⚡ electrical engineering

Channel Estimation and Beamforming for Microwave Linear Analog Computers (MiLACs)-Aided Multiuser MISO Systems

Dieses Paper schlägt recheneffiziente Kanalschätzung- und Beamforming-Verfahren für MiLAC-gestützte Multiuser-MISO-Systeme vor, welche die Kanalschranken-Defizienz ausnutzen, um Signale im Analogbereich zu komprimieren, wodurch massive Reduktionen der Rechenkomplexität bei gleichbleibender Leistung im Vergleich zu digitalen Baselines erreicht werden.

Ursprüngliche Autoren: Qiaosen Zhang, Matteo Nerini, Bruno Clerckx

Veröffentlicht 2026-07-02

📖 6 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Qiaosen Zhang, Matteo Nerini, Bruno Clerckx

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

Das große Ganze: Die „supervernetzte“ Stadt

Stellen Sie sich eine zukünftige Stadt vor, in der Tausende von Menschen gleichzeitig versuchen, mit einem zentralen Turm (der Basisstation) zu kommunizieren. Um sicherzustellen, dass jeder klar gehört wird, muss der Turm ein riesiges Array von Antennen verwenden – stellen Sie sich das wie das Besitzen von tausenden Mikrofonen vor.

Auf die alte Art (Digitales Beamforming) müsste der Turm für jedes einzelne Mikrofon einen eigenen, teuren und stromhungrigen Computerprozessor besitzen. Wenn Sie 256 Antennen haben, benötigen Sie 256 Prozessoren. Das ist so, als würde man 256 Sekretäre einstellen, nur um 256 Menschen zuzuhören; es ist unglaublich teuer, langsam und verbraucht zu viel Elektrizität.

Microwave Linear Analog Computers (MiLACs) sind eine neue Erfindung, die wie ein „intelligenter Filter“ oder eine „magische Linse“ wirkt. Anstatt einen Computer zu verwenden, um den Schall zu verarbeiten, nutzt der MiLAC die Physik der Mikrowellen, die durch ein spezielles Netzwerk von Rohren wandern, um die Arbeit sofort zu erledigen. Er kann Signale fokussieren, ohne einen Computer für jede einzelne Antenne zu benötigen.

Das Problem: Der „blinde“ Turm

Die Arbeit weist auf ein großes Hindernis hin: Während MiLACs großartig darin sind, Signale zu senden (Beamforming), haben sie Schwierigkeiten beim Zuhören und beim Herausfinden, wo sich die Nutzer befinden (Kanalabschätzung/Channel Estimation).

Um zu wissen, wohin das Signal gesendet werden soll, muss der Turm die „Landkarte“ der Luft zwischen ihm und den Nutzern kennen.

Die alte Art: Der Turm hört mit allen 256 Mikrofonen auf jeden einzelnen, zeichnet die gewaltige Menge an Daten auf und nutzt dann einen Supercomputer, um die Karte zu berechnen. Dies macht den Einsatz von MiLACs zunichte, da es wieder zu den teuren Prozessoren und dem hohen Stromverbrauch führt.
Der MiLAC-Weg: Der Turm hat nur wenige „Ohren“ (RF-Chains) – vielleicht nur 16 für 16 Nutzer. Er kann den 256-dimensionalen Klang nicht in voller Breite hören. Es ist, als würde man versuchen, eine Symphonie zu verstehen, indem man nur 1ki von 256 Instrumenten hört.

Die Lösung: Der „Smart Compression“-Trick

Die Autoren schlagen eine clevere zweistufige Lösung vor, um dieses „blinde“ Problem ohne teure Computer zu lösen.

1. Die „Gruppierungs“-Analogie (Kanalabschätzung)

Stellen Sie sich vor, die Nutzer sind nicht einfach nur zufällige Einzelpersonen, sondern sie sitzen in Gruppen zusammen, basierend darauf, wo sie stehen. Menschen in derselben Gruppe schauen wahrscheinlich aus einem ähnlichen Winkel zum Turm.

Der Trick: Anstatt zu versuchen, jeden einzelnen Menschen mit hoher Präzision einzeln zu hören, fungiert der MiLAC wie eine intelligente Kompressionslinse. Er nimmt den vollen, chaotischen Klang von allen 256 Antennen und staucht ihn in eine kleinere, sauberere Version zusammen, die in die wenigen „Ohren“ des Turms passt.
Wie es funktioniert: Er nutzt die Tatsache, dass Menschen in einer Gruppe ähnliche „Muster“ teilen. Der MiLAC filtert das Rauschen und die Redundanz heraus und behält nur die wesentliche „Form“ des Signals.
Das Ergebnis: Der Turm kann nun die Karte der Nutzer mit sehr wenig Rechenleistung berechnen.
- Analogie: Anstatt ein hochauflösendes Foto einer ganzen Menge zu machen (was einen riesigen Computer zur Verarbeitung benötigt), macht der MiLAC eine stilisierte, niedrig auflösende Skizze, die aber immer noch genau erfasst, wo die Menschen stehen. Der Computer muss nur die Skizze zeichnen, nicht das ganze Foto.

