⚡ electrical engineering

Deep Learning based Three-stage Solution for ISAC Beamforming Optimization

Cet article propose un cadre en trois étapes basé sur l'apprentissage profond pour l'optimisation du formation de faisceaux (beamforming) ISAC, qui maximise le débit de communication cumulé sous des contraintes de puissance et de détection en extrayant séquentiellement les caractéristiques du canal, en optimisant les diagrammes de rayonnement via l'apprentissage par renforcement et en reconstruisant les vecteurs de formation de faisceaux par l'apprentissage supervisé, surpassant finalement les méthodes de référence en se concentrant sur l'optimisation du diagramme de rayonnement.

Auteurs originaux : Qian Gao, Ruikang Zhong, Yuanwei Liu

Publié 2026-01-29

📖 5 min de lecture🧠 Analyse approfondie

CC0 1.0

Auteurs originaux : Qian Gao, Ruikang Zhong, Yuanwei Liu

Article original placé dans le domaine public sous CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez une tour de radio très occupée (la station de base) qui doit accomplir deux tâches exactement en même temps : parler à votre téléphone (Communication) et scanner la zone pour détecter des objets en mouvement comme des voitures ou des drones (Détection). C'est ce qu'on appelle l'ISAC (Integrated Sensing and Communication - Détection et Communication Intégrées).

Le problème est que faire les deux tâches parfaitement est incroyablement difficile. La tour doit décider précisément comment orienter ses « faisceaux de signaux » (comme une lampe de poche) pour parler clairement aux utilisateurs tout en s'assurant que l'écho radar est assez fort pour détecter des cibles. Si elle oriente mal ses faisceaux, la conversation devient bruyante ou le radar rate une voiture.

Traditionnellement, déterminer l'orientation parfaite nécessite des calculs mathématiques complexes qui deviennent plus lents et plus difficiles à mesure que l'on ajoute des utilisateurs ou des antennes. Les auteurs de cet article proposent une nouvelle façon plus intelligente de résoudre cela en utilisant le Deep Learning (apprentissage profond), décomposé en un processus en trois étapes.

Voici comment leur solution fonctionne, expliquée avec des analogies de la vie quotidienne :

L'approche en trois étapes de la « Cuisine du Chef »

Au lieu d'essayer de cuisiner tout le repas (le signal final) en une seule étape géante et chaotique, ils le décomposent en trois stations spécialisées.

Étape 1 : Le « Résumeur » (Apprentissage non supervisé)

Le Problème : La tour reçoit une quantité massive de données brutes sur l'environnement (Information sur l'état du canal ou CSI). C'est comme si un chef recevait un livre de 500 pages décrivant la météo, les ingrédients et l'humeur des clients d'un coup. C'est trop d'informations à traiter rapidement.
La Solution : Le premier module est un Autoencodeur (un type d'IA). Considérez-le comme un bibliothécaire super rapide qui lit ce livre de 500 pages et rédige un résumé d'une page qui ne capture que les détails les plus importants.
Le Résultat : Le système dispose désormais d'une « fiche de révision » compacte et facile à comprendre de l'environnement, plutôt que d'une montagne de données brutes.

Étape 2 : L'« Architecte » (Apprentnement par renforcement)

Le Problème : Le système doit maintenant décider où diriger les faisceaux. S'il essaie de calculer les réglages exacts pour chaque fil d'antenne individuellement, c'est comme essayer de concevoir un bâtiment en décidant de la couleur de chaque brique individuellement. C'est trop complexe et difficile à apprendre.
La Solution : Le deuxième module utilise l'Apprentissage par renforcement (une IA qui apprend par essais et erreurs). Au lieu de se soucier des briques (les antennes individuelles), cette IA agit comme un Architecte qui conçoit le plan (le diagramme de rayonnement ou Beampattern).
L'Analogie : L'Architecte ne se soucie pas des vis spécifiques ; il dessine simplement la forme du bâtiment. Il décide : « Je veux un faisceau puissant pointant vers le Nord pour le radar, et un faisceau large pointant vers l'Est pour les téléphones. »
Pourquoi c'est mieux : Il est beaucoup plus facile pour l'IA d'apprendre à dessiner un bon plan que d'apprendre à câbler chaque antenne. Cela rend le processus d'apprentissage plus rapide et plus stable.

