⚡ electrical engineering

Lorentzian-Constrained Holographic Beamforming Optimization in Multi-user Networks with Dynamic Metasurface Antennas

本文提出了一种用于多用户 MISO 网络中动态超表面天线（DMA）的自适应半径洛伦兹约束全息（ARLCH）算法，该算法通过优化 DMA 权重来最小化总发射功率，且在用户数量增加时，其性能显著优于现有基准算法。

原作者： Askin Altinoklu, Leila Musavian

发布于 2026-07-09

📖 1 分钟阅读☕ 轻松阅读

原作者： Askin Altinoklu, Leila Musavian

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正试图向散落在公园各处的几个朋友大声喊话，但你不能使用扩音器。取而代之的是，你拥有一面巨大的、高科技的墙，由成千上万块微小的、软乎乎的橡胶瓦片组成。每块瓦片都可以通过摆动来改变声音的反射方式，但有一个限制：这些瓦片是“洛伦兹型”（Lorentzian）的。这是一种高级的说法，意思是指它们很“固执”。如果你告诉一块瓦片要摆动得更快（改变相位），它也必须同时变得更软或更硬（改变幅度）。你不能独立地选择摆动速度和音量；它们就像一对拒绝松手的舞伴，紧紧联系在一起。

这就是这篇论文中工程师们面临的挑战。他们正在研究动态超表面天线（DMA），这些天线就像这些智能的、软乎乎的墙。这些墙非常出色，与通常用于同时向多人发射信号的庞大且昂贵的计算机系统（称为“全数字”系统）相比，它们成本极低且功耗极小。但由于这些瓦片非常“固执”，想要精确计算如何让它们摆动以完美覆盖公园里的每一个人，简直是一场噩梦。

问题所在：固执的瓦片

过去，研究人员试图通过假装这些瓦片是完美的（忽略它们的固执性），然后事后再强行让它们符合规则来解决这个问题。这就像是在纸上画一个完美的圆，然后试图把它挤进一个正方形的框架里。你得到的形状虽然接近，但并不完全正确，并且会为了让它奏效而浪费能量。

本文认为，旧的方法——特别是被称为 LCUSH 的方法（这是其他研究中最常用的方法）——就像是试图把圆挤进正方形。它们虽然可行，但会浪费大量的功率。作者指出，仅仅通过改变这种“挤压形状”时的“中心点”就会产生很大影响。事实上，他们发现一种名为 LCEH 的方法（它使用了不同的中心点）比传统的标准方法 LCUSH 效果要好得多。

重大发现：弹性的蹦床

但作者并没有止步于此。他们提出了一个大胆的问题：如果我们不只是把形状挤压进一个固定的正方形框架，而是让框架本身也能伸缩呢？

他们引入了一个新技巧，称为 ARLCH（自适应半径洛伦兹约束全息术）。想象一下，“洛伦兹圆”（瓦片必须遵守的规则）不是一个僵硬的圆环，而是一个有弹性的蹦床。ARLCH 不再是强迫完美的信号落在固定的圆环上，而是通过拉伸这个“蹦床”来迎合信号，找到最佳的着陆点，然后再将其缩回正确的大小。

这种“拉伸”赋予了系统额外的自由度。这就像拥有一个可以改变张力来完美接住落下的杂技演员的蹦床，而不是仅仅希望杂技演员能刚好落在固定的圆圈里。

数据说明

作者进行了数千次计算机模拟（他们还没有制造出实体的墙，但他们进行了非常细致的模型构建）来观察这个新的“蹦床”技巧是否真的有效。以下是他们的发现：

功率节省： 当他们用此方法测试单个用户时，新的 ARLCH 方法比旧方法使用了更少的功率。随着用户角度远离中心，节省的功率变得更多。
拥挤的公园： 当他们增加用户数量（在模拟中最多增加到 8 人）时，新方法与旧方法之间的差距也随之扩大。对于 8 个用户的场景，ARLCH 比次优方法节省了约 29.1% 的功率。
“守旧派”： 模拟显示，其他论文中最常用的方法（LCUSH）实际上效率相当低。事实上，LCEH（中间方案）在 8 人场景下已经比 LCUSH 提高了约 17% 的效率。但 ARLCH 甚至超越了 LCEH。
更密的瓦片： 他们还测试了如果将瓦片排列得更紧密（间距缩小到 $\lambda/6$ ）会发生什么。即使在这些复杂的、拥挤的设置下，ARLCH 依然保持领先，比其他方法多节省了约 20% 的功率。

