Технология многократного ввода многократного вывода (MIMO) стала краеугольным камнем современной беспроводной связи, обеспечивая значительные достижения в спектральной эффективности, надежности связи и общей пропускной способности сети. В системах MIMO производительность формирования луча, предварительного кодирования и адаптивной модуляции критически зависит от точных знаний о состоянии беспроводного канала. Однако в быстро меняющихся и высоко мобильных средах информация о состоянии канала (CSI) часто устаревает к тому времени, когда она используется. Прогнозирование канала - прогнозирование будущего CSI из прошлых наблюдений - устраняет эту задержку. Традиционные линейные и основанные на моделях предикторы борются в нестационарных, сложных средах распространения. Подходы машинного обучения (ML) появились как мощные, основанные на данных альтернативы, которые могут изучать сложные пространственно-временные модели, адаптироваться к изменяющимся условиям и обеспечивать превосходную точность прогнозирования. Эта статья обеспечивает всеобъемлющий, авторитетный обзор методов машинного обучения для прогнозирования канала MIMO, охватывающие ключевые методы, преимущества, текущие проблемы и перспективные будущие направления исследований.

Прогнозирование MIMO Channel Prediction

Предсказание канала MIMO является задачей оценки будущей матрицы канала (или ее статистических свойств) на основе последовательности оценок прошлых каналов. Канал между передатчиком с Nttr антенны представлен как Nrtt[[FLT]t].В изменяющейся во времени среде элементы этой матрицы развиваются в соответствии с физическими явлениями, такими как многолучевое распространение, доплеровское смещение и рассеяние. Точное предсказание требует захвата как временных корреляций (из-за движения), так и пространственных корреляций (из-за размещения антенны и геометрии рассеивателя).

Классические методы прогнозирования включают в себя ауторегрессивные (AR) модели, фильтры Калмана и фильтры Винера. Эти подходы предполагают линейную динамику и стационарную статистику, которые часто нарушаются в реальных сценариях. Например, быстро движущееся пользовательское оборудование в плотной городской среде создает высоко нестационарный канал. Модели ML, напротив, могут изучать нелинейные, нестационарные отношения непосредственно из данных, что делает их особенно привлекательными для реалистичных развертываний.

Методы машинного обучения для прогнозирования каналов MIMO

Машинное обучение предлагает богатый инструментарий для прогнозирования каналов. Выбор техники зависит от доступности данных, вычислительного бюджета, требуемого горизонта прогнозирования и сложности среды. Ниже мы подробно расскажем о наиболее эффективных семействах моделей ML, с акцентом на их архитектуру, подходы к обучению и пригодность для систем MIMO.

Надзорное обучение с помощью неглубоких моделей

Надзорное обучение составляет основу для многих предикторов каналов. Учитывая набор данных пар вход-выход - прошлых образцов каналов в качестве входа, будущих образцов каналов в качестве выхода - модель изучает функцию отображения. Ранняя работа использовала методы ядра, такие как регрессия опорных векторов (SVR) и гауссовские процессы. Эти модели могут захватывать умеренные нелинейности, но сталкиваются с проблемами масштабируемости с высокоразмерными каналами MIMO. Например, система 64×64 MIMO дает 4096 сложных коэффициентов каналов на шаг времени, делая методы ядра вычислительно запрещающими. Однако для меньших массивов (например, 4×4 или 8×8) SVR и гауссовские процессы могут достичь конкурентной точности с минимальной настрокой гиперпараметра.

Другой поверхностный подход — это нейронная сеть (FNN). С одним или двумя скрытыми слоями и умеренным числом нейронов FNN могут аппроксимировать нелинейные функции более масштабно, чем методы ядра. Они требуют тщательной регуляризации (выпадение, распад веса) для предотвращения переобучения, особенно когда данные обучения ограничены. Основным ограничением неглубоких моделей является их неспособность эффективно захватывать длинные временные зависимости — горизонт прогнозирования обычно ограничен несколькими миллисекундами.

