Djupinlärningsmetod för hybrid beamforming-design i MU-MISO mmWave-system

Varför snabbare trådliga strålar betyder något i vardagen

Framtidens bilar, telefoner och sensorer kommer att förlita sig på mycket snabba trådlösa länkar för att dela data i realtid. Millimetervågs (mmWave)-signaler kan leverera fiberliknande hastigheter, men de försvagas lätt av avstånd och hinder. För att kompensera måste basstationer "rikta" sina signaler mycket precist med beamforming, en process som är kraftfull men ofta för långsam och komplex för verkliga, snabbt rörliga scenarier som fordonskommunikation. Denna artikel undersöker hur djupinlärning kan omforma den processen så att nätverk kan hänga med snabba förändringar på vägen.

Skärpning av trådlösa strålar utan skrymmande hårdvara

Moderna mmWave-basstationer använder många små antenner packade på en liten yta. Genom att noggrant justera hur varje antenn sänder signalen kan stationen forma en smal stråle som fokuserar energi mot en specifik användare, vilket förbättrar både hastighet och tillförlitlighet. Det finns två huvudmetoder för detta. Digital beamforming erbjuder störst flexibilitet men kräver en komplett uppsättning dyra, strömkrävande elektronikkomponenter för varje antenn. Analog beamforming är billigare och mer energieffektivt men kan vanligtvis bara betjäna en stråle eller användare åt gången. Hybrid beamforming kombinerar båda idéerna: ett litet digitalt steg matar ett nätverk av analytiska fasförskjutare, med målet att leverera höga datahastigheter samtidigt som hårdvarukostnader och energiförbrukning hålls under kontroll.

Flaskhalsen: långsam och komplex stråldesign

Att designa ett bra hybrid beam-mönster är matematiskt svårt. Systemet måste bestämma hur arbetet ska fördelas mellan den digitala och den analoga delen under strikta hårdvaruregler, som fasförskjutare med fix storlek och ett begränsat antal radiofrekvenskedjor. Traditionella metoder söker efter nära optimala lösningar genom att iterativt justera strålmönstren för att maximera summan av datahastigheter för alla användare. Välkända algoritmer kan nå hög prestanda men kräver många upprepade beräkningar och specialiserad optimeringsmjukvara. Detta gör dem för långsamma och beräkningsintensiva för realtidsbruk, särskilt i situationer där bilar och andra användare rör sig snabbt och kanalerna förändras från ögonblick till ögonblick.

Lära ett neuralt nätverk att välja rätt strålar

Författarna föreslår en djupinlärningsbaserad hybrid beamforming-metod, kallad DL-HBF, som betraktar stråldesign som ett mönsterigenkänningsproblem. Istället för att lösa en komplex optimering på nytt varje gång bygger systemet först en stor träningsmängd med hjälp av en realistisk ray-tracing-kanalmodell känd som DeepMIMO. För varje simulerad kanal mellan basstationen och flera enantennsanvändare identifierar en uttömmande offline-sökning den bästa analoga beamforming-matrisen från ett noggrant konstruerat kodbok och beräknar motsvarande digitala precoder. Dessa val fungerar som etiketter. Indatan till det neurala nätverket är en tredjelskiktsrepresentation av kanalen som inkluderar signalens fas samt dess reella och imaginära delar, vilket ger modellen rik information om hur signaler sprids i miljön.

Från tung optimering till snabba beslut

Kärnan i DL-HBF är ett konvolutionellt neuralt nätverk som lär sig att mappa kanaluppmätningar direkt till indexet för det bästa analoga strålmönstret. Efter träning kan nätverket klassificera nya kanalförhållanden med hög noggrannhet i ett enda framåtriktat pass, vilket undviker långsamma iterativa loopar. Den digitala delen av beamformingen beräknas sedan i sluten form från den valda analoga matrisen. Simulatorer som använder ett detaljerat gatunivåscenario med rörliga användare vid 60 GHz visar att den föreslagna metoden uppnår summa datahastigheter nära de mest kraftfulla traditionella algoritmerna, samtidigt som beräkningstiden dramatisk kortas. Jämfört med flera standardtekniker för hybrid beamforming erbjuder djupinlärningsmetoden en bättre avvägning mellan datahastighet och latens och skalar mer fördelaktigt när antalet radiofrekvenskedjor ökar.

Hålla sig tillförlitlig när kanalinformation är ofullständig

Verkliga nätverk känner aldrig till kanalens tillstånd perfekt; mätningar är bullriga och fördröjda. Studien testar därför hur olika metoder beter sig när kanalestimaten är korrupta. Alla angreppssätt förlorar viss noggrannhet, men DL-HBF visar den minsta försämringen i hur nära den spårar den ideala, fullt digitala lösningen. Eftersom det neurala nätverket tränas på många kanalrealiseringar, inklusive ofullkomliga sådana, lär det sig robusta mönster snarare än att förlita sig på exakta värden. Författarna designar också sin pipeline för datasetsskapande så att den är snabb och minnes-effektiv, vilket gör det enklare att reträna systemet när nätverkslayout eller driftförhållanden förändras.

Vad detta betyder för framtida trådlösa system

I praktiska termer visar detta arbete att djupinlärning kan förvandla en långsam, matematiskt krävande beamforming-optimering till en snabb uppslagsliknande operation som är tillräckligt exakt för verklig drift. Det föreslagna DL-HBF-schemat ger höga datahastigheter med mycket lägre latens och beräkning än klassiska metoder, och det förblir stabilt även när kanalinformation är osäker. För en lekman är slutsatsen att smartare, inlärningsbaserad signalstyrning kan hjälpa framtida 5G- och 6G-nät att leverera pålitliga, högpresterande anslutningar till många rörliga användare samtidigt, möjliggöra säkrare uppkopplade fordon och rikare mobila applikationer utan att kräva oöverkomligt komplex hårdvara.

Citering: 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

Nyckelord: mmWave-beamforming, djupinlärning trådlöst, hybrid precoding, fordonskommunikation, massiv MIMO