Hoe Beamforming de Prestaties van Terahertz Communicatiesystemen Verbetert

De implementatie van beamforming in terahertz (THz) communicatiesystemen is van cruciaal belang voor het verbeteren van de prestaties van draadloze communicatie op uiterst hoge snelheden. Dit komt doordat THz-golven, die een frequentiebereik van 0,1 tot 10 THz bestrijken, zeer gevoelig zijn voor padverlies en blokkades in het communicatiekanaal. Om deze uitdagingen te overwinnen, worden verschillende beamforming-technieken toegepast die de efficiëntie en capaciteit van THz-systemen aanzienlijk kunnen verbeteren.

Traditionele MIMO-systemen (Multiple Input Multiple Output) maakten gebruik van digitale beamforming, waarbij elk antenne-element is verbonden met zijn eigen digitaal-naar-analoge converter en RF-keten. Dit werd mogelijk doordat het aantal antennes in traditionele systemen vaak beheersbaar was. Echter, wanneer THz-frequenties worden toegepast, wordt deze aanpak steeds minder haalbaar. De behoefte aan een steeds groter aantal antenne-elementen verhoogt de kosten en het energieverbruik, aangezien het stroomverbruik lineair stijgt met de bemonsteringssnelheid en exponentieel met het aantal bits per monster.

Om het energieverbruik te verlagen, werd analoge beamforming voorgesteld. In dit systeem deelt een enkele RF-keten zich over alle antenne-elementen, waarbij elk antenne-element een gefaseerde versie van hetzelfde signaal ontvangt. De faseverschuiving wordt aangepast op basis van de gewenste richting van de straal. Dit systeem is echter beperkt tot enkelvoudige transmissies met één stroom en één gebruiker, wat het minder geschikt maakt voor complexere communicatiescenario’s die meerdere gebruikers of gegevensstromen vereisen.

De toepassing van beamforming in THz-systemen is essentieel vanwege de eigenschappen van THz-golven, die doorgaans een zeer hoge path loss vertonen. Dit betekent dat zonder gerichte bundeling van het signaal, de efficiëntie van transmissie drastisch kan afnemen. Er zijn drie prominente soorten beamforming-technieken die veel worden gebruikt in THz-systemen:

1. Analoge Beamforming: Bij analoge beamforming wordt het signaal van elk antenne-element gecontroleerd door faseverschuivers en combinators, voordat het wordt uitgezonden. Dit zorgt ervoor dat het gecombineerde signaal in de richting van een specifieke gebruiker of gebied wordt gestuurd. De voordelen van deze techniek zijn de eenvoud en de lage energiebehoefte, wat het ideaal maakt voor THz-systemen, waar energie-efficiëntie van groot belang is. Het nadeel is echter dat het niet mogelijk is om meerdere stralen tegelijk te vormen, wat de flexibiliteit beperkt in dynamische communicatiescenario’s.

2. Digitale Beamforming: Bij digitale beamforming worden de signalen van elk antenne-element onafhankelijk verwerkt via digitale signaalprocessoren. Dit stelt het systeem in staat om meerdere stralen tegelijk te genereren, die gericht kunnen worden op verschillende gebruikers of richtingen. Digitale beamforming biedt daardoor een hoge precisie en flexibiliteit, vooral in dynamische omgevingen. De nadelen zijn de aanzienlijke rekenkracht en het energieverbruik, wat vooral problematisch is in Massive MIMO-systemen met een groot aantal antenne-elementen.

3. Hybride Beamforming: Hybride beamforming is een combinatie van analoge en digitale technieken, waarbij een beperkt aantal digitale signaalverwerkingsketens wordt gebruikt, elk gekoppeld aan een groep antennes via een analoge beamforming-netwerk. Deze aanpak biedt een compromis tussen de voordelen van digitale beamforming en de eenvoud van analoge systemen, waardoor het geschikt is voor het ondersteunen van meerdere gebruikers en het aanpassen aan veranderende kanaalomstandigheden, terwijl de hardware- en energievereisten lager blijven dan bij volledig digitale systemen.

De keuze tussen deze technieken hangt sterk af van de specifieke vereisten van het THz-systeem. Analoge beamforming is eenvoudiger en energiezuiniger, maar beperkt in flexibiliteit. Digitale beamforming biedt hoge flexibiliteit en precisie, maar heeft hogere energie- en rekenkrachtbehoeften. Hybride beamforming biedt een interessante middenweg, maar vereist zorgvuldige afwegingen van prestaties, kosten en energieverbruik.

