Deep learning-benadering voor hybride beamforming-ontwerp in MU-MISO mmWave-systemen

Waarom snellere draadloze bundels er toe doen in het dagelijks leven

Toekomstige auto’s, telefoons en sensoren zullen vertrouwen op extreem snelle draadloze verbindingen om realtime gegevens te delen. Millimetergolf (mmWave)-signalen kunnen snelheden leveren die aan glasvezel doen denken, maar ze verzwakken gemakkelijk door afstand en obstakels. Om dat te compenseren moeten basisstations hun signalen zeer precies "richten" met beamforming, een krachtig maar vaak te traag en complex proces voor realistische, snel bewegende scenario’s zoals voertuigcommunicatie. Dit artikel onderzoekt hoe deep learning dat proces kan herontwerpen zodat netwerken gelijke tred houden met snelle veranderingen op de weg.

Beamforming aanscherpen zonder lomp hardware

Moderne mmWave-basisstations gebruiken veel kleine antennes die in een kleine ruimte zijn samengepakt. Door zorgvuldig te regelen hoe elke antenne het signaal uitzendt, kan het station een smalle bundel vormen die energie naar een specifieke gebruiker focust, wat zowel snelheid als betrouwbaarheid verbetert. Er zijn twee hoofdmethoden om dit te doen. Digitale beamforming biedt de grootste flexibiliteit maar vereist voor iedere antenne een volledige reeks dure, energie-intensieve elektronica. Analoge beamforming is goedkoper en energiezuiniger maar kan meestal slechts één bundel of gebruiker tegelijk bedienen. Hybride beamforming combineert beide ideeën: een kleine digitale laag voedt een netwerk van analoge faseschuivers, met als doel hoge datasnelheden te leveren terwijl de hardwarekosten en het energieverbruik beperkt blijven.

De knelpunten: traag en complex ontwerp van bundels

Het ontwerpen van een goed hybride bundelpatroon is wiskundig lastig. Het systeem moet beslissen hoe het werk tussen de digitale en analoge lagen wordt verdeeld binnen strikte hardwarebeperkingen, zoals faseschuivers met vaste magnitude en een beperkt aantal radiofrequentie-ketens. Traditionele methoden zoeken naar bijna-optimale oplossingen door iteratief de bundelpatronen bij te sturen om de som van de datasnelheden voor alle gebruikers te maximaliseren. Bekende algoritmen kunnen hoge prestaties bereiken maar vereisen veel herhaalde berekeningen en gespecialiseerde optimalisatiesoftware. Daardoor zijn ze te traag en rekenkundig zwaar voor realtime gebruik, vooral in situaties waar auto’s en andere gebruikers snel bewegen en kanalen van het ene op het andere moment veranderen.

Een neuraal netwerk leren de juiste bundels te kiezen

De auteurs stellen een deep-learning-gebaseerde hybride beamforming-benadering voor, DL-HBF genoemd, die beamontwerp behandelt als een patroonherkenningstaak. In plaats van telkens een complexe optimalisatie opnieuw op te lossen, bouwt het systeem eerst een grote trainingsset op met een realistisch ray-tracing-kanaalmodel bekend als DeepMIMO. Voor elk gesimuleerd kanaal tussen het basisstation en meerdere single-antennegebruikers identificeert een exhaustieve offline-zoektocht de beste analoge beamforming-matrix uit een zorgvuldig opgebouwde codebook en berekent de bijbehorende digitale precoder. Deze keuzes dienen als labels. De input voor het neuraal netwerk is een driedelige representatie van het kanaal die de signaalfase en de reële en imaginaire delen omvat, waardoor het model rijke informatie krijgt over hoe signalen zich door de omgeving voortplanten.

Van zware optimalisatie naar snelle beslissingen

De kern van DL-HBF is een convolutioneel neuraal netwerk dat leert kanaalmetingen rechtstreeks te koppelen aan de index van het beste analoge beam-patroon. Na training kan het netwerk nieuwe kanaalcondities in één enkele voorwaartse pass met hoge nauwkeurigheid classificeren, waarmee trage iteratieve lussen worden vermeden. Het digitale deel van de beamforming wordt vervolgens in gesloten vorm berekend uit de gekozen analoge matrix. Simulaties met een gedetailleerd straatscenario met bewegende gebruikers bij 60 GHz tonen aan dat de voorgestelde methode somdatasnelheden bereikt die dicht bij die van het krachtigste traditionele algoritme liggen, terwijl de rekentijd dramatisch afneemt. Vergeleken met verschillende standaard hybride beamforming-technieken biedt de deep learning-benadering een betere afweging tussen datarate en latentie en schaalt ze soepeler naarmate het aantal radiofrequentieketens toeneemt.

Betrouwbaar blijven wanneer kanaalinformatie onvolledig is

Reële netwerken kennen de staat van het draadloze kanaal nooit perfect; metingen zijn lawaaierig en vertraagd. De studie test daarom hoe verschillende methoden presteren wanneer kanaalschattingen worden aangetast. Alle benaderingen verliezen wat nauwkeurigheid, maar DL-HBF toont de kleinste degradatie in hoe nauwkeurig het de ideale, volledig digitale oplossing volgt. Omdat het neuraal netwerk getraind is op veel kanaalrealisaties, waaronder imperfecte, leert het robuuste patronen in plaats van afhankelijk te zijn van exacte getallen. De auteurs ontwerpen ook hun data-constructiepijplijn om snel en geheugen-efficiënt te zijn, waardoor het eenvoudiger wordt het systeem opnieuw te trainen wanneer netwerkindelingen of bedrijfsomstandigheden veranderen.

Wat dit betekent voor toekomstige draadloze systemen

In praktische termen laat dit werk zien dat deep learning een trage, wiskundig veeleisende beamforming-optimalisatie kan veranderen in een snelle, look-up-achtige operatie die nauwkeurig genoeg is voor echte uitrol. Het voorgestelde DL-HBF-scheme levert hoge datasnelheden met veel lagere latentie en rekentijd dan klassieke methoden, en blijft stabiel zelfs wanneer kanaalinformatie onnauwkeurig is. Voor de leek is de conclusie dat slimmer, op leren gebaseerd signaalbeheer toekomstige 5G- en 6G-netwerken kan helpen betrouwbare, hogesnelheidsverbindingen aan veel bewegende gebruikers tegelijk te leveren, waardoor veiligere verbonden voertuigen en rijkere mobiele toepassingen mogelijk worden zonder onbetaalbaar complexe hardware te vereisen.

Bronvermelding: 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

Trefwoorden: mmWave-beamforming, deep learning draadloos, hybride precoding, voertuigcommunicatie, massieve MIMO