Deep Learning Based Sparse Array Design with Pre-Steering for Adaptive Beamforming

तकनीकी सारांश: एडेप्टिव बीमफॉर्मिंग के लिए प्री-स्टीयरिंग के साथ डीप लर्निंग-आधारित स्पार्स एरे डिज़ाइन

समस्या का निरूपण (Problem Formulation)
स्पार्स एरे (Sparse arrays) का उपयोग रडार, सोनार और वायरलेस संचार में उच्च स्थानिक रिज़ॉल्यूशन और हार्डवेयर जटिलता को कम करने के लिए व्यापक रूप से किया जाता है। इस कार्य में संबोधित मुख्य चुनौती अनुकूल स्पार्स एरे कॉन्फ़िगरेशन (उपलब्ध $N$ तत्वों में से $M$ सक्रिय एंटेना का चयन करना) को डिजाइन करना है, ताकि गतिशील वातावरण में सिग्नल-टू-इंटरफेरेंस-प्लस-नॉइज़ रेशियो (SINR) को अधिकतम किया जा सके। जबकि पारंपरिक अनुकूलन-आधारित विधियाँ, जैसे कि पुनरावृत्ति एल्गोरिदम (iterative algorithms) और सेमीडेफिनेट रिलैक्सेशन (SDR), अधिकतम SINR प्राप्त कर सकती हैं, वे गणनात्मक रूप से गहन (computationally intensive) हैं और तेजी से बदलते प्रसार (propagation) की स्थितियों में वास्तविक समय के अनुकूलन के लिए उपयुक्त नहीं हैं।

मौजूदा डीप लर्निंग (DL) दृष्टिकोणों ने डेटा से सीधे इन कॉन्फ़िगरेशनों को सीखने का प्रयास किया है। हालाँकि, पिछले तरीकों के लिए आमतौर पर ऐसे प्रशिक्षण डेटासेट्स की आवश्यकता होती है जो सभी संभावित वांछित स्रोत कोणों (source angles) को कवर करते हों। इसके लिए विशाल डेटासेट्स और महत्वपूर्ण कंप्यूटिंग संसाधनों की आवश्यकता होती है, जो स्केलेबिलिटी और बिना पुन: प्रशिक्षण (retraining) के किसी भी दिशा में सामान्यीकरण (generalization) करने की क्षमता को सीमित करता है। इसके अलावा, व्यावहारिक कार्यान्वयन में डायरेक्शन ऑफ एराइवल (DOA) अनुमान त्रुटियों से संबंधित चुनौतियाँ आती हैं, जो बीमफॉर्मिंग प्रदर्शन को कम कर सकती हैं यदि सिस्टम को कोणीय बेमेल (angular mismatches) के प्रति मजबूत (robust) नहीं बनाया गया हो।

कार्यप्रणाली (Methodology)
प्रस्तावित समाधान एक डीप लर्निंग फ्रेमवर्क पेश करता है जो तीव्र, सुदृढ़ स्पार्स एरे कॉन्फ़िगरेशन को सक्षम करने के लिए कन्वेन्शनल न्यूरल नेटवर्क (CNNs) के साथ एक प्री-स्टीयरिंग रणनीति (pre-steering strategy) को एकीकृत करता है।

1. प्री-स्टीयरिंग ट्रांसफॉर्मेशन (Pre-Steering Transformation):
   हर संभव स्रोत कोण के लिए नेटवर्क को प्रशिक्षित करने के बजाय, लेखक केवल ब्रॉडसाइड दिशा ($90^\circ$) पर एक एकल नेटवर्क को प्रशिक्षित करने का प्रस्ताव देते हैं। $\theta_s$ कोण पर वांछित स्रोत वाले किसी भी यादृच्छिक परीक्षण परिदृश्य के लिए, प्राप्त स्थानिक सहप्रसरण मैट्रिक्स (spatial covariance matrix) $R_x$ को एक विकर्ण चरण-शिफ्टिंग मैट्रिक्स (diagonal phase-shifting matrix) $D(\theta_s)$ का उपयोग करके प्री-स्टीयर किया जाता है। यह रूपांतरण वांछित सिग्नल को नेटवर्क में फीड करने से पहले ब्रॉडसाइड ($90^\circ$) पर संरेखित करता है:
   $$R_{pre} = D(\theta_s) R_x D^H(\theta_s)$$
   यह नेटवर्क को, जो केवल ब्रॉडसाइड परिदृश्यों पर प्रशिक्षित है, किसी भी यादृच्छिक स्रोत दिशा के लिए इष्टतम स्पार्स कॉन्फ़िगरेशन का अनुमान लगाने की अनुमति देता है, क्योंकि यह समस्या को प्रभावी रूप से एक समतुल्य ब्रॉडसाइड परिदृश्य में बदल देता है।

