ترجمه فارسی مقاله بهینه‌سازی آموخته‌شده سریع و آگاه از توان مصرفی برای شکل‌دهی پرتو دریافتی ماژولار

چکیده

Multiple-input multiple-output (MIMO) systems play a key role in wireless communication technologies. A widely considered approach to realize scalable MIMO systems involves architectures comprised of multiple separate modules, each with its own beamforming capability. Such models accommodate cell-free massive MIMO and partially connected hybrid MIMO architectures. A core issue with the implementation of modular MIMO arises from the need to rapidly set the beampatterns of the modules, while maintaining their power efficiency. This leads to challenging constrained optimization that should be repeatedly solved on each coherence duration. In this work, we propose a power-oriented optimization algorithm for beamforming in uplink modular hybrid MIMO systems, which learns from data to operate rapidly. We derive our learned optimizer by tackling the rate maximization objective using projected gradient ascent steps with momentum. We then leverage data to tune the hyperparameters of the optimizer, allowing it to operate reliably in a fixed and small number of iterations while completely preserving its interpretable operation. We show how power efficient beamforming can be encouraged by the learned optimizer, via boosting architectures with low-resolution phase shifts and with deactivated analog components. Numerical results show that our learn-to-optimize method notably reduces the number of iterations and computation latency required to reliably tune modular MIMO receivers, and that it allows obtaining desirable balances between power efficient designs and throughput.

چکیده به فارسی (ترجمه ماشینی)

سیستم های چند ورودی چند خروجی (MIMO) نقش مهمی در فن آوری های ارتباطی بی سیم دارند.یک رویکرد گسترده در نظر گرفته شده برای تحقق سیستم های MIMO مقیاس پذیر شامل معماری هایی است که از ماژول های چندگانه جداگانه تشکیل شده است ، هر کدام قابلیت پرتوهای خاص خود را دارند.چنین مدلهایی دارای MIMO عظیم عاری از سلول و معماری MIMO Hybrid تا حدی متصل هستند.مسئله اصلی در اجرای MIMO مدولار ناشی از نیاز به تنظیم سریع پرتوهای ماژول ها ، ضمن حفظ راندمان قدرت آنها است.این منجر به بهینه سازی محدود و چالش برانگیز می شود که باید به طور مکرر در هر مدت انسجام حل شود.در این کار ، ما یک الگوریتم بهینه سازی بهینه سازی قدرت را برای پرتو در سیستم های MIMO هیبریدی ماژولار Uplink ، که از داده ها یاد می گیرد تا به سرعت کار کند ، پیشنهاد می کنیم.ما بهینه ساز آموخته خود را با مقابله با هدف حداکثر سرعت با استفاده از مراحل صعود شیب پیش بینی شده با حرکت ، استخراج می کنیم.ما سپس داده ها را برای تنظیم بیش از حد پارامترهای بهینه ساز استفاده می کنیم و به آن اجازه می دهیم در حالی که عملکرد قابل تفسیر آن را کاملاً حفظ می کند ، در تعداد ثابت و کمی از تکرارها قابل اطمینان عمل کند.ما نشان می دهیم که چگونه می توان پرتوهای کارآمد با قدرت را با استفاده از بهینه ساز ، از طریق تقویت معماری با تغییر فاز با وضوح پایین و با اجزای آنالوگ غیرفعال تشویق کرد.نتایج عددی نشان می دهد که روش یادگیری به بهینه سازی ما به ویژه تعداد تکرارها و تأخیر محاسبات مورد نیاز برای تنظیم قابل اعتماد گیرنده های MIMO مدولار را کاهش می دهد و این امکان را می دهد تا تعادل مطلوب بین طرح های کارآمد و توان را بدست آورید.