⚡ electrical engineering

Asymptotically Optimal Local Receiver in Uplink CF-mMIMO: A Functional-Variational Analysis

यह शोध पत्र अपलिंक सेल-फ्री मैसिव MIMO सिस्टम के लिए एक एसिम्प्टोटिकली ऑप्टिमल क्वासी-LMMSE (Q-LMMSE) रिसीवर का प्रस्ताव करता है जो सांख्यिकीय LSFD गुणांकों की आवश्यकता को समाप्त करते हुए और एक फंक्शनल-वेरिएशनल विश्लेषण के माध्यम से CPU-साइड कम्प्यूटेशनल जटिलता को कम करते हुए पारंपरिक LMMSE-LSFD बेंचमार्क की तुलना में उच्च एर्गोडिक दर प्राप्त करता है।

मूल लेखक: Jiafei Fu, Peng Jiang, Dongming Wang, Pengcheng Zhu

प्रकाशित 2026-07-07

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Jiafei Fu, Peng Jiang, Dongming Wang, Pengcheng Zhu

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

एक विशाल वायरलेस नेटवर्क की कल्पना करें जो एक हलचल भरे शहर की तरह है जहाँ सैकड़ों छोटे रेडियो टावर (जिन्हें एक्सेस पॉइंट्स या APs कहा जाता है) एक ही समय में कई अलग-अलग लोगों (जिन्हें यूज़र्स कहा जाता है) की बातचीत सुनने की कोशिश कर रहे हैं। लक्ष्य यह है कि बैकग्राउंड शोर या अन्य लोगों की बातचीत के बीच हर आवाज़ को स्पष्ट रूप से सुना जा सके।

इस शहर में, एक केंद्रीय "मेयर का कार्यालय" (सेंट्रल प्रोसेसिंग यूनिट या CPU) है जिसे सभी खंडित बातचीत को जोड़कर पूरी कहानी समझने की आवश्यकता होती है।

पुराना तरीका: "उपयोग करो और फिर भूल जाओ" की रणनीति

पारंपरिक रूप से, शहर एक विधि का उपयोग करता था जिसे LMMSE-LSFD कहा जाता था। यह इस प्रकार काम करता था:

स्थानीय श्रवण (Local Listening): प्रत्येक रेडियो टावर अपने आस-पास के लोगों को सुनता था और एक मानक, पूर्व-निर्धारित फ़िल्टर का उपयोग करके सिग्नल को साफ करने की कोशिश करता था।
मेयर की गणित (The Mayor's Math): टावर अपने "साफ किए गए" अंशों को मेयर के कार्यालय को भेजते थे।
भारी काम (The Heavy Lifting): मेयर के कार्यालय को एक बहुत बड़ी मात्रा में जटिल गणित करना पड़ता था जो दीर्घकालिक औसत (जैसे यह जानना कि अप्रैल में आमतौर पर बारिश होती है, लेकिन यह नहीं जानना कि अभी बारिश हो रही है या नहीं) पर आधारित था। उसने विशेष "वेटिंग कोएफिशिएंट्स" (भार गुणांक) की गणना की ताकि यह तय किया जा सके कि अंशों को कैसे मिलाया जाए।
समस्या: यह प्रक्रिया धीमी थी, इसमें टावरों और कार्यालय के बीच बहुत अधिक डेटा ट्रैफ़िक की आवश्यकता थी, और "औसत" गणित का अर्थ था कि मेयर अक्सर वर्तमान क्षण की बारीकियों को चूक जाता था। यह पिछले महीने के पूर्वानुमान के आधार पर मौसम का अनुमान लगाकर रेडियो ट्यून करने जैसा था।

नई खोज: "स्मार्ट स्केलर" दृष्टिकोण

इस शोध के लेखकों ने पूछा: "क्या हम सुनने का एक बेहतर तरीका डिज़ाइन कर सकते हैं जो मेयर की भारी गणित और दीर्घकालिक औसत पर निर्भर न हो?"

