⚡ electrical engineering

Real-Time and Scalable Zak-OTFS Receiver Processing on GPUs

Dieser Beitrag stellt eine skalierbare, echtzeitfähige Zak-OTFS-Empfängerarchitektur vor, die durch Hardware-Algorithmus-Co-Design und die Ausnutzung der Kanalsparsamkeit im Verzögerungs-Doppler-Bereich auf GPUs eine hohe Durchsatzleistung bei niedriger Latenz für hochmobile NextG-Kommunikationssysteme ermöglicht.

Ursprüngliche Autoren: Junyao Zheng, Chung-Hsuan Tung, Yuncheng Yao, Nishant Mehrotra, Sandesh Mattu, Zhenzhou Qi, Danyang Zhuo, Robert Calderbank, Tingjun Chen

Veröffentlicht 2026-04-03

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Junyao Zheng, Chung-Hsuan Tung, Yuncheng Yao, Nishant Mehrotra, Sandesh Mattu, Zhenzhou Qi, Danyang Zhuo, Robert Calderbank, Tingjun Chen

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 versuchen, eine Nachricht durch ein chaotisches, stürmisches Wetter zu schicken. In der Welt der Mobilfunknetze ist dieses „Wetter" die Bewegung von Autos, Zügen oder sogar Flugzeugen, die die Signale verzerren.

Das ist das Problem, das dieses Papier löst. Hier ist die Erklärung, wie die Forscher es geschafft haben, diese Signale schnell und stabil zu verarbeiten – ganz ohne komplizierte Formeln.

1. Das Problem: Der „Staubsauger-Effekt"

Bisherige Technologien (wie OFDM) funktionieren wie ein Staubsauger, der versucht, den Schmutz (die Daten) auf einem flachen Teppich aufzusaugen. Wenn der Teppich aber wackelt (wegen hoher Geschwindigkeit), wird der Staubsauger verrückt und verliert den Schmutz wieder.

Die neue Technologie, OTFS, funktioniert anders. Statt den Teppich zu saugen, stellen sie sich das Signal wie ein dreidimensionales Gitter vor. Wenn das Signal wackelt, bleibt das Gitter stabil. Das ist toll für die Zuverlässigkeit, aber es hat einen riesigen Haken: Um dieses Gitter zu lesen, muss ein Computer unglaublich viele Berechnungen durchführen. Bei großen Gittern (viele Datenpunkte) wird der Computer so langsam, dass die Nachricht gar nicht mehr in Echtzeit ankommt. Es ist, als würde man versuchen, ein riesiges Puzzle zu lösen, indem man jedes Teil einzeln mit einer Lupe betrachtet – das dauert zu lange.

2. Die Lösung: Der „Super-Computer" (GPU)

Die Forscher haben einen neuen Empfänger gebaut, der auf GPUs läuft. Eine GPU ist wie ein riesiges Team von 10.000 kleinen Helfern, die alle gleichzeitig arbeiten können. Ein normaler Computerprozessor (CPU) ist wie ein einzelner, sehr intelligenter Chef, der nacheinander arbeitet. Für dieses riesige Puzzle ist das Team aus 10.000 Helfern viel besser geeignet.

Aber: Selbst 10.000 Helfer können nicht alles gleichzeitig machen, wenn die Anweisungen zu kompliziert sind. Hier kommen die drei genialen Tricks des Papiers ins Spiel:

Trick A: Die vorbereitete Rezeptur (Kompakte Matrizen)

Normalerweise müssten die Helfer bei jedem Schritt neue mathematische Formeln aus dem Kopf rechnen (z. B. „Wie viel ist 3 mal 5?"). Das kostet Zeit.
Die Forscher haben gesagt: „Wir rechnen das alles vorher aus und schreiben es auf eine Karteikarte."

