Beamforming Design for Massive MIMO Systems with Deep Neural Networks

L’avènement des communications sans-fil à très grand nombre d’entrées et de sorties (massive multiple-input multiple-output ou MIMO massif) a redéfini le fonctionnement systèmes de communication sans-fil, exploitant un ensemble d’antennes pour améliorer l’efficacité spectrale (SE) et la capacité du système. Les techniques de formation de faisceau jouent un rôle crucial dans les performances du MIMO massif, avec deux catégories principales : le précodage entièrement numérique (FDP) et la formation de faisceau hybride (HBF). Alors que le FDP offre de la flexibilité mais au détriment de la complexité matérielle, le HBF équilibre complexité et performance. Cependant, le calcul pour la formation de faisceau est difficile en raison de facteurs tels que l’information d’état de canal (CSI) imparfaite, les problèmes d’optimisation non convexes et les connexions de sous-réseau discrètes dans le HBF. Aborder ces défis est crucial pour maximiser les avantages de la formation de faisceau dans les systèmes MIMO massif. Les approches traditionnelles font face à des problèmes d’optimisation non convexes et la dépendance à l’égard d’un CSI précis. Ces inconvénients entravent leur extensibilité et leur efficacité, conduisant souvent à des performances sous-optimales. De plus, l’acquisition d’un CSI précis introduit une surcharge de signalisation substantielle. Pour surmonter ces défis, il existe un intérêt croissant à exploiter la puissance de techniques utilisant l’apprentissage profond (DL). Dans cette thèse, nous abordons la question cruciale : «Comment l’apprentissage profond peut améliorer les performances globales des systèmes MIMO massif?» Notre travail se concentre sur le développement de solutions de formation de faisceau basées sur l’apprentissage profond qui dépassent les limites des méthodes conventionnelles. Plus précisément, nous explorons divers schémas de formation de faisceau, y compris le pré-codage entièrement numérique, la formation de faisceau hybride et le MIMO massif sans cellule (CF-mMIMO), avec différents niveaux de connaissances du CSI, couvrant les systèmes avec duplexage en fréquence (FDD) et duplexage en temps (TDD). Le premier aspect abordé dans cette recherche est l’utilisation de l’apprentissage profond pour la conception de faisceau. En utilisant des réseaux neuronaux profonds avec apprentissage non-supervisé et en utilisant la rétroaction de l’indicateur de force du signal reçu (RSSI), une nouvelle approche est proposée pour concevoir des pré-codeurs hybrides sans dépendre de l’estimation et de la rétroaction du CSI. Cette méthode réduit non seulement la complexité de calcul et la latence de manière significative, mais atteint également une efficacité spectrale près de l’optimal.