Podejście uczenia głębokiego do projektowania hybrydowego formowania wiązki w systemach MU-MISO mmWave

Dlaczego szybsze wiązki radiowe mają znaczenie w codziennym życiu

Przyszłe samochody, telefony i czujniki będą polegać na ultra-szybkich łączach bezprzewodowych do wymiany danych w czasie rzeczywistym. Sygnały milimetrowe (mmWave) mogą dostarczać prędkości porównywalne z światłowodem, ale łatwo ulegają osłabieniu wskutek odległości i przeszkód. Aby to skompensować, stacje bazowe muszą bardzo precyzyjnie „kierować” swoje sygnały za pomocą formowania wiązki — procesu skutecznego, lecz często zbyt wolnego i zbyt złożonego dla rzeczywistych, szybko zmieniających się scenariuszy, takich jak komunikacja pojazdów. Ten artykuł bada, jak uczenie głębokie może przeprojektować ten proces, aby sieci nadążały za szybko zachodzącymi zmianami na drodze.

Wyostrzanie wiązek bez masywnego sprzętu

Współczesne stacje bazowe mmWave wykorzystują wiele drobnych anten zagęszczonych na niewielkiej powierzchni. Poprzez staranne sterowanie wysyłem każdej anteny stacja może uformować wąską wiązkę skupiającą energię w kierunku konkretnego użytkownika, co poprawia zarówno prędkość, jak i niezawodność. Są dwa główne podejścia. Cyfrowe formowanie wiązki oferuje największą elastyczność, ale wymaga pełnego zestawu kosztownej i energochłonnej elektroniki dla każdej anteny. Analogowe formowanie wiązki jest tańsze i bardziej energooszczędne, lecz zwykle może obsługiwać tylko jedną wiązkę lub jednego użytkownika naraz. Hybrydowe formowanie wiązki łączy oba pomysły: niewielki etap cyfrowy steruje siecią analogowych przesuwników fazy, dążąc do osiągnięcia wysokich przepływności przy jednoczesnym kontrolowaniu kosztów sprzętu i zużycia energii.

Wąskie gardło: powolne i złożone projektowanie wiązek

Opracowanie dobrego hybrydowego wzoru wiązki jest matematycznie trudne. System musi zdecydować, jak podzielić zadania między etap cyfrowy i analogowy zgodnie ze ścisłymi ograniczeniami sprzętowymi, takimi jak przesuwniki fazy o stałej amplitudzie i ograniczona liczba łańcuchów radiowych. Tradycyjne metody poszukują rozwiązań bliskich optymalnym poprzez iteracyjne dopasowywanie wzorów wiązek tak, aby zmaksymalizować sumę przepływności wszystkich użytkowników. Znane algorytmy mogą osiągać wysoką wydajność, ale wymagają wielu powtarzanych obliczeń i specjalistycznego oprogramowania optymalizacyjnego. Czyni to je zbyt wolnymi i obciążającymi obliczeniowo do użycia w czasie rzeczywistym, szczególnie gdy samochody i inni użytkownicy szybko się poruszają, a kanały zmieniają się z chwili na chwilę.

Nauka sieci neuronowej do wyboru właściwych wiązek

Autorzy proponują podejście hybrydowego formowania wiązki oparte na uczeniu głębokim, nazwane DL-HBF, które traktuje projektowanie wiązki jako zadanie rozpoznawania wzorców. Zamiast za każdym razem ponownie rozwiązywać złożoną optymalizację, system najpierw buduje duży zestaw uczący korzystając z realistycznego modelu kanału ray-tracingowego znanego jako DeepMIMO. Dla każdego symulowanego kanału między stacją bazową a wieloma użytkownikami z pojedynczymi antenami, gruntowne wyszukiwanie offline identyfikuje najlepszą analogową macierz formowania wiązki z starannie skonstruowanej książki kodów i oblicza odpowiadający jej cyfrowy precoder. Te wybory służą jako etykiety. Wejściem do sieci neuronowej jest trójwarstwowa reprezentacja kanału, obejmująca fazę sygnału oraz jego część rzeczywistą i urojoną, dając modelowi bogate informacje o tym, jak sygnały rozchodzą się w środowisku.

Od ciężkiej optymalizacji do szybkich decyzji

Rdzeniem DL-HBF jest konwolucyjna sieć neuronowa, która uczy się mapować pomiary kanału bezpośrednio na indeks najlepszej analogowej konfiguracji wiązki. Po treningu sieć potrafi sklasyfikować nowe warunki kanału z wysoką dokładnością w jednym przejściu w przód, unikając powolnych pętli iteracyjnych. Część cyfrowa formowania wiązki jest następnie obliczana w postaci zamkniętej na podstawie wybranej macierzy analogowej. Symulacje wykorzystujące szczegółowy scenariusz uliczny z poruszającymi się użytkownikami na częstotliwości 60 GHz pokazują, że proponowana metoda osiąga sumaryczne przepływności bliskie tym uzyskiwanym przez najsilniejsze tradycyjne algorytmy, jednocześnie dramatycznie skracając czas obliczeń. W porównaniu z kilkoma standardowymi technikami hybrydowego formowania wiązki podejście oparte na uczeniu głębokim oferuje lepszy kompromis między przepływnością a opóźnieniem i lepiej się skalowalność wraz ze wzrostem liczby łańcuchów radiowych.

Utrzymanie niezawodności przy niepełnej informacji o kanale

Rzeczywiste sieci nigdy nie znają idealnego stanu kanału radiowego; pomiary są zaszumione i opóźnione. Dlatego badanie sprawdza, jak różne metody zachowują się, gdy oszacowania kanału są zniekształcone. Wszystkie podejścia tracą pewną dokładność, ale DL-HBF wykazuje najmniejsze pogorszenie w porównaniu z idealnym, w pełni cyfrowym rozwiązaniem. Ponieważ sieć neuronowa jest trenowana na wielu realizacjach kanału, w tym na nieidealnych, uczy się wzorców odpornych na zakłócenia zamiast polegać na dokładnych liczbach. Autorzy zaprojektowali także proces tworzenia zestawu danych tak, by był szybki i efektywny pamięciowo, co ułatwia ponowne trenowanie systemu, gdy układy sieci lub warunki eksploatacji się zmienią.

Co to oznacza dla przyszłych systemów bezprzewodowych

W praktycznym ujęciu praca ta pokazuje, że uczenie głębokie może przekształcić powolną, matematycznie wymagającą optymalizację formowania wiązki w szybką operację przypominającą odwołanie do tablicy, która jest wystarczająco dokładna do rzeczywistych wdrożeń. Proponowany schemat DL-HBF zapewnia wysokie prędkości transmisji przy znacznie niższych opóźnieniach i obciążeniu obliczeniowym niż klasyczne metody, i pozostaje stabilny nawet przy nieprecyzyjnej informacji o kanale. Dla laika płynący z tego wniosek jest taki, że bardziej inteligentne, oparte na uczeniu sterowanie sygnałem może pomóc przyszłym sieciom 5G i 6G dostarczać niezawodne, szybkie połączenia wielu poruszającym się użytkownikom jednocześnie, umożliwiając bezpieczniejsze pojazdy połączone i bogatsze aplikacje mobilne bez konieczności stosowania nadmiernie skomplikowanego sprzętu.

Cytowanie: 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

Słowa kluczowe: formowanie wiązki mmWave, uczenie głębokie bezprzewodowe, hybrydowe precodowanie, komunikacja pojazdowa, massive MIMO