Résumé - Un modèle fondamental pour le précodage MIMO massif avec un compromis de débit-énergie adaptatif par utilisateur

Un modèle fondamental pour le précodage MIMO massif avec un compromis de débit-énergie adaptatif par utilisateur

2025-07-24 17:10:06

{"Jérôme Emery","Ali Hasanzadeh Karkan","Jean-François Frigon","François Leduc-Primeau"}

{eess.SP,cs.AI}

Ce document propose un modèle fondamental pour le précodage massive MIMO (mMIMO) qui vise à minimiser la consommation d'énergie tout en s'adaptant dynamiquement aux besoins de débit par utilisateur. Le modèle utilise des techniques d'apprentissage profond (DL) pour apprendre la correspondance entre les informations d'état du canal (CSI) et les vecteurs de précodage, réduisant considérablement la complexité computationnelle par rapport aux méthodes d'optimisation traditionnelles. Le modèle fondamental proposé se compose d'une architecture de transformateur-encodeur avec un extracteur de caractéristiques partagé et des couches de sortie spécifiques à l'environnement. L'extracteur de caractéristiques apprend des représentations robustes de la CSI, permettant au modèle de généraliser à travers différents sites de déploiement. Les couches de sortie prédisent la matrice de précodage, le vecteur de sélection d'antenne et le facteur de mise à l'échelle de puissance pour chaque environnement. Le modèle est entraîné à l'aide d'une fonction de perte à objectifs multiples qui minimise la consommation d'énergie tout en satisfaisant les besoins de débit des utilisateurs. Le processus d'entraînement implique deux phases : l'entraînement préalable et l'entraînement à objectifs multiples. Pendant l'entraînement préalable, le modèle est entraîné pour maximiser le débit total, tandis que pendant l'entraînement à objectifs multiples, il apprend à équilibrer la consommation d'énergie et la satisfaction des besoins de débit des utilisateurs. Le modèle fondamental proposé démontre une excellente performance dans divers scénarios de déploiement, y compris les configurations sans et avec peu de données. Il surpasse les algorithmes de base traditionnels tels que le forcing à zéro (ZF) et le minimum moyen quadratique pondéré (WMMSE) en termes de débit total et d'efficacité énergétique. De plus, le modèle montre des capacités de généralisation fortes, atteignant une performance proche de l'optimal dans des environnements de déploiement non vus. Le document introduit également une méthode d'augmentation des données pour répondre au défi des données d'entraînement limitées. Cette méthode trouve des environnements d'entraînement similaires au site de déploiement en calculant un métrique de similitude sur les sorties de l'extracteur de caractéristiques. Grâce à cette technique d'augmentation des données, le modèle peut être adapté efficacement à de nouveaux sites de déploiement avec un minimum de données d'entraînement. En conclusion, le modèle fondamental proposé pour le précodage mMIMO offre une solution prometteuse pour des systèmes de communication sans fil économes en énergie et robustes. Sa capacité à apprendre des représentations robustes et à s'adapter à de nouveaux sites de déploiement avec un minimum de données d'entraînement le rend un outil précieux pour permettre l'utilisation des technologies mMIMO avancées en pratique.