⚡ electrical engineering

Channel Estimation and Beamforming for Microwave Linear Analog Computers (MiLACs)-Aided Multiuser MISO Systems

Dit artikel stelt computationeel efficiënte kanaalschatting- en beamforming-schema's voor voor MiLAC-ondersteunde multiuser MISO-systemen die gebruikmaken van kanaalrangdeficiëntie om signalen in het analoge domein te comprimeren, waarbij massale reducties in computationele complexiteit worden bereikt terwijl de prestaties vergelijkbaar blijven met digitale baselines.

Oorspronkelijke auteurs: Qiaosen Zhang, Matteo Nerini, Bruno Clerckx

Gepubliceerd 2026-07-02

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Qiaosen Zhang, Matteo Nerini, Bruno Clerckx

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

Het Grote Plaatje: De "Super-Verbonden" Stad

Stel je een toekomstige stad voor waar duizenden mensen tegelijkertijd proberen te praten met een centrale toren (de Basisstations). Om ervoor te zorgen dat iedereen duidelijk verstaanbaar is, moet de toren een massaal aantal antennes gebruiken—denk aan het hebben van duizenden microfoons.

De oude manier om dit te doen (Digitale Beamforming), vereist een toegewijde, dure en energieverslindende computerprocessor voor elke individuele microfoon. Als je 256 antennes hebt, heb je 256 processoren nodig. Dit is alsof je 256 secretaresses inhuurt om alleen maar naar 256 verschillende mensen te luisteren; het is ongelooflijk duur, traag en verbruikt te veel elektriciteit.

Microwave Linear Analog Computers (MiLACs) zijn een nieuwe uitvinding die werkt als een "slim filter" of een "magische lens". In plaats van een computer te gebruiken om het geluid te verwerken, gebruikt de MiLAC de natuurkunde van microgolfgolven die door een speciaal netwerk van buizen reizen om het werk direct uit te voeren. Het kan signalen focussen zonder dat er een computer voor elke enkele antenie nodig is.

Het Probleem: De "Blinde" Toren

Het artikel wijst op een groot struikelblok: Hoewel MiLACs geweldig zijn in het verzenden van signalen (beamforming), hebben ze moeite met het luisteren en achterhalen waar de gebruikers zich bevinden (kanaalschatting).

Om te weten waar het signaal naartoe gestuurd moet worden, moet de toren de "kaart" van de lucht tussen de toren en de gebruikers kennen.

De Oude Manier: De toren luistert naar iedereen met alle 256 microfoons, legt de enorme hoeveelheid data vast en gebruikt vervolgens een supercomputer om de kaart te berekenen. Dit doet het doel van het gebruik van MiLACs teniet, omdat het de dure processoren en het hoge stroomverbruik weer terugbrengt.
De MiLAC-Manier: De toren heeft slechts een paar "oren" (RF-ketens)—miss misschien wel slechts 16 voor 16 gebruikers. Het kan niet het volledige 256-dimensionale geluid horen. Het is also kind dat probeert een symfonie te begrijpen door slechts naar 16 instrumenten te luisteren in plaats van 256.

De Oplossing: De "Slimme Compressie" Truc

De auteurs stellen een slim tweestapsplan voor om dit "blinde" probleem op te lossen zonder dure computers nodig te hebben.

1. De "Groeperings"-analogie (Kanaalschatting)

Stel je voor dat de gebruikers niet zomaar willekeurige individuen zijn; ze zitten in groepen gebaseerd op waar ze staan. Mensen in dezelfde groep kijken waarschijnlijk vanuit een vergelijkbare hoek naar de toren.

De Truc: In plaats van te proberen naar elke persoon individueel te luisteren met hoge precisie, fungeert de MiLAC als een slimme compressielens. Het neemt het volledige, rommelige geluid van alle 256 antennes en perst het samen tot een kleinere, schonere versie die in de weinige "oren" van de toren past.
Hoe het werkt: Het maakt gebruik van het feit dat mensen in een groep vergelijkbare "patronen" delen. De MiLAC filtert de ruis en redundantie eruit en houdt alleen de essentiële "vorm" van het signaal over.
Het Resultaat: De toren kan nu de kaart van de gebruikers berekenen met zeer weinig rekenkracht.
- Analogie: In plaats van een foto met een zeer hoge resolutie te maken van een hele menigte (wat een enorme computer vereist om te verwerken), maakt de MiLAC een gestileerde schets met een lage resolutie die nog steeds precies vastlegt waar de mensen staan. De computer hoeft alleen de schets te tekenen, niet de foto.