उन्होंने एक नया रिसीवर विकसित किया जिसे Q-LMMSE कहा जाता है। यह कैसे काम करता है, इसका सरल उदाहरण यहाँ दिया गया है:

"दिशा बनाम वॉल्यूम" का उदाहरण
कल्पना करें कि प्रत्येक रेडियो टावर एक ऑर्केस्ट्रा का एक संगीतकार है।

पुराना तरीका: प्रत्येक संगीतकार सही नोट (सही दिशा) बजा रहा था, लेकिन कंडक्टर (मेयर) को सामने खड़ा होना पड़ता था, पूरे ऑर्केस्ट्रा को सुनना पड़ता था, और पिछले प्रदर्शनों के स्प्रेडशीट के आधार पर प्रत्येक संगीतकार के लिए विशिष्ट वॉल्यूम समायोजन चिल्लाकर बताने पड़ते थे। इसमें समय और ऊर्जा लगती थी।
नया तरीका (Q-LMMSE): लेखकों ने पाया कि प्रत्येक संगीतकार को वास्तव में पहले की तरह ही ठीक वही नोट (वही दिशा) बजाने की आवश्यकता है। अंतर केवल इतना है कि अब प्रत्येक संगीतकार के पास एक छोटा, तात्कालिक "वॉल्यूम नॉब" है जिसे वे अभी जो सुन रहे हैं उसके आधार पर स्वयं समायोजित कर सकते हैं।

यह एक बड़ी बात क्यों है?

चिल्लाना बंद: मेयर के कार्यालय को अब जटिल वेट्स (weights) की गणना करने की आवश्यकता नहीं है। टावर बस अपने सिग्नल भेज देते हैं, और मेयर बस उन सभी को जोड़ देता है। प्रत्येक टावर पर लगा "वॉल्यूम नॉब" स्वचालित रूप से वेटिंग (भार देने) का काम संभाल लेता है।
तत्काल प्रतिक्रिया: क्योंकि प्रत्येक टावर दीर्घकालिक औसत (long-term average) के बजाय उस तत्काल ध्वनि के आधार पर अपने वॉल्यूम को समायोजित करता है जो वह सुन रहा है, यह बातचीत को बहुत अधिक स्पष्टता से कैप्चर करता है, खासकर जब सिग्नल कठिन हो।
समान प्रयास, बेहतर ध्वनि: आश्चर्यजनक रूप से, टावरों को अधिक मेहनत नहीं करनी पड़ती है। वे पहले की तरह ही समान कंप्यूटिंग पावर का उपयोग करते हैं; वे बस एक छोटा सा, तात्कालिक समायोजन जोड़ते हैं।

परिणाम: एक स्पष्ट बातचीत

शोध पत्र ने विभिन्न परिदृश्यों (बदलते हुए टावरों की संख्या, उपयोगकर्ताओं की संख्या और सिग्नलों की शक्ति) में इस नई विधि का परीक्षण किया।

फैसला: नया Q-LMMSE तरीका पुराने तरीके की तुलना में लगातार बातचीत को बेहतर ढंग से सुन पाया।
लाभ: कम एंटेना वाले परिदृश्यों में (जैसे एक छोटा शहर), इसने बातचीत की स्पष्टता में लगभग 5% का सुधार किया।
दक्षता: इसने बेहतर प्रदर्शन हासिल किया जबकि वास्तव में केंद्रीय कार्यालय के कार्यभार और टावरों तथा कार्यालय के बीच डेटा ट्रैफ़िक को कम किया।

सारांश

यह शोध पत्र सिद्ध करता है कि आपको एक विशाल वायरलेस नेटवर्क को प्रबंधित करने के लिए अत्यधिक जटिल केंद्रीय मस्तिष्क की आवश्यकता नहीं है। प्रत्येक स्थानीय टावर को अपने स्वयं के सिग्नल में एक छोटा, तात्कालिक समायोजन (एक "स्केलर") करने की अनुमति देकर, पूरा सिस्टम स्मार्ट, तेज़ और स्पष्ट हो जाता है, बिना केंद्रीय कार्यालय द्वारा भारी काम करने की आवश्यकता के। यह एक ऑर्केस्ट्रा के प्रत्येक संगीतकार को एक स्मार्ट मेट्रोनोम देने जैसा है जो दूर से सबको प्रबंधित करने के बजाय कमरे की ध्वनिकी (acoustics) के अनुसार वास्तविक समय में खुद को समायोजित करता है।

