⚡ electrical engineering

Site-Specific Beam Learning for Full-Duplex Massive MIMO Wireless Systems

Dit artikel presenteert een nieuw beam-learning framework voor full-duplex massive MIMO-systemen dat, door gebruik te maken van deep learning in plaats van expliciete zelfinterferentie-kanalen schatting, de benodigde metingen met 75-97% reduceert terwijl het toch hoge SNR-waarden en lage zelfinterferentie garandeert.

Oorspronkelijke auteurs: Samuel Li, Ian P. Roberts

Gepubliceerd 2026-04-23

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Samuel Li, Ian P. Roberts

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat een basisstation (zoals een grote telefoonmast) een twee-richtingsgesprek voert. Normaal gesproken praten mensen om de beurt: eerst jij, dan ik. Maar in de toekomstige 6G-netwerken willen we dat de mast tegelijkertijd kan praten én luisteren op precies hetzelfde moment. Dit heet "full-duplex".

Het probleem? Als je tegelijk praat en luistert, is je eigen stem zo luid dat je het gefluister van de ander niet meer hoort. In de techniek noemen we dit zelfinterferentie. Je eigen uitgestuurde signaal "overstemt" het ontvangen signaal.

Het oude probleem: De "Grote Lijst"

Om dit op te lossen, proberen ingenieurs de mast zo te richten dat het uitgestuurde geluid (de praat-straal) en het opgevangen geluid (de luister-straal) elkaar niet kruisen.

In het verleden moesten ze eerst elk detail van de omgeving meten. Stel je voor dat de mast 16 antennes heeft. Om de "ruis" van eigen stem precies te begrijpen, moesten ze 16 x 16 = 256 metingen doen.

Het nadeel: Dit duurt te lang. Net als wanneer je een gesprek probeert te voeren, maar eerst 256 keer moet wachten om te meten hoe hard je eigen stem echoot. Tegen die tijd is het gesprek al voorbij. Vooral als de omgeving beweegt (zoals auto's of mensen die voorbijlopen), is deze methode te traag en te duur.

De nieuwe oplossing: "Slimme Gokken" met AI

De onderzoekers van UCLA (Samuel Li en Ian Roberts) hebben een slimme nieuwe manier bedacht. In plaats van alles te meten, gebruiken ze kunstmatige intelligentie (AI) en een beetje "site-specifieke" kennis.

Hier is hoe het werkt, vertaald naar een alledaags verhaal:

1. De "Proefballonnen" (Codebooks)

Stel je voor dat de mast een verzameling heeft van proefballonnen (dit zijn vooraf ingestelde richtingen). In plaats van 256 keer te meten, kiest de mast slechts een paar ballonnen (bijvoorbeeld 8 tot 64) om de omgeving te "voelen".

De analogie: Stel je voor dat je in een donkere kamer staat en je wilt weten waar de muren zijn. In plaats van elke centimeter af te tasten (256 metingen), gooi je een paar ballen in verschillende hoeken. Als je hoort waar ze tegenaan knallen, kun je een goed beeld vormen van de kamer zonder alles te zien.

2. De "Slimme Chef-kok" (Deep Learning)

Deze paar metingen (de geluiden van de ballonnen) worden niet door een mens geanalyseerd, maar door een AI-neuraal netwerk.

Deze AI is getraind in een specifieke stad (in dit geval rond de UCLA-campus). Het kent de "geest" van die plek. Het weet: "Als de bal linksboven knalt, betekent dat dat de muur daar schuin staat."
De AI combineert deze paar metingen met de informatie over waar de gebruikers zitten. Op basis daarvan berekent de AI direct de perfecte instelling voor de mast: "Richt de praat-straal hierheen en de luister-straal daarheen, zodat je eigen stem de ander niet hoort."

3. Het Resultaat: Een stil gesprek

Het mooie is: de AI hoeft niet te weten exact hoe de muur eruitziet (de volledige kaart). Het hoeft alleen maar te weten welke richting de beste is.

