Approccio di deep learning per la progettazione di beamforming ibrido in sistemi MU-MISO mmWave

Perché fasci radio più rapidi contano nella vita quotidiana

I futuri veicoli, telefoni e sensori faranno affidamento su collegamenti wireless ultra‑veloci per condividere dati in tempo reale. I segnali millimetrici (mmWave) possono offrire velocità paragonabili alla fibra, ma si attenuano facilmente con la distanza e gli ostacoli. Per compensare, le stazioni base devono «puntare» i loro segnali con grande precisione mediante il beamforming, un processo potente ma spesso troppo lento e complesso per scenari reali e ad alta dinamicità come le comunicazioni veicolari. Questo articolo esplora come il deep learning possa riprogettare quel processo affinché le reti tengano il passo con i rapidi cambiamenti sulla strada.

Affinare i fasci wireless senza hardware ingombrante

Le moderne stazioni base mmWave utilizzano molte piccole antenne aggregate in spazi ridotti. Regolando con cura come ciascuna antenna trasmette il segnale, la stazione può formare un fascio stretto che concentra l’energia verso uno specifico utente, migliorando sia velocità che affidabilità. Esistono due approcci principali. Il beamforming digitale offre la massima flessibilità ma richiede una catena elettronica completa, costosa e ad alto consumo, per ogni antenna. Il beamforming analogico è più economico ed efficiente dal punto di vista energetico ma generalmente può servire un solo fascio o utente alla volta. Il beamforming ibrido combina entrambe le idee: uno stadio digitale ridotto alimenta una rete di phase shifter analogici, con l’obiettivo di offrire alte velocità dati mantenendo sotto controllo costi e consumi dell’hardware.

Il collo di bottiglia: progettazione del fascio lenta e complessa

Progettare un buon pattern di beamforming ibrido è matematicamente difficile. Il sistema deve decidere come ripartire il lavoro tra gli stadi digitale e analogico rispettando vincoli hardware stringenti, come phase shifter a modulo fisso e un numero limitato di catene radiofrequenza. I metodi tradizionali cercano soluzioni quasi ottimali modificando iterativamente i pattern di fascio per massimizzare la somma delle velocità dati degli utenti. Algoritmi noti possono raggiungere prestazioni elevate, ma richiedono molti calcoli ripetuti e software di ottimizzazione specializzato. Questo li rende troppo lenti e computazionalmente pesanti per l’uso in tempo reale, soprattutto in situazioni in cui veicoli e utenti si muovono rapidamente e i canali variano di istante in istante.

Insegnare a una rete neurale a scegliere i fasci giusti

Gli autori propongono un approccio di beamforming ibrido basato sul deep learning, chiamato DL-HBF, che tratta la progettazione dei fasci come un compito di riconoscimento di pattern. Invece di risolvere nuovamente ogni volta una complessa ottimizzazione, il sistema costruisce prima un ampio set di addestramento usando un modello di canale realistico basato su ray‑tracing noto come DeepMIMO. Per ogni canale simulato tra la stazione base e multiple utenze con singola antenna, una ricerca esaustiva offline identifica la migliore matrice di beamforming analogico da un codebook costruito con cura e calcola il precoder digitale corrispondente. Queste scelte fungono da etichette. L’input per la rete neurale è una rappresentazione del canale a tre livelli che include la fase del segnale e le sue parti reale e immaginaria, fornendo al modello informazioni ricche su come i segnali si propagano nell’ambiente.

Dall’ottimizzazione pesante a decisioni rapide

Il nucleo di DL-HBF è una rete neurale convoluzionale che impara a mappare le misure del canale direttamente sull’indice del miglior pattern di beam analogico. Dopo l’addestramento, la rete può classificare nuove condizioni di canale con elevata accuratezza in una singola passata in avanti, evitando cicli iterativi lenti. La parte digitale del beamforming viene quindi calcolata in forma chiusa a partire dalla matrice analogica selezionata. Simulazioni in uno scenario stradale dettagliato con utenti in movimento a 60 GHz mostrano che il metodo proposto raggiunge somme di velocità dati vicine a quelle dell’algoritmo tradizionale più performante, riducendo drasticamente i tempi di calcolo. Rispetto a diverse tecniche standard di beamforming ibrido, l’approccio basato sul deep learning offre un miglior compromesso tra velocità dati e latenza e scala più agevolmente all’aumentare del numero di catene radio.

Rimanere affidabili quando l’informazione del canale è imperfetta

Le reti reali non conoscono mai lo stato del canale wireless in modo perfetto; le misure sono rumorose e ritardate. Lo studio quindi testa il comportamento dei diversi metodi quando le stime del canale sono corrotte. Tutti gli approcci perdono qualche punto di accuratezza, ma DL-HBF mostra la minore degradazione nel seguire la soluzione ideale completamente digitale. Poiché la rete neurale è addestrata su molte realizzazioni del canale, incluse quelle imperfette, impara pattern robusti invece di dipendere da valori esatti. Gli autori progettano inoltre la pipeline di creazione del dataset per essere veloce ed efficiente in memoria, facilitando il ritraining del sistema quando cambiano la disposizione della rete o le condizioni operative.

Cosa significa per i sistemi wireless futuri

In termini pratici, questo lavoro dimostra che il deep learning può trasformare una ottimizzazione di beamforming lenta e matematicamente impegnativa in un’operazione rapida simile a una consultazione di tabella, sufficientemente accurata per implementazioni reali. Lo schema DL-HBF proposto fornisce alte velocità dati con molta meno latenza e computazione rispetto ai metodi classici, e rimane stabile anche quando l’informazione del canale è imprecisa. Per il pubblico generale, la conclusione è che un controllo del segnale più intelligente e basato sull’apprendimento potrebbe aiutare le future reti 5G e 6G a offrire connessioni affidabili e ad alta velocità a molti utenti in movimento contemporaneamente, abilitando veicoli connessi più sicuri e applicazioni mobili più ricche senza richiedere hardware eccessivamente complesso.

Citazione: 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

Parole chiave: beamforming mmWave, deep learning wireless, precoding ibrido, comunicazioni veicolari, massive MIMO