MU-MISO mmWave sistemlerinde hibrit ışın biçimlendirme tasarımı için derin öğrenme yaklaşımı

Günlük yaşam için daha hızlı kablosuz ışınlar neden önemli

Geleceğin araçları, telefonları ve sensörleri gerçek zamanlı veri paylaşımı için ultra hızlı kablosuz bağlantılara dayanacak. Milimetre dalga (mmWave) sinyalleri fiber benzeri hızlar sağlayabilir, ancak mesafe ve engellerle kolayca zayıflar. Telafi etmek için baz istasyonlarının sinyallerini çok hassas şekilde "nişan almaları" gerekir; bu işleme ışın biçimlendirme denir ve güçlü olmasına karşın, araç iletişimi gibi hızlı hareket eden gerçek dünya senaryoları için genellikle çok yavaş ve karmaşıktır. Bu makale, derin öğrenmenin bu süreci nasıl yeniden tasarlayabileceğini ve ağların yoldaki hızlı değişimlere nasıl ayak uydurabileceğini inceliyor.

Ağır donanım olmadan kablosuz ışınları keskinleştirmek

Günümüz mmWave baz istasyonları, küçük alana sıkıştırılmış çok sayıda minyatür anten kullanır. Her bir antenin sinyal gönderme şeklini dikkatle ayarlayarak istasyon, enerjiyi belirli bir kullanıcıya odaklayan dar bir ışın oluşturabilir; bu da hız ve güvenilirliği artırır. Bunu yapmanın iki ana yolu vardır. Dijital ışın biçimlendirme en büyük esnekliği sunar ancak her anten için pahalı ve yüksek güce ihtiyaç duyan tam bir elektronik seti gerektirir. Analog ışın biçimlendirme daha ucuz ve enerji verimlidir ancak genellikle aynı anda yalnızca bir ışın veya kullanıcıya hizmet verebilir. Hibrit ışın biçimlendirme her iki fikri birleştirir: küçük bir dijital aşama, analog faz kaydırıcıların bir ağını besler ve yüksek veri hızları sağlamaya çalışırken donanım maliyetleri ve gücünü kontrol altında tutar.

Darboğaz: yavaş ve karmaşık ışın tasarımı

İyi bir hibrit ışın deseninin tasarlanması matematiksel olarak zordur. Sistem, sabit genlikli faz kaydırıcılar ve sınırlı sayıda radyo frekans zinciri gibi sıkı donanım kuralları altında işi dijital ve analog aşamalar arasında nasıl böleceğine karar vermelidir. Geleneksel yöntemler, tüm kullanıcılar için toplam veri hızını maksimize etmek üzere ışın desenlerini yineleyerek ayarlayarak yakın-optimal çözümler arar. İyi bilinen algoritmalar yüksek performans elde edebilir, ancak çok sayıda tekrarlı hesaplama ve özel optimizasyon yazılımı gerektirir. Bu da onları gerçek zamanlı kullanım için, özellikle araçlar ve diğer kullanıcıların hızlı hareket ettiği ve kanalın an be an değiştiği durumlarda çok yavaş ve hesaplama açısından ağır hale getirir.

Doğru ışınları seçmeyi bir sinir ağına öğretmek

Yazarlar, ışın tasarımını bir örüntü tanıma görevi olarak ele alan DL-HBF adlı derin öğrenmeye dayalı bir hibrit ışın biçimlendirme yaklaşımı öneriyor. Her seferinde karmaşık bir optimizasyonu yeniden çözmek yerine sistem, önce DeepMIMO olarak bilinen gerçekçi bir ışın izleme kanal modeli kullanarak büyük bir eğitim veri seti oluşturuyor. Baz istasyonu ile çoklu tek antenli kullanıcılar arasındaki her simüle edilmiş kanal için, titizlikle oluşturulmuş bir kod kitabından en iyi analog ışınlama matrisini belirleyen kapsamlı bir çevrimdışı arama yapılır ve eşleşen dijital önekleyici hesaplanır. Bu seçimler etiket olarak kullanılır. Sinir ağının girdisi, sinyal fazı ile onun gerçek ve sanal kısımlarını içeren üç katmanlı bir kanal temsili olup modele sinyallerin ortamda nasıl yayıldığı hakkında zengin bilgi sağlar.

Ağır optimizasyondan hızlı kararlara

DL-HBF'nin çekirdeği, kanal ölçümlerini doğrudan en iyi analog ışın deseninin indeksine eşleyen bir evrişimli sinir ağıdır. Eğitildikten sonra ağ, yeni kanal koşullarını tek bir ileri geçişte yüksek doğrulukla sınıflandırabilir ve yavaş yinelemeli döngülerden kaçınır. Işınlamanın dijital kısmı, seçilen analog matristen kapalı formda hesaplanır. 60 GHz'de hareket eden kullanıcılarla ayrıntılı bir sokak seviyesi senaryo kullanan simülasyonlar, önerilen yöntemin toplam veri hızlarında en güçlü geleneksel algoritmaya yakın performans sağlarken hesaplama süresini dramatik şekilde azalttığını gösteriyor. Birkaç standart hibrit ışın biçimlendirme tekniğiyle karşılaştırıldığında, derin öğrenme yaklaşımı veri hızı ile gecikme arasında daha iyi bir denge sunuyor ve radyo zinciri sayısı arttıkça daha zarif bir şekilde ölçekleniyor.

Kanal bilgisi kusurlu olduğunda güvenilir kalmak

Gerçek ağlar kablosuz kanalın durumunu asla mükemmel bilemez; ölçümler gürültülüdür ve gecikir. Bu nedenle çalışma, kanal tahminleri bozulduğunda farklı yöntemlerin nasıl davrandığını test ediyor. Tüm yaklaşımlar bazı doğruluk kaybı yaşar, ancak DL-HBF ideal, tam dijital çözüme ne kadar yakın takip ettiğinde en az bozulmayı gösterir. Sinir ağı birçok kanal gerçekleşimi, kusurlu olanlar da dahil olmak üzere eğitildiği için kesin sayılara bağımlı olmaktansa sağlam örüntüler öğrenir. Yazarlar ayrıca veri seti oluşturma hattını hızlı ve bellek dostu olacak şekilde tasarlıyor, bu da ağ düzenleri veya çalışma koşulları değiştiğinde sistemi yeniden eğitmeyi kolaylaştırıyor.

Bu, geleceğin kablosuz sistemleri için ne anlama geliyor

Pratik anlamda, bu çalışma derin öğrenmenin yavaş ve matematiksel olarak zor bir ışın biçimlendirme optimizasyonunu, gerçek dağıtımlar için yeterince doğru ve hızlı bir başvuru benzeri işleve dönüştürebileceğini gösteriyor. Önerilen DL-HBF şeması, klasik yöntemlere göre çok daha düşük gecikme ve hesaplama ile yüksek veri hızları sağlarken, kanal bilgisi belirsiz olduğunda bile kararlı kalıyor. Bir okur için çıkarılacak sonuç, öğrenmeye dayalı daha akıllı sinyal kontrolünün, çok sayıda hareketli kullanıcıya güvenilir yüksek hızlı bağlantılar sunarak daha güvenli bağlı araçlar ve daha zengin mobil uygulamalar mümkün kılabileceği; üstelik bunun için aşırı karmaşık donanımlar gerekmediğidir.

Atıf: 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

Anahtar kelimeler: mmWave ışın biçimlendirme, derin öğrenme kablosuz, hibrit önekleme, araç iletişimleri, massive MIMO