Подход на основе глубокого обучения для проекта гибридного формирования луча в MU-MISO mmWave системах

Почему быстрые беспроводные лучи важны для повседневной жизни

Будущие автомобили, телефоны и датчики будут опираться на сверхбыстрые беспроводные каналы для обмена данными в реальном времени. Миллиметровые (mmWave) сигналы могут обеспечить скорости, сопоставимые с оптикой, но они легко ослабляются из‑за расстояния и препятствий. Чтобы компенсировать это, базовые станции должны очень точно «наводить» свои сигналы с помощью формирования луча — мощного, но часто слишком медленного и сложного процесса для реальных сценариев с высокой скоростью, таких как автомобильная связь. В этой статье рассматривается, как глубокое обучение может переработать этот процесс, чтобы сети успевали за быстрыми изменениями на дороге.

Фокусировка беспроводных лучей без громоздкого оборудования

Современные mmWave базовые станции используют множество крошечных антенн, упакованных на небольшой площади. Тщательно регулируя, как каждая антенна излучает, станция может формировать узкий луч, который фокусирует энергию в сторону конкретного пользователя, повышая скорость и надёжность. Существует два основных подхода. Цифровое формирование луча обеспечивает наибольшую гибкость, но требует полного набора дорогостоящей и энергоёмкой электроники на каждую антенну. Аналоговое формирование дешевле и экономичнее по энергии, но обычно может обслуживать только один луч или одного пользователя за раз. Гибридное формирование луча объединяет обе идеи: небольшая цифровая стадия питает сеть аналоговых фазовращателей, стремясь обеспечить высокие скорости передачи при контролируемых затратах на оборудование и потреблении энергии.

Узкое место: медленное и сложное проектирование луча

Проектирование хорошей гибридной схемы формирования луча математически сложно. Система должна решить, как разделить работу между цифровой и аналоговой стадиями при жёстких аппаратных ограничениях, таких как фазовращатели с фиксированной амплитудой и ограниченное число радиочастотных цепей. Традиционные методы ищут близкие к оптимальным решения путём итерационного подбора параметров с целью максимизации суммарной скорости передачи для всех пользователей. Хорошо известные алгоритмы могут давать высокую производительность, но требуют множества повторных вычислений и специализированного ПО для оптимизации. Это делает их слишком медленными и ресурсоёмкими для работы в реальном времени, особенно когда автомобили и другие пользователи быстро перемещаются и каналы меняются из мгновения в момент.

Обучение нейронной сети выбирать правильные лучи

Авторы предлагают подход гибридного формирования луча на основе глубокого обучения, названный DL-HBF, который рассматривает задачу проектирования луча как задачу распознавания образов. Вместо повторного решения сложной оптимизации каждый раз система сперва формирует большую обучающую выборку, используя реалистичную модель распространения лучей, известную как DeepMIMO. Для каждого смоделированного канала между базовой станцией и несколькими одноантенными пользователями выполняется исчерпывающий оффлайн‑поиск лучшей аналоговой матрицы формирования из аккуратно составленной кодовой книги и вычисляется соответствующий цифровой препротектор. Эти решения служат метками. Входом в нейронную сеть является трёхслойное представление канала, включающее фазу сигнала и его действительную и мнимую части, что даёт модели богатую информацию о том, как сигналы распространяются в среде.

От тяжёлой оптимизации к быстрым решениям

Ядром DL-HBF является сверточная нейронная сеть, которая учится сопоставлять измерения канала напрямую с индексом лучшего аналогового шаблона формирования. После обучения сеть может классифицировать новые условия канала с высокой точностью за один прямой проход, избегая медленных итерационных циклов. Цифровая часть формирования затем вычисляется в замкнутой форме по выбранной аналоговой матрице. Моделирование с использованием детализированного уличного сценария с движущимися пользователями на 60 ГГц показывает, что предложенный метод достигает суммарных скоростей передачи, близких к показателям самого мощного традиционного алгоритма, при этом резко сокращая время вычислений. По сравнению с несколькими стандартными гибридными техниками формирования луча подход на основе глубокого обучения предлагает лучшее соотношение между скоростью передачи и задержкой и более плавно масштабируется при росте числа радиочастотных цепей.

Стабильность при неточной информации о канале

В реальных сетях состояние беспроводного канала никогда не известно идеально: измерения шумны и запаздывают. Поэтому исследование тестирует поведение разных методов при искажённых оценках канала. Все подходы теряют часть точности, но DL-HBF демонстрирует наименьшее ухудшение по точности приближения к идеальному полностью цифровому решению. Поскольку нейронная сеть обучается на многих реализациях каналов, включая несовершенные, она усваивает робастные закономерности вместо того, чтобы зависеть от точных чисел. Авторы также проектируют конвейер создания датасета так, чтобы он был быстрым и экономным по памяти, что упрощает дообучение системы при изменении планировки сети или условий работы.

Что это значит для будущих беспроводных систем

С практической точки зрения эта работа показывает, что глубокое обучение может превратить медленную, математически требовательную оптимизацию формирования луча в быструю операцию, похожую на обращение по индексу, достаточную по точности для реального развёртывания. Предложенная схема DL-HBF обеспечивает высокие скорости передачи при гораздо меньшей задержке и вычислительной нагрузке по сравнению с классическими методами и остаётся стабильной даже при неточной информации о канале. Для непрофессионала вывод прост: более интеллектуальное управление сигналом на основе обучения может помочь будущим сетям 5G и 6G обеспечивать надёжные высокоскоростные соединения для множества движущихся пользователей одновременно, что позволит безопаснее связать автомобили и предложит богатые мобильные приложения без необходимости чрезмерно сложного оборудования.

Цитирование: 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

Ключевые слова: формирование луча mmWave, глубокое обучение для беспроводных сетей, гибридное препкодирование, автомобильная связь, массивные MIMO