⚡ electrical engineering

Deep-Unfolded Wideband ISAC Beamforming for DMA Under Frequency-Selective Lorentzian Model

本文提出了一种针对采用洛伦兹频率选择性模型的动态超表面天线（DMA）宽带通感一体化（ISAC）系统的深度展开交替优化框架，该框架显著提升了通信与雷达性能，且与传统的频率平坦近似及标准优化方法相比，加速了收敛过程。

原作者： Abdolrasoul Sakhaei Gharagezlou, Pouya Mobaraki, Mehdi Monemi, Nhan T. Nguyen, Mehdi Rasti, Samad Ali, Matti Latva-aho

发布于 2026-07-07

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Abdolrasoul Sakhaei Gharagezlou, Pouya Mobaraki, Mehdi Monemi, Nhan T. Nguyen, Mehdi Rasti, Samad Ali, Matti Latva-aho

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，你正在试图指挥一支庞大且高科技的管弦乐队（天线），让它在同一时间演奏两首不同的乐曲：一首是给你的朋友听的（通信数据），另一首是用于声呐系统以寻找隐藏物体的（雷达感知）。这就是 ISAC（集成感知与通信）所面临的挑战。

在这篇论文中，研究人员正在研究一种特殊类型的天线，称为 DMA（动态超表面天线）。请不要把 DMA 仅仅看作一个巨大的扬声器，而要把它想象成一面覆盖着数千个可调“叶片”或“阀门”的墙。每个叶片都可以通过调整来改变声音（或无线电波）在其上反射的方式。

以下是他们发现的详细解读，使用了简单的类比：

1. 问题所在：“一刀切”的错误

长期以来，工程师在设计这些天线时，总是假设墙上的每一个“叶片”对每一段音符的反应都是相同的。他们把天线当作一面平整、刚性的镜子，认为它会平等地反射所有频率。

作者指出，在处理宽带信号（即携带大量数据，如 5G 或未来 6G 的信号）时，这是一个巨大的错误。

类比： 想象一下，如果你假设钢琴上的每个键都一样，那么你就无法调准钢琴。如果你按下低音键，琴弦振动得慢；如果你按下高音键，琴弦振动得快。如果你把它们视为同一种情况，你的音乐听起来就会走调。
现实情况： 在宽带系统中，天线的“叶片”实际上会根据频率（即“音高”）表现出不同的行为。它们具有特定的“共振”（就像秋千在受到正确的推力时会荡得更高）。旧的模型忽略了这一点，导致产生了大量的“噪声”和误差。

2. 解决方案：“智能调音”模型

研究人员提出了一种使用**频率选择性洛伦兹模型（Frequency-Selective Lorentzian Model）**来描述这些叶片的新方法。

类比： 与其将叶片视为刚性镜子，不如将它们建模为音叉。音叉具有特定的形状和重量，使其在特定的音高下产生最佳振动。如果你用不同的音高去敲击它，它的反应就会不同。
结果： 通过使用这种“音叉”模型，我们可以调整天线的“共振频率”和“阻尼”（即停止振动的快慢），从而完美匹配正在使用的宽频范围。这使我们能够更精确地控制信号的幅度（大小）和相位（时序）。

3. 挑战：“走钢丝”

目标是平衡两个相互竞争的需求：

与用户通信： 确保手机信号强且清晰。
寻找目标： 确保雷达“回波”足够响亮，以便探测到物体。

这就像是在走钢丝的同时还要玩杂耍。如果你过于关注通话，雷达信号就会变弱；如果你过于关注雷达，手机信号就会下降。他们正在操控的变量包括：

数字波束成形： 告诉天线指向何处的软件指令。
共振频率： 天线叶片的“音高”。
阻尼因子： 叶片的“弹性”程度。

这三者是紧密耦合在一起的。改变其中一个就会影响其他变量，使得数学求解变得极其困难。

4. 方法：“深度展开”（智能教练）

为了解决这个数学难题，他们首先创建了一种标准的逐步法，称为投影梯度上升法（PGA）。

类比： 想象你被蒙着眼睛站在一座山上，想要找到最高峰。你迈出一步，感受坡度，然后再迈出下一步。这就是标准的方法。它有效，但速度很慢，而且你必须猜测每一步该跨多大。如果你迈的步子太大，可能会掉下悬崖；如果太小，你永远也到达不了顶峰。