Étape 3 : Le « Constructeur » (Apprentissage supervisé)

Le Problème : L'Architecte a dessiné un plan parfait (le diagramme de rayonnement), mais l'équipe de construction (les antennes réelles) a besoin d'instructions précises pour construire ce plan. Ils ne peuvent pas simplement « deviner » le plan ; ils ont besoin de coordonnées exactes.
La Solution : Le troisième module est un réseau d'Apprentissage supervisé. Considérez cela comme un Maître Constructeur qui a étudié des milliers de plans et sait exactement quelles vis et quelles poutres utiliser pour les construire.
Le Résultat : L'IA prend le « plan » de l'étape 2 et le traduit instantanément en réglages spécifiques pour chaque antenne.

Pourquoi est-ce meilleur que l'ancienne méthode ?

L'article compare leur nouvelle méthode en « trois étapes » à une méthode « de référence » (qui essaie de tout faire en une seule fois, comme un chef essayant de cuisiner sans recette).

Apprentissage plus rapide : En résumant d'abord les données (Étape 1), l'IA n'est pas submergée.
Décisions plus intelligentes : En se concentrant sur le « plan » (Étape 2) plutôt que sur les détails minuscules, l'IA apprend bien mieux la forme du signal. C'est comme apprendre à dessiner un cercle avant d'apprendre à dessiner une roue spécifique.
Meilleurs résultats : Les simulations ont montré que cette approche d'équipe (Résumeur + Architecte + Constructeur) a obtenu un « score » plus élevé (plus de données envoyées et une meilleure détection) que l'ancienne méthode.

En résumé

L'article soutient que pour rendre les réseaux 6G assez intelligents pour parler et voir en même temps, nous ne devrions pas simplement jeter des données brutes dans un ordinateur. Au lieu de cela, nous devrions :

Résumer les données désordonnées.
Concevoir la forme du signal (le plan).
Construire les réglages d'antenne spécifiques basés sur ce plan.

Cette stratégie de « diviser pour régner » utilisant l'IA rend le système plus rapide, plus efficace et plus performant dans sa tâche.

Résumé technique : Solution en trois étapes basée sur l'apprentissage profond pour l'optimisation du beamforming ISAC

1. Énoncé du problème

L'article traite du défi de l'optimisation du beamforming (formation de faisceaux) dans un système ISAC (Sensing and Communication - Détection et Communication) en mode Full-Duplex (FD). Dans ce scénario, une station de base (BS) équipée de réseaux linéaires uniformes (ULA) communique simultanément avec plusieurs utilisateurs à antenne unique et effectue la détection radar sur plusieurs cibles en utilisant les mêmes ressources temporelles et fréquentielles.

L'objectif central est de maximiser le débit de communication cumulé de tous les utilisateurs tout en respectant deux contraintes critiques :

Contrainte de puissance d'émission : Le budget de puissance totale ne doit pas dépasser une limite maximale ( $P_{max}$ ).
Contrainte de taux de détection : Chaque cible doit atteindre un taux de détection minimal ( $\Gamma_{sen}^{req}$ ), qui sert de proxy pour la probabilité de détection de la cible.

Les auteurs identifient les limites des approches existantes d'apprentissage profond (DL) pour le beamforming. Le mappage direct de l'état du canal (CSI) vers les vecteurs de beamforming souffre de :

Haute dimensionnalité : L'espace de recherche des variables d'optimisation croît rapidement avec le nombre d'antennes et d'utilisateurs, augmentant la complexité computationnelle et la difficulté d'entraînement.
Manque d'interprétabilité : L'optimisation directe des vecteurs rend difficile la compréhension ou le contrôle du comportement sous-jacent du beamforming (par exemple, la directionnalité et les motifs d'interférence).
Complexité : Les méthodes d'optimisation convexe traditionnelles deviennent prohibitivement coûteuses en termes de calcul dans des scénarios de haute dimension et non convexes.