Analogie: Statt jeden Tag das Rezept für einen Kuchen neu zu erfinden, haben sie das Rezept schon aufgeschrieben. Die Helfer müssen nur noch die Zutaten (die Daten) ablesen und zusammenfügen. Das spart enorm viel Zeit.

Trick B: Nur die wichtigen Spuren (Strukturierte Sparsamkeit)

In der drahtlosen Welt gibt es zwar viele theoretische Wege, auf denen ein Signal reisen könnte, aber in der Realität sind oft nur ein paar wenige Wege stark und wichtig (wie die Hauptstraßen in einer Stadt, während die meisten Seitenstraßen leer sind).

Das Problem: Der Computer versucht, alle Straßen zu prüfen, auch die leeren.
Die Lösung: Die Forscher haben dem Computer beigebracht, nur die Hauptstraßen zu prüfen. Sie ignorieren die leeren Seitenstraßen komplett.
Der Effekt: Anstatt 10.000 Straßen zu inspizieren, inspiziert der Computer nur 5. Das macht den Prozess unglaublich schnell und spart Speicherplatz.

Trick C: Der ununterbrochene Fluss (Verzweigungsfreie Schleifen)

In der Programmierung gibt es oft „Wenn-dann"-Fragen (z. B. „Wenn das Signal stark ist, mach X, sonst mach Y"). Diese Fragen zwingen das Team der Helfer, kurz zu pausieren und sich abzustimmen. Das bremst alles aus.

Die Lösung: Die Forscher haben den Ablauf so geplant, dass immer die gleiche Anzahl an Schritten gemacht wird, egal was passiert.
Analogie: Stellen Sie sich eine Fließbandarbeit vor. Früher musste das Band stoppen, wenn ein Arbeiter eine Entscheidung treffen musste. Jetzt läuft das Band einfach weiter, und jeder macht genau 10 Schritte. Das ist viel schneller, auch wenn man am Ende vielleicht ein paar unnötige Schritte macht.

3. Das Ergebnis: Ein Rennwagen für Daten

Durch diese Kombination aus einem starken Team (GPU), vorbereiteten Rezepten und dem Ignorieren unnötiger Wege haben die Forscher etwas Erstaunliches erreicht:

Geschwindigkeit: Sie können riesige Datenmengen verarbeiten, die früher unmöglich waren. Sie erreichen Geschwindigkeiten von über 900 Megabit pro Sekunde. Das ist wie ein Hochgeschwindigkeitszug, der Daten durch das Chaos schickt.
Echtzeit: Der Empfänger ist so schnell, dass er jede Nachricht verarbeitet, bevor die nächste eintrifft. Kein Warten, kein Stau.
Zuverlässigkeit: Selbst bei hohen Geschwindigkeiten (wie in einem schnellen Zug) bleiben die Daten klar und verständlich.

Zusammenfassung

Stellen Sie sich vor, Sie müssen eine riesige Bibliothek sortieren.

Die alte Methode: Ein einzelner Bibliothekar versucht, jedes Buch einzeln zu prüfen und zu sortieren. Es dauert ewig.
Die neue Methode (dieses Papier): Ein Team von 10.000 Bibliothekaren (GPU) arbeitet zusammen. Sie haben vorher eine Liste der wichtigsten Bücher erstellt (Sparsamkeit), kennen die genauen Ablageorte auswendig (vorbereitete Karten) und sortieren ohne Unterbrechung weiter (kein Warten auf Entscheidungen).

Das Ergebnis: Die Bibliothek ist in Sekunden sortiert, und die Bücher sind perfekt organisiert, auch wenn es draußen stürmt. Das ist der Durchbruch für die Kommunikation der Zukunft (NextG), besonders für autonomes Fahren und schnelle mobile Netze.

1. Problemstellung

Orthogonal Time Frequency Space (OTFS)-Modulation bietet im Vergleich zu herkömmlichen OFDM-Systemen eine überlegene Robustheit gegenüber hochmobilen Kanälen (hohe Doppler-Verschiebungen). Ein Hauptnachteil von OTFS ist jedoch die hohe Signalverarbeitungskomplexität, die mit der Größe des Delay-Doppler (DD)-Gitters skaliert.