Рекуррентные нейронные сети и LSTM

Для более длинных горизонтов предсказания рекуррентные нейронные сети (RNN) являются естественным выбором. RNN поддерживают скрытое состояние, которое кодирует информацию с предыдущих этапов времени, позволяя им моделировать временную динамику. Однако простые RNN страдают от исчезающих и взрывающихся градиентов, что затрудняет изучение зависимостей на протяжении многих этапов времени. Сети с длинной кратковременной памятью (LSTM) решают эту проблему с механизмами гатинга, которые контролируют поток информации. LSTM стали фактическим стандартом для прогнозирования последовательности в беспроводной связи.

В MIMO-канальном прогнозировании LSTM принимает в качестве входной последовательности матриц прошлых каналов (расплощенных в векторы) и выводит прогнозируемую будущую матрицу. Исследователи продемонстрировали, что LSTM могут точно прогнозировать каналы для горизонтов прогнозирования 5-20 миллисекунд в автомобильных сценариях на несущей частоте 2,6 ГГц. Например, исследование Wang et al. предложило предиктор на основе LSTM, который достиг средних квадратов ошибок (MSE) улучшений 10 дБ по линейным AR-моделям в SNR выше 10 дБ. Архитектура обычно состоит из двух или трех сложенных слоев LSTM с последующим полностью связанным выходным слоем. Обучение использует обратное распространение во времени (BPTT) и мини-партийный стохастический градиентный спуск.

Двунаправленные LSTM и зашитые повторяющиеся блоки (GRU) - это варианты, которые предлагают различные компромиссы между сложностью и производительностью. GRU имеют меньше параметров, чем LSTM, и, таким образом, тренируются быстрее, но могут захватывать немного меньший временной контекст. Для приложений в реальном времени GRU часто предпочтительнее из-за их более низкой вычислительной стоимости.

Свёрточные нейронные сети для пространственных функций

Каналы MIMO демонстрируют сильную пространственную структуру — корреляция между элементами антенны следует топологии, которая может быть использована. Свёрточные нейронные сети (CNN) предназначены для захвата локальных корреляций через сверточные и объединяющие слои. В прогнозировании каналов CNN обычно применяются после преобразования матрицы канала в 2D-решетку (для однородных линейных массивов) или 3D-тензор (для однородных плоских массивов). Свёрточные слои изучают пространственные фильтры, которые обнаруживают шаблоны, такие как кластеры угла прибытия или пространственные затухающие корреляции.

Однако CNN не являются моделями последовательностей; они обрабатывают каждый шаг независимо. Поэтому они часто комбинируются с повторяющимися слоями в гибридных архитектурах. Например, модель CNN-LSTM использует CNN для извлечения пространственных особенностей из каждого снимка канала, а затем подает эти функции в LSTM для моделирования временной эволюции. Такие гибридные модели показали современную производительность в массивных задачах прогнозирования MIMO. В статье Jiang et al. продемонстрировано, что предиктор CNN-LSTM уменьшил нормализованную MSE до 30% по сравнению с автономным LSTM в системе 32×32 MIMO на 5,9 ГГц. Внешняя ссылка на соответствующие исследования: Jiang et al., «Глубокое обучение для прогнозирования канала MIMO», IEEE Trans. Wireless Commun., 2020 .

Трансформеры и механизмы внимания

Архитектура Transformer, первоначально разработанная для обработки естественного языка, недавно была применена к прогнозированию временных рядов. Трансформаторы полагаются на механизмы самовнимания, которые взвешивают важность различных этапов времени, позволяя им захватывать зависимости на большие расстояния без последовательного узкого места обработки RNN. В прогнозировании канала MIMO кодер Transformer может обрабатывать всю прошлую последовательность параллельно, делая обучение быстрее. Выходом является прогнозируемая матрица канала для следующего шага времени (или нескольких шагов).

