Site-Specific Beamforming for Full-Duplex Massive MIMO Systems via Implicit Channel Estimation

Technische Samenvatting: Situe-specifiek Beamforming voor Full-Duplex Massive MIMO-systemen via Impliciete Kanalestimering

Probleemstelling
Full-duplex (FD)-bedrijf in massive multiple-input multiple-output (MIMO)-basistations belooft aanzienlijke winsten in doorvoer, latentie en spectrale efficiëntie door gelijktijdige transmissie en receptie op dezelfde frequentie mogelijk te maken. Deze capaciteit wordt echter ernstig gehinderd door zelfinterferentie (SI), waarbij de zender van het basistation koppelt aan zijn eigen ontvanger. Effectief beamforming om deze SI te annuleren vereist doorgaans kennis van de hoogdimensionale SI-kanaalmatrix, $\mathbf{H}$. In de praktijk is het expliciet schatten van $\mathbf{H}$ onbetaalbaar duur; voor een systeem met $N_t$ zendantennes en $N_r$ ontvangstantennes schaalt de meetkosten als $O(N_t N_r)$. In snel veranderende omgevingen of bij grote antennearrays consumeert deze overhead een significant deel van de coherentietijd, waardoor de potentiële winsten van FD-bedrijf worden uitgehold. Bestaande oplossingen gaan ofwel uit van perfecte kanaalstatusinformatie (CSI) of vertrouwen op heuristische zoekopdrachten die niet goed schalen met meerdere gebruikers of niet in staat zijn om de volledige ruimtelijke vrijheidsgraden te benutten.

Methodologie
De auteurs stellen een nieuw kader voor dat FD-zend- en ontvangststralen ontwerpt met behulp van impliciete kanaalkennis verzameld uit een klein aantal metingen, in plaats van een expliciete schatting van de volledige $\mathbf{H}$-matrix. De aanpak is gestructureerd rond drie hoofdfasen:

1. Gebruikersacquisitie: Het systeem gaat uit van bestaande mechanismen (bijvoorbeeld straaluitlijning) die kennis verschaffen van de downlink- en uplink-gebruikerskanalen.
2. Impliciete SI-probing: Een deep learning-model, specifiek een op transformatoren gebaseerde architectuur, ontwerpt een set van $M$ proefstraalparen. Deze stralen worden door het basistation afgezocht om $M$ metingen van het zelfinterferentiekanaal te verzamelen. Cruciaal zijn deze proefstralen op maat gemaakt voor de specifieke deploy-omgeving en de groep van $K$ te bedienen gebruikersparen. Het model leert om alleen die delen van $\mathbf{H}$ te proppen die het meest relevant zijn voor de specifieke gebruikers, door gebruik te maken van correlaties binnen de gebruikersgroep.
3. Synthese van dienststralen: Met behulp van de $M$ proefmetingen en de gebruikerskanaalinformatie synthetiseert het model de uiteindelijke zend- en ontvangststralen. Deze stralen zijn ontworpen om de totale spectrale efficiëntie (SSE) te maximaliseren terwijl de SI-koppeling wordt geminimaliseerd.

De oplossing wordt op een situe-specifieke manier getraind met end-to-end ongesuperviseerde learning. Het model wordt getraind op kanaaldata (in dit werk afgeleid van ray-tracing-simulaties) die specifiek is voor een bepaalde omgeving (bijvoorbeeld een campusplein). Dit stelt het model in staat om de onderliggende structuur van de omgeving (verstrooiers, blokkades) te leren en hoe deze zowel de gebruikerskanalen als de SI beïnvloedt, waardoor het effectief kan generaliseren zonder expliciete CSI.

Belangrijkste Bijdragen

• Impliciete Schattingskader: Het artikel introduceert een methode om FD-stralen te ontwerpen zonder de volledige SI-matrix $\mathbf{H}$ expliciet te schatten, waarmee de $O(N_t N_r)$-meetbottleneck wordt omzeild.
• Op Transformatoren Gebaseerde Deep Learning: De auteurs ontwikkelen een multi-module transformer-model (Gebruikersencoder, Proefstraalsynthesizer, Dienststraalsynthesizer) dat de proefstrategie en het uiteindelijke beamforming-beleid gezamenlijk optimaliseert.
• Meerdere-Gebruikers Schaalbaarheid: In tegenstelling tot eerdere heuristische zoekmethoden die opnieuw moeten proppen voor elk gebruikerspaar, staat deze aanpak toe dat één set van $M$ proefmetingen een coherente groep van $K$ gebruikersparen bedient, door kanaalcorrelaties te benutten voor een gunstige schaling.
• Situe-specifieke Aanpassing: Het model is op maat gemaakt voor specifieke omgevingsdeployments, waarbij lokale propagatiekenmerken worden uitgebuit om het benodigde aantal metingen te verminderen.

Resultaten
Simulaties met ray-tracing-data in een 28 GHz massive MIMO-scenario (UCLA Westwood Plaza) tonen het volgende aan:

• Prestaties versus Overhead: Het voorgestelde schema bereikt een hogere effectieve totale spectrale efficiëntie (rekening houdend met meetoverhead) in vergelijking met baselines, waaronder Lineaire Minimum Mean Square Error (LMMSE)-schatting en schema's die uitgaan van perfecte CSI (Vector/Matrix CSI).
• Meetefficiëntie: In scenario's met 16 zendantennes en 16 ontvangstantennes kan de voorgestelde methode meer dan 80% van de full-duplex-capaciteit leveren aan acht gebruikersparen met slechts $M=16$ proefmetingen. In tegenstelling hiermee vereisen expliciete schattingsbaselines aanzienlijk meer metingen (bijvoorbeeld 256 voor Matrix CSI) en leveren ze vaak lagere effectieve prestaties vanwege de overhead.
• Schaalbaarheid: De aanpak schaalt soepel naar grotere antennearrays (tot 16x16). Waar de prestaties van baselines verslechteren naarmate het aantal antennes toeneemt door de kwadratische groei in meetoverhead, behoudt of verbetert de voorgestelde methode de prestaties naarmate de toegevoegde vrijheidsgraden worden benut zonder de meetkosten te verhogen.
• Robuustheid: De methode presteert goed bij variërende Rician-factoren ($\kappa$), waarbij het de proefstrategie aanpast op basis van het determinisme van het LOS-component.

Betekenis en Claims
Het artikel beweert dat deze aanpak een praktische weg biedt naar de realisatie van full-duplex massive MIMO-systemen, met name voor 6G, door de afweging tussen zelfinterferentie-annulering en meetoverhead op te lossen. De auteurs stellen dat door gebruik te maken van deep learning om de kanaalstructuur impliciet te leren uit een schaarse set van op maat gemaakte metingen, het systeem de "best mogelijke" prestaties van expliciete schattingschema's kan overtreffen wanneer rekening wordt gehouden met de overhead. Het werk benadrukt dat situe-specifieke training het systeem in staat stelt om omgevingskenmerken te benutten om het proefbudget te minimaliseren, waardoor FD-bedrijf haalbaar wordt zelfs bij grote antennearrays waar traditionele schatting onuitvoerbaar is. De auteurs merken op dat toekomstig werk dit kan uitbreiden naar frequentie-selectieve kanalen of Integrated Sensing and Communication (ISAC)-toepassingen.