⚡ electrical engineering

Site-Specific Beam Learning for Full-Duplex Massive MIMO Wireless Systems

Diese Arbeit stellt ein neuartiges Framework vor, das durch die Kombination von maßgeschneiderten Beam-Codebooks und Deep Learning die explizite Schätzung des Selbstinterferenzkanals umgeht und so die Piloten-Overhead in vollduplexigen Massive-MIMO-Systemen drastisch reduziert, während gleichzeitig hohe SNR-Werte bei geringer Selbstinterferenz erreicht werden.

Ursprüngliche Autoren: Samuel Li, Ian P. Roberts

Veröffentlicht 2026-04-23

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Samuel Li, Ian P. Roberts

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie stehen auf einem belebten Marktplatz und versuchen, zwei Dinge gleichzeitig zu tun: Sie schreien eine Nachricht zu einem Freund auf der anderen Seite des Platzes (das ist der Downlink) und lauschen gleichzeitig einem anderen Freund, der Ihnen etwas zuflüstert (das ist der Uplink).

Das Problem? Wenn Sie schreien, hören Sie Ihren eigenen Schrei in Ihren eigenen Ohren viel lauter als das Flüstern Ihres Freundes. In der Funktechnik nennt man das Selbststörung (Self-Interference). Bei modernen Funkmasten, die mit vielen Antennen arbeiten (Massive MIMO) und sehr hohen Frequenzen (Millimeterwellen), ist dieses Problem riesig. Der Mast "schreit" sich quasi selbst taub.

Bisherige Lösungen waren wie ein sehr mühsames Spiel: Um zu verstehen, wie stark der eigene Schrei im eigenen Ohr ankommt, musste der Mast erst einmal viele, viele Testsignale senden und empfangen. Das ist wie wenn Sie versuchen, die Akustik eines Raumes zu messen, indem Sie 256 verschiedene Töne nacheinander abspielen und jedes Mal warten, bis das Echo zurückkommt. Das kostet viel Zeit und Energie (sogenannter "Pilot-Overhead"), besonders wenn sich die Umgebung schnell ändert (z. B. wenn Autos vorbeifahren oder Menschen sich bewegen).

Die neue Idee: "Lernen statt Messen"

Die Forscher von der UCLA (Samuel Li und Ian P. Roberts) haben eine clevere Alternative entwickelt, die man als "Ortspezifisches Beam-Learning" bezeichnen könnte.

Stellen Sie sich den Funkmast nicht als einen starren Roboter vor, sondern als einen erfahrenden Dirigenten, der ein Orchester aus vielen Instrumenten (Antennen) leitet.

Der alte Weg (Explizite Messung):
Der Dirigent müsste jedes einzelne Instrument einzeln abstimmen, indem er mit jedem Instrument ein kurzes Solo spielt und genau auf das Echo hört. Bei 256 Instrumenten wäre das eine Ewigkeit.
Der neue Weg (Implizites Lernen mit KI):
Der Dirigent hat einen genialen Assistenten: eine Künstliche Intelligenz (KI).
- Der Trick: Statt jeden einzelnen Ton zu messen, spielt der Dirigent nur eine kleine Auswahl von "Test-Kombinationen" (das sind die Probing-Codebooks). Er spielt vielleicht nur 16 statt 256 verschiedene Muster.
- Die Intuition: Die KI hat vorher in einer Simulation (wie einem Flugsimulator für Funkwellen) gelernt, wie sich Schallwellen in diesem speziellen Platz (dem Standort des Mastes) verhalten. Sie kennt die "Akustik des Raumes".
- Die Synthese: Wenn der Dirigent nun nur diese wenigen Testmuster abspielt, kann die KI sofort sagen: "Ah, bei dieser Kombination ist das Echo zu laut, bei jener ist es leise." Sie berechnet daraus sofort die perfekte Einstellung für das Orchester, um den eigenen Schrei zu unterdrücken und das Flüstern des Freundes klar zu hören.

Warum ist das so genial?