Herausforderung: Die explizite Darstellung im DD-Domain führt zu großen Matrizenoperationen (z. B. $MN \times MN$ für die Kanalmatrix), was bei großen Gittergrößen (z. B. $M, N$ im Bereich von Tausenden) zu prohibitivem Rechenaufwand und Speicherbedarf führt.
Echtzeit-Problem: Bisherige Implementierungen scheitern oft daran, die gesamte Empfängerverarbeitung (von der Demodulation bis zur Decodierung) innerhalb der Rahmenzeit (Frame Duration) abzuschließen, insbesondere bei großen DD-Gittern. Die Latenz wächst oft überproportional und macht Echtzeitbetrieb unmöglich.
Hardware-Limit: CPUs stoßen bei diesen hochdimensionalen linearen Algebra-Problemen an ihre Grenzen, während GPUs zwar hohe Parallelität bieten, aber durch ineffiziente Algorithmen (z. B. bedingte Verzweigungen, dichte Matrizen) nicht optimal ausgelastet werden.

2. Methodik und Systemdesign

Die Autoren präsentieren eine skalierbare, echtzeitfähige Zak-OTFS-Empfängerarchitektur auf GPUs, die auf einem Hardware-Algorithmen-Co-Design basiert. Der Ansatz nutzt drei zentrale Erkenntnisse:

A. Kompakte Matrixoperationen (Pre-Computing)

Statt wiederholte rechenintensive Transzendentalfunktionen oder Indizierungen zur Laufzeit durchzuführen, werden systemparameterabhängige Koeffizienten (z. B. Phasenfaktoren für die Zak-Transformation) offline vorausberechnet.

DZT (Discrete Zak Transform): Wird als eine einzige GEMM-Operation (General Matrix Multiply) implementiert, die auf GPU-Bibliotheken (cuBLAS) hochoptimiert ist.
Kanalschätzung: Die Berechnung des effektiven Kanals $\hat{h}_{eff}$ erfolgt durch Hadamard-Produkte (elementweise Multiplikation) mit vorberechneten Matrizen.

B. Ausnutzung der strukturierten Sparsity (Structured Sparsity - SS)

Der effektive Kanal im DD-Domain ist aufgrund der begrenzten Anzahl physikalischer Pfade ( $P \ll MN$ ) stark spärlich besetzt.

Struktur: Die daraus abgeleitete Kanalmatrix $\hat{H}_{dd}$ ( $MN \times MN$ ) besitzt eine quasi-block-zirkulante Struktur.
Optimierung: Statt die volle dichte Matrix zu speichern und zu invertieren, wird eine strukturiert-spärliche Darstellung verwendet. Diese speichert nur die dominanten Pfade und deren Verschiebungen.
Effekt: Die Matrix-Vektor-Multiplikation (MVM) für die Entzerrung reduziert sich von $O((MN)^2)$ auf $O(P \cdot MN)$ . Dies senkt den Speicherbedarf und die Rechenzeit drastisch (z. B. Faktor 300+ bei großen Gittern).

C. Branchless Iterativer Equalizer (CGA)

Um die Inversion der großen Matrix zu vermeiden, wird ein iterativer Conjugate Gradient Algorithmus (CGA) verwendet.

Branchless Design: Herkömmliche Algorithmen nutzen bedingte Abbrüche (Early Termination), wenn eine Konvergenzschwelle erreicht ist. Dies führt auf GPUs zu ineffizienten Synchronisationspunkten und Verzweigungen (Branch Divergence).
Lösung: Die Anzahl der Iterationen wird offline basierend auf einer BER-getriebenen Profilierung (Bit Error Rate) festgelegt. Der Algorithmus führt eine feste Anzahl von Iterationen aus, was eine nahtlose, verzweigungsfreie Pipeline auf der GPU ermöglicht und die Latenz vorhersagbar macht.