Het resultaat: De mast kan zijn eigen stem zo hard dempen dat deze bijna verdwijnt (onder het ruisniveau), terwijl hij tegelijkertijd het gesprek van de ander helder hoort.
De winst: Ze hebben 75% tot 97% minder metingen nodig dan de oude methode. In plaats van 256 metingen, doen ze er 8 tot 64 over. Dat is als het verschil tussen een uur wachten en een paar seconden.

Waarom is dit belangrijk?

Vroeger was "tegelijk praten en luisteren" op dezelfde frequentie bijna onmogelijk voor grote netwerken, omdat het te veel tijd en energie kostte om de storing te meten.
Met deze nieuwe methode wordt het mogelijk om:

Snellere internetverbindingen te hebben (want je gebruikt de tijd niet voor metingen, maar voor data).
Minder vertraging (latency) te hebben, wat cruciaal is voor dingen zoals zelfrijdende auto's of virtuele realiteit.
Slimmer om te gaan met de omgeving, zelfs als er veel mensen en auto's bewegen.

Kort samengevat:
De onderzoekers hebben een manier bedacht om een telefoonmast "slimmer" te maken. In plaats van blindelings alles te meten (wat te lang duurt), laat ze de mast een paar slimme proefmetingen doen en gebruikt een getrainde AI om direct de perfecte instelling te bedenken. Zo kan de mast tegelijk praten en luisteren zonder dat hij zichzelf verdoofdt, en dat allemaal in een flits.

Titel: Site-Specifiek Beam Learning voor Full-Duplex Massive MIMO Draadloze Systemen

1. Het Probleem

In-band full-duplex (FD) operatie, waarbij een basisstation gelijktijdig verzendt en ontvangt op dezelfde frequentie, heeft het potentieel om de spectrale efficiëntie te verdubbelen en latentie te verminderen. De grootste uitdaging bij de implementatie hiervan in mmWave en Massive MIMO-systemen is de zelfinterferentie (Self-Interference, SI).

Huidige aanpak: Bestaande oplossingen vereisen een expliciete schatting van het zelfinterferentiekanaal ( $H$ ) om de zend- en ontvangstralen (beams) te ontwerpen die deze interferentie onderdrukken.
De beperking: In Massive MIMO-systemen met honderden antennes schaal het zelfinterferentiekanaal kwadratisch ( $N_t \times N_r$ ). Een expliciete schatting vereist daarom een enorme hoeveelheid pilot-onderricht (overhead), wat onpraktisch is, vooral in snel veranderende (fast-fading) omgevingen.
Bestaande alternatieven: Methoden zonder expliciete kanaalschatting (zoals exhaustieve zoekopdrachten) vereisen nog steeds te veel metingen (50-500+ per gebruikerspaar), terwijl andere methoden (zoals LSTM-netwerken) slecht schalen bij meerdere gebruikers.

2. Methodologie

De auteurs stellen een nieuw beam learning framework voor dat de expliciete kanaalschatting omzeilt door gebruik te maken van diep leren en site-specifieke codeboeken.

Kernidee: In plaats van het volledige kanaal $H$ te meten, wordt een paar van probing codeboeken (verzending $F$ en ontvangst $W$ ) ontworpen om impliciete kanaalkennis te verkrijgen via een beperkt aantal metingen ( $M$ ).
Architectuur:
1. Probing: Het basisstation verzendt en ontvangt met een reeks van $M$ straalparen $(f_m, w_m)$ . Dit levert een vector $z$ op met gemeten zelfinterferentie.
2. Deep Learning Synthese: Een diep neurale netwerk (DNN), aangeduid als $D(\cdot)$ $D (\cdot)$ , neemt de volgende inputs:
  - De impliciete metingen van de zelfinterferentie ( $z$ ).
  - Kennis van het downlink- en uplinkkanaal ( $y_{DL}, y_{UL}$ ), verkregen via conventionele beam alignment.
  - Het netwerk synthetiseert direct de optimale zend- en ontvangstralen $(f^*, w^*)$ voor de data-overdracht.
3. End-to-End Training: Het systeem wordt getraind om de codeboeken $F, W$ en het synthesizer-netwerk $D(\cdot)$ gezamenlijk te optimaliseren. Het doel is het maximaliseren van de verwachte som-spectrale efficiëntie.
4. Site-Specific: Het model wordt getraind op de kanaalverdeling van een specifieke locatie (bijv. een campus), waardoor het profiteert van de statische eigenschappen van die omgeving.
Beperkingen: De codeboeken en stralen worden geprojecteerd om te voldoen aan de per-antenne vermogensbeperkingen (amplitude $\leq 1$ ).