Sie haben zwei Versionen getestet:

Kleine Gruppen: Wenn es wenige Gruppen gibt, verwenden sie eine „Virtuelle Kanal“-Methode (Fokus auf die Gruppenmuster).
Große Gruppen: Wenn es viele Gruppen gibt, verwenden sie eine „Globale Virtuelle Kanal“-Methode (eine etwas komplexere Skizze, die dennoch funktioniert).

Der Gewinn: Sie fanden heraus, dass diese Methode bis zu 1.540 Mal schneller ist und weit weniger Rechenleistung benötigt als der alte digitale Weg, während sie die Karte immer noch genauso genau (oder in einigen Fällen sogar besser) erstellt.

2. Der „Doppel-Linsen“-Trick (Beamforming)

Sob'n der Turm die Karte kennt, muss er die Daten zurücksenden. Der alte digitale Weg erfordert eine massive Berechnung, um zu bestimmen, wie man das Signal perfekt ausrichtet.

Das Problem: Ein einzelner MiLAC ist gut bei einfachen Aufgaben, kann aber nicht ohne Weiteres die komplexe Mathematik leisten, die nötig ist, um das Signal gleichzeitig perfekt auf alle auszurichten.
Die Lösung: Die Autoren haben einen Cascade MiLAC gebaut. Stellen Sie sich vor, man verbindet zwei magische Linsen hintereinander.
- Die erste Linse erledigt den ersten Teil der Mathematik.
- Die zweite Linse vollendet die Aufgabe.
- Zusammen wirken sie wie eine Super-Linse, die die komplexe Ausrichtung sofort erledigt, indem sie die Wellen einfach hindurchfließen lässt. Kein Computer nötig während der eigentlichen Übertragung.

Der Gewinn: Dieses „Doppel-Linsen“-System ist bis zu 16.108 Mal schneller als die digitale Computermethode. Es erreicht die gleiche Datengeschwindigkeit (Sum Rate), aber mit fast null Rechenkosten.

Der Kompromiss: Die „Kosten des Lernens“

Es gibt einen kleinen Haken. Da der Turm weniger „Ohren“ hat, muss er etwas mehr Zeit mit dem Zuhören der Nutzer verbringen, um seine Karte aufzubauen (Trainings-Overhead).

Die Analogie: Es ist wie ein Lehrer, der weniger Schüler hat, denen er zuhören muss, aber ein paar zusätzliche Fragen stellen muss, um sicherzustellen, dass er jeden verstanden hat.
Das Ergebnis: Diese zusätzliche Zeit zum „Lernen“ reduziert die Zeit, die für das Senden tatsächlicher Daten zur Verfügung steht, ein klein wenig. In Szenarien mit vielen Nutzergruppen frisst diese „Lernzeit“ die Gesamtgeschwindigkeit ein wenig auf. Der massive Einsparungsvorteil bei Hardwarekosten und Energie macht dies jedoch zu einem lohnenswerten Kompromiss für die riesigen Netzwerke der Zukunft.

Zusammenfassung der Behauptungen

Was sie getan haben: Sie haben einen neuen Weg entwickelt, um Nutzer zu hören und Signale für riesige Antennensysteme auszurichten – und zwar mit „magischen Mikrowellenlinsen“ (MiLACs) anstelle von Supercomputern.
Wie es funktioniert:
1. Zuhören: Sie nutzen den MiLAC, um den Schall von tausenden Antennen in eine handhabbare Größe zu komprimieren, die in die begrenzte Hardware passt, und führen dann eine einfache Berechnung durch.
2. Senden: Sie verbinden zwei MiLACS hintereinander, um die Signale sofort auszurichten, ohne digitale Mathematik zu verwenden.
Die Ergebnisse:
- Geschwindigkeit: Die neue Methode ist etwa 1.500 Mal schneller beim Erstellen der Karte und 16.000 Mal schneller beim Ausrichten des Signals im Vergleich zu Standard-Digitalmethoden.
- Leistung: Sie liefert Daten genauso schnell wie der teure digitale Weg, sofern man die kleine zusätzliche Zeit berücksichtigt, die man zuerst zum „Zuhören“ benötigt.
- Hardware: Sie ermöglicht es dem System, mit sehr wenigen teuren Radio-Komponenten zu arbeiten, was enorme Mengen an Geld und Strom spart.