Ранние результаты показывают, что трансформаторы могут превосходить LSTM для очень длинных горизонтов прогнозирования (более 50 мс) и в высоко нестационарных каналах, потому что механизм внимания может непосредственно присутствовать в соответствующих прошлых состояниях независимо от временного расстояния. Однако трансформаторы требуют больших объемов данных обучения и имеют квадратичную сложность в длине последовательности, которая может быть непомерно длинной. Такие методы, как разреженное внимание или Linformer, изучаются для уменьшения сложности. Внешняя ссылка: Li et al., «Предсказание канала MIMO на основе трансформатора», arXiv, 2021 .

Усиление обучения для адаптивного прогнозирования

В динамических средах оптимальная модель прогнозирования может меняться с течением времени. Усиление обучения (RL) обеспечивает основу для онлайн-адаптации. Агент RL на каждом этапе выбирает модель прогнозирования (или гиперпараметры), получает обратную связь на основе ошибки прогнозирования и обновляет свою политику для минимизации кумулятивной ошибки. Этот подход особенно полезен, когда статистика канала резко меняется, например, когда пользователь переходит от линии видимости (LOS) к состоянию, не являющемусяLOS.

Для изучения наилучшего выбора предиктора были применены методы глубинных Q-сетей (DQN) и градиента политики. Например, агент может выбирать между моделью AR с низкой сложностью во время медленного замирания и LSTM во время быстрого замирания, адаптируясь в режиме реального времени. В то время как многообещающее, предсказание на основе RL остается активной областью исследований из-за проблемы эффективности выборки и исследования в высокоразмерных пространствах состояний.

Трансфертное обучение и мета-обучение

Сбор больших наборов данных с маркировкой для каждой новой среды развертывания непрактичен. Обучение передаче позволяет модели, предварительно обученной на данных из одного сценария (например, пригородной макросоты), быть настроенной с ограниченными данными из целевого сценария (например, городской микросоты). Это снижает требования к данным и время обучения. Мета-обучение или «обучение для изучения», принимает это дальше, обучая модель, которая может быстро адаптироваться к новым условиям с помощью всего нескольких обновлений градиента. Модельно-агностический мета-обучение (MAML) показало успех в прогнозировании нескольких каналов.

Например, LSTM, обученный мета-технологиям, может адаптироваться к новому шаблону мобильности, увидев только 10-20 новых реализаций каналов, тогда как обучение с нуля потребует тысяч. Это имеет решающее значение для сетей 5G/6G, где поведение пользователей разнообразно и непредсказуемо. Внешние ссылки: Chen et al., «Meta-Learning for Fast Adaptation in MIMO Channel Prediction», IEEE Trans. Veh. Technol., 2021 .

Ключевые преимущества подходов машинного обучения

Принятие ML для прогнозирования каналов MIMO обусловлено несколькими ощутимыми преимуществами по сравнению с традиционными методами:

  • Нелинейное моделирование: МЛ-модели могут аппроксимировать произвольные нелинейные функции, захватывая сложные взаимодействия между многолучевыми компонентами, доплеровскими сдвигами и корреляциями антенн, которые линейные модели упускают.
  • Адаптация: Модели глубокого обучения могут быть переобучены или точно настроены при изменении статистики канала, без необходимости ручного перепроектирования предиктора.
  • Многовариантное прогнозирование: Каналы MIMO являются высокоразмерными. Модели ML изящно обрабатывают большие входные и выходные размеры, изучая совместную пространственно-временную структуру.
  • Вывод в реальном времени: После обучения вывод нейронной сети может быть ускорен с помощью графических процессоров или специализированного оборудования (FPGA, ASIC), удовлетворяя требованиям задержки в субмиллисекундах 5G и далее.
  • Способность к несовершенству CSI: Предсказатели ML, обученные с шумными оценками канала, все еще могут давать точные прогнозы, в то время как методы на основе моделей быстро ухудшаются при шуме.