Ze testten twee versies:

Kleine Groepen: Als er weinig groepen zijn, gebruiken ze een "Virtueel Kanaal"-methode (gericht op de groepspatronen).
Grote Groepen: Als er veel groepen zijn, gebruiken ze een "Global Virtual Channel"-methode (een iets complexere schets die nog steeds werkt).

De Winst: Ze ontdekten dat deze methode tot wel 1.540 keer sneller is en veel minder rekenkracht gebruikt dan de oude digitale manier, terwijl de kaart nog steeds even nauwkeurig (of in sommige gevallen zelfs beter) wordt verkregen.

2. De "Dubbele Lens" Truc (Beamforming)

Zodra de toren de kaart kent, moet hij de data terugsturen. De oude digitale manier vereist een enorme berekening om te bepalen hoe het signaal perfect gericht moet worden.

Het Probleem: Een enkele MiLAC is goed in eenvoudige taken, maar kan niet gemakkelijk de complexe wiskunde uitvoeren die nodig is om het signaal tegelijkertijd perfect op iedereen te richten.
De Oplossing: De auteurs hebben een Cascade MiLAC gebouwd. Stel je voor dat je twee magische lenzen achter elkaar plaatst.
- De eerste lens doet het eerste deel van de wiskunde.
- De tweede lens voltooit de klus.
- Samen fungeren ze als een superlens die het complexe richtwerk direct kan uitvoeren, simpelweg door de golven erdoorheen te laten stromen. Geen computer nodig tijdens de eigenlijke transmissie.

De Winst: Dit "Dubbele Lens"-systeem is tot wel 16.108 keer sneller dan de digitale computermethode. Het bereikt dezelfde snelheid van gegevenslevering (sum rate) maar met bijna nul rekenkosten.

De Afweging: De "Kosten van het Leren"

Er is één klein nadeel. Omdat de toren minder "oren" heeft, moet hij iets meer tijd besteden aan het luisteren naar de gebruikers om zijn kaart op te bouwen (training overhead).

De Analogie: Het is als een leraar die minder leerlingen heeft om naar te luisteren, maar die wat extra vragen moet stellen om er zeker van te zijn dat iedereen het begrijpt.
Het Resultaat: Deze extra luistertijd vermindert de tijd die beschikbaar is voor het daadwerkelijke verzenden van gegevens een klein beetje. In scenario's met veel gebruikersgroepen, vreet deze "leertijd" een klein deel van de totale snelheid op. Echter, de enorme besparingen in hardwarekosten en energie maken dit een waardevolle afweging voor toekomstige gigantische netwerken.

Samenvatting van de Claims

Wat ze hebben gedaan: Ze hebben een nieuwe manier gecreëerd om gebruikers te beluisteren en signalen te richten voor gigantische antennesystemen met behulp van "Magische Microgolflenzen" (MiLACs) in plaats van supercomputers.
Hoe het werkt:
1. Luisteren: Ze gebruiken de MiLAC om het geluid van duizenden antennes te comprimeren tot een beheersbare grootte die past bij de beperkte hardware, en voeren daarna een eenvoudige berekening uit.
2. Verzenden: Ze koppelen twee MiLACs achter elkaar om de signalen direct te richten zonder digitale wiskunde.
De Resultaten:
- Snelheid: De nieuwe methode is ongeveer 1.500 keer sneller in het uitzoeken van de kaart en 16.000 keer sneller in het richten van het signaal vergeleken met standaard digitale methoden.
- Prestaties: Het levert net zo snel gegevens als de dure digitale manier, mits je rekening houdt met de kleine extra tijd die nodig is om eerst te "luisteren".
- Hardware: Het stelt het systeem in staat om met zeer weinig dure radiocomponenten te werken, wat enorme hoeveelheden geld en elektriciteit bespaart.