3. Belangrijkste Bijdragen

Vermijding van Expliciete Schatting: Het framework elimineert de noodzaak om de volledige $N_t \times N_r$ zelfinterferentiematrix te schatten, wat de pilot-overhead drastisch verlaagt.
Gebruikersonafhankelijkheid: De probing-stralen zijn "gebruikersagnostisch". De verkregen impliciete kennis van de zelfinterferentie kan worden hergebruikt voor verschillende gebruikersparen, wat de overhead verder minimaliseert.
Deep Learning Integratie: Het koppelen van trainbare codeboeken aan een neurale netwerk voor beam-synthese in een end-to-end leerproces.
Efficiëntie: Het systeem vereist slechts 3–25% van het aantal metingen dat nodig zou zijn voor een expliciete schatting (bijvoorbeeld 8-64 metingen in plaats van 256 voor een 16x16 array).

4. Resultaten

De prestaties zijn geëvalueerd via simulaties met ray-tracing software in een realistisch scenario (UCLA campus, 28 GHz, 4x4 UPA arrays).

Vermindering van Overhead: Het systeem bereikt hoge spectrale efficiëntie met slechts 8 tot 64 metingen ( $M$ ), terwijl een expliciete schatting 256 metingen zou vereisen. Dit vertegenwoordigt een reductie van 75–97% in meetkosten.
Zelfinterferentie-onderdrukking:
- De traditionele MRT+MRC-baseline (zonder SI-onderdrukking) resulteert in een hoge INR (Interference-to-Noise Ratio) van ongeveer 15 dB, wat full-duplex onmogelijk maakt.
- Het voorgestelde model verlaagt de INR met bijna 20 dB (met slechts $M=16$ metingen), waardoor de interferentie vaak onder het ruisvloer ligt.
Spectrale Efficiëntie:
- De som-spectrale efficiëntie nadert de theoretische full-duplex capaciteit.
- Het model presteert beter naarmate het Rician-factor ( $\kappa$ ) toeneemt (meer LOS-component), omdat het kanaal deterministischer wordt en makkelijker te infereren is.
- Bij complexe NLOS-omgevingen (Rayleigh fading) blijft het model robuust, hoewel meer metingen nodig zijn naarmate het kanaal rijker wordt.
SINR Verbetering: De uplink SINR (Signal-to-Interference-plus-Noise Ratio) wordt aanzienlijk verbeterd ten opzichte van systemen zonder effectieve SI-onderdrukking.

5. Betekenis en Toekomstperspectief

Dit werk is significant omdat het een praktische weg opent naar de implementatie van full-duplex Massive MIMO in 5G/6G-netwerken, waar de pilot-overhead voor kanaalschatting vaak een blokkade vormt.

Praktische Toepasbaarheid: Door site-specifieke codeboeken te gebruiken, kan een basisstation leren om zijn eigen zelfinterferentie te managen zonder zware real-time berekeningen of uitgebreide feedback.
Schalbaarheid: De methode is schaalbaar naar meerdere gebruikers doordat de dure "probing" fase slechts één keer per coherentie-tijd van het zelfinterferentiekanaal nodig is, ongeacht het aantal gebruikers.
Toekomstig Werk: De auteurs suggereren verdere uitbreiding naar multi-user systemen en experimentele validatie op echte draadloze platformen.

Kortom, het paper presenteert een paradigmaverschuiving van "meten en schatten" naar "leren en synthetiseren" voor het beheer van zelfinterferentie in geavanceerde draadloze systemen.