为了解决速度缓慢的问题，他们使用了**深度展开（Deep Unfolding）**技术。

类比： 与其只是盲目地行走，不如建立一个智能教练（AI）来观察这位蒙眼行者。教练通过数千次的练习，学习在每一时刻应该迈出多大的步伐，才能以最快的速度到达顶峰。
运作方式： 他们将标准的数学步骤转化为了神经网络的层。他们“训练”了这个网络，使其学会了完美的步长。
优势： “智能教练”方法找到最优解的速度比标准方法快 20 倍，并且在不需要猜测步长的情况下，实现了 7% 的性能提升（更强的信号）。

5. 结果：为什么这很重要

论文通过模拟实验测试了他们的想法：

更高的准确度： 使用新的“频率选择性”模型而非旧的“平整镜面”模型，性能提升了约 20%。旧模型在宽带场景下的准确性极低，会导致信号时序和强度的巨大误差。
更快的速度： “智能教练”（深度展开的 PGA）找到最优解的速度比传统的“盲目行走”方法快得多。
更好的平衡： 他们成功地同时平衡了高速互联网和精确雷达感知的需求，表现优于以往的方法，例如“最大比传输”（只顾着大声喊叫）或“迫零算法”（试图消除干扰但在复杂环境中往往会失败）。

总结

该论文指出：“我们发现，为现代宽带网络设计这些特殊天线的方法过于简单了。通过将天线部件视为复杂的‘音叉’而非‘平整镜面’，并利用智能 AI 教练来加速数学运算，我们可以显著提升这些天线同时完成两项任务的能力：既能与你的手机通话，又能通过雷达探测物体。”

技术摘要：面向频率选择性洛伦兹模型的深度展开宽带 ISAC 波束赋形

1. 问题陈述

本文研究了集成感知与通信（ISAC）系统中，利用动态超表面天线（DMA）在宽带和超宽带场景下的波束赋形设计。现有文献中存在一个关键局限性，即依赖于 DMA 元件的频率平坦洛伦兹模型。虽然这种近似对于窄带系统是准确的，但无法捕捉宽带环境下 DMA 元件的频率相关电磁行为。这种差异会导致显著的幅度误差（数 dB）和相位偏差（数十度），从而导致性能下降。

核心挑战在于如何联合优化 数字波束赋形矩阵、共振频率 以及 DMA 元件的 阻尼因子，以平衡通信用户的综合信干噪比（SINR）与雷达目标的信噪比（SNR）。该优化过程由于以下因素变得复杂：

决策变量之间的强耦合性。
在频率选择性洛伦兹模型下目标函数的非凸性。
传统迭代优化方法（特别是步长敏感性）的计算强度，这些方法往往无法在宽带信道的相干时间内收敛。

2. 方法论

作者提出了一个两阶段解决方案：

A. 交替投影梯度上升（PGA）框架
首先，作者开发了一个基于交替优化的模型驱动优化框架。该算法通过迭代更新三个变量块，同时保持其他变量固定：

共振频率 ( $f^R$ )： 使用从目标函数导出的闭式梯度进行更新。
阻nel 因子 ( $\kappa$ )： 同样使用导出的闭式梯度进行更新。
数字波束赋形矩阵 ( $W_m$ )： 通过投影梯度上升步骤进行更新，随后进行归一化投影以满足总发射功率预算。