Technische Samenvatting: Kanaalschatting en Beamforming voor MiLAC-ondersteunde Multiuser MISO-systemen

Probleemstelling
Toekomstige gigantische multiple-input multiple-output (MIMO) systemen beloven ultra-hoge datasnelheden en massale connectiviteit, maar worden geconfronteerd met prohibitieve hardwarekosten en computationele complexiteit wanneer conventionele digitale beamforming wordt toegepast, die één radiofrequentie (RF)-keten per antenne vereist. Microwave Linear Analog Computers (MiLACs) zijn naar voren gekomen als een oplossing om de berekeningen voor beamforming naar het analoge domein te verplaatsen, wat het aantal RF-ketens en de computationele belasting drastisch vermindert. Er blijft echter een kritieke kloof bestaan: bestaand MiLAC-onderzoek richt zich op beamforming-ontwerp en modellering, maar schiet tekort in efficiënte kanaalschatting voor multiuser (MU) systemen. Conventionele kanaalschatting vereist het verwerven van volledig dimensionale ontvangen signalen en het uitvoeren van massale digitale verwerking, wat de hardwarematige en computationele voordelen van MiLACs tenietdoet. Bovendien verhindert het beperkte aantal RF-ketens in MiLAC-ondersteunde systemen directe toegang tot volledig dimensionale signalen, wat nauwkeurige acquisitie van de Channel State Information (CSI) uitdagend maakt.

Methodologie
Het artikel stelt een raamwerk voor MiLAC-ondersteunde Multiuser Multiple-Input Single-Output (MU-MISO) systemen die opereren onder Time Division Duplex (TDD) met een beperkt aantal RF-ketens ( $L=K$ , waarbij $K$ het aantal gebruikers is). De methodologie is gebouwd op drie kernzuilen:

Systeemmodel en Gebruikersgroepering: Het systeem modelleert gebruikers die zijn verdeeld in $G$ disjuncte groepen op basis van de gelijkenis van hun kanaalcorrelatiematrices (het principe van Joint Spatial Division and Multiplexing). Binnen elke groep delen gebruikers een gemeenschappelijke correlatiestructuur, waardoor het kanaal gerepresenteerd kan worden in een laagdimensionale subspace gespannen door de eigenvectoren van de groep.
Analoge Compressie voor Kanaalschatting: Om de beperking van de RF-ketens aan te pakken, stelt de auteur voor om gebruik te maken van de rangtekortkoming (rank deficiency) van kanaalcorrelatiematrices.
- Small- $G$ Regime: Wanneer het aantal groepen klein is en de groeps-subspaces niet significant overlappen, wordt een Virtual Channel Estimation schema gebruikt. De MiLAC voert analoge subspace-projectie uit met behulp van de groepseigenvectoren ( $U_g$ ) om de volledig dimensionale ontvangen signalen te comprimeren naar laagdimensionale observaties. Digitale verwerking schat vervolgens alleen de laagdimensionale virtuele kanalen.
- Large- $G$ Regime: Wanneer de groeps-subspaces overlappen (grote $G$ ), wordt een Global Virtual Channel Estimation schema toegepast. Het systeem berekent een matrix met volledige kolomrang die de unie van alle groeps-subspaces beslaat via Singular Value Decomposition (SVD). De MiLAC projecteert signalen op deze globale subspace, wat de schatting van globale virtuele kanalen mogelijk maakt.
- Beide schema's maken gebruik van Least Squares (LS) en Minimum Mean Square Error (MMSE) schatters op de gecomprimeerde observaties, waardoor het niet nodig is om volledig dimensionale signaalmatrices op te slaan of te verwerken.
Cascade MiLAC voor Beamforming: Om Regularized Zero-Forcing Beamforming (R-ZFBF) te realiseren vanuit laagdimensionale kanaalschattingen zonder de volledig dimensionale kanaal te reconstrueren, introduceren de auteurs een Cascade MiLAC architectuur. Deze bestaat uit twee MiLACs die in serie zijn verbonden. De eerste MiLAC handelt de inversie- en regularisatieoperaties af, terwijl de tweede de projectie terug naar het antennedomein afhandelt. Deze structuur maakt het mogelijk om de R-ZFBF-precoder direct te realiseren vanuit de virtuele kanaalschattingen met een lage computationele complexiteit.

