⚡ electrical engineering

Semi-Gridless Variational Bayes Channel Estimation in XL-MIMO: Near-Field Modeling and Inference

تقترح هذه الورقة خوارزمية بايزية تباينية شبه خالية من الشبكة تعيد صياغة نموذج قناة المجال القريب إلى مكونات منفصلة لزاوية الوصول والمسافة لتحقيق إعادة بناء دقيقة للقناة لمصفوفات الهوائيات الضخمة للغاية التي تعمل في منطقة المجال القريب.

المؤلفون الأصليون: Van-Chung Luu, Toan-Van Nguyen, Nuria González-Prelcic, Duy H. N. Nguyen

نُشر 2026-02-26

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Van-Chung Luu, Toan-Van Nguyen, Nuria González-Prelcic, Duy H. N. Nguyen

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تحاول تحديد موقع صديق لك في ملعب ضخم ومزدحم باستخدام صوت صوته فقط.

الطريقة القديمة (المجال البعيد - Far-Field):
في الماضي، مع وجود مصفوفات هوائيات أصغر، كان الملعب بعيداً جداً لدرجة أن صوت صديقك يصل إلى أذنيك في نفس اللحظة تقريباً. كان الأمر يشبه ورقة مسطحة من الصوت تصطدم بك. كنت تحتاج فقط لمعرفة أي اتجاه يصرخ منه (يسار؟ يمين؟). وكان هذا سهلاً.

المشكلة الجديدة (XL-MIMO للمجال القريب - Near-Field):
الآن، تخيل تقنية الجيل السادس (6G). لدينا "مصفوفات هوائيات ضخمة للغاية" (فكر في جدار من آلاف الميكروفونات بدلاً من بضعة ميكروفونات فقط). ولأننا نستخدم ترددات عالية جداً، فإن صديقك يقف الآن أمام الجدار مباشرة، وليس بعيداً.

فجأة، لم يعد الصوت ورقة مسطحة، بل أصبح كرة تتمدد من فم صديقك.

الصوت يصطدم بالميكروفون الموجود على اليسار متأخراً قليلاً عن الميكروفون الموجود على اليمين.
الصوت يصطدم بالميكروفون العلوي بمسافة مختلفة عن المسافة التي يقطعها الميكروفون السفلي.
لتجد صديقك، ستحتاج الآن إلى حساب شيئين في وقت واحد: اتجاهه الدقيق ومسافته الدقيقة.

إذا حاولت استخدام رياضيات "الورقة المسطحة" القديمة، فستضيع. وإذا حاولت استخدام رياضيات "الكرة" الجديدة مع شبكة قياسية (مثل خريطة ذات مربعات ثابتة)، فستواجه مشكلة: قد يكون صديقك واقفاً بين المربعات، ولا يمكن للخريطة تحديد مكانه بدقة. تسمى هذه "عدم تطابق الشبكة" (grid mismatch)، وهي تفسد الدقة.

حل الورقة البحثية: "الاستدلال البايزي المتغير شبه الخالي من الشبكة" (Semi-Gridless Variational Bayes)

تقترح المؤلفة في هذه الورقة طريقة ذكية جديدة تسمى SG-VB لحل هذه المشكلة. إليك كيف تعمل، مقسمة إلى تشبيهات بسيطة:

1. لعبة "التخمين الذكي" (Variational Bayes)

بدلاً من محاولة حساب الإجابة الدقيقة المستحيلة دفعة واحدة، تلعب الخوارزمية لعبة "التخمين الذكي".

تبدأ بتخمين تقريبي لمكان وجود الصديق.
تسأل: "لو كان الصديق هنا، كيف سيكون شكل الصوت؟"
تقارن ذلك بالصوت الفعلي الذي سمعته.
تقوم بتحديث تخمينها ليصبح أفضل قليلاً.
تكرر هذه العملية آلاف المرات، لتقترب أكثر فأكثر من الحقيقة مع كل خطوة. هذا هو جزء "الاستدلال البايزي المتغير" (Variational Bayes)—وهي طريقة إحصائية لتحسين التخمين حتى يصبح مثالياً.

2. استراتيجية "المسارين" (Semi-Gridless)

يكمن ذكاء هذه الورقة في كيفية التعامل مع المتغيرين المختلفين: الاتجاه والمسافة.

