Data Detection for Massive MIMO Systems with 1-Bit Quantized Dithered Linear Precoding

Technische Zusammenfassung: Datendetektion für Massive-MIMO-Systeme mit 1-Bit-quantisiertem gedithertem linearem Precoding

Problemstellung
Der Einsatz von voll-digitalen Massive-Multiple-Input-Multiple-Output (MIMO)-Systemen wird durch den hohen Stromverbrauch und die hohe Hardwarekomplexität von Analog-Digital-Wandlern (ADCs) und Digital-Analog-Wandlern (DACs) begrenzt. Während die Verwendung von 1-Bit-DACs auf der Senderseite den Stromverbrauch und die Komplexität erheblich reduziert, führt dies eine schwere Quantisierungsverzerrung ein, welche die Signalintegrität verschlechtert. Obwohl umfangreiche Forschung zur Precoding-Gestaltung für 1-Bit-DACs existiert, bleibt die direkte Datendetektionsmethode am Empfänger, die die 1-Bit-Quantisierung auf der Senderseite in Punkt-zu-Punkt-Massive-MIMO-Systemen explizit berücksichtigt, unerforscht. Bestehende Detektionsmethoden sind primprimär auf Multi-User-Uplink-Systeme mit 1-Bit-ADCs am Empfänger zugeschnitten, bei denen die Quantisierung nach der Kanalausbreitung erfolgt – ein grundlegend anderes Szenario als die hier betrachtete Quantisierung auf der Senderseite. Zudem beinhalten Standard-Baselines oft einen zweistufigen Ansatz (erst Detektion des binären Sendesignals, dann Rekonstruktion der Daten), was das Risiko einer Fehlerfortpflanzung birgt.

Methodik
Die Arbeit untersucht ein Punkt-zu-Punkt-Massive-MIMO-System, bei dem der Sender 1-Bit-DACs mit Gauß'scher Dithering-Anwendung vor der Quantisierung einsetzt und der Empfänger entweder hochauflösende oder 1-Bit-ADCs verwendet. Die Studie setzt voraus, dass der Dither-Vektor am Empfänger bekannt ist, was die Dither-Entfernung ermöglicht. Die Methodik ist um zwei primäre Linearisierungsansätze für die quantisierten Signale strukturiert:

1. Symbol-unabhängige Linearisierung (Bussgang-Zerlegung): Dieser Ansatz behandelt die Quantisierungsverzerrung als unkorreliertes Rauschen. Er wird verwendet, um auf Soft-Estimation-basierte Datendetektionsmethoden abzuleiten. Die Autoren schlagen BLMMSE-DR (Bussgang Linear Minimum Mean Squared Error mit Dither-Entfernung) für hochauflösende ADCs und D-BLMMSE-DR (doppelt 1-Bit-quantisiertes BLMMSE-DR) für 1-Bit-ADCs vor. Diese Methoden subtrahieren den geschätzten dither-induzierten Bias vom empfangenen Signal vor der linearen Kombination.

2. Symbol-abhängige Linearisierung: Ein neuartiger Ansatz wird eingeführt, bei dem das gesendete Signal unter der Bedingung des spezifischen Datensymbol-Vektors linearisiert wird. Dies ermöglicht die Ableitung von Maximum-Likelihood (ML)-basierten Detektionsmethoden, die den Datensymbol-Vektor direkt rekonstruieren, ohne einen zwischengeschalteten Soft-Estimation-Schritt zu nutzen.

   • Für hochauflösende ADCs leiten die Autoren die vollständige Likelihood-Funktion des empfangenen Signals ab. Sie schlagen ML (ohne Dither-Entfernung) und ML-DR (mit symbolabhängiger Dither-Entfernung) vor. Die ML-DR-Methode vereinfacht die Kovarianzmatrix, indem sie die Nebendiagonal-Elemente vernachlässigt, was die Komplexität erheblich reduziert und gleichzeitig die Leistung beibehält.
   • Für 1-Bit-ADCs entwickeln die Autoren D-ML (Doppelt 1-Bit-quantisiertes ML). Da eine symbolabhängige Dither-Entfernung nicht direkt auf das 1-Bit-quantisierte empfangene Signal anwendbar ist, nutzt diese Methode die Statistiken des prä-quantisierten empfangenen Signals, um die Likelihood-Funktion des 1-Bit-Outputs zu approximieren.

Um das exponentielle Wachstum der Rechenkomplexität mit der Anzahl der Datenströme ($K$), das mit einer erschöpfenden ML-Suche einhergeht, zu adressieren, werden Low-Complexity-Varianten vorgeschlagen. Diese Varianten beschränken den Suchraum auf eine Teilmenge von Kandidaten, die durch die entsprechenden Soft-Estimation-Methoden (z. B. BLMMSE-DR oder D-BLMMSE-DR) identifiziert wurden.