Belangrijkste Bijdragen

Systeemmodel: Een uitgebreid model dat uplink training en downlink beamforming integreert voor MiLAC-ondersteunde MU-MISO systemen, waarbij rekening wordt gehouden met beperkte RF-ketens en variërende kanaalcorrelatiematrices over gebruikersgroepen heen.
Efficiënte Kanaalschatting Schema's: Twee innovatieve schattingsstrategieën (Virtual en Global Virtual) die MiLAC gebruiken voor analoge compressie. Deze schema's reduceren de dimensionaliteit van het schattingsprobleem van $M$ (antennes) naar $r$ of $\tilde{r}$ (subspace dimensies), wat de digitale computationele kosten aanzienlijk verlaagt.
Cascade MiLAC Architectuur: Het voorstel van een twee-traps cascade MiLAC om R-ZFBF direct te implementeren vanuit laagdimensionale schattingen. Dit overwint de beperking van een enkele MiLAC, die R-ZFBF niet efficiënt kan realiseren vanuit virtuele kanalen zonder het volledige kanaal te reconstrueren.
Theoretische en Numerieke Validatie: Analytische bewijzen en numerieke simulaties die aantonen dat de voorgestelde schema's een MSE-prestatie leveren die vergelijkbaar met of beter is dan digitale baselines, terwijl ze de computationele complexiteit drastisch verminderen.

Resultaten
Numerieke resultaten valideren de voorgestelde schema's tegenover conventionele digitale baselines (LS en MMSE) en digitale R-ZFBF:

Kanaalschatting: De voorgestelde MiLAC-ondersteunde schema's bereiken een lagere MSE voor LS-schatting en een identieke MSE voor MMSE-schatting vergeleken met digitale tegenhangers. Cruciaal is dat ze de computationele complexiteit met wel 1540 $\times$ verminderen (voor $G=4$ in het small- $G$ regime).
Beamforming: De Cascade MiLAC-gebaseerde R-ZFBF bereikt dezelfde sum rate als digitale R-ZFBF wanneer de training overhead wordt genegeerd. Wanneer de training overhead wordt meegerekend, wordt een lichte vermindering van de effectieve sum rate waargenomen, met name in het large- $G$ regime, vanwege de extra symbolen die nodig zijn voor training.
Complexiteitsreductie: De beamforming schema's verminderen de computationele complexiteit met wel 16.108 $\times$ vergeleken met digitale R-ZFBF.
Trade-offs: Het artikel benadrukt een fundamentele trade-off: hoewel de schema's de hardwarecomplexiteit (RF-ketens) en de computationele last aanzienlijk verminderen, brengen ze extra training overhead met zich mee. Deze overhead is prominenter in het large- $G$ regime, wat leidt tot een lichte degradatie in de effectieve sum rate vergeleken met volledig digitale systemen.

Betekenis
Het artikel beweert dat deze bijdragen een noodzakelijke stap vormen naar de realisatie van het potentieel van MiLAC-ondersteunde gigantische MIMO-systemen. Door de bottleneck in kanaalschatting op te lossen en een mechanisme te bieden voor efficiënte beamforming vanuit gecomprimeerde data, maakt dit werk de inzet van systemen mogelijk met minimale RF-ketens en lage computationele complexiteit zonder in te boeten op prestaties. De introductie van de Cascade MiLAC adresseert specifen de uitdaging van het implementeren van complexe precoding matrices (zoals R-ZFBF) in het analoge domein met behulp van enkel laagdimensionale kanaalkennis. De auteurs merken op dat hun analyse ervan uitgaat dat MiLAC's volledig configureerbaar zijn om de fundamentele limieten te karakteriseren, waarbij uitbreidingen naar verliesvrije en wederkerigheid-beperkte scenario's aan toekomstig onderzoek worden overgelaten.