المسار (أ): الاتجاه (الجزء "الخالي من الشبكة"):
لإيجاد الاتجاه (يسار/يمين)، ترفض الخوارزمية استخدام شبكة ثابتة. بدلاً من ذلك، تستخدم أداة رياضية خاصة (توزيع von Mises) تعامل الاتجاه كدائرة سلسة ومستمرة.
تشبيه: تخيل أنك تحاول العثق عن إبرة على وجه ساعة. الطرق القديمة تجبرك على اختيار ساعة محددة (1:00، 2:00). إذا كانت الإبرة عند الساعة 1:30، فستكون مخطئاً. هذه الطريقة الجديدة تسمح للإبرة بالإشارة إلى أي مكان على وجه الساعة، مما يعطي دقة أكبر.
المسار (ب): المسافة (جزء "من الخشن إلى الدقيق"):
لإيجاد المسافة، تستخدم الخوارزمية بحثاً من نوع "من الخشن إلى الدقيق" (Coarse-to-Fine).
تشبيه: تخيل أنك تبحث عن مفتاح مفقود في حقل ضخم.
1. الخشن: تقوم أولاً بمسح الحقل بأكمله باستخدام شبكة واسعة للعثور على الحي العام (مثلاً: "إنه في الزاوية الشمالية").
2. الدقيق: بمجرد معرفة أنه في الزاوية الشمالية، تقوم بالتقريب واستخدام عدسة مكبرة للعثور على المكان بدقة.
  تستخدم الورقة تحديث "نيوتن-رافسون" (مصطلح رياضي معقد يعني "التقريب والتركيز") لتنقيح تقدير المسافة حتى يصبح دقيقاً للغاية.

3. لماذا يعد هذا أمراً هاماً؟

إنه مرن: يعمل سواء كانت مصفوفة الهوائيات الخاصة بك خطاً مستقيماً (ULA) أو لوحة مسطحة ضخمة (UPA).
إنه فعال: لا يحتاج إلى تخزين خرائط ضخمة معدة مسبقاً (codebooks) تستهلك الذاكرة وتؤدي إلى البطء.
إنه دقيق: تظهر المحاكاة أن هذه الطريقة تجد "الصديق" (الإشارة) بدقة أكبر بكثير من الطرق السابقة، خاصة عندما تكون الإشارة قوية. إنها تقترب جداً من الحد النظري "المثالي" (المسمى Oracle) لدرجة أنها تكاد لا تختلف عنه، وكأنها سحر.

الخلا الخلاصة

تقدم هذه الورقة طريقة جديدة لـ "الاستماع" إلى إشارات الجيل السادس (6G). من خلال فصل المشكلة إلى "أين هم؟" (الاتجاه) و"كم يبعدون؟" (المسافة)، واستخدام لعبة تخمين ذكية ومستمرة بدلاً من الشبكة الجامدة، فقد ابتكروا نظاماً يمكنه رسم خريطة ثلاثية الأبعاد للعالم بدقة مذهلة في اتصالات المجال القريب. هذه خطوة حاسمة نحو جعل شبكات الجيل السادس أسرع، وأكثر موثوقية، وقادرة على استشعار بيئتنا بدقة فائقة.

إليك ملخص تقني مفصل للورقة البحثية بعنوان "تقدير القناة باستخدام بايز المتغير شبه الخالي من الشبكة في XL-MIMO: نمذجة المجال القريب والاستدلال."

1. بيان المشكلة

يتضمن الانتقال إلى اتصالات الجيل السادس (6G) نشر مصفوفات الهوائيات الضخمة للغاية (ELAAs) ونطاقات التردد العالية (mmWave/THz). وتغير هذه التقنيات بشكل جذري الخصائص الكهرومغناطيسية للانتشار:

هيمنة المجال القريب: مع زيادة فتحات المصفوفة والترددات، تمتد مسافة رايلي (الحد الفاصل بين المجال القريب والمجال البعيد) إلى مئات الأمتار. وبناءً على ذلك، تعمل العديد من روابط الاتصال في منطقة المجال القريب، حيث تكون الموجات كروية وليست مستوية.
تحدي النمذجة: تعتمد طرق تقدير القناة (CE) التقليدية على فرضية المجال البعيد (الموجات المستوية التي تتميز فقط بزاوية الوصول/AoA). أما في المجال القريب، فتعتمد القناة على كل من زاوية الوصول (DoA) والمسافة (المدى) إلى المشتت/المستخدم.
قيود الطرق الحالية:
- طرق الفضاء الجزئي (مثل MUSIC): تعاني من تعقيد حسابي عالٍ بسبب عمليات البحث الشاملة وتتطلب عينات كبيرة للتغلب على نقص الرتبة (rank deficiency).
- الاستشعار المضغوط (مثل P-SOMP، P-SIGW): تعتمد على أكواد برمجية (شبكات) منفصلة للزوايا والمسافات. وهذا يؤدي إلى أخطاء "عدم تطابق الشبكة" (grid mismatch) عندما تقع المعلمات الحقيقية بين نقاط الشبكة، كما يسبب أعباء إضافية في التخزين وزمن الاستجابة.
- التعلم العميق: يتطلب بيانات تدريب ضخمة ويعاني من مشكلات في التعميم في البيئات المختلفة عن مجموعة بيانات التدريب.
- التعلم البايزي المتناثر (SBL): غالبًا ما يتطلب معرفة مسبقة بأنماط التشتت ويعاني مع هندسات المصفوفات العامة (على سبيل المثال، الامتداد من المصفوفات الخطية المنتظمة ULA إلى المصفوفات المستوية المنتظمة UPA).