Antenneontwerpen spelen ook een cruciale rol in THz-communicatie, omdat de kortere golflengten van THz-golven compacte antennes mogelijk maken. Het ontwerpen van antennes die zowel een hoge efficiëntie als een hoge versterking bieden over het brede THz-spectrum is echter een complexe uitdaging. Innovaties in materialen, zoals het gebruik van grafeen en andere nanomaterialen, worden onderzocht om antennes te ontwikkelen die voldoen aan de eisen van THz-communicatiesystemen.

Tot slot is het belangrijk om te begrijpen dat accurate kanaalmodellering een onmiskenbare rol speelt in het ontwerp van THz-communicatiesystemen. Omdat de propagatie-eigenschappen van THz-golven sterk verschillen van die van lagere frequentiebanden, kunnen bestaande kanaalmodellen niet zonder meer worden toegepast. Het ontwikkelen van THz-specifieke kanaalmodellen is essentieel voor het simuleren en voorspellen van systeemprestaties onder verschillende omgevingsomstandigheden.

De toepassing van THz-communicatie zal waarschijnlijk de komende jaren een revolutie teweegbrengen in draadloze technologieën, waarbij de juiste balans tussen technologieën zoals beamforming en antenneontwerpen essentieel zal zijn voor het succes van de systemen. Het begrijpen van de fundamentele principes van THz-communicatie is van vitaal belang voor het maximaliseren van de mogelijkheden van deze opwindende nieuwe technologie.

Hoe de Pilotvermogen en het Aantal Antennes de Prestaties van Co-located en Cell-Free mMIMO Netwerken Beïnvloeden

De grafiek in Figuur 3.5 toont de relatie tussen de prestaties van PUs en SUs (Secondary Users) voor verschillende aantallen SBS-antennes in co-located mMIMO netwerken en verschillende aantallen SAPs in cell-free mMIMO netwerken. De analyse laat zien dat Po onafhankelijk is van het aantal SBS-antennes en het aantal SAPs, hetgeen te verklaren valt door het gebruik van genormaliseerde MR-precoding bij de SBS en SAPs tijdens de downlink (DL) datatransmissie. Dit betekent dat Po bij PUs in zowel co-located mMIMO als cell-free mMIMO netwerken constant blijft, ongeacht veranderingen in het aantal antennes of SAPs.

De invloed van verschillende waarden van het interferentiedrempel-Īp wordt getoond in Figuur 3.6. Wanneer Īp toeneemt, wordt de interferentie-outage (IOP)-beperking losser, wat ertoe leidt dat de kans groter wordt dat SUs een hogere UL (uplink) SE (spectrale efficiëntie) behalen, terwijl de kans voor PUs om hogere UL SE te behalen afneemt. Dit gebeurt omdat hogere waarden van Īp meer interferentie veroorzaken voor de PUs, wat vooral zichtbaar is in zowel co-located als cell-free mMIMO netwerken.

Een ander aspect is de invloed van het aantal antennes van SBS en SAP op de SE van zowel PUs als SUs. In Figuur 3.7 wordt het CDF (cumulatieve distributiefunctie) van de DL SE getoond voor verschillende netwerkomstandigheden. Wanneer het aantal antennes in co-located mMIMO BS (Base Stations) of het aantal SAPs en PAPs toeneemt, neemt de kans toe dat zowel PUs als SUs een hogere SE behalen. De cell-free mMIMO netwerken blijken beter te presteren dan co-located mMIMO netwerken voor PUs, terwijl zwakkere SUs in cell-free mMIMO netwerken een significante boost in prestaties ervaren.

Deze bevindingen suggereren belangrijke ontwerpinzichten voor mMIMO-gebaseerde onderlay netwerken. In cell-free mMIMO netwerken blijkt dat de SAPs minder vermogen moeten terugdraaien dan de SBS in co-located mMIMO netwerken om dezelfde IOP te handhaven. Dit maakt cell-free mMIMO-netwerken efficiënter in het benutten van de beschikbare capaciteit, met name voor zwakkere SUs, terwijl ze tegelijkertijd de prestaties van de PUs verbeteren.

Bij het ontwerpen van mMIMO onderlay netwerken is het belangrijk om rekening te houden met verschillende factoren, zoals de nauwkeurigheid van kanaalschatting, het aantal antennes en het vermogen van de pilots. Netwerken die gebruikmaken van cell-free mMIMO bieden aanzienlijke voordelen voor zowel PUs als SUs, vooral wanneer interferentie en pilotverontreiniging goed beheerd worden.

Hoe wordt het padverlies en de kanaalrespons van VLC-modellen bepaald?