他们没有做的事情（以及他们排除了哪些情况）

了解这篇论文没有做的事情也很重要。

尚无实际硬件： 作者明确指出，他们还没有在真实的金属和硅片上实现这一点。他们还没有在包含“故障”（如断线或混乱的无线电波）的真实世界中进行测试。他们是在计算机上进行的模拟。
并非“魔法”修复： 他们并未声称可以忽略瓦片的“固执本质”（洛伦兹约束）。他们没有说：“直接用全数字系统并忘掉瓦片吧。”他们接受了瓦片的规则，并找到了与之共舞的更聪明的方式。
无上行链路或错误数据： 他们没有测试当系统不知道用户确切位置（不完美数据）或用户向墙发送信息（上行链路）时的情况。他们只研究了墙向用户发送信息（下行链路）且已知每个人确切位置的情况。

底线结论

这篇论文表明，通过将这些智能天线的“规则”视为灵活的而非僵硬的，我们可以节省大量的能量。ARLCH 方法就像一位大师级的指挥家，他不仅告诉管弦乐队演奏某个音符，还调整了整个房间的声学特性，以确保用最小的努力让音符听起来完美无瑕。

在这些模拟中，这种方法始终比现有的最佳方法节省了超过 20% 的功率，而且当你尝试与更多人交流时，节省的能量会变得更多。这是迈向未来 6G 网络的重要一步，使未来的网络不仅速度极快，而且极其节能。

技术摘要：面向具有动态超表面天线的多用户网络中的洛伦兹约束全息波束赋形优化

问题陈述
动态超表面天线（DMA）为 6G 及超越时代提供了一种极具前景的替代方案，用于替代全数字（FD）架构，利用低成本、可重构的超表面来实现混合波束赋形。然而，DMA 架构面临着一个根本性的权衡：虽然它们显著减少了所需的射频（RF）链路数量和硬件复杂度，但也对波束赋形权重施加了严格的物理约束。具体而言，DMA 元件表现为洛伦兹谐振器，其幅度与相位是内在耦合的，而非独立可调。这种“洛伦兹约束”限制了可用权重在复平面上的轨迹，使其仅限于特定的曲线（洛伦兹圆），这不同于传统阵列所假设的常模复圆。

在多用户多输入单输出（MISO）网络中，这一约束使资源分配变得复杂。核心问题是在满足多个用户的信噪比（SINR）约束下，最小化总发射功率。现有文献通常采用特定的投影方法，将理想的、无约束的波束赋形权重映射到洛伦兹圆上，但这些方法通常是孤立研究的。目前缺乏对不同映射策略（例如改变映射中心）进行系统性比较的方法，也缺乏能够更好地在减少射频链路数量与提升波束赋形性能之间进行权衡的算法，特别是在用户数量增加的情况下。

方法论
作者提出了一个结合交替优化（AO）与半正定松弛（SDR）方法的统一框架，用于优化 DMA 权重和数字预编码器。该求解过程包含两个主要子阶段：

数字预编码器优化： 在 DMA 权重固定的情况下，将问题重新表述为凸 SDR 问题，以优化数字预编码向量。
DMA 权重优化： 在数字预编码器固定的情况下，同样通过 SDR 进行松弛，以寻找最优的无约束权重。随后，这些理想权重被投影到物理可行的洛伦兹圆上。

本文引入并形式化了广义洛伦兹约束全息法（GMLCH）。该框架通过参数化洛伦兹圆上的映射中心 $(x_c, y_c)$ 来标准化投影过程。它允许对三种现有的映射策略进行系统性评估：