2. المنهجية

يقترح المؤلفون خوارزمية بايز المتغير شبه الخالية من الشبكة (SG-VB). ويكمن الابتكار الجوههري في إعادة صياغة نموذج قناة المجال القريب لفصل مكونات التردد (الزاوية) والمسافة، مما يسمح باستراتيجيات تقدير متميزة لكل منهما.

أ. تمثيلات القناة الجديدة

اشتق المؤلفون نماذج رياضية جديدة لكل من المصفوفات الخطية المنتظمة (ULA) والم المصفوفات المستوية المنتظمة (UPA) باستخدام تقريب فريسنل (Fresnel approximation).

نموذج ULA: يتم تفكيك متجه التوجيه إلى استجابة مصفوفة قياسية $a(\omega)$ (تعتمد على DoA) ومتجه يعتمد على المسافة $c(s)$ .
نموذج UPA: يتم تفكيك متجه التوجيه إلى ثلاثة مكونات: $a(\omega)$ (السمت/Azimuth)، و $c(\psi)$ (الارتفاع/Elevation)، و $d(s)$ (المسافة).
الرؤية الجوهرية: يسمح هذا الفصل للخوارزمية بمعاملة تقدير DoA كمسألة تقدير تردد مستمرة، وتقدير المسافة كبحث منفصل عن المعلمات.

ب. إطار الاستدلال البايزي المتغير

تقوم خوارزمية SG-VB بتقريب التوزيع البعدي (posterior distribution) غير القابل للحساب لمعلمات القناة باستخدام توزيع بايز المتوسط (mean-field variational distribution).

المتغيرات الكامنة: تستنتج الخوارزمية توزيعات لكسب المسارات ( $\nu$ أو $\alpha$ )، وزوايا الوصول ( $\omega, \psi$ )، والمسافات ( $s$ )، ودقة الضوضاء ( $\gamma$ ).
فرض التشتت: يتم استخدام توزيع "غاما-غاوس" (Gamma-Gaussian) لكسب المسارات لفرض تشتت القناة، مما يسمح بتحديثات بايزية ذات صيغة مغلقة.

ج. استراتيجية "شبه الخالية من الشبكة"

تستخدم الخوارزمية نهجًا هجينًا للموازنة بين الدقة والتعقيد:

تقدير DoA الخالي من الشبكة:
- بدلاً من الشبكة المنفصلة، يتم نمذجة معلمات DoA باستخدام توزيع فون ميسيز (von Mises distribution) (المقابل الدائري لتوزيع غاوس).
- يسمح هذا بوجود تحديثات ذات صيغة مغلقة للمعلمات المتغيرة، مما يلغي عيوب التجزئة الطيفية (عدم تطابق الشبكة) ويمكّن من تقدير DoA بشكل مستمر.
تقدير المسافة من الخشن إلى الناعم:
- يستخدم تقدير المسافة بحثًا من الخشن إلى الناعم (coarse-to-fine grid search).
- الخطوة 1: يحدد البحث الخشن نطاق المسافة المرجح.
- الخطوة 2: يقوم تحسين نيوتن-رافسون (Newton-Raphson) التكراري (باستخدام المشتقات الأولى والثانية للاحتمالية القصوى) بضبط تقدير المسافة بدقة أعلى من مستوى الشبكة.

د. تنفيذ الخوارزمية

تستخدم خوارزمية SG-VB الاستدلال المتغير عبر صعود الإحداثيات (CAVI) لتحديث التوزيعات المتغيرة لجميع المتغيرات الكامنة تكراريًا حتى التقارب. وقد تم اشتقاق قواعد تحديث ذات صيغة مغلقة لجميع المتغيرات، مما يضمن الكفاءة الحسابية.