Weniger Aufwand: Statt 256 Messungen braucht das System nur noch 8 bis 64. Das ist wie der Unterschied zwischen dem Ausmessen eines ganzen Hauses mit einem Zollstock und einem schnellen Blick, der einem erfahrenen Architekten sagt, wo die Wände stehen.
Ortspezifisch: Die KI wird speziell für diesen einen Mast trainiert. Sie kennt die Reflexionen an den Gebäuden in der Nähe (z. B. das Royce Hall an der UCLA). Sie weiß also genau, wie der Schall dort herumwirbelt.
Schnelligkeit: Da die KI die Muster kennt, muss sie nicht jedes Mal neu rechnen. Sie kann sofort die besten Antennen-Strahlen ("Beams") formen, die wie ein gebündelter Lichtstrahl genau zum Freund zeigen und gleichzeitig den eigenen Schrei in eine andere Richtung lenken.

Das Ergebnis im Alltag

In den Simulationen der Forscher hat sich gezeigt, dass dieser Ansatz funktioniert:

Der Mast kann gleichzeitig senden und empfangen, ohne sich selbst zu stören.
Die Datenrate (wie schnell man Daten senden kann) ist fast so hoch wie theoretisch möglich.
Die Störung wird so stark reduziert, dass sie oft leiser ist als das Hintergrundrauschen (wie wenn man in einer ruhigen Bibliothek flüstert, anstatt in einem Stadion zu schreien).

Zusammenfassend:
Statt mühsam jede einzelne Wand im Raum zu vermessen, um zu wissen, wie der Schall zurückkommt, nutzt dieser neue Ansatz eine "intelligente Erinnerung" (die KI), die auf wenigen, klugen Tests basiert. Es ist der Unterschied zwischen einem Handwerker, der jeden Zentimeter misst, und einem Meister, der den Raum nur ansieht und sofort weiß, wie er ihn optimal nutzt. Das macht die nächste Generation von Mobilfunknetzen (6G) schneller und effizienter.

1. Problemstellung

In-band Full-Duplex (FD) Operation in zukünftigen Basisstationen (z. B. für 6G) verspricht eine Verdopplung der spektralen Effizienz und eine Verringerung der Latenz. Eine wesentliche Hürde ist jedoch die Selbstinterferenz (Self-Interference, SI), die entsteht, wenn eine Basisstation gleichzeitig auf derselben Frequenz sendet und empfängt.

Herausforderung bei mmWave und Massive MIMO: Herkömmliche Methoden zur SI-Kompensation (analog/digital) stoßen bei großen Antennenarrays und hohen Frequenzen an Grenzen.
Das Hauptproblem: Die meisten bestehenden FD-Lösungen erfordern eine explizite Schätzung des SI-Kanals ( $H \in \mathbb{C}^{N_r \times N_t}$ ). Da die Dimensionalität dieses Kanals quadratisch mit der Anzahl der Antennen skaliert (z. B. $16 \times 16 = 256$ Elemente), ist der dafür notwendige Pilot-Overhead prohibitiv hoch, insbesondere bei schnellen Fading-Kanälen.
Limitationen bestehender Ansätze: Vermeidung der expliziten Schätzung durch Suchverfahren (Exhaustive Search) führt ebenfalls zu hohem Overhead, und lernbasierte Ansätze (z. B. LSTM) skalieren schlecht bei Mehrnutzerszenarien.

2. Methodik: Site-Specific Beam Learning Framework

Die Autoren schlagen ein neues Framework vor, das die explizite Kanalschätzung umgeht, indem es implizites Kanalwissen durch ein tiefes Lernverfahren nutzt.

Grundprinzip: Anstatt den gesamten SI-Kanal $H$ zu schätzen, werden spezielle Sonden-Strahlen (Probing Beams) verwendet, um messbare Signale zu erhalten, die ausreichen, um die optimalen Sende- und Empfangsstrahlen zu synthetisieren.
Architektur (End-to-End Deep Learning):
1. Trainierbare Sondencodebooks ( $F, W$ ): Eine Menge von $M$ Paaren aus Sende- ( $f_m$ ) und Empfangsstrahlen ( $w_m$ ) wird optimiert. Diese sammeln $M$ skalare Messungen ( $z$ ) des SI-Kanals, wobei $M \ll N_t N_r$ (deutlich weniger Messungen als für eine vollständige Schätzung nötig).
2. Beam-Synthesizer (Neuronales Netz $D(\cdot)$ ): Ein tiefes neuronales Netz nimmt als Eingabe die impliziten SI-Messungen ( $z$ ) sowie die Kanalkenntnisse für Downlink ( $y_{DL}$ ) und Uplink ( $y_{UL}$ ) entgegen.
3. Ausgabe: Das Netz generiert die finalen Sende- ( $f^\star$ ) und Empfangsstrahlen ( $w^\star$ ), die die Summe der spektralen Effizienz maximieren.
Optimierung: Das gesamte System (Codebooks und NN) wird gemeinsam trainiert, um die erwartete Summen-Spektraleffizienz zu maximieren. Die Codebooks werden so angepasst, dass sie genau die Informationen extrahieren, die für den Synthesizer am nützlichsten sind.
Site-Spezifität: Das Modell wird für eine spezifische Umgebung (Standort) trainiert, wodurch es die lokalen Reflexionen und die SI-Charakteristik der Basisstation optimal ausnutzt.

