Для адаптации в реальном времени необходимы онлайн-обучение или методы непрерывного обучения, но они создают проблемы в стабильности конвергенции и низких вычислительных накладных расходов. Подходы RL по своей сути адаптируются, но они могут потребовать многих взаимодействий для сходства, что может быть неосуществимо в быстро меняющихся средах.

Интеграция со стандартами и существующей инфраструктурой

Текущие сотовые стандарты (3GPP Rel-15/16/17) определяют конкретные процедуры управления лучом. Введение логики принятия решений на основе ML должно быть обратно совместимым и не должно нарушать сроки протокола. Сеть должна обеспечивать крючки для выводов ML для влияния на индексы луча, сообщаемые UE, или само UE должно запускать легкие модели. Органы стандартизации изучают AI/ML для оптимизации воздушного интерфейса (например, исследование 3GPP Rel-18 NR-AIML). До тех пор операторы должны разрабатывать собственные решения поверх стандартного оборудования.

Будущие направления и возможности для исследований

Область выбора луча на основе ML быстро развивается, и есть несколько перспективных направлений для будущей работы.

Федеративное обучение для обучения сохранению конфиденциальности

Вместо централизации данных по каналам пользователей, федеративное обучение обучает модели локально на каждом устройстве и делится только обновлениями моделей. Это сохраняет конфиденциальность и снижает накладные расходы на передачу данных. Федеративные подходы особенно актуальны для выбора луча, потому что характеристики канала, специфичные для пользователя, остаются локальными, в то время как глобальная модель по-прежнему извлекает выгоду из различных сред.

Гибридные классические подходы ML

Вместо замены всех традиционных алгоритмов гибридные системы используют ML для улучшения классических процедур лучевой проверки. Например, модель ML может определять приоритеты, какие лучи тестировать в первых нескольких проверочных проверочных операциях, уменьшая пространство поиска. Альтернативно, классический цикл отслеживания лучей может работать непрерывно, в то время как триггер ML инициирует перекалиброванный поиск при падении качества сигнала. Эти комбинации обеспечивают надежность и более легкую проверку.

Обобщенные модели для многодиапазонных и многоантенновых конфигураций

Будущие беспроводные системы (6G) будут работать в диапазонах до 6 ГГц, ммВолн и ТГц, каждый с различными характеристиками распространения. Разработка единой модели ML, которая может обрабатывать различные размеры кодовых книг, геометрию массивов и полосы частот, является активной исследовательской задачей. Обучение передаче и метаобучение могут обеспечить быструю адаптацию к новым средам с небольшим количеством учебных образцов.

Интеграция с сенсорными и экологическими картами

Помимо чистого CSI, модели ML могут включать в себя побочное расположение пользователя из глобальной навигационной спутниковой системы (GNSS) или визуальные данные в реальном времени от камер. Этот мультимодальный подход может предсказать выбор луча на основе известной геометрии и пользовательского контекста, полностью уменьшая потребность в пилотных сигналах. Ранняя работа в области формирования луча с помощью датчиков показывает перспективность для беспроводных систем следующего поколения.

Заключение

Динамический выбор луча является критическим фактором для высокопроизводительных сетей MIMO, особенно по мере того, как беспроводные системы переходят на более высокие полосы частот с более узкими лучами. Машинное обучение предоставляет мощные инструменты для прогнозирования оптимальных лучей из ограниченных измерений, снижения накладных расходов, задержки и улучшения качества сигнала. Надзорное обучение, обучение с подкреплением и неконтролируемые методы предлагают различные преимущества в зависимости от доступности данных, изменчивости среды и вычислительных ограничений. В то время как проблемы остаются - включая маркировку данных, вычислительную сложность, интеграцию стандартов и адаптацию в реальном времени - продолжающиеся исследования в федеративном обучении, гибридные подходы и мультимодальные измерения постоянно преодолевают эти барьеры. По мере созревания сетей 5G и ускорения исследований 6G выбор луча на основе ML станет стандартным компонентом, обеспечивая надежность, емкость и пользовательский опыт, требуемый будущими беспроводными приложениями.

Для дальнейшего чтения см. спецификацию 3GPP по управлению лучом NR (3GPP TS 38.300) и недавние исследования IEEE по машинному обучению для выбора луча (IEEE COMST 2020).