2. त्रुटि-संवर्धित प्रशिक्षण (Robust Error-Augmented Training):
   यह पहचानते हुए कि व्यावहारिक प्री-स्टीयरिंग अंशांकन त्रुटियों (calibration errors) या DOA अनुमान की अशुद्धियों से ग्रस्त हो सकती है, लेखकों ने प्रशिक्षण के दौरान संरचित विक्षोभ (structured perturbations) को शामिल किया है। यह मानते हुए कि प्री-स्टीयरिंग सटीक नहीं होगी, प्रशिक्षण प्रक्रिया में छोटे, नियंत्रित प्री-स्टीयरिंग त्रुटियों (जैसे, $\pm 0.1^\circ, \pm 0.2^\circ$) वाले नमूने शामिल किए गए हैं। यह "त्रुटि-संवर्धित" (error-augmented) प्रशिक्षण नेटवर्क को ऐसे इष्टतम कॉन्फ़िगरेशन सीखने के लिए मजबूर करता है जो तब भी वैध रहते हैं जब वास्तविक स्रोत दिशा अनुमानित लुक दिशा से थोड़ा विचलित हो जाती है।

3. नेटवर्क आर्किटेक्चर और सेक्टरज़ेशन (Network Architecture and Sectorization):
   CNN, $N \times N$ सहसंबंध मैट्रिक्स (correlation matrix) के वास्तविक, काल्पनिक और चरण घटकों को इनपुट ($3 \times N \times N$) के रूप में लेता है। संभावित एरे कॉन्फ़िगरेशन के कॉम्बिनेटरियल विस्फोट (combinatorial explosion) को प्रबंधित करने के लिए (जैसे, $N=12, M=6$ के लिए 924 संयोजन), दृश्य क्षेत्र (field of view) को कोणीय क्षेत्रों (angular sectors) में विभाजित किया गया है। प्रत्येक क्षेत्र को उस सीमा के भीतर सबसे अधिक बार होने वाले इष्टतम कॉन्फ़िगरेशन को सौंपा जाता है, जिससे वर्गीकरण कार्य को एक प्रबंधनीय संख्या में आउटपुट क्लास तक सीमित कर दिया जाता है।

प्रमुख परिणाम (Key Results)
6 RF चेन के साथ 12-एलिमेंट यूनिफॉर्म लीनियर एरे (ULA) का उपयोग करके सिमुलेशन परिणाम प्रस्तावित दृष्टिकोण की प्रभावकारिता को प्रदर्शित करते हैं:

