Near-Field Multiuser Beam Training for XL-MIMO: An End-to-End Interference-Aware Approach with Pilot Limitations

Dit artikel presenteert DL-IABT, een op deep learning gebaseerd framework voor end-to-end interferentiebewuste beamtraining in XL-MIMO-systemen, dat door het direct voorspellen van analoge beamindices vanuit beperkte opwaartse metingen de pilot-overhead aanzienlijk verlaagt en de totale doorvoer maximaliseert.

De kern

Stel je voor dat je een gigantische luidsprekerwand (een "XL-MIMO" systeem) hebt die geluid moet sturen naar acht verschillende mensen in een grote hal. Deze mensen staan op verschillende afstanden: sommigen staan heel dichtbij (de "near-field"), anderen staan ver weg (de "far-field").

Het probleem is dat deze wand zo groot is dat je niet zomaar kunt gissen waar je het geluid naartoe moet sturen. Je moet precies weten hoe ver en in welke hoek elke persoon staat. Als je dat niet weet, wordt het geluid wazig of hoor je het niet.

In de oude methoden moest de luidsprekerwand eerst heel snel in alle richtingen "schreeuwen" (zoeken) om te horen wie er antwoordt. Dit kostte echter enorm veel tijd en energie (de "piloot-overhead"). Als je dit te vaak doet, heb je geen tijd meer om daadwerkelijk muziek te spelen (data te sturen).

Wat doet dit nieuwe onderzoek?

De auteurs van dit paper hebben een slimme oplossing bedacht met behulp van kunstmatige intelligentie (AI). In plaats van blindelings in alle richtingen te zoeken, laten ze de AI "leren" om direct te raden waar de mensen staan, op basis van een heel klein aantal geluidssignalen.

Hier is hoe het werkt, vertaald naar alledaagse termen:

1. De "Grote Wand" in stukjes hakken

De luidsprekerwand is zo groot dat hij niet als één geheel kan werken. Daarom hebben ze hem opgedeeld in kleinere blokken (subarrays).

• De truc: Voor elk klein blokje doen ze alsof de persoon er ver weg staat (als een vlakke golf), zelfs als ze dichtbij staan. Dit is alsof je een grote foto in kleine vierkantjes snijdt; in elk klein vierkantje lijkt het landschap vlak, wat de berekening veel makkelijker maakt.

2. De AI die "luistert" in plaats van "zoekt"

Stel je voor dat je een detective bent.

• De oude methode: Je loopt langs elke deur in het gebouw en roept "Is er iemand?". Dit duurt eeuwen.
• De nieuwe methode (DL-IABT): Je luistert naar een paar zachte geluidjes die de mensen maken. Je AI-detective (een speciaal neuraal netwerk) kijkt naar deze geluidjes en zegt direct: "Ah, persoon A zit links, persoon B zit rechts, en ze storen elkaar!"
• De AI gebruikt een slimme techniek (een Transformer, vergelijkbaar met de technologie achter moderne vertaalapps) om te begrijpen hoe de mensen elkaar "in de weg zitten" (interferentie) en past de richting van de luidsprekers daar direct op aan.

3. Het "Gumbel-Softmax" magische toverstaf

AI's zijn vaak slecht in het kiezen van één specifieke optie uit een lijst (bijvoorbeeld: "Kies nummer 3 van de 32 opties"). Ze houden van zachte, vloeibare keuzes.

• De auteurs gebruiken een wiskundige truc (Gumbel-Softmax) die de AI toestaat om te "gokken" tijdens het leren, maar toch een duidelijk antwoord te geven aan het einde. Het is alsof je een dobbelsteen gooit die eerst zachtjes rolt en dan precies op het juiste getal landt, zodat de computer weet wat hij moet doen.

Waarom is dit zo belangrijk?

• Snelheid: Omdat de AI direct raadt, hoef je niet urenlang te zoeken. Je kunt direct beginnen met het sturen van data.
• Efficiëntie: Zelfs als de mensen dichtbij staan (waar de oude methoden faalden), werkt deze nieuwe AI perfect.
• Resultaat: In de tests bleek dat dit systeem bijna net zo goed werkt als het "perfecte scenario" (waar je alles precies weet), maar dan zonder de enorme tijdskost van het zoeken. Het levert dus veel meer "effectieve snelheid" op.

Kortom:
De auteurs hebben een slimme AI ontwikkeld die voor een gigantische antenne-wand direct de juiste richting kan raden voor meerdere mensen tegelijk, zelfs als ze dichtbij staan. In plaats van blindelings te zoeken, "luistert" de AI naar een paar signalen en schakelt direct de juiste straal in. Dit bespaart enorm veel tijd en zorgt voor een veel snellere en betrouwbaardere verbinding.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het artikel "Near-Field Multiuser Beam Training for XL-MIMO: An End-to-End Interference-Aware Approach with Pilot Limitations", geschreven in het Nederlands.

Technische Samenvatting: DL-IABT voor XL-MIMO

1. Het Probleem
De paper adresseert de uitdagingen van beam training (BT) in Extreem Groot-Schaal MIMO (XL-MIMO) systemen die werken in het nabije veld (near-field).

