[论文解读] AI-Empowered Hybrid MIMO Beamforming

Nir Shlezinger, Mengyuan Ma+4 more|arXiv (Cornell University)|Mar 3, 2023

Millimeter-Wave Propagation and Modeling被引用 4

一句话总结

本文全面综述了人工智能赋能的混合MIMO波束成形技术，对比了基于优化、深度学习（DNN）和深度展开方法在大规模MIMO系统中实现实时、低功耗波束成形的性能。结果表明，深度展开技术在性能、可解释性与收敛速度之间实现了良好平衡，可在硬件约束下实现可扩展的6G兼容波束成形。

ABSTRACT

Hybrid multiple-input multiple-output (MIMO) is an attractive technology for realizing extreme massive MIMO systems envisioned for future wireless communications in a scalable and power-efficient manner. However, the fact that hybrid MIMO systems implement part of their beamforming in analog and part in digital makes the optimization of their beampattern notably more challenging compared with conventional fully digital MIMO. Consequently, recent years have witnessed a growing interest in using data-aided artificial intelligence (AI) tools for hybrid beamforming design. This article reviews candidate strategies to leverage data to improve real-time hybrid beamforming design. We discuss the architectural constraints and characterize the core challenges associated with hybrid beamforming optimization. We then present how these challenges are treated via conventional optimization, and identify different AI-aided design approaches. These can be roughly divided into purely data-driven deep learning models and different forms of deep unfolding techniques for combining AI with classical optimization.We provide a systematic comparative study between existing approaches including both numerical evaluations and qualitative measures. We conclude by presenting future research opportunities associated with the incorporation of AI in hybrid MIMO systems.

研究动机与目标

• 解决传统迭代优化方法收敛速度慢导致大规模MIMO系统中实时混合波束成形的挑战。
• 通过采用混合波束成形架构，克服全数字MIMO在硬件成本与功耗方面的局限。
• 系统性地评估并比较人工智能辅助波束成形技术——纯数据驱动的DNN、基于优化的方法以及深度展开方法——在关键性能指标上的表现。
• 识别人工智能在混合MIMO中集成的研究空白与未来方向，包括感知功能、功耗感知设计、分布式系统以及近场通信。

提出的方法

• 将混合波束成形设计分为三类：基于优化的迭代算法、端到端深度神经网络（DNN）以及将经典优化步骤嵌入神经架构中的深度展开技术。
• 利用深度展开技术通过将优化器的每一步迭代建模为神经网络的一层，保留可解释性，同时支持反向传播以联合优化波束成形器与网络参数。
• 通过数值仿真和定性指标（如收敛速度、频谱效率及对信道变化的鲁棒性）评估性能。
• 分析混合MIMO的架构约束，包括相位移器网络、矢量调制器以及动态超表面，以评估其对波束成形可行性的影。
• 将硬件感知约束（如功耗和非线性功率放大器）整合到优化框架中，以提升实际适用性。
• 探索未来扩展方向，包括通信与感知共存、无蜂窝网络中的分布式波束成形，以及基于球面波前的近场波束成形。

实验结果

研究问题

• RQ1 在收敛速度、频谱效率及对信道变化的鲁棒性方面，人工智能赋能的波束成形技术如何比较？
• RQ2 在基于DNN与深度展开的波束成形架构中，可解释性、性能与训练复杂性之间的权衡是什么？
• RQ3 人工智能如何被用于将硬件特定约束（如功耗与非线性放大器）整合到混合波束成形设计中？
• RQ4 将感知功能集成到混合MIMO系统中会产生何种影响？人工智能如何在此类双功能场景中提升波束成形性能？
• RQ5 在近场通信中，波前为球面且传统远场假设不再成立时，人工智能如何支持实时波束成形？

主要发现

• 深度展开技术在性能与可解释性之间实现了良好平衡，相较于黑箱DNN在透明度与收敛控制方面表现更优。
• 基于DNN的方法具有快速推理延迟，但可解释性差，且在系统配置变更时需大量重新训练。
• 迭代优化方法具有可解释性，但收敛速度慢，因此在快衰落信道中不适用于实时应用。
• 采用矢量调制器或动态超表面的混合波束成形可通过选择性激活实现功耗降低，该特性可借助人工智能进行优化。
• 基于长时优化的混合MIMO可实现近场波束成形，而人工智能辅助的深度展开技术在实现实时光束聚焦方面展现出前景。
• 未来系统将需要通信与感知的联合设计，人工智能赋能的波束成形可实现动态、自适应且高效的资源分配。