גישת למידה עמוקה לעיצוב beamforming היברידי במערכות MU-MISO בתדרי מי"מ

מדוע קרניים אלחוטיות מהירות חשובות לחיי היומיום

מכוניות, טלפונים וחיישנים עתידיים יתבססו על קישורים אלחוטיים מהירים מאוד כדי לשתף נתונים בזמן אמת. אותות מילימטר-גל (mmWave) יכולים לספק מהירויות כמו סיבים אופטיים, אך הם מוחלשים בקלות במרחקים ובנוכחות מכשולים. כדי לפצות על כך, תחנות בסיס חייבות "לכוון" את האותות במדויק באמצעות beamforming — תהליך רב-עוצמה אך לעתים איטי ומורכב מדי לתרחישים מעשיים בהם יש תנועה מהירה, כמו תקשורת רכבית. מאמר זה בוחן כיצד למידה עמוקה יכולה לעצב מחדש את התהליך כדי שהרשתות יוכלו לעקוב אחרי שינויים מהירים בכביש.

להחדיר קרניים אלחוטיות חזקות יותר בלי חומרה מגושמת

תחנות בסיס מודרניות בתדרי מי"מ משתמשות במערך של אנטנות זעירות הדחוסות בשטח קטן. על ידי כוונון מדויק של האופן שבו כל אנטנה משדרת, התחנה יכולה ליצור קרן צר שמרכיזה אנרגיה לעבר משתמש מסוים, ומשפרת גם מהירות וגם אמינות. יש שתי גישות עיקריות לכך. beamforming דיגיטלי מציע את הגמישות הרבה ביותר אך דורש יחידות אלקטרוניות יקרות וצרכניות בכל אנטנה. beamforming אנלוגי הוא זול ויעיל אנרגטית אך בדרך כלל יכול לשרת קרן או משתמש אחד בכל פעם. beamforming היברידי משלב את שתי הגישות: שלב דיגיטלי קטן מזין רשת של מזיזי פאזה אנלוגיים, במטרה לספק קצבי נתונים גבוהים תוך שמירה על עלויות חומרה וצריכת חשמל נמוכות יחסית.

צוואר הבקבוק: עיצוב קרניים איטי ומורכב

עיצוב תבנית beam היברידית טובה הוא בעיה מתמטית קשה. המערכת חייבת להחליט כיצד לחלק את המשימה בין השלבים הדיגיטליים והאנלוגיים תחת מגבלות חומרה נוקשות, כגון מזיזי פאזה בעוצמה קבועה ומספר מוגבל של שרשראות RF. שיטות מסורתיות מחפשות פתרונות קרובים לאופטימליים על ידי כוונון איטרטיבי של תבניות הקרן כדי למקסם את סכום קצבי הנתונים של כל המשתמשים. יש אלגוריתמים ידועים שמגיעים לביצועים גבוהים אך דורשים חישובים חוזרים רבים ותוכנה אופטימיזציה ייעודית. זה הופך אותם לאיטיים וכבדים חישובית לשימוש בזמן אמת, במיוחד בסיטואציות שבהן רכבים ומשתמשים נעים במהירות והערוצים משתנים תדיר.

להכשיר רשת נוירונים לבחור את הקרניים הנכונות

המחברים מציעים גישה להיבריד beamforming מבוססת למידה עמוקה, שנקראת DL-HBF, שמתייחסת לעיצוב הקרן כמשימת זיהוי דפוסים. במקום לפתור מחדש אופטימיזציה מורכבת בכל פעם, המערכת בונה תחילה מערך אימון גדול באמצעות מודל ערוצי ray-tracing ריאלי הידוע כ-DeepMIMO. לכל ערוץ מדומה בין תחנת הבסיס למספר משתמשים חד-אנטנתיים, חיפוש מקיף לא מקוון קובע את מטריצת ה-beam האנלוגית הטובה ביותר מתוך ספריית קוד שנבנתה בקפידה ומחשב את הקידוד המקדים הדיגיטלי התואם. בחירות אלה משמשות כתוויות. הקלט לרשת הנוירונית הוא ייצוג ערוץ תלת-שכבתי הכולל את פאוזת האות וכן את החלקים הממשיים והמדומים, מה שמעניק למודל מידע עשיר על אופן התפשטות האות בסביבה.

ממעבר אופטימיזציה כבדה להחלטות מהירות

גרעין ה-DL-HBF הוא רשת עצבית קונבולוציונית שלומדת למפות מדידות ערוץ ישירות לאינדקס של תבנית ה-beam האנלוגית הטובה ביותר. לאחר האימון, הרשת מסוגלת לסווג תנאי ערוץ חדשים בדיוק גבוה במעבר חד קדימה אחד, ובכך להמנע מלולאות איטרטיביות איטיות. החלק הדיגיטלי של ה-beamforming מחושב אז בצורה סגורה מהמטריצה האנלוגית הנבחרת. סימולציות בתרחיש רחוב מפורט עם משתמשים נעים בתדר 60 גיגה-הרץ מראות שהשיטה המוצעת משיגה סכומי קצבי נתונים קרובים לאלו של האלגוריתם המסורתי החזק ביותר, תוך חיתוך דרמטי של זמני חישוב. בהשוואה לכמה טכניקות היברידיות סטנדרטיות, הגישה המבוססת למידה עמוקה מציעה פשרה טובה יותר בין קצב נתונים לעכבה ומדרגת בקלות רבה יותר כשמספר שרשראות ה-RF גדל.

להישאר אמינים כאשר מידע הערוץ אינו מדויק

רשתות אמיתיות לעולם לא יודעות את מצבו המדויק של הערוץ; המדידות רעשניות ומאוחרות. לכן המחקר בודק כיצד שיטות שונות מתנהגות כאשר אומדני הערוץ מושחתים. כל הגישות מאבדות מעט דיוק, אך DL-HBF מציג את הירידה הקטנה ביותר בהתקרבות לפתרון הדיגיטלי המלא האידיאלי. מאחר שהרשת הוכשרה על שפע של מימושי ערוצים, כולל כאלה לא מדויקים, היא לומדת דפוסים חסונים במקום להסתמך על מספרים מדויקים. המחברים גם מעצבים את צינור יצירת מערכי הנתונים שלהם להיות מהיר ויעיל בזיכרון, מה שמקל על אימון מחדש של המערכת כאשר פריסות הרשת או תנאי התפעול משתנים.

מה משמעות הדבר עבור מערכות אלחוט עתידיות

מעשית, עבודה זו מראה שלמידה עמוקה יכולה להפוך אופטימיזציה איטית ודרישות מתמטיות כבדות של beamforming לפעולה מהירה בדומה לחיפוש בטבלה שהיא מספיק מדויקת לפריסות אמיתיות. סכמת DL-HBF המוצעת מספקת קצבי נתונים גבוהים עם עמלת עיבוד ועכבה נמוכה בהרבה לעומת שיטות קלאסיות, והיא נשארת יציבה גם כאשר מידע הערוץ אינו מדויק. לקורא שאינו מומחה, המסקנה היא שבקרת אותות חכמה מבוססת-למידה עשויה לסייע לרשתות 5G ו-6G עתידיות לספק חיבורים מהירים ואמינים למספר רב של משתמשים נעים בו-זמנית, לאפשר רכבים מחוברים בטוחים יותר ויישומי מובייל עשירים יותר בלי צורך בחומרה מורכבת מדי.

ציטוט: 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

מילות מפתח: beamforming בתדרי מי"מ, למידה עמוקה אלחוטית, קידוד מקדים היברידי, תקשורת רכבית, MIMO המוני