Data Detection for Massive MIMO Systems with 1-Bit Quantized Dithered Linear Precoding

Technische Samenvatting: Datadetectie voor Massive MIMO-systemen met 1-bit Gekwantiseerde Geditherde Lineaire Precoding

Probleemstelling
De implementatie van volledig digitale massive multiple-input multiple-output (MIMO) systemen wordt beperkt door het hoge stroomverbruik en de hardwarematige complexiteit van analoge-naar-digitale converters (ADC's) en digitale-naar-analoge converters (DAC's). Hoewel het gebruik van 1-bit DAC's aan de zender het vermogen en de complexiteit aanzienlijk vermindert, introduceert dit ernstige kwantisatievervorming die de signaalintegriteit verslechtert. Hoewel er uitgebreid onderzoek bestaat naar precoding-ontwerp voor 1-bit DAC's, blijven directe datadetectiemethoden aan de ontvanger die expliciet rekening houden met de 1-bit kwantisatie aan de zijkant in punt-naar-punt massive MIMO-systemen nog onverkend. Bestaande detectiemethoden zijn primair afgestemd op multi-user uplink-systemen met 1-bit ADC's aan de ontvanger, waarbij kwantisatie plaatsvindt na de kanaalpropagatie, wat een fundamenteel ander scenario is dan de kwantisatie aan de zijkant die hier wordt beschouwd. Bovendien maken standaard baselines vaak gebruik van een twee-staps benadering (eerst het binaire zendsignaal detecteren, en daarna de data herstellen), wat het risico op foutpropagatie met zich meebrengt.

Methodologie
Het artikel onderzoekt een punt-naar-punt massive MIMO-systeem waarbij de zender 1-bit DAC's gebruikt met Gaussische dithering toegepast voorafgaand aan de kwantisatie, en de ontvanger gebruikmaakt van ofwel full-resolution of 1-bit ADC's. De studie gaat ervan uit dat de dither-vector bekend is bij de ontvanger, wat het mogelijk maakt om dither-verwijdering toe te passen. De methodologie is gestructureerd rond twee primaire linearisatiebenaderingen voor de gekwantiseerde signalen:

1. Symbool-onafhankelijke linearisatie (Bussgang-decompositie): Deze benadering behandelt de kwantisatievervorming als ongecorreleerde ruis. Deze wordt gebruikt om soft-estimatie gebaseerde datadetectiemethoden af te leiden. De auteurs stellen BLMMSE-DR (Bussgang Linear Minimum Mean Squared Error met Dither Removal) voor voor full-resolution ADC's en D-BLMMSE-DR (Dubbel 1-bit gekwantiseerde BLMMSE-DR) voor 1-bit ADC's. Deze methoden trekken de geschatte dither-geïnduceerde bias af van het ontvangen signaal vóór de lineaire combinatie.

2. Symbool-afhankelijke linearisatie: Een nieuwe benadering wordt geïntroduceerd waarbij het verzonden signaal wordt gelineariseerd onder de conditie van de specifieke data-symboolvector. Dit maakt de afleiding van Maximum-Likelihood (ML) gebaseerde detectiemethoden mogelijk die direct de data-symboolvector herstellen zonder een tussenliggende soft-estimatie stap.

   • Voor full-resolution ADC's leiden de auteurs de volledige likelihood-functie van het ontvangen signaal af. Zij stellen ML (zonder dither-verwijdering) en ML-DR (met symbool-afhankelijke dither-verwijdering) voor. De ML-DR methode vereenvoudigt de covariantie-matrix door off-diagonal elementen te verwaarlozen, wat de complexiteit aanzienlijk vermindert terwijl de prestaties behouden blijven.
   • Voor 1-bit ADC's ontwikkelen de auteurs D-ML (Dubbel 1-bit gekwantiseerde ML). Omdat symbool-afhankelijke dither-verwijdering niet direct toepasbaar is op het 1-bit gekwantiseerde ontvangen signaal, maakt deze methode gebruik van de statistieken van het pre-gekwantiseerde ontvangen signaal om de likelihood-functie van de 1-bit output te benaderen.

Om de exponentiële groei van de computationele complexiteit met het aantal datastreams ($K$) die inherent is aan een volledige ML-zoekopdracht aan te pakken, worden laag-complexe varianten voorgesteld. Deze varianten beperken de zoekruimte tot een subset van kandidaten die zijn geïdentificeerd door de corresponderende soft-estimatie methoden (bijv. BLMMSE-DR of D-BLMMSE-DR).