2. Méthodologie : Le cadre en trois étapes

Pour surmonter ces limitations, les auteurs proposent une solution en trois étapes qui décompose le problème d'optimisation du beamforming en trois sous-modules distincts. Ce cadre transforme le problème d'une optimisation directe de vecteurs vers un processus plus structuré impliquant l'extraction de caractéristiques, l'optimisation du diagramme de rayonnement (beampattern) et la reconstruction de vecteurs.

Module 1 : Extraction de caractéristiques CSI par apprentissage non supervisé

Objectif : Compresser les données CSI de haute dimension et variables en caractéristiques latentes de taille fixe tout en préservant l'information essentielle.
Technique : Un auto-encodeur (AE) est employé.
- Entrée : Le jeu de données CSI comprend les canaux descendants ( $h_k$ ), les canaux ascendants ( $g_{l,t}$ ), les canaux radar ( $g_{l,r}$ ) et les canaux d'auto-interférence résiduelle ( $H_{SI}$ ). Ces matrices complexes sont vectorisées et séparées en parties réelles et imaginaires pour former un vecteur d'entrée de valeurs réelles.
- Processus : L'encodeur mappe le CSI de haute dimension vers un vecteur de caractéristiques latentes de faible dimension ( $f$ ). Le décodeur tente de reconstruire le CSI original à partir de $f$ .
- Entraînement : Le réseau est entraîné de manière non supervisée en minimisant l'erreur quadratique moyenne (MSE) entre le CSI original et le CSI reconstruit.
- Utilisation : Lors de la phase de test/optimisation, seul l'encodeur est utilisé pour extraire les caractéristiques des nouvelles entrées CSI.

Module 2 : Optimisation du diagramme de rayonnement par apprentissage par renforcement (RL)

Objectif : Rechercher le diagramme de rayonnement optimal (distribution de puissance sur les angles) basé sur les caractéristiques extraites, plutôt que de rechercher directement les vecteurs de beamforming.
Technique : Un algorithme Advantage Actor-Critic (A2C) est utilisé.
- État ( $s_t$ ) : Composé des caractéristiques CSI extraites ( $f_t$ ) et du débit de communication cumulé du créneau temporel précédent ( $R_{com}^{t-1}$ ).
- Action ( $a_t$ ) : Au lieu de produire des vecteurs de beamforming complexes, l'agent produit des échantillons de diagramme de rayonnement. L'espace d'action consiste en $A$ $A$ valeurs de gain discrètes échantillonnées sur le domaine angulaire (-90° à 90°) pour trois diagrammes spécifiques :
  1. Diagramme de communication ( $p_w$ )
  2. Diagramme de détection ( $p_v$ )
  3. Diagramme de réception ( $p_u$ )
- Récompense ( $r$ ) : Une fonction par morceaux qui récompense la somme des débits de communication si les contraintes de communication et de détection sont respectées. Elle attribue 0 si la détection est satisfaite mais pas la communication, et -1 si l'une des contraintes est violée.
- Avantage : L'optimisation dans le domaine du diagramme de rayonnement réduit la taille de l'espace d'action (fixée à $A$ ) quel que soit le nombre d'antennes ou d'utilisateurs, améliorant ainsi la stabilité de l'entraînement et la généralisation.

Module 3 : Reconstruction du beamforming par apprentissage supervisé

Objectif : Reconstruire les vecteurs de transmission et de réception réels à partir des diagrammes de rayonnement optimisés générés par l'agent de RL.
Technique : Un réseau de neurones profonds (DNN) supervisé approxime la fonction inverse $G^{-1}$ $G^{- 1}$ .
- Processus : Puisque l'inverse analytique de la mise en correspondance diagramme-vers-vecteur est intraitable (en raison de la surface de réponse complexe), un DNN est entraîné pour apprendre cette mise en correspondance.
- Jeu de données : Généré en créant aléatoirement des vecteurs de beamforming, en les normalisant pour respecter les contraintes de puissance, en calculant leurs diagrammes de rayonnement correspondants, et en les associant sous forme de paires (Entrée : Diagramme, Sortie : Vecteur de beamforming).
- Utilisation : Lors de la phase de test, le réseau de reconstruction pré-entraîné prend le diagramme de rayonnement produit par l'agent RL et génère instantanément les vecteurs de beamforming correspondants pour l'implémentation.