Zentrale Beiträge

• Neue Detektions-Frameworks: Die Arbeit schlägt die ersten direkten Datendetektionsmethoden für Punkt-zu-Punkt-Massive-MIMO mit 1-Bit-DACs und Dithering vor, die sowohl hochauflösende als auch 1-Bit-Empfängerarchitekturen abdecken.
• Dither-Entfernungstechniken: Sie führt spezifische Dither-Entfernungsstrategien für sowohl die Soft-Estimation (symbol-unabhängig) als auch die ML-basierte (symbol-abhängig) Detektion ein und zeigt auf, dass das Entfernen des bekannten Dither-Bias die Detektionsgenauigkeit verbessert, insbesondere bei mittleren bis hohen Signal-zu-Rausch-Verhältnissen (SNR).
• Symbol-abhängige Linearisierung: Eine neue Linearisierungstechnik wurde für das 1-Bit-quantisierte Sendesignal entwickelt, die die Ableitung von ML-basierten Detektoren ermöglicht, welche die empfangenen Signale direkt auf die Datensymbole abbilden.
• Komplexitätsreduktion: Es wurden Low-Complexity-Varianten der ML-basierten Methoden entwickelt, die den Suchraum von $L^K$ (wobei $L$ die Konstellationsgröße ist) auf $\nu^K$ (wobei $\nu \leq L$) reduzieren, wodurch die Methoden für praktische Stream-Anzahlen praktikabel werden.

Numerische Ergebnisse
Numerische Auswertungen unter Verwendung der Symbolfehlerrate (SER) als Metrik heben hervor:

• Rolle der Dither-Leistung: Es existiert eine optimale Dither-Leistung. Bei geringer Dither-Leistung bleiben die Komponenten der Quantisierungsverzerrung hoch korreliert; bei hoher Leistung dominiert der Dither. Die optimale Leistung wird im Allgemeinen bei mittleren bis hohen SNR beobachtet.
• Leistungssteigerungen: Die vorgeschlagenen ML-basierten Methoden (ML-DR und D-ML) übertreffen konsistent die Soft-Estimation-basierten Methoden sowie eine Baseline-Methode der zweistufigen Homotopie-Optimierung ML (two-stage hoML).
  • Für hochauflösende ADCs erreicht ML-DR bis zu zwei Größenordnungen niedrigere SER im Vergleich zu Soft-Estimation-Methoden und übertrifft die zweistufige hoML-Baseline signifikant. Die Dither-Entfernung in ML-DR liefert eine zusätzliche 2× Reduktion der SER im Vergleich zum Fall ohne Entfernung bei optimalen Dither-Leistungen.
  • Für 1-Bit-ADCs erreicht die D-ML-Methode eine 10× Reduktion der SER gegenüber anderen Methoden, einschließlich der zweistufigen hoML-Baseline, indem sie die der zweistufigen Methode inhärente Fehlerfortpflanzung vermeidet.
• Skalierbarkeit: Die Low-Complexity-Varianten (mit reduziertem Suchraum, z. B. $\nu=3$ oder $4$) erreichen eine Leistung, die nahezu ununterscheidbar von vollen ML-Suchmethoden ist, während sie die Rechenlast drastisch reduzieren.
• Robustheit: Die vorgeschlagenen Methoden behalten ihre Überlegenheit gegenüber der Baseline auch unter unvollkommener Kanalinformation (CSI) am Empfänger bei.

Bedeutung und Ansprüche
Das Paper behauptet, dass die vorgeschlagenen ML-basierten Detektionsmethoden, insbesondere in Kombination mit Dither-Entfernung und Low-Complexity-Suchstrategien, einen entscheidenden Fortschritt im Umgang mit der schweren Quantisierungsverzerrung von 1-Bit-DACs in Massive-MIMO-Systemen darstellen. Durch die direkte Modellierung der Quantisierungs- und Dithering-Effekte auf der Senderseite überwinden diese Methoden die Einschränkungen bestehender Baselines, die das Problem als Standardaufgabe der Binärdetektion gefolgt von der Symbolrekonstruktion behandeln. Die Ergebnisse zeigen, dass eine genaue Datengewinnung mit Hardware niedriger Auflösung möglich ist, sofern der Empfänger Detektionsalgorithmen verwendet, die speziell darauf ausgelegt sind, die statistischen Eigenschaften geditherter, quantisierter Signale zu nutzen. Die Arbeit etabliert, dass die Dither-Leistung ein kritischer Systemparameter ist und die vorgeschlagenen Frameworks einen günstigen Trade-off zwischen Leistung und Rechenkomplexität für zukünftige 6G- und Wireless-Backhaul-Anwendungen bieten.