Belangrijkste Bijdragen

• Nieuwe Detectiekaders: Het artikel stelt de eerste directe datadetiemethoden voor punt-naar-punt massive MIMO met 1-bit DAC's en dithering voor, die zowel full-resolution als 1-bit ontvangerarchitecturen bestrijken.
• Dither-verwijderingstechnieken: Het introduceert specifieke dither-verwijderingsstrategieën voor zowel soft-estimatie (symbool-onafhankelijke) als ML-gebaseerde (symbool-afhankelijke) detectie, en toont aan dat het verwijderen van de bekende dither-bias de detectie nauwkeurigheid verbetert, met name bij matige- tot hoge SNR.
• Symbool-afhankelijke Linearisatie: Een nieuwe linearisatietechniek is ontwikkeld voor het 1-bit gekwantiseerde verzonden signaal, wat de afleiding van ML-gebaseerde detectoren mogelijk maakt die direct ontvangen signalen naar datasymbolen mappen.
• Complexiteitsreductie: Laag-complexe varianten van de ML-gebaseerde methoden zijn ontwikkeld, waardoor de zoekruimte wordt verminderd van $L^K$ (waarbij $L$ de constellatiegrootte is) naar $\nu^K$ (waarbij $\nu \leq L$), wat de methoden bruikbaar maakt voor praktische aantallen streams.

Numerieke Resultaten
Numerieke evaluaties met de Symbol Error Rate (SER) als metriek benadrukken het volgende:

• Rol van Dither-vermogen: Er bestaat een optimaal dither-vermogen. Bij een laag dither-vermogen blijven de kwantisatievervormingscomponenten sterk gecorreleerd; bij een hoog vermogen domineert de dither. Optimale prestaties worden over het algemeen waargenomen bij matige- tot hoge SNR.
• Prestatiewinsten: De voorgestelde ML-gebaseerde methoden (ML-DR en D-ML) presteren consistent beter dan de soft-estimatie gebaseerde methoden en een baseline twee-staps homotopy optimalisatie ML (twee-staps hoML) methode.
  • Voor full-resolution ADC's bereikt ML-DR tot wel twee ordes van grootte lagere SER vergeleken met soft-estimatie methoden en presteert het significant beter dan de twee-staps hoML baseline. Dither-verwijdering in ML-DR zorgt voor een extra 2× SER-reductie ten opzien van het geval zonder verwijdering bij optimale dither-vermogens.
  • Voor 1-bit ADC's bereikt de D-ML methode een 10× SER-reductie over andere methoden, inclusief de twee-staps hoML baseline, door de foutpropagatie te vermijden die inherent is aan de twee-staps benadering.
• Schaalbaarheid: De laag-complexe varianten (met een gereduceerde zoekruimte, bijv. $\nu=3$ of $4$) bereiken prestaties die bijna ononderscheidbaar zijn van volledige ML-zoekmethoden, terwijl ze de computationele last drastisch verminderen.
• Robuustheid: De voorgestelde methoden behouden hun superioriteit ten opzien van de baseline, zelfs onder imperfecte Channel State Information (CSI) aan de ontvanger.

Betekenis en Claims
Het artikel claimt dat de voorgestelde ML-gebaseerde detectiemethoden, met name wanneer zij worden gecombineerd met dither-verwijdering en laag-complexe zoekstrategieën, een cruciale vooruitgang bieden in het omgaan met de ernstige kwantisatievervorming van 1-bit DAC's in massive MIMO-systemen. Door de directe effecten van de kwantisatie en dithering aan de zijkant te modelleren, overwinnen deze methoden de beperkingen van bestaande baselines die het probleem behandelen als een standaard binair detectietaken gevolgd door symboolherstel. De resultaten laten zien dat nauwkeurige datarecovery haalbaar is met hardware met een lage resolutie, mits de ontvanger detectiealgoritmen gebruikt die specifiek zijn ontworpen om de statistische eigenschappen van geditherde, gekwantiseerde signalen uit te buiten. Het werk stelt vast dat dither-vermogen een kritieke systeemparameter is en dat de voorgestelde kaders een gunstige afweging bieden tussen prestaties en computationele complexiteit voor toekomstige 6G en draadloze backhaul toepassingen.