तकनीकी सारांश: अपलिंक CF-mMIMO में एसिम्प्टोटिक रूप से इष्टतम स्थानीय रिसीवर

समस्या विवरण
सेल-फ्री मैसिव मल्टीपल-इनपुट मल्टीपल-आउटपुट (CF-mMIMO) प्रणालियों में, अपलिंक स्थानीय रिसीवर डिज़ाइन के लिए मानक दृष्टिकोण "यूज़-एंड-देन-फ़ॉरगेट" (UatF) बाउंडिंग तकनीक पर निर्भर करता है। यह ढांचा आमतौर पर प्रत्येक एक्सेस पॉइंट (AP) पर एक स्थानीय मिनिमम मीन स्क्वायर एरर (LMMSE) रिसीवर और उसके बाद सेंट्रल प्रोसेसिंग यूनिट (CPU) पर लार्ज-स्केल फेडिंग डिकोडिंग (LSFD) का उपयोग करता है। हालांकि यह विश्लेषणात्मक रूप से सुलभ है, लेखक इस प्रतिमान (paradigm) में तीन मौलिक सीमाओं की पहचान करते हैं:

प्रदर्शन अंतराल (Performance Gap): UatF निचला स्तर (lower bound) वास्तविक एर्गोडिक रेट के लिए एक रूढ़वादी सरोगेट है। बाउंड और वास्तविक दर के बीच का अंतर महत्वपूर्ण हो सकता है, विशेष रूप से इंटरफेरेंस-लिमिटेड रिजीम में या जब चैनल हार्डनिंग पूरी तरह से साकार नहीं होती है।
ओवरहेड और जटिलता: LSFD चरण के लिए CPU को स्थानीय अनुमान एकत्र करने और दीर्घकालिक चैनल सांख्यिकी के आधार पर इष्टतम कॉम्बाइनिंग गुणांकों की गणना करने की आवश्यकता होती है। यह अतिरिक्त फ्रंटहॉल ओवरहेड और CPU पर कम्प्यूटेशनल बोझ उत्पन्न करता है।
कठोर अनुकूलता प्रमाण का अभाव (Lack of Rigorous Optimality Proof): जबकि LMMSE-LSFD संरचना व्यापक रूप से अपनाई जाती है, शोध पत्र नोट करता है कि विशेष रूप से UatF उद्देश्य के तहत इसकी अनुकूलता को स्थापित करने वाला कोई कठोर प्रमाण पूर्व साहित्य में औपचारिक रूप से रिपोर्ट नहीं किया गया है।

मुख्य समस्या यह है कि क्या स्थानीय रिसीवरों को (UatF सरोगेट के बजाय) वास्तविक एर्गोडिक-रेट उद्देश्य से सीधे डिजाइन किया जा सकता है ताकि LSFD से जुड़ी कम्प्यूटेशनल और सिग्नलिंग लागतों से बचते हुए प्रदर्शन में सुधार किया जा सके।

कार्यप्रणाली (Methodology)
यह शोध पत्र प्रत्येक AP पर पूर्ण स्थानीय चैनल स्टेट इंफॉर्मेशन (CSI) की धारणा के तहत स्थानीय रिसीवर डिजाइन के लिए एक प्रत्यक्ष अनुकूलन ढांचे का प्रस्ताव करता है। कार्यप्रणाली इस प्रकार है:

