🔢 mathematics

Transformer-Based Hybrid Beamforming with Reconfigurable Pixel Antenna for HAPS Communications

Este artículo propone un marco de formación de haces híbrido basado en Transformer llamado PR-HBFNet para comunicaciones HAPS, que utiliza un codificador Transformer para optimizar los patrones de radiación y aprendizaje residual basado en modelos para calcular los precodificadores, logrando una eficiencia espectral casi óptima con una complejidad computacional significativamente reducida.

Autores originales: Ruiqi Wang, Ziwei Wan, Keke Ying, Zhen Gao

Publicado 2026-05-19

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Ruiqi Wang, Ziwei Wan, Keke Ying, Zhen Gao

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina un dirigible de alta tecnología flotando en la estratosfera, a unos 12 millas sobre la Tierra. Este es un HAPS (Estación de Plataforma de Gran Altitud), que actúa como una torre de telefonía celular superpotente en el cielo. Su trabajo es transmitir internet y datos hacia abajo a miles de personas en el suelo.

Para hacerlo de manera efectiva, el dirigible utiliza una enorme matriz de antenas. Sin embargo, hay un problema: el dirigible tiene límites estrictos sobre la cantidad de energía y peso que puede transportar. No puede permitirse el equipo costoso y voraz en energía necesario para un sistema "totalmente digital" donde cada antena individual tenga su propio cerebro informático dedicado.

Por lo tanto, los ingenieros utilizan un enfoque "híbrido": unos pocos cerebros informáticos potentes (digitales) controlan muchas antenas simples y pasivas (analógicas). Pero hay una trampa. Las antenas tradicionales son como linternas con un haz fijo. Una vez que se construyen, la forma de la luz que proyectan es permanente. Si el viento mueve ligeramente el dirigible, o si los usuarios en el suelo se mueven, ese haz fijo podría perder el objetivo o desperdiciar energía iluminando el espacio vacío.

La Innovación: Antenas "Cambio de Forma"

Este artículo introduce un nuevo tipo de antena llamada Antena de Píxel Reconfigurable (RPA). Piensa en estas no como linternas estáticas, sino como focos inteligentes que cambian de forma.

Dentro de cada antena, hay pequeños interruptores electrónicos (como interruptores de luz microscópicos). Al encender y apagar estos interruptores en diferentes combinaciones, la antena puede cambiar instantáneamente la forma y la dirección de su haz de señal. Puede elegir de un "menú" de cuatro formas de haz diferentes (patrones) para coincidir mejor con dónde están parados los usuarios.

El Problema: Demasiadas Opciones

El desafío es que si tienes 32 de estas antenas que cambian de forma, y cada una puede elegir entre 4 patrones, el número de combinaciones posibles es astronómico. Intentar encontrar la combinación perfecta de formas y direcciones de señal usando matemáticas tradicionales es como intentar encontrar una aguja específica en un pajar del tamaño de una montaña. Toma demasiado tiempo y requiere demasiada potencia de computación, algo que el dirigible no tiene.

La Solución: El Cerebro "Transformer"

Los autores proponen un nuevo sistema de IA llamado PR-HBFNet (Red de Formación de Haz Híbrida con Patrones Reconfigurables) para resolver esto instantáneamente. Utilizan un tipo de arquitectura de IA llamada Transformer (el mismo tipo de tecnología detrás de los chatbots avanzados y las herramientas de traducción).

Así es como funciona su sistema, usando una analogía simple:

La Red de Patrones Reconfigurables (El "Ojo"):
Imagina un explorador mirando al suelo. Esta parte de la IA observa la "información del estado del canal" (un mapa de cómo viajan las ondas de radio). En lugar de adivinar, el Transformer analiza toda la imagen de una vez. Decide: "Bien, la Antena 1 debe usar el Patrón A, la Antena 2 debe usar el Patrón B", y así sucesivamente. Elige la mejor "forma" para cada antena individual en una fracción de segundo.
La Red de Formación de Haz Híbrida (La "Mano"):
Una vez que se eligen las formas, la segunda parte de la IA actúa como un director de orquesta. Ajusta finamente el volumen y el momento de las señales desde las computadoras digitales hacia las antenas analógicas.
- El Truco: En lugar de empezar desde cero, esta IA utiliza una estrategia de "aprendizaje residual". Comienza con una suposición inteligente (como una fórmula matemática estándar) y luego usa la IA para aprender las pequeñas correcciones necesarias para hacerlo perfecto. Esto es como un estudiante que conoce las matemáticas básicas pero usa a un tutor para aprender los atajos específicos para un examen complicado.