3. Schlüsselbeiträge

Hardware-Bewusstes Design: Erste Implementierung, die Rechenhardware-Eigenschaften (GPU-Parallelität) und Kanalsparsity gezielt für die OTFS-Basisbandverarbeitung kombiniert.
Skalierbarkeit: Ein System, das Echtzeitverarbeitung für DD-Gittergrößen bis zu (16384, 32) ermöglicht – ein signifikanter Sprung gegenüber früheren Arbeiten, die oft bei Gittergrößen von wenigen hundert Elementen stoppten.
Vollständige Pipeline: Implementierung einer kompletten Empfänger-Pipeline (von der DZT über Kanalschätzung, Entzerrung bis zur Demodulation) auf GPUs mit PyTorch und benutzerdefinierten Triton-Kernen.
Umfassende Evaluierung: Tests auf verschiedenen Plattformen (Intel Xeon CPU, NVIDIA Jetson Orin, RTX 6000 Ada, A100, H200) unter realistischen Kanalbedingungen (Vehicular-A).

4. Ergebnisse

Die Evaluierung zeigt beeindruckende Leistungen, insbesondere auf High-End-GPUs (NVIDIA H200):

Durchsatz: Erreicht bis zu 906,52 Mbps bei einer Bandbreite von 245,76 MHz und 16QAM-Modulation.
Echtzeit-Fähigkeit: Das System erfüllt die 99,9-Perzentil-Latenzanforderung von 2,13 ms (entspricht zwei Rahmenzeiten) konsistent, selbst bei der maximalen Gittergröße von $(16384, 32)$ .
Vergleich CPU vs. GPU: Während CPUs bei kleinen Gittern konkurrenzfähig sind, skalieren sie bei großen Gittern nicht. Die GPU-Lösung (SS-CGA) hält die Latenz konstant niedrig, während CPU-Lösungen die Deadline verfehlen.
Bit Error Rate (BER): Der vorgeschlagene SS-CGA Equalizer erreicht eine BER, die mit dem optimalen (aber rechenintensiven) LMMSE-Equalizer vergleichbar ist und deutlich besser ist als der MRC-Equalizer, ohne die Echtzeitfähigkeit zu gefährden.
Latenzverteilung: Die GPU zeigt eine viel engere Latenzverteilung (weniger "Tail Latency") als die CPU, was für zuverlässige Kommunikation entscheidend ist.

5. Bedeutung und Ausblick

Dieses Paper demonstriert, dass OTFS nicht nur theoretisch, sondern auch praktisch für NextG-Kommunikationssysteme (6G und hochmobile 5G-Anwendungen) einsatzfähig ist.

Paradigmenwechsel: Es zeigt, dass durch geschicktes Co-Design von Algorithmen und Hardware (Nutzung von Sparsity und Vermeidung von Verzweigungen) die scheinbar unlösbare Komplexität von OTFS bewältigt werden kann.
Praktische Relevanz: Die Fähigkeit, große DD-Gitter in Echtzeit zu verarbeiten, ist essenziell für Anwendungen mit extrem hohen Doppler-Verschiebungen (z. B. Hochgeschwindigkeitszüge, Drohnen, Satellitenkommunikation), wo traditionelle OFDM-Systeme versagen.
Open Source: Die Autoren stellen Code, Benchmarks und Profilierungsergebnisse zur Verfügung, was die Reproduzierbarkeit und Weiterentwicklung in der Forschung fördert.

Zusammenfassend liefert das Paper einen entscheidenden Baustein für die Realisierung von hochleistungsfähigen, mobilen OTFS-Systemen, indem es die Lücke zwischen theoretischer Modulationsvielfalt und praktischer Echtzeitverarbeitung schließt.