Technische Zusammenfassung: Kanalschätzung und Beamforming für MiLAC-gestützte Multiuser-MISO-Systeme

Problemstellung
Zukünftige gigantische Multiple-Input Multiple-Output (MIMO)-Systeme versprechen ultrahohe Datenraten und massive Konnektivität, stehen jedoch vor prohibitiven Hardwarekosten und einem enormen Rechenaufwand, wenn konventionelles digitales Beamforming eingesetzt wird, welches eine Funkkette (RF-Chain) pro Antenne erfordert. Mikrowellen-lineare analoge Computer (Microwave Linear Analog Computers, MiLACs) haben sich als Lösung herausgestellt, um die Beamforming-Berechnungen in den analogen Bereich auszulagern, wodurch die Anzahl der RF-Ketten und die Rechenlast drastisch reduziert werden. Es besteht jedoch eine kritische Lücke: Die bestehende MiLAC-Forschung konzentriert sich auf das Beamforming-Design und die Modellierung, vernachlässigt jedoch effiziente Kanalschätzverfahren für Multiuser-Systeme (MU). Die konventionelle Kanalschätzung erfordert die Erfassung volldimensionaler empfangener Signale und die Durchführung massiver digitaler Verarbeitung, was die Hardware- und Komplexitätsvorteile von MiLACs zunichtemacht. Zudem verhindert die begrenzte Anzahl an RF-Ketten in MiLAC-gestützten Systemen den direkten Zugriff auf volldimensionale Signale, was eine präzise Akquisition der Kanalschlüsselinformationen (Channel State Information, CSI) erschwert.

Methodik
Das Paper schlägt ein Framework für MiLAC-gestützte Multiuser-Multiple-Input Single-Output (MU-MISO) Systeme vor, die unter Time Division Duplex (TDD) operieren, wobei die Anzahl der RF-Ketten begrenzt ist ( $L=K$ , wobei $K$ die Anzahl der Nutzer ist). Die Methodik stützt sich auf drei Kernpfeiler:

Systemmodell und Nutzergruppierung: Das System modelliert Nutzer, die basierend auf der Ähnlichkeit ihrer Kanal-Korrelationsmatrizen in $G$ disjunkte Gruppen unterteilt sind (Prinzip der Joint Spatial Division and Multiplexing). Innerhalb jeder Gruppe teilen die Nutzer eine gemeinsame Korrelationsstruktur, was es ermöglicht, den Kanal in einem niedrigdimensionalen Unterraum darzustellen, der durch die Eigenvektoren der Gruppe aufgespannt wird.
Analoge Kompression zur Kanalschätzung: Um die Einschränkung durch die RF-Ketten zu adressieren, schlagen die Autoren vor, die Rangdefizienz der Kanal-Korrelationsmatrizen auszunutzen.
- Small- $G$ -Regime: Wenn die Anzahl der Gruppen klein ist und sich die Gruppen-Unterräume nicht signifikant überschneiden, wird ein Verfahren zur virtuellen Kanalschätzung (Virtual Channel Estimation) eingesetzt. Der MiLAC führt eine analoge Subraumprojektion unter Verwendung der Gruppen-Eigenvektoren ( $U_g$ ) durch, um die volldimensionalen empfangenen Signale in niedrigdimensionale Beobachtungen zu komprimieren. Die digitale Verarbeitung schätzt dann nur die niedrigdimensionalen virtuellen Kanäle.
- Large- $G$ -Regime: Wenn sich die Gruppen-Unterräume überschneiden (großes $G$ ), wird ein Verfahren zur globalen virtuellen Kanalschätzung (Global Virtual Channel Estimation) angewendet. Das System berechnet eine Matrix mit vollem Spaltenrang, die die Vereinigung aller Gruppen-Unterräume über die Singulärwertzerlegung (SVD) aufspannt. Der MiLAC projiziert die Signale auf diesen globalen Unterraum, was die Schätzung globaler virtueller Kanäle ermöglicht.
- Beide Verfahren nutzen Least-Squares- (LS) und Minimum Mean Square Error-Schätzer (MMSE) auf den komprimierten Beobachtungen, wodurch die Notwendigkeit entfällt, volldimensionale Signalmatrizen zu speichern oder zu verarbeiten.
Kaskadierter MiLAC für das Beamforming: Um ein Regularized Zero-Forcing Beamforming (R-ZFBF) aus niedrigdimensionalen Kanalschätzungen zu realisieren, ohne den volldimensionalen Kanal rekonstruieren zu müssen, führen die Autoren eine kaskadierte MiLAC-Architektur ein. Diese besteht aus zwei in Serie geschalteten MiLACs. Der erste MiLAC übernimmt die Inversions- und Regularisierungsoperationen, während der zweite die Projektion zurück in den Antennenbereich handhabt. Diese Struktur ermöglicht es, den R-ZFBF-Präkoder direkt aus den virtuellen Kanalschätzungen mit geringer Rechenkomplexität zu realisieren.