LCPH（洛伦兹约束相位全息）： 映射中心位于 $(0, 0)$ 。
LCEH（洛伦兹约束欧几里得全息）： 映射中心位于 $(0, 0.5)$ 。
LCUSH（洛伦兹约束酉平移全息）： 映射中心位于 $(0, 1.0)$ 。

在 GMLCH 的基础上，作者提出了一种新颖的算法：自适应半径洛伦兹约束全息（ARLCH）。与以往严格遵循单位洛伦兹圆直径的方法不同，ARLCH 通过在优化过程中动态调整洛伦兹圆的直径（半径）引入了一个额外的自由度。这使得算法能够找到最优的映射中心和直径，从而在归一化回单位条件之前，最小化理想无约束权重与物理约束权重之间的距离。

核心贡献

统一优化框架： 本文开发了一种新型的基于 SDP 和 AO 的算法，通过集成 GMLCH，实现了数字预编码器与 DMA 权重的联合优化。这使得在 QoS 保障下，对不同洛伦兹映射策略（LCPH、LCEH、LCUSH）进行直接且系统性的比较成为可能，填补了此前文献中的空白。
映射中心性能分析： 研究表明，映射中心的选择对性能有显著影响。结果显示，在用户数量较高的场景下，LCEH 的表现优于 LCUSH 和 LCPH，这对以往研究中普遍依赖 LCUSH 的做法提出了挑战。
新颖的 ARLCH 算法： 作者提出了 ARLCH，它利用洛伦兹圆直径的松弛来获得增强的波束赋形性能。该方法提供了一个额外的自由度，允许通过动态调整映射中心来更好地使理想权重与物理约束对齐。
可扩展性与效率： 本文提供了广泛的数值结果，表明 ARLCH 与基准方法相比显著降低了发射功率，且随着用户数量的增加，其性能增益愈发明显。

数值结果
仿真是在近场多用户 MISO 下行链路场景下进行的，采用 16x16 均匀平面阵列（UPA）和 28 GHz 频率。

单用户场景： ARLCH 与 LCUSH 以及基准 ADMM-SCA 方法相比，显著降低了发射功率。对于处于宽角度（ $80^\circ$ ）的用户，为了达到相同的 SINR，ARLCH 所需的发射功率约为 LCUSH 的一半。
多用户场景： 随着用户数（ $K$ ）的增加，由于自由度受限，DMA 架构与 FD 架构之间的性能差距扩大；然而，ARLCH 始终能缩小这一差距。与表现最好的 GMLCH 变体（LCEH）相比，ARLCH 在 $K=8$ 时实现了高达 29.1% 的发射功率降低。
映射策略比较： 研究发现，LCEH 的表现优于 LCUSH（文献中最常用的方法），在 $K=8$ 时高出约 17%。LCPH 表现最差，因为它容易导致下半平面元件被截断。
密集间距： 所提方法在更密的阵列单元间距（ $\lambda/6$ ）下仍保持稳健，ARLCH 保持了相对于其他 GMLCH 变体约 20% 的功率优势。

意义与主张
本文声称，其主要意义在于解决了 DMA 元件的结构性不匹配（即理想波束赋形需求与物理可调性之间的矛盾）。通过通过 GMLCH 将投影过程形式化，并引入自适应半径方法（ARLCH），作者证明了可以显著缩小低复杂度 DMA 架构与高复杂度全数字系统之间的性能差距。

作者谦虚地指出，由于采用了 SDP 公式，其优化方法的计算强度高于某些基准方法，但它提供了卓越的灵活性和性能。他们强调，结果突显了选择合适映射中心的重要性以及自适应半径优化的潜力。论文最后总结道，ARLCH 为未来的多用户网络提供了一种可扩展的解决方案，尽管作者也承认在物理实现之前，必须解决实际的硬件损伤、互耦以及不完美信道状态信息（CSI）等问题。

问题所在：固执的瓦片

重大发现：弹性的蹦床

数据说明

他们没有做的事情（以及他们排除了哪些情况）

底线结论

类似论文