समस्या का सूत्रीकरण: लेखक प्रत्येक AP पर पूर्ण स्थानीय CSI की धारणा के तहत एर्गोडिक रेट $E[\log_2(1 + \text{SINR}_{\text{INS}})]$ को अधिकतम करने के उद्देश्य से रिसीवर डिजाइन को एक फंक्शनल ऑप्टिमाइज़ेशन समस्या के रूप में तैयार करते हैं। यह एक चुनौतीपूर्ण फ्रैक्शनल प्रोग्रामिंग समस्या है जिसमें अनंत-आयामी फंक्शन स्पेस पर एक लॉग का एक्सपेक्टेशन शामिल है।
लार्ज-सिस्टम सन्निकटन (Large-System Approximation): समस्या को सुलभ बनाने के लिए, लेखक लार्ज-सिस्टम रैंडम मैट्रिक्स थ्योरी का लाभ उठाते हैं। वे इंस्टेंटेनियस सिग्नल-टू-इंटरफेरेंस-प्लस-नॉइज़ रेशियो (SINR) के पॉइंटवाइज नॉर्मलाइजेशन को बदलने के लिए एक एक्सपेक्टेशन-आधारित सरोगेट बाधा पेश करते हैं। लार्ज-सिस्टम सीमा (जहाँ कुल एंटीना $NM$ बड़ा है) में, SINR डिनोमिनेटर में रैंडम मात्राएं अपने एक्सपेक्टेशन के आसपास केंद्रित होती हैं, जिससे पॉइंटवाइज बाधा को एक्सपेक्टेशन-आधारित बाधा में शिथिल (relax) किया जा सकता है।
फंक्शनल-वैरिएशनल विश्लेषण: फंक्शनल डेरिवेटिव्स का उपयोग करते हुए, लेखक शिथिल की गई समस्या के लिए प्रथम-क्रम की स्टेशनैरिटी स्थितियों (first-order stationarity conditions) को प्राप्त करते हैं। इसमें एक लैग्रेंज ड्यूल फंक्शनल का निर्माण और विचलन (perturbations) का विश्लेषण शामिल है।
क्रॉस-AP टर्म्स का डिकपलिंग: क्रॉस-AP कपलिंग टर्म्स (अन्य APs से हस्तक्षेप) का विश्लेषण करना एक महत्वपूर्ण चरण है। रैंडम मैट्रिक्स थ्योरी का उपयोग करते हुए, लेखक सिद्ध करते हैं कि लार्ज-सिस्टम सीमा में, इन कपलिंग टर्म्स का कंडीशनल एक्सपेक्टेशन शून्य हो जाता है। यह APs के बीच स्थानीय रिसीवर डिजाइन को डिकपल करता है।
Q-LMMSE का व्युत्पत्ति: विश्लेषण से एक "क्वासी-LMMSE" (Q-LMMSE) रिसीवर प्राप्त होता है। लेखक प्रदर्शित करते हैं कि इस रिसीवर में पारंपरिक LMMSE रिसीवर के समान ही डायरेक्शनल वेक्टर होता है, लेकिन यह केवल एक इंस्टेंटेनियस, CSI-डिपेंडेंट स्केलर फैक्टर द्वारा भिन्न होता है।

प्रमुख योगदान
शोध पत्र निम्नलिखित विशिष्ट योगदान देता है:

फंक्शनल-वैरिएशनल फ्रेमवर्क: लेखक CF-mMIMO में प्रत्यक्ष एर्गोडिक-रेट-ओरिएंटेड रिसीवर डिजाइन के लिए एक नया ढांचा विकसित करते हैं, जो UatF सरोगेट से आगे बढ़ता है।
एसिम्प्टोटिक रूप से इष्टतम रिसीवर: वे क्लोज्ड फॉर्म में Q-LMMSE रिसीवर प्राप्त करते हैं, जिसे लार्ज-सिस्टम रिजीम में एर्गोडिक रेट उद्देश्य के तहत एसिम्प्टोटिक रूप से इष्टतम दिखाया गया है।
औपचारिक अनुकूलता प्रमाण: शोध पत्र एक कठोर वैरिएशनल विश्लेषण प्रदान करता है जो यह सिद्ध करता है कि जब UatF बाउंड को प्रदर्शन मेट्रिक के रूप में अपनाया जाता है, तो स्थानीय MMSE कॉम्बाइनिंग के बाद LSFD वास्तव में इष्टतम संरचना है।
जटिलता में कमी: मैट्रिक्स इन्वर्जन लेम्मा (विशेष रूप से शेरमन-मोरिसन फॉर्मूला) का लाभ उठाकर, लेखक दिखाते हैं कि Q-LMMSE रिसीवर में मानक LMMSE रिसीवर के समान ही प्रति-AP कम्प्यूटेशनल जटिलता होती है। महत्वपूर्ण रूप से, यह CPU-साइड LSFD गुणांक गणना और सांख्यिकीय मापदंडों के लिए आवश्यक फ्रंटहॉल सिग्नलिंग की आवश्यकता को समाप्त करता है।
प्रदर्शन लाभ: Q-LMMSE रिसीवर CPU पर इक्वल-गेन कॉम्बाइनिंग (डायरेक्ट समेशन) का उपयोग करता है। इंस्टेंटेनियस स्केलर गुणांक विभिन्न APs में भिन्न होते हैं, जो स्टेटिक स्टैटिस्टिकल वेटिंग वाले LSFD की तुलना में इंस्टेंटेनियस स्पेशियल डिग्री ऑफ फ्रीडम का बेहतर उपयोग करने के लिए एडेप्टिव वेटिंग प्रदान करते हैं।