Проблемы и ограничения

Несмотря на свои обещания, ML-канальные предикторы сталкиваются с рядом препятствий, которые необходимо устранить до широкого развертывания:

Требование к данным обучения

Модели глубокого обучения, особенно Трансформаторы и большие LSTM, требуют огромных объемов маркированных данных. Сбор реальных измерений каналов является дорогостоящим и трудоемким. Синтетические данные из моделей трассировки лучей или стандартизированных моделей каналов (3GPP, COST) могут дополнять реальные данные, но разрыв в домене может вызвать ухудшение производительности при развертывании.

Вычислительная сложность

Для вывода даже LSTM среднего размера может потребоваться миллионы операций многократного накопления в прогнозе, что бросает вызов оборудованию пользователя с батарейным питанием. Методы сжатия модели - нагнетание, квантование, перегонка знаний - являются активными областями исследований для снижения сложности при сохранении точности.

Обобщение по всем сценариям

Модель, обученная в одной полосе частот, конфигурации антенны или модели мобильности, часто не срабатывает при тестировании в разных условиях. Переподгонка к распределению обучения является серьезной проблемой. В настоящее время разрабатываются методы адаптации домена и обобщения домена для создания более надежных предикторов.

Прогнозирование Horizon vs. точность компромисса

Более длинные горизонты прогнозирования по своей сути страдают от более высокой неопределенности. Модели ML могут расширять предсказуемый горизонт за пределы того, чего достигают линейные методы, но за пределы определенной точки (например, > 100 мс для высокой мобильности), точность резко падает. Некоторые исследователи исследуют вероятностное прогнозирование (например, байесовские нейронные сети) для количественной оценки неопределенности, которая может использоваться в планировании с учетом риска.

Будущие направления и тенденции исследований

Ожидается, что несколько интересных направлений будут формировать прогноз канала MIMO следующего поколения:

  • Интеграция с цифровыми близнецами: Цифровые двойники беспроводных сред (объединение трассировки лучей и измерений в реальном времени) могут обеспечить высокоточные данные обучения и включить непрерывные обновления моделей.
  • Графические нейронные сети (GNN): Представление канала MIMO в виде графа над элементами антенны и рассеивателями может привести к более эффективным и физически осведомленным моделям.
  • Федерированное обучение: Предсказатели каналов обучения на нескольких базовых станциях без централизации исходных данных сохраняют конфиденциальность и снижают накладные расходы на связь.
  • Многошаговое и многократное прогнозирование: Прогнозирование не только следующего состояния канала, но и полной траектории в течение нескольких временных шкал (например, для распределения ресурсов и принятия решений о передаче).
  • Программно-аппаратные нейронные сети: Проектирование архитектур, которые эффективно отображают существующие беспроводные чипсеты, используя двоичные веса или пиковые нейронные сети для сверхнизкой мощности.

Заключение

Машинное обучение коренным образом изменило прогнозирование каналов MIMO, предлагая беспрецедентную точность, адаптивность и надежность по сравнению с обычными методами обработки сигналов. От небольших SVR до глубоких LSTM, CNN и Transformers, каждая архитектура приносит уникальные сильные стороны, которые могут быть адаптированы к конкретным случаям использования. Путь к развертыванию включает в себя преодоление проблем в области дефицита данных, вычислительной стоимости и обобщения. Продолжающиеся исследования в области обучения передаче, мета-обучения и сжатия моделей неуклонно сокращают этот разрыв. По мере того, как беспроводные системы развиваются в направлении 6G с более высокими частотами и экстремальной мобильностью, прогнозирование каналов на основе ML станет неотъемлемым компонентом физического уровня, обеспечивая надежную, высокопроизводительную связь в самых сложных средах. Практики и исследователи должны оставаться в курсе этих быстрых событий, поскольку слияние машинного обучения и моделирования беспроводных каналов имеет ключ к следующему поколению связи.