作者推导了在频率选择性洛伦兹响应模型下，目标函数（用户 SINR 和雷达 SNR 的加权和，外加 QoS 约束惩罚项）对所有优化变量的显式闭式梯度。

B. 深度展开 PGA 架构
为了克服传统 PGA 中收敛缓慢和对手动调优步长敏感的问题，作者采用了**深度展开（Deep Unfolding）**技术。

架构： 将迭代式 PGA 算法展开为固定数量的可训练层。每一层对应一次 PGA 迭代，执行梯度评估、变量更新和投影操作。
可学习参数： 每个变量更新的步长 ( $\mu_{f^R}, \mu_{\kappa}, \mu_{W}$ ) 被视为从数据中学习的可训练超参数。
训练： 该网络以无监督方式进行训练，直接最大化目标函数，而无需需要标签化地面真值波束赋形解。损失函数定义为最终层处目标函数的负值。
可解释性： 与黑盒深度学习不同，这种架构保留了模型驱动优化规则（梯度和投影）的物理可解释性，同时利用数据来调整更新轨迹。

3. 核心贡献

频率选择性建模： 本文证明了在宽带 DMA 系统中使用频率平坦近似会导致显著的性能退化。因此提出了使用频率选择性洛伦兹模型，以准确表征 DMA 元件在整个带宽内的幅度和相位变化。
闭式梯度推导： 作者推导了非凸目标函数对共振频率、阻尼因子和数字波束赋形向量的闭式梯度，从而实现了高效的 PGA 更新。
深度展开优化： 引入了一种新型的深度展开 PGA 框架。它通过从数据中学习最优步长来加速收敛并提高最终目标值，避免了在线线搜索方法的计算开销。
联合优化： 该工作为近场宽带 ISAC 环境下联合优化混合波束赋形参数（数字参数和模拟/动态超表面参数）提供了全面的解决方案。

4. 仿真结果

研究人员使用一个具有 $N_d=5$ 条微带线和每条微带线 $N_e=10$ 个元件的 DMA 基站进行了广泛的仿真，工作频率为 10 GHz，带宽为 1 GHz。

模型准确性： 频率选择性洛伦兹模型在目标值上比频率平坦近似高出约 20%，证实了准确的宽带建模的必要性。
收敛速度： 深度展开 PGA 方法的收敛速度比经典 PGA 快约 20 倍，比带有线搜索的 PGA 快约 5 倍。它也比最大比传输（MRT）和迫零（ZF）预编码基准收敛得显著更快。
性能增益： 与经典 PGA 基准相比，深度展开方法将目标值提高了多达 7%。此外，它相比 MRT 和 ZF 预编码分别实现了约 3 倍和 3.75 倍的增益。
可扩展性： 随着 DMA 元件数量的增加，所提方法与基准方法之间的性能差距进一步扩大，突显了该方法在大型阵列配置中的有效性。
复杂度： 所提方法避免了传统 PGA 所需的逐次迭代线搜索开销，提供了更具计算效率的推理过程。

5. 意义与主张

本文声称，所提出的方法通过弥合物理准确性与计算效率之间的鸿沟，为下一代宽带 ISAC 系统提供了鲁棒的解决方案。

物理保真度： 通过采用频率选择性洛伦兹模型，系统避免了会导致宽带性能下降的显著相位和幅度失配，从而实现更可靠的通信和更具韧性的感知。
算法效率： 深度展开框架解决了传统迭代求解器的“收敛慢”和“超参数调优”瓶颈。它在固定的迭代次数内实现了快速收敛，且未牺牲基于模型的优化之可解释性。
实际部署： 结果表明，这种方法有助于在宽带 ISAC 网络中实现大规模 DMA 阵列的高能效和低成本部署，为维持高性能的同时提供了一种可行的替代全数字架构方案。

作者总结道，结合准确的频率选择性建模与数据驱动的深度展开，对于实现高性能、可扩展的基于 DMA 的宽带 ISAC 系统至关重要。