• पुन: प्रशिक्षण के बिना सामान्यीकरण (Generalization without Retraining): प्री-स्टीयरिंग रणनीति सफलतापूर्वक एक नेटवर्क को, जो केवल ब्रॉडसाइड पर प्रशिक्षित है, व्यापक स्रोत और हस्तक्षेप कोणों के विस्तृत रेंज में किसी भी यादृच्छिक स्रोत कोणों तक सामान्यीकरण करने की अनुमति देती है। आदर्श प्री-स्टीयरिंग स्थितियों के तहत, यह विधि स्रोत और हस्तक्षेप कोणों की विस्तृत श्रेणियों में 90% से अधिक परीक्षण सटीकता प्राप्त करती है।
• त्रुटियों के प्रति सुदृढ़ता (Robustness to Errors): प्रारंभिक प्रयोगों ने दिखाया कि अप्रशिक्षित नेटवर्क, प्री-स्टीयरिंग त्रुटियों के संपर्क में आने पर सटीकता में महत्वपूर्ण गिरावट (लगभग 25% तक) का शिकार होते हैं। विशिष्ट, छोटे विक्षोभों वाले नमूनों के साथ संरचित त्रुटि संवर्धन (error augmentation) लागू करके, नेटवर्क की सुदृढ़ता नाटकीय रूप से सुधर गई।
• बड़ी त्रुटियों के साथ प्रदर्शन (Performance with Large Errors): सबसे सुदृढ़ कॉन्फ़िगरेशन, जिसने एक विस्तारित डेटासेट (16,000 नमूने) का उपयोग किया था जिसमें छोटे, व्यवस्थित प्रशिक्षण त्रुटियां ($\pm 0.2^\circ$) थीं, बड़े, यादृच्छिक प्री-स्टीयरिंग त्रुटियों ($\pm 1^\circ$) के विरुद्ध परीक्षण किए जाने पर भी 90.66% की परीक्षण सटीकता बनाए रखने में सफल रहा।
• सेक्टरज़ेशन ट्रेड-ऑफ (Sectorization Trade-offs): हालांकि सेक्टर-आधारित लेबलिंग ने मॉडल की जटिलता को कम किया, शोध पत्र नोट करता है कि यदि सेक्टर की सीमाएं बहुत चौड़ी हैं या यदि सेक्टर के भीतर इष्टतम कॉन्फ़िगरेशन काफी भिन्न होता है, तो यह दृष्टिकोण SINR प्रदर्शन को कम कर सकता है। हालांकि, प्री-स्टीयरिंग दृष्टिकोण ने उन बहु-कोण प्रशिक्षण डेटासेट्स की आवश्यकता को कम किया जो उच्च सटीकता बनाए रखने के लिए अन्यथा आवश्यक होते।

महत्व और योगदान (Significance and Contributions)
यह शोध पत्र एडेप्टिव बीमफॉर्मिंग के क्षेत्र में तीन प्राथमिक योगदान का दावा करता है:

1. स्केलेबल प्री-स्टीयरिंग फ्रेमवर्क: एक DL-आधारित प्री-स्टीयरिंग फ्रेमवर्क का परिचय जो एक एकल न्यूरल नेटवर्क को, जिसे केवल ब्रॉडसाइड पर प्रशिक्षित किया गया है, किसी भी वांछित दिशा के लिए सामान्यीकरण करने में सक्षम बनाता है। यह उन तरीकों की तुलना में प्रशिक्षण जटिलता, डेटा भंडारण आवश्यकताओं और सामान्यीकरण के बोझ को काफी कम करता है जिनके लिए व्यापक कोण कवरेज की आवश्यकता होती है।
2. अनिश्चितता के तहत सुदृढ़ता: इस जांच और प्रदर्शन कि प्रस्तावित विधि कोणीय अनिश्चितता के तहत उच्च सटीकता बनाए रखती है। प्रशिक्षण के दौरान व्यवस्थित रूप से संरचित प्री-स्टीयरिंग विक्षोभों को शामिल करके, नेटवर्क DOA अनुमान त्रुटियों को सहन करना सीखता है, जिससे गतिशील वातावरण में विश्वसनीय प्रदर्शन सुनिश्चित होता है।
3. वास्तविक समय अनुकूलन (Real-Time Adaptation): एक वांछित स्रोत और एक हस्तक्षेप सिग्नल के लिए आउटपुट SINR को अधिकतम करने के लिए सक्रिय एंटेना को कुशलतापूर्वक चुनने की क्षमता। प्री-स्टीयरिंग दक्षता और न्यूरल नेटवर्क इन्फरेंस क्षमता का संयोजन वास्तविक समय के स्पार्स एरे अनुकूलन के लिए एक व्यावहारिक मार्ग प्रदान करता है, जो पारंपरिक पुनरावृत्ति अनुकूलन विधियों की कंप्यूटेशनल विलंबता (latency) को पार करता है।

लेखक निष्कर्ष निकालते हैं कि हालांकि सेक्टर-आधारित दृष्टिकोण में कुछ कोणीय क्षेत्रों में SINR गिरावट के संबंध में सीमाएं हैं, प्री-स्टीयरिंग को एरर-अवेयर ट्रेनिंग के साथ एकीकृत करना अनिश्चित प्रसार वातावरण में वास्तविक समय के स्पार्स एरे कॉन्फ़िगरेशन के लिए एक सुदृढ़ और कुशल समाधान प्रदान करता है।