Tiefenlernansatz für die Gestaltung hybrider Beamforming-Verfahren in MU-MISO mmWave-Systemen

Warum schnellere drahtlose Strahlen im Alltag wichtig sind

Zukünftige Autos, Telefone und Sensoren werden auf ultraschnelle drahtlose Verbindungen angewiesen sein, um Daten in Echtzeit auszutauschen. Millimeterwellen-(mmWave)-Signale können faserähnliche Geschwindigkeiten liefern, werden jedoch leicht durch Entfernung und Hindernisse geschwächt. Zur Kompensation müssen Basisstationen ihre Signale sehr präzise „ausrichten“ – ein Prozess namens Beamforming, der zwar leistungsfähig, aber oft zu langsam und zu komplex für reale, schnell wechselnde Szenarien wie die Fahrzeugkommunikation ist. Dieser Artikel untersucht, wie Deep Learning diesen Prozess neu gestalten kann, damit Netze mit schnellen Veränderungen auf der Straße Schritt halten können.

Drahtlose Strahlen schärfen ohne sperrige Hardware

Moderne mmWave-Basisstationen nutzen viele winzige Antennen auf kleinem Raum. Durch gezielte Anpassung, wie jede Antenne das Signal abstrahlt, kann die Station einen schmalen Strahl formen, der die Energie auf einen bestimmten Nutzer fokussiert und so Geschwindigkeit und Zuverlässigkeit erhöht. Es gibt zwei Hauptansätze: Digitales Beamforming bietet die größte Flexibilität, erfordert aber für jede Antenne eine vollständige Ausstattung teurer, energieintensiver Elektronik. Analoges Beamforming ist günstiger und energieeffizienter, kann in der Regel jedoch nur einen Strahl oder Nutzer gleichzeitig bedienen. Hybrides Beamforming kombiniert beide Ideen: eine kleine digitale Stufe speist ein Netzwerk analoger Phasenschieber, mit dem Ziel, hohe Datenraten zu liefern und zugleich Hardwarekosten und Energieverbrauch zu begrenzen.

Der Engpass: langsame und komplexe Strahl-Gestaltung

Die Entwicklung eines guten hybriden Strahlmusters ist mathematisch anspruchsvoll. Das System muss entscheiden, wie die Arbeit zwischen digitalen und analogen Stufen unter strengen Hardware-Vorgaben aufgeteilt wird, etwa festen Amplituden bei Phasenschiebern und einer begrenzten Anzahl von RF-Ketten. Traditionelle Methoden suchen nach nahezu optimalen Lösungen, indem sie die Strahlmuster iterativ anpassen, um die Summe der Datenraten aller Nutzer zu maximieren. Bekannte Algorithmen können hohe Leistung erzielen, erfordern jedoch viele wiederholte Berechnungen und spezielles Optimierungssoftware. Das macht sie zu langsam und rechenintensiv für Echtzeitanwendungen, besonders in Situationen, in denen Fahrzeuge und andere Nutzer sich schnell bewegen und sich die Kanäle ständig ändern.

Einem neuronalen Netzwerk beibringen, die richtigen Strahlen zu wählen

Die Autoren schlagen einen tiefenlern-basierten hybriden Beamforming-Ansatz namens DL-HBF vor, der die Strahlgestaltung als Mustererkennungsaufgabe behandelt. Anstatt jedes Mal eine komplexe Optimierung neu zu lösen, erstellt das System zunächst einen großen Trainingssatz mithilfe eines realistischen Raytracing-Kanalmodells namens DeepMIMO. Für jeden simulierten Kanal zwischen der Basisstation und mehreren Ein-Antennen-Nutzern identifiziert eine umfassende Offline-Suche die beste analoge Beamforming-Matrix aus einem sorgfältig konstruierten Codebuch und berechnet den passenden digitalen Precoder. Diese Entscheidungen dienen als Labels. Die Eingabe in das neuronale Netzwerk ist eine dreischichtige Darstellung des Kanals, die die Signalphase sowie die reellen und imaginären Anteile enthält und dem Modell reichhaltige Informationen darüber gibt, wie Signale durch die Umgebung propagieren.

Von aufwändiger Optimierung zu schnellen Entscheidungen

Der Kern von DL-HBF ist ein konvolutionales neuronales Netzwerk, das lernt, Kanalmessungen direkt auf den Index des besten analogen Strahlmusters abzubilden. Nach dem Training kann das Netzwerk neue Kanalbedingungen mit hoher Genauigkeit in einem einzigen Vorwärtsdurchlauf klassifizieren und so langsame iterative Schleifen vermeiden. Der digitale Teil des Beamformings wird dann in geschlossener Form aus der ausgewählten analogen Matrix berechnet. Simulationen in einem detaillierten Straßen-Szenario mit bewegten Nutzern bei 60 GHz zeigen, dass die vorgeschlagene Methode die Summe der Datenraten nahe an die leistungsfähigsten traditionellen Algorithmen heranführt, während die Rechenzeit drastisch reduziert wird. Im Vergleich zu mehreren Standardverfahren für hybrides Beamforming bietet der Deep-Learning-Ansatz ein besseres Verhältnis von Datenrate zu Latenz und skaliert zudem besser, wenn die Anzahl der RF-Ketten zunimmt.

Robust bleiben, wenn Kanalinformationen unvollständig sind

Reale Netze kennen den Zustand des Funkkanals nie perfekt; Messungen sind verrauscht und verzögert. Die Studie prüft daher, wie sich verschiedene Methoden verhalten, wenn die Kanalabschätzungen beeinträchtigt sind. Alle Ansätze verlieren etwas Genauigkeit, doch DL-HBF zeigt die geringste Verschlechterung in Bezug auf die Annäherung an die ideale, voll digitale Lösung. Da das neuronale Netzwerk auf vielen Kanalrealisationen trainiert wird, einschließlich unvollkommener, lernt es robuste Muster statt sich auf exakte Zahlen zu verlassen. Die Autoren gestalten außerdem ihre Pipeline zur Datensatzerstellung so, dass sie schnell und speichereffizient ist, was das Nachtrainieren des Systems erleichtert, wenn sich Netzwerktopologien oder Betriebsbedingungen ändern.

Was das für zukünftige drahtlose Systeme bedeutet

Praktisch zeigt diese Arbeit, dass Deep Learning eine langsame, mathematisch anspruchsvolle Beamforming-Optimierung in eine schnelle, nachschlageartige Operation verwandeln kann, die für reale Einsätze ausreichend genau ist. Das vorgeschlagene DL-HBF-Schema liefert hohe Datenraten bei deutlich geringerer Latenz und Rechenaufwand als klassische Verfahren und bleibt auch bei ungenauen Kanalinformationen stabil. Für Laien lautet die Quintessenz: Intelligente, lernbasierte Signalkontrolle könnte künftigen 5G- und 6G-Netzen helfen, vielen bewegten Nutzern gleichzeitig zuverlässige, schnelle Verbindungen bereitzustellen – und so sicherere vernetzte Fahrzeuge und reichhaltigere mobile Anwendungen zu ermöglichen, ohne unvertretbar komplexe Hardware zu erfordern.

Zitation: Ghaith, E., Mekkawy, T., Abouelfadl, A.A. et al. Deep learning approach for hybrid beamforming design in MU-MISO mmWave systems. Sci Rep 16, 5014 (2026). https://doi.org/10.1038/s41598-026-35247-5

Schlüsselwörter: mmWave-Beamforming, Deep Learning drahtlos, hybride Precoding, Fahrzeugkommunikation, massive MIMO