3. Principales contributions

L'article revendique les contributions suivantes :

Formulation du problème : Un problème d'optimisation conjoint est formulé pour un système ISAC full-duplex afin de maximiser le débit de communication cumulé sous des contraintes de taux de détection et de puissance. Le problème est transformé de l'optimisation des vecteurs de beamforming vers l'optimisation des diagrammes de rayonnement via les vecteurs de réponse du réseau.
Cadre en trois étapes : La conception d'un nouveau cadre qui décompose le problème en :
- Extraction de caractéristiques CSI non supervisée (via AE).
- Optimisation du diagramme de rayonnement par RL (via A2C).
- Reconstruction du beamforming supervisée (via DNN).
Performance et interprétabilité : La solution proposée améliore la généralisation grâce à l'extraction de caractéristiques, améliore la stabilité de l'entraînement par l'optimisation dans le domaine du diagramme de rayonnement, et offre une meilleure interprétabilité par rapport à l'optimisation directe des vecteurs.

4. Résultats numériques

Des simulations ont été menées dans un scénario avec $N_t = N_r = 4$ antennes, $K=2$ utilisateurs et $L=1$ cible. Les résultats soulignent :

Taille des caractéristiques : Une taille de caractéristique latente de 16 offrait le meilleur compromis entre compression et performance. Les tailles plus petites (ex: 4) provoquaient une perte d'information, tandis que les tailles plus grandes (ex: 64) entraînaient un surapprentissage ou une convergence plus lente.
Résolution du diagramme de rayonnement : Un échantillonnage de 720 points a fourni la performance la plus élevée, bien que 360 points offraient un bon équilibre entre vitesse de convergence et récompense.
**Étude d'ablation :
- Cas 0 (Baseline) : RL direct du CSI vers les vecteurs de beamforming. Convergence autour de 170 épisodes avec une récompense d'environ 800.
- Cas 1 (Extraction de caractéristiques uniquement) : Convergé plus rapidement (~130 épisodes) avec une performance comparable, prouvant l'efficacité de la compression des caractéristiques.
- Cas 2 (Optimisation du diagramme de rayonnement uniquement) : Appris plus lentement mais a fini par surpasser la baseline (récompense > 850), validant que les diagrammes de rayonnement sont plus intuitifs pour les agents RL à optimiser.
- Cas 3 (Cadre complet en trois étapes) : A atteint la meilleure performance (récompense > 900), combinant l'efficacité de l'extraction de caractéristiques et les avantages structurels de l'optimisation du diagramme de rayonnement.

5. Signification et affirmations

L'article conclut que la solution en trois étapes proposée surpasse les algorithmes de RL de base qui optimisent directement les vecteurs de beamforming. La signification réside dans le passage de l'optimisation de vecteurs de haute dimension et non interprétables vers l'optimisation de diagrammes de rayonnement structurés et intuitifs. En découplant l'optimisation du diagramme de rayonnement de la génération des vecteurs de beamforming, le cadre permet de réaliser :

Réduction de la complexité : Diminution de la dimensionnalité dans l'espace d'action du RL.
Amélioration de la stabilité : Dynamiques d'entraînement plus stables.
Interprétabilité : La représentation intermédiaire du diagramme de rayonnement permet une meilleure compréhension du comportement de filtrage spatial du système.

Les auteurs affirment que cette approche est particulièrement avantageuse à mesure que le nombre d'antennes et d'utilisateurs augmente, là où l'optimisation convexe traditionnelle devient trop complexe et où le mappage direct par DL devient difficile à entraîner et à interpréter.