Technische Samenvatting: Generatieve Site-Specifieke Beamforming voor UPAs via Ontkoppelde Kanaalsensing

Probleemstelling

In Uniform Planar Array (UPA) systemen, met name voor mmWave-communicatie, is nauwkeurige beam alignment cruciaal voor het bereiken van een hoge spectrale efficiëntie en linkbetrouwbaarheid. Traditionele beam alignment-methoden kampen echter met een fundamentele afweging tussen de getrouwheid van de beamforming en de online sensing-overhead:

• Kanaalafhankelijke beamforming vereist nauwkeurige Channel State Information (CSI), wat leidt tot een prohibitieve pilot-training en feedback-overhead in grootschalige antennesystemen.
• Grid-of-beams sweeping (bijv. een uitputtend 2D DFT-codeboek zoeken) vermijdt expliciete CSI-verwerving, maar brengt een multiplicatieve complexiteit met zich mee ($M_\phi \times M_\theta$) naarmate het aantal te verkennen beams toeneemt met de hoekresolutie.
• Site-Specific Beamforming (SSBF) probeert omgevingsregulariteiten te leren om beams af te leiden uit beperkte metingen. Echter, bestaande generatieve SSBF-benaderingen vertrouwen vaak op volledige 2D-sensing of generieke codeboekmetingen, waarbij ze er niet in slagen de specifieke uitdagingen van ontkoppelde sensing in UPAs aan te pakken.

Wanneer azimut- en elevatiedomeinen onafhankelijk worden verkend om de overhead te reduceren tot lineaire complexiteit ($M_\phi + M_\theta$), lijden de resulterende Reference Signal Received Power (RSRP) observaties onder:

1. Informatieverlies: De expliciete gezamenlijke azimut-elevatie koppeling van het kanaal gaat verloren; alleen marginale vermogensverdelingen blijven behouden.
2. Lobe Mismatch: De sterkste azimut- en elevatielobes komen mogelijk niet overeen met hetzelfde fysieke pad, wat leidt tot virtuele hoekrichtingen die in werkelijkheid niet bestaan.
3. Fase-ambiguïteit: Alleen op vermogen gebaseerde RSRP-feedback verwerpt fase-informatie, waardoor de mapping van afzonderlijke observaties naar een beamformer niet-uniek en zeer ambigu is.

Methodologie

Het paper stelt een Cross-Fused Generative Site-Specific Beamforming (GenSSBF) framework voor, ontworpen om hoogwaardige beam-kandidaten te genereren vanuit low-overhead, ontkoppelde sensing.

1. Ontkoppelde Kanaalsensing

De Base Station (BS) verkent onafhankelijk de azimut- en elevatiedomeinen met behulp van afzonderlijke codeboeken.

• Azimut Sensing: Verkent verschillende azimutsectoren met brede elevatiebedekking.
• Elevatie Sensing: Verkent verschillende elevatiesectoren met brede azimutbedekking.
• Output: Twee laagdimensionale RSRP-vectoren, $r_\phi$ en $r_\theta$, wat de online overhead reduceert van multiplicatieve naar lineaire complexiteit.

2. Cross-Fused GenSSBF Architectuur

Om het verloren gegane gezamenlijke hoekinformatie te herstellen, gebruikt het framework een generatief model met drie kerncomponenten:

• Angular-Domain Channel Encoding: De doel-beamformer wordt gerepresenteerd in het hoekdomein (DFT-basis). Om fase-wrapping problemen tijdens training te voorkomen, worden complexe kanaalcoëfficiënten gecodeerd als amplitude en een cosinus-sinus paar ($\rho, \cos\phi, \sin\phi$).
• Bidirectional Cross-Attention Encoder: Deze module adresseert het informatieverlies van ontkoppelde sensing.
  • Afzonderlijke MLPs coderen $r_\phi$ en $r_\theta$ naar feature tokens.
  • Een bidirectioneel cross-attention mechanisme stelt de azimut-tak in staat om elevatie-features te bevragen (en vice versa) om latente afhankelijkheden te extraheren.
  • De verfijnde features worden gefuseerd tot een enkele conditie-vector $c$ die de site-specifieke 2D-hoekstructuur samenvat.
• Conditional Normalizing Flow Generator:
  • In plaats van een deterministische voorspeller (die meerdere plausibele oplossingen zou middelen), brengt een conditional normalizing flow een eenvoudige Gaussische latente variabele $z$ in kaart naar een complexe distributie van beam-kandidaten geconditioneerd op $c$.
  • Deze stochastische generator produceert een set van $K$ kandidaat-beamformers, waarmee de multimodale aard van de mapping van ontkoppelde RSRP naar beam-richtingen wordt afgehandeld.