3. Schlüsselbeiträge

Vermeidung expliziter SI-Schätzung: Das Framework eliminiert den Bedarf an einer vollständigen Kanalmatrix-Schätzung, was den Pilot-Overhead drastisch reduziert.
Gemeinsame Optimierung: Die gleichzeitige Optimierung der Sondenstrahlen und des neuronalen Netzes ermöglicht eine effiziente Informationsgewinnung.
Wiederverwendbarkeit: Da die Sondenstrahlen nutzerunabhängig sind, kann das gewonnene implizite SI-Wissen für viele verschiedene Nutzerpaare wiederverwendet werden, solange der SI-Kanal stabil bleibt.
Hardware-Konformität: Die Methode berücksichtigt die physikalischen Beschränkungen (Per-Antenna-Power-Constraints) durch spezielle Projektionsschichten im Training.

4. Ergebnisse (Simulationen)

Die Evaluation erfolgte mittels Ray-Tracing-Simulationen in einer realistischen Umgebung (UCLA Campus, 28 GHz, $4 \times 4$ Arrays).

Reduktion des Overheads: Das System erreicht hohe spektrale Effizienz mit nur 8 bis 64 Messungen. Im Vergleich zur expliziten Schätzung (die 256 Messungen für ein $16 \times 16$ -System erfordern würde) entspricht dies einer Reduktion von 75 % bis 97 %.
Unterdrückung der Selbstinterferenz:
- Herkömmliche MRT/MRC-Verfahren (ohne SI-Kompensation) führen zu einem Interferenz-zu-Rausch-Verhältnis (INR) von ca. 15 dB, was FD-Betrieb unmöglich macht.
- Das vorgeschlagene Modell reduziert den INR um fast 20 dB (bei nur 16 Sondenstrahlen), wodurch die SI oft unter das Rauschboden-Niveau gedrückt wird.
Robustheit:
- Das System funktioniert gut über verschiedene Rician-Faktoren ( $\kappa$ ) hinweg. Bei hohem $\kappa$ (dominante LOS-Komponente) verbessert sich die Leistung weiter, da der Kanal deterministischer wird.
- Auch bei komplexen Mehrwege-Szenarien (Rayleigh-Fading) bleibt die Leistung stabil, obwohl bei sehr vielen Reflexionen mehr Messungen vorteilhaft wären.
Spektrale Effizienz: Die erreichte Summen-Spektraleffizienz nähert sich der theoretischen FD-Kapazität an, die nur bei perfekter Kanalkenntnis und ohne SI erreichbar wäre.

5. Bedeutung und Ausblick

Dieses Paper stellt einen Paradigmenwechsel in der Gestaltung von Full-Duplex-Systemen dar. Es zeigt, dass Deep Learning in Kombination mit standortspezifischen Codebooks die praktische Hürde des hohen Pilot-Overheads bei Massive MIMO überwinden kann.

Praktische Relevanz: Die Methode macht Full-Duplex-Betrieb in mmWave- und Massive-MIMO-Netzen (5G/6G) praktikabel, wo explizite Kanalschätzung aufgrund der schnellen Kanaländerungen und der hohen Antennenzahl oft unmöglich ist.
Zukunftsperspektiven: Die Autoren sehen Potenzial in der Erweiterung auf Mehrnutzersysteme und in der experimentellen Validierung auf realen Wireless-Plattformen.

Zusammenfassend bietet der vorgeschlagene Ansatz einen effizienten Weg, um die Vorteile von Full-Duplex-Kommunikation zu realisieren, indem er die Komplexität der Kanalschätzung durch intelligente, datengetriebene Beam-Design-Strategien ersetzt.