Kernbeiträge

Systemmodell: Ein umfassendes Modell, das Uplink-Training und Downlink-Beamforming für MiLAC-gestützte MU-MISO-Systeme integriert und dabei die begrenzte Anzahl an RF-Ketten sowie variierende Kanal-Korrelationsmatrizen über Nutzergruppen hinweg explizit berücksichtigt.
Effiziente Kanalschätzverfahren: Zwei neuartige Schätzstrategien (virtuelle und globale virtuelle Schätzung), die MiLAC zur analogen Kompression nutzen. Diese Verfahren reduzieren die Dimensionalität des Schätzproblems von $M$ (Antennen) auf $r$ oder $\tilde{r}$ (Subraumdimensionen) und senken damit die digitalen Rechenkosten erheblich.
Kaskadierte MiLAC-Architektur: Der Vorschlag eines zweistufigen kaskadierten MiLAC zur Implementierung von R-ZFBF direkt aus niedrigdimensionalen Schätzungen. Dies überwindet die Einschränkung eines einzelnen MiLAC, der R-ZFBF nicht effizient aus virtuellen Kanälen realisieren kann, ohne den vollen Kanal zu rekonstruieren.
Theoretische und numerische Validierung: Analytische Beweise und numerische Simulationen zeigen, dass die vorgeschlagenen Verfahren eine MSE-Leistung erreichen, die mit digitalen Baselines vergleichbar oder sogar besser ist, während sie gleichzeitig die Rechenkomplexität drastisch reduzieren.

Ergebnisse
Numerische Ergebnisse validieren die vorgeschlagenen Verfahren gegenüber konventionellen digitalen Baselines (LS und MMSE) sowie digitalem R-ZFBF:

Kanalschätzung: Die vorgeschlagenen MiLAC-gestützten Verfahren erzielen einen niedrigeren MSE für die LS-Schätzung und einen identischen MSE für die MMSE-Schätzung im Vergleich zu digitalen Gegenstücken. Entscheidend ist, dass sie die Rechenkomplexität um bis zu das 1540-fache reduzieren (für $G=4$ im Small- $G$ -Regime).
Beamforming: Das kaskadierte MiLAC-basierte R-ZFBF erreicht die gleiche Summenrate wie digitales R-ZFBF, wenn der Trainings-Overhead vernachlässigt wird. Wenn der Trainings-Overhead berücksichtigt wird, ist eine geringfügige Reduktion der effektiven Summenrate zu beobachten, insbesondere im Large- $G$ -Regime, bedingt durch die zusätzlichen für das Training benötigten Symbole.
Komplexitätsreduktion: Die Beamforming-Verfahren reduzieren die Rechenkomplexität im Vergleich zu digitalem R-ZFBF um bis zu das 16.108-fache.
Trade-offs: Das Paper hebt einen fundamentalen Zielkonflikt hervor: Während die Verfahren die Hardwarekomplexität (RF-Ketten) und die Rechenlast erheblich reduzieren, verursachen sie zusätzlichen Trainings-Overhead. Dieser Overhead ist im Large- $G$ -Regime ausgeprägter, was zu einer leichten Verschlechterung der effektiven Summenrate im Vergleich zu voll digitalen Systemen führt.

Bedeutung
Das Paper behauptet, dass diese Beiträge einen notwendigen Schritt zur Realisierung des Potenzials von MiLAC-gestützten gigantischen MIMO-Systemen darstellen. Durch die Lösung des Engpasses bei der Kanalschätzung und die Bereitstellung eines Mechanismus für effizientes Beamforming aus komprimierten Daten ermöglicht die Arbeit den Einsatz von Systemen mit minimalen RF-Ketten und geringer Rechenkomplexität, ohne die Leistung zu beeinträchtigen. Die Einführung des kaskadierten MiLAC adressiert spezifisch die Herausforderung, komplexe Präkodierungsmatrizen (wie R-ZFBF) direkt im analogen Bereich unter Verwendung von niedrigdimensionalem Kanalkenntnis anzuwenden. Die Autoren merken an, dass ihre Analyse voll rekonfigurierbare MiLACs voraussetzt, um die fundamentalen Grenzen zu charakterisieren, wobei Erweiterungen auf verlustfreie und reziproke Beschränkungen der zukünftigen Arbeit überlassen werden.