3. Taakgeoriënteerde Training en Verificatie

• Trainingsdoelstelling: Het model wordt getraind met een genormaliseerde beamforming gain loss. In plaats van de volledige conditionele distributie te fitten (likelihood-gebaseerd), maximaliseert dit doel de gain van de beste kandidaat onder de $K$ gegenereerde beams. Dit stimuleert de generator om waarschijnlijkheidsmassa toe te kennen aan regio's met een hoge gain.
• Online Verificatie: De BS genereert $K$ kandidaat-beams. De User Equipment (UE) voert lichtgewicht pilot-metingen uit op deze kandidaten en geeft de index van de beam met de hoogste RSRP terug voor de definitieve datatransmissie.

Belangrijkste Bijdragen

1. Low-Overhead Ontkoppelde Sensing: Het paper formaliseert een ontkoppelde sensing-strategie voor UPAs die de online overhead reduceert van $O(M_\phi M_\theta)$ naar $O(M_\phi + M_\theta)$, terwijl het de resulterende loss van gezamenlijke hoekkoppeling expliciet karakteriseert.
2. Cross-Fused GenSSBF Framework: Een nieuwe architectuur die een bidirectionele cross-attention encoder combineert om latente azimut-elevatie afhankelijkheden te herstellen, en een conditional normalizing flow om meerdere hoogwaardige beam-kandidaten te genereren uit ambigue inputs.
3. Taakgeoriënteerde Trainingsverlies: Een trainingsdoelstelling die optimaliseert voor de inclusie van ten minste één high-gain beam in de kandidaat-set, in plaats van het minimaliseren van de gemiddelde reconstructiefout. Het paper biedt een theoretische interpretatie die aantoont dat de succeskans toeneemt met de waarschijnlijkheidsmassa van de generator in de high-gain regio en het aantal kandidaten.
4. Prestatievalidatie: Uitgebreide simulaties met DeepMIMO-scenario's (indoor, outdoor blockage, en urban mmWave) demonstreren de effectiviteit van het framework.

Resultaten

Simulatieresultaten gebaseerd op DeepMIMO-scenario's (I2 28, O1B 28, Boston5G 28) tonen aan:

• Beamforming Gain: De voorgestelde GenSSBF (met $K=8$ kandidaten) presteert consistent beter dan deterministische MLP-gebaseerde voorspelling, GenSSBF zonder cross-attention, en conventionele uitputtende DFT codebook search.
  • Vergeleken met een volledige 1024-beam 2D DFT search, bereikte de voorgestelde methode verbeteringen in genormaliseerde beamforming gain van 83,6% (I2 28), 74,6% (O1B 28) en 38,1% (Boston5G 28).
  • Het bereikt beam patterns die aanzienlijk dichter bij de Maximum Ratio Transmission (MRT) upper bound liggen dan vaste codeboek searches.
• Overhead Reductie: Het ontwerp van de ontkoppelde sensing vermindert de sweeping overhead met 93,8% vergeleken met volledige 2D DFT sweeping.
• Robuustheid: Het framework behoudt een superieure prestatie over een breed scala aan Signal-to-Noise Ratios (SNR) vergeleken met benchmarks, hoewel de prestaties afnemen bij zeer lage SNR (< -5 dB) waar de sensing-ruis het signaal overstemt.
• Ablatie-studies: Het verwijderen van de cross-attention module verslechtert de prestaties aanzienlijk, wat de noodzaak ervan bevestigt voor het herstellen van latente afhankelijkheden. Stochastische generatie (GenSSBF) presteert beter dan deterministische voorspelling (MLP), wat de noodzaak van multimodale kandidaat-generatie in ambigue sensing-scenario's valideert.

Betekenis

Het paper stelt dat het enkel reduceren van de sensing-overhead onvoldoende is voor betrouwbare UPA beam alignment vanwege de inherente ambiguïteit van ontkoppelde observaties. De betekenis van dit werk ligt in het aantonen dat generatieve kunstmatige intelligentie, specifเมื่อ gecombineerd met cross-domain fusie en taakgeoriënteerde stochastische generatie, effectief hoogwaardige, site-specifieke beamformers kan afleiden uit laagdimensionale, marginale vermogensmetingen. Deze aanpak biedt een levensvatbaar pad om bijna optimale beamforming gains te bereiken met drastisch verminderde online sensing kosten, wat een kritieke bottleneck aanpakt bij de uitrol van grootschalige UPA-systemen in 5G/6G-netwerken.