Los Resultados: Rápido y Preciso

Los investigadores probaron su sistema en una simulación por computadora:

Rendimiento: El nuevo sistema de IA funcionó casi exactamente tan bien como el método "Codicioso". El método "Codicioso" es como un robot superlento y superinteligente que prueba cada combinación individual para encontrar la absolutamente mejor. El nuevo IA obtuvo un resultado dentro del 1.1% de esa puntuación perfecta.
Velocidad: Esta es la gran victoria. El método "Codicioso" tardó 4 a 8 segundos en tomar una decisión. El nuevo sistema de IA tardó solo 26 a 38 milisegundos (menos de un parpadeo).
Eficiencia: Utiliza significativamente menos potencia de computación (operaciones matemáticas) para lograr esta velocidad.

La Conclusión

Este artículo muestra que al combinar antenas que cambian de forma con una IA Transformer inteligente, podemos hacer que las torres de internet de gran altitud sean mucho más eficientes. El sistema puede reconfigurar instantáneamente sus "linternas" para seguir a los usuarios en el suelo, entregando velocidades de datos más rápidas sin necesidad de equipo pesado y voraz en energía. Convierte un problema matemático lento y complejo en una decisión rápida e instantánea.

Resumen Técnico: Formación de Haz Híbrida Basada en Transformadores con Antena de Píxeles Reconfigurable para Comunicaciones HAPS

Enunciado del Problema
Las estaciones de plataforma de gran altitud (HAPS) que operan en la estratosfera se vislumbran como componentes críticos de las redes espacio-aire-tierra de 6G, ofreciendo una amplia cobertura y una fuerte conectividad de línea de vista (LoS). Para cumplir con los estrictos requisitos de tasa de datos mientras se compensa la pérdida de trayectoria en el espacio libre, es esencial la tecnología de múltiples entradas y múltiples salidas masiva (MIMO). Sin embargo, la formación de haz totalmente digital es impráctica para las cargas útiles de HAPS debido a los excesivos costos de hardware y al consumo de energía asociados con las cadenas de radiofrecuencia (RF) dedicadas por antena. La formación de haz híbrida (HBF) ofrece una solución al reducir las cadenas de RF, no obstante, las arquitecturas de HBF convencionales dependen de elementos de antena con patrones fijos. En los canales HAPS, que a menudo están dominados por componentes de LoS o casi LoS con una dispersión angular limitada, los patrones de radiación estáticos restringen la capacidad del arreglo para concentrar energía hacia las direcciones espaciales dominantes, dejando ganancias potenciales del arreglo y del canal sin explotar.

Aunque las Antenas de Píxeles Reconfigurables (RPA) introducen un grado de libertad adicional al permitir la selección dinámica de patrones de radiación, la optimización conjunta de la selección de patrones discretos, la formación de haz analógica y la precodificación digital crea un problema de programación no lineal mixto-entero (MINLP) altamente complejo. El espacio de búsqueda crece exponencialmente con el número de antenas y los modos de radiación. Los algoritmos iterativos existentes, como la selección de patrones voraz combinada con la optimización de HBF, sufren de una complejidad computacional sustancial y una latencia de inferencia, lo que los hace inadecuados para los requisitos de programación en tiempo real de los sistemas HAPS prácticos.

Metodología
Para abordar estos desafíos, los autores proponen PR-HBFNet, un marco de aprendizaje profundo de extremo a extremo basado en transformadores diseñado para resolver el problema conjunto de formación de haz de patrón, analógico y digital. El modelo del sistema considera un HAPS equipado con un arreglo planar uniforme (UPA) de $N_t$ elementos RPA, particionado en $N_{RF}$ subarreglos (arquitectura subconectada) para cumplir con las restricciones de la carga útil. El canal se modela como un modelo estocástico geométrico tridimensional de banda ancha con desvanecimiento de Rician.