3. المساهمات الرئيسية

خوارزمية SG-VB مبتكرة: طريقة لتقدير القناة منخفضة التعقيد وقابلة للتوسع، قابلة للتطبيق على كل من ULAs وUPAs دون الحاجة إلى معرفة مسبقة بتشتت المصفوفات الفرعية.
استراتيجية تقدير هجينة:
- DoA خالية من الشبكة: تستخدم توزيعات فون ميسيز لتقدير الزوايا المستمرة، مما يتجنب عدم تطابق الشبكة.
- المسافة المنقحة: تستخدم بحثًا من الخشن إلى الناعم مع تحديثات نيوتن-رافسون لتقدير مدى عالي الدقة.
الاشتقاقات ذات الصيغة المغلقة: اشتق المؤلفون توزيعات بايزية ذات صيغة مغلقة لجميع المتغيرات الكامنة، مما يسمح بتحديثات فعالة وتقدير مباشر لمواقع المشتتات (وهو أمر بالغ الأهمية لتصميم أجهزة الإرسال والاستقبال المتقدمة).
القابلية للتعميم: تم تصميم الإطار صراحة للتعامل مع هندسات المصفوفات أحادية البعد (ULA) وثنائية البعد (UPA)، وهو تحسن كبير مقارنة بالعديد من الطرق الحالية المقتصرة على ULAs.

4. نتائج المحاكاة

أُجريت محاكاة واسعة النطاق لمقارنة SG-VB مقابل المعايير المرجعية: MUSIC، وP-SOMP، وP-SIGW، وSBL، وLeast Squares (LS)، وOracle LS.

إعادة بناء القناة (NMSE):
- تتفوق SG-VB باستمرار على جميع النماذج المرجعية عبر نطاق نسبة الإشارة إلى الضوضاء (SNR) بأكمله.
- عند قيم SNR العالية، تقترب SG-VB من أداء Oracle LS (الحد الأدنى النظري)، متفوقة بشكل كبير على الطرق القائمة على الشبكة (MUSIC، P-SOMP) التي تعاني من تشبع الأداء بسبب عدم تطابق الشبكة.
تقدير DoA (MSE):
- تحقق SG-VB دقة فائقة في تقدير الزوايا، لا سيما عند قيم SNR عالية (>10 dB)، حيث توفر مكسبًا يصل إلى 20 dB فوق الطرق القائمة على الشبكة.
- الطرق القائمة على الشبكة تتشبع بسرعة مع زيادة SNR لأنها لا تستطيع حل الزوايا خارج شبكتها المنفصلة.
تقدير المسافة (NMSE):
- توفر SG-VB تقديرًا قويًا للمسافة عبر مختلف مسافات المستخدمين (من 5 م إلى 135 م).
- بينما تؤدي P-SIGW أداءً جيدًا عند المسافات القصيرة جدًا، تحافظ SG-VB على أداء متفوق عبر النطاق الكامل وهي أكثر كفاءة في الحساب بشكل ملحوظ.
هندسة المصفوفة:
- أظهرت الطريقة فعالية لكل من ULAs وUPAs. بالنسبة لـ UPAs، تتفوق الطريقة على 3D-MUSIC، الذي يعاني من انتشار الخطأ عند تقدير المسافة بناءً على زوايا DoA المقدرة مسبقًا.
التعقيد:
- التعقيد الحسابي هو $O(L(N^2 + KN))$ ، وهو أعلى من P-SOMP ولكنه يقدم دقة أفضل بكثير. وهي أكثر قابلية للتوسع من MUSIC ( $O(N^3)$ ) بالنسبة للمصفوفات الكبيرة.

5. الأهمية

يعالج هذا العمل عقبة حرجة في أنظمة XL-MIMO للجيل السادس: الحاجة إلى تقدير دقيق ومنخفض التعقيد للقناة في منطقة المجال القريب.

تمكين تقنيات المجال القريب: من خلال تقدير كل من الزاوية والمسافة بدقة، تفتح الطريقة المقترحة آفاق استخدام فوائد توجيه الحزم (beamforming) وتعدد الإرسال في المجال القريب.
القابلية للتوسع: إن القدرة على التعامل مع UPAs دون زيادة هائلة في التعقيد تجعلها مناسبة لنشر تقنيات Massive MIMO المستقبلية.
العملية: يوفر النهج "شبه الخالي من الشبكة" تسوية عملية، حيث يتجنب التعقيد العالي للطرق الخالية تمامًا من الشبكة مع التخلص من قيود الدقة التي تفرضها طرق الاستشعار المضغوط ذات الشبكة الثابتة.
التطبيقات المتقدمة: القدرة على تقدير مواقع المشتتات مباشرة تدعم تصميمات أجهزة الإرسال والاستقبال المتقدمة، مثل تركيز الحزمة في المجال القريب وتكامل الاستشعار والاتصالات (ISAC).