संख्यात्मक परिणाम (Numerical Results)
लेखक अपने सैद्धांतिक निष्कर्षों को पारंपरिक LMMSE-LSFD बेंचमार्क और सेंट्रलाइज्ड MMSE (C-MMSE) अपर बाउंड के विरुद्ध संख्यात्मक सिमुलेशन के माध्यम से सत्यापित करते हैं। मुख्य निष्कर्ष इस प्रकार हैं:

एर्गोडिक रेट गेन: Q-LMMSE रिसीवर, वास्तविक एर्गोडिक रेट के मामले में LMMSE-LSFD बेंचमार्क से लगातार बेहतर प्रदर्शन करता है। जब प्रति AP एंटीना की संख्या कम होती है (जैसे, $N=8$ ), जहाँ चैनल हार्डनिंग कम स्पष्ट होती है, तो लाभ लगभग 5% होता है।
अभिसरण (Convergence): जैसे-जैसे प्रति AP एंटीना की संख्या ( $N$ ) बढ़ती है, Q-LMMSE और LMMSE-LSFD के बीच का प्रदर्शन अंतराल कम होता जाता है, जो चैनल हार्डनिंग घटना के अनुरूप है जो UatF बाउंड को अधिक सटीक बनाता है।
स्केलेबिलिटी: प्रस्तावित रिसीवर APs ( $M$ ) और यूजर्स ( $K$ ) की परिवर्तनशील संख्या के बावजूद बेहतर प्रदर्शन बनाए रखता है, जबकि CPU-साइड LSFD प्रोसेसिंग को हटाकर सख्त निम्न-स्तरीय सिस्टम जटिलता के साथ काम करता है।

महत्व और दावे
शोध पत्र का दावा है कि प्रस्तावित Q-LMMSE रिसीवर प्रदर्शन और जटिलता के बीच एक आकर्षक समझौता (trade-off) प्रदान करता है। एर्गोडिक रेट उद्देश्य से सीधे रिसीवर को व्युत्पन्न करके, यह LSFD के अतिरिक्त कम्प्यूटेशनल ओवरहेड के बिना मानक UatF-आधारित दृष्टिकोण की तुलना में उच्च वास्तविक डेटा दर प्राप्त करता है। लेखक इस बात पर जोर देते हैं कि सुधार अधिक जटिल स्थानीय प्रसंस्करण एल्गोरिदम (जो $O(N^3)$ ही रहता है) से नहीं, बल्कि CPU पर अधिक कुशल फ्यूजन रणनीति से आता है जो दीर्घकालिक सांख्यिकी पर निर्भर रहने के बजाय इंस्टेंटेनियस चैनल स्थितियों के अनुकूल होता है।

यह कार्य बियॉन्ड-5G और 6G सिस्टम के लिए वितरित रिसीवर डिजाइन में एक सैद्धांतिक प्रगति के रूप में प्रस्तुत किया गया है, जो प्रमुख UatF फ्रेमवर्क के लिए एक कठोर विकल्प प्रदान करता है। लेखक नोट करते हैं कि भविष्य का कार्य अपूर्ण CSI परिदृश्यों में इस विश्लेषण को विस्तारित करेगा और हार्डवेयर दोषों के तहत मजबूती की जांच करेगा।

पुराना तरीका: "उपयोग करो और फिर भूल जाओ" की रणनीति

नई खोज: "स्मार्ट स्केलर" दृष्टिकोण

परिणाम: एक स्पष्ट बातचीत

सारांश

इसी तरह के और पेपर