El PR-HBFNet propuesto es una red neuronal en cascada que comprende dos módulos principales:

Red de Reconfiguración de Patrones (PRN):
- Entrada: Un tensor de información de estado del canal electromagnético (CSI) $\hat{H}$ que contiene las respuestas para todos los patrones de radiación candidatos.
- Mecanismo: La entrada es procesada por un Codificador Transformer para capturar dependencias de largo alcance entre antenas, usuarios y patrones candidatos.
- Salida: Una capa totalmente conectada seguida de una activación Softmax genera probabilidades para cada modo candidato por antena. Una operación Argmax (aproximada durante el entrenamiento mediante un Estimador Straight-Through) selecciona el vector de patrón discreto óptimo $c$ .
Red de Formación de Haz Híbrida (HBN):
- Entrada: El canal equivalente derivado del vector de patrón seleccionado.
- Estrategia: La red emplea aprendizaje residual impulsado por modelos para preservar las restricciones físicas y mejorar la convergencia.
- Rama Analógica: Un Codificador Transformer aprende una corrección residual sobre un formador de haz analógico inicial derivado de la Descomposición en Valores Singulares (SVD) por subarreglo. La salida se proyecta sobre el conjunto factible para asegurar una estructura de bloque diagonal con entradas de módulo constante (satisfaciendo las restricciones de los desplazadores de fase pasivos).
- Rama Digital: De manera similar, un Codificador Transformer predice un refinamiento residual sobre un precodificador digital inicial basado en SVD para suprimir la interferencia entre múltiples usuarios. Los precodificadores digitales finales se reescalan en todas las subportadoras para satisfacer la restricción total de potencia de transmisión.

Toda la red se entrena de manera no supervisada maximizando directamente la eficiencia espectral de suma de enlace descendente promedio del sistema, eliminando la necesidad de soluciones óptimas etiquetadas provenientes de solucionadores convencionales.

Resultados Clave
Los resultados de la simulación, realizados utilizando un modelo de canal tridimensional de banda ancha (QuaDRiGa) con $N_t=32$ antenas, $N_{RF}=8$ cadenas de RF y un código de patrones de tamaño $M=4$ , demuestran lo siguiente:

Eficiencia Espectral (EE): El PR-HBFNet propuesto se acerca estrechamente al rendimiento de un punto de referencia voraz (Greedy+HBFNet). Con una potencia de transmisión de 50 dBm, PR-HBFNet logra una EE de aproximadamente 30.87 bits/s/Hz, lo cual está dentro del 1.1% del valor del punto de referencia (31.23 bits/s/Hz). Ambos esquemas reconfigurables superan significativamente a los sistemas que utilizan patrones de radiación fijos o selección de patrones aleatoria.
Escalabilidad: La ventaja de rendimiento del método propuesto sobre el MIMO masivo de patrón fijo se vuelve más pronunciada a medida que aumenta el número de usuarios ( $K$ ), lo que indica una adaptación efectiva a la interferencia entre múltiples usuarios y la geometría del canal.
Complejidad Computacional: El método propuesto ofrece una reducción dramática en la latencia de inferencia y la carga computacional.
- Latencia: PR-HBFNet opera en el rango de milisegundos (26.83–38.30 ms), mientras que el punto de referencia voraz requiere segundos (4.2–8.2 segundos).
- FLOPs: La red propuesta requiere 0.96–1.25 G FLOPs, en comparación con 7.79–47.23 G FLOPs para el punto de referencia.
- Parámetros: Aunque la red propuesta tiene un aumento moderado en parámetros entrenables en comparación con el punto de referencia, la ganancia en eficiencia computacional es sustancial.

Significado y Afirmaciones
El artículo afirma que PR-HBFNet cierra exitosamente la brecha entre el alto rendimiento de los métodos de optimización iterativa y los requisitos de baja latencia de los sistemas HAPS prácticos. Al incorporar explícitamente las restricciones de hardware (arquitectura subconectada, módulo constante y restricciones de potencia total) en el marco de aprendizaje, el método asegura la consistencia con el modelo físico subyacente. Los autores concluyen que el marco es adecuado para comunicaciones HAPS en tiempo real, ofreciendo una solución de baja complejidad que se acerca efectivamente a la eficiencia espectral de los esquemas de selección de patrones voraces mientras reduce la latencia de inferencia de segundos a milisegundos.