• Grote Zoekruimte: In het nabije veld moet het kanaal worden gekarakteriseerd in zowel hoek- als afstandsdimensies. Dit vergroot de zoekruimte voor beam training exponentieel in vergelijking met het verre veld.
• Beperkte Pilot-Ressourcen: Traditionele codebook-gebaseerde methoden (zoals hiërarchisch zoeken of exhaustieve scanning) vereisen een onaanvaardbaar groot aantal pilot-signalen, wat leidt tot hoge overhead en lage spectrale efficiëntie, vooral bij multi-user scenario's.
• Sub-Connected Architectuur: In hybride beamforming systemen met een sub-geconnecteerde structuur (waarbij subarrays onafhankelijk worden aangestuurd) groeit het aantal mogelijke beam-combinaties exponentieel met het aantal subarrays.
• Interferentie en Optimalisatie: Bestaande methoden optimaliseren vaak per gebruiker of in gefaseerde stappen (analoog eerst, digitaal later), wat leidt tot suboptimale prestaties omdat de analoge stralen niet expliciet rekening houden met multi-user interferentie (MUI) en de totale systeem-som-rate.

2. Methodologie: DL-IABT
De auteurs stellen een Deep Learning-gebaseerd Interference-Aware Multiuser Beam Training framework (DL-IABT) voor. Dit is een End-to-End (E2E) aanpak die analoge beam-indices direct voorspelt op basis van een klein aantal uplink-sensingsmetingen.

• Subarray-Aproximatie: Om de complexiteit van het nabije veld te reduceren, wordt gebruik gemaakt van een subarray-niveau benadering. Het nabije-veld responsvector wordt benaderd door een verzameling van verre-veld straalvectoren voor elke subarray. Dit maakt het mogelijk om een bestaand verre-veld codebook te gebruiken met verwaarloosbare fouten.
• Surrogaat-Loss Functie (Variant-MSE):
  • Directe optimalisatie van de som-rate is niet convex en moeilijk te trainen.
  • De auteurs leiden een gesloten-formule oplossing af voor de digitale precoder (MMSE-oplossing) gebaseerd op de KKT-voorwaarden.
  • Door de digitale precoder analytisch te elimineren, wordt een variant-MSE (Minimum Mean Square Error) loss-functie afgeleid. Deze loss functie fungeert als een surrogaat voor de som-rate en houdt impliciet rekening met multi-user interferentie tijdens het trainen van de analoge beam-selectie.
• Netwerkarchitectuur:
  • Complex-valued Sensing Front-end: Een groepsgewijze convolutielaag die het fysieke sensingsproces (pilot-ontvangst) nabootst en noise-injectie toepast voor robustheid.
  • Gedeelde Encoder: Een complex-valued MLP die kenmerken uit de sensingsdata voor elke gebruiker extrahert.
  • Transformer-based Predictor: Een multi-head attention mechanisme dat de interacties tussen gebruikers modelleert om interferentie-bewuste beam-selecties te leren.
  • Scalabele Beam Selection Head: Gebruikt Gumbel-Softmax relaxatie om discrete beam-indices differentieerbaar te maken voor backpropagation. Dit zorgt ervoor dat de output-dimensie lineair schaalt met het aantal gebruikers in plaats van exponentieel.

3. Belangrijkste Bijdragen

• E2E Interferentie-Optimalisatie: In tegenstelling tot traditionele gefaseerde methoden, optimaliseert DL-IABT de analoge beam-selectie direct voor de totale systeem-som-rate door de digitale precoder analytisch te integreren in de loss-functie.
• Efficiëntie bij Pilot-beperking: Het framework vereist slechts een klein aantal pilot-metingen (M=8 in de simulaties) om de beam-indices te voorspellen, wat de pilot-overhead drastisch verlaagt ten opzichte van traditionele zoekalgoritmen.
• Nabije Veld & Sub-Connected Architectuur: Het is specifiek ontworpen voor XL-MIMO systemen met sub-geconnecteerde hybride beamforming in gemengde nabije- en verre-veld scenario's, een gebied waar eerdere deep learning werken vaak tekortschoten.
• Schalbaarheid: Door het gebruik van gedeelde parameters en Gumbel-Softmax, blijft het model grootte en trainingscomplexiteit beheersbaar zelfs bij een groot aantal gebruikers en subarrays.

4. Resultaten
De simulaties zijn uitgevoerd voor een XL-MISO systeem met 8 gebruikers en 32 antennes per subarray op 100 GHz.

• Systeem-Som-Rate: DL-IABT bereikt prestaties die zeer dicht in de buurt komen van de ideale "Perfect CSI" (Channel State Information) alternatieve optimalisatie (AO), en presteert aanzienlijk beter dan methoden met ruis in de kanaalschatting. Bij 20 dB SNR bereikt het 46,33 bps/Hz (vs. 49,83 bps/Hz voor de ideale bovengrens).
• Effectieve Doorvoer: Wanneer rekening wordt gehouden met de pilot-overhead (effectieve doorvoer), overtreft DL-IABT alle andere methoden significant. Traditionele AO-methoden lijden onder de overhead van het scannen van grote codebooks, terwijl DL-IABT stabiel blijft.
• Schalbaarheid met Codebook-grootte: Terwijl de prestaties van AO-methoden snel verslechteren naarmate het codebook groter wordt (vanwege de toenemende trainingskosten), behoudt DL-IABT zijn prestaties en levert het de hoogste effectieve spectrale efficiëntie in scenario's met grote codebooks.

5. Significantie
Deze paper biedt een cruciale oplossing voor de implementatie van XL-MIMO in toekomstige 6G-netwerken. Het overbrugt de kloof tussen de theoretische voordelen van nabije-veld communicatie (hoge gain, fijnmazige focus) en de praktische beperkingen van pilot-ressourcen en hardware-complexiteit. Door deep learning te koppelen aan analytische optimalisatie (MMSE/KKT), biedt het een robuust, schaalbaar en interferentie-bewust framework dat de effectieve doorvoer maximaliseert, zelfs onder strikte pilot-beperkingen. Dit maakt het een belangrijke stap naar de realisatie van efficiënte multi-user XL-MIMO systemen.