Zemax® is een populaire tool voor het modelleren van dit soort kanalen, waarbij de software een uitvoerbestand genereert dat de gedetecteerde kracht en de padlengtes van de lichtstralen bevat. Dit bestand wordt vervolgens geïmporteerd in Matlab®, waar het wordt gebruikt om de Channel Impulse Response (CIR) te representeren. De tijdsrespons van het kanaal kan dan worden uitgedrukt als een som van impulsen van de stralen, die via de Dirac-deltafunctie de detectietijd beschrijven. Dit biedt een handig hulpmiddel voor het modelleren van de signaalverwerking in dergelijke systemen.

De berekening van het kanaalversterking in de Line-of-Sight (LoS) situatie wordt gegeven door een analytische formule, waarbij de parameters zoals de afstand tussen de LED en de PD, de invalshoek van het licht en de optische concentratorversterking in aanmerking worden genomen. De optische concentratorversterking kan uitgedrukt worden in termen van de brekingsindex van de concentrator en het gezichtsveld van de PD. Daarnaast wordt de sterkte van het Lambertiaanse emissie-licht aangegeven, afhankelijk van de halflengte van de LED.

Stochastische modellen bieden een alternatief, waarbij de kanaalrespons wordt gekarakteriseerd door de wet van golfverspreiding, die wordt toegepast op de geometrieën van de specifieke LED’s, fotodetectoren en verstrooiers in het systeem. Dit model is met name nuttig voor het simuleren van diffusiekanalen, die optreden wanneer het licht meerdere keren weerkaatst wordt in een binnenomgeving. Het stochastische model houdt rekening met de ruimte- en tijdsvariabiliteit van de kanalen, wat cruciaal is voor het simuleren van realistische omstandigheden, zoals in scenario’s waar de gebruikers zich door een ruimte bewegen.

Hoewel de stochastische modellen belangrijk zijn voor het begrijpen van de kanaalrespons in situaties met diffuse links, is er steeds meer nadruk op het ontwikkelen van modellen die de mobiliteit van de gebruikers realistisch simuleren. In dit kader zijn recente studies, zoals die in [8] en [9], die gebruik maken van het random-way-point (RWP) mobiliteitsmodel, van belang. Dit model biedt inzicht in de variabiliteit van het signaal-ruis-verhouding (SNR) in binnen LiFi-systemen. De waarschijnlijkheidsverdeling van het kanaal kan worden beschreven met een complexe formule die rekening houdt met diverse factoren zoals de afstand tot de LED en de geometrische eigenschappen van de detector.

Een belangrijk aspect van het modeleren van de kanaalrespons is de oriëntatie van de gebruikersapparaten, wat vaak wordt verwaarloosd in veel studies. De meeste onderzoeken veronderstellen dat apparaten altijd in dezelfde richting wijzen, wat in werkelijkheid niet het geval is. De oriëntatie van bijvoorbeeld smartphones heeft een aanzienlijke invloed op de doorvoersnelheid van LiFi-systemen. Onderzoeken zoals [10] hebben geprobeerd het effect van willekeurige oriëntaties in hun modellen te integreren, maar de meerderheid van de studies veronderstelt nog steeds een uniforme of Gaussiaanse verdeling voor de oriëntatie van de ontvanger.

Recentelijk zijn er experimentele metingen uitgevoerd die voor het eerst de polar- en azimuth-hoeken van gebruikersapparaten in kaart hebben gebracht. Deze metingen suggereren dat de polarhoek efficiënt gemodelleerd kan worden met behulp van een afgeknotte Laplace-distributie voor stationaire gebruikers of een afgeknotte Gaussiaanse distributie voor mobiele LiFi-gebruikers. De azimuth-hoek blijkt zich in beide gevallen uniform te verdelen, wat nieuwe inzichten biedt voor de ontwikkeling van realistische modellen voor draadloze communicatie in licht.

Naast de dynamische aard van de gebruikersorïentatie is er ook een groeiende belangstelling voor de rol van verschillende soorten reflecties en verstrooiingen in het kanaal. Het is gebleken dat de typische kanaalrespons sterk wordt beïnvloed door zowel de directe lijn-van-zichtcomponent als de indirecte componenten die door meerdere reflecties en diffuses verstrooiing ontstaan. De impact van deze reflecties moet zorgvuldig worden geanalyseerd, vooral in binnenomgevingen, aangezien de reflectieparameters sterk variëren afhankelijk van de oppervlakken en materialen in de ruimte.

Hoe Machine Learning de Viterbi Detectie en Modulatieherkenning in Draadloze Communicaties Verbeterd

In moderne draadloze communicatiesystemen speelt de detectie van verzonden symbolen een cruciale rol. De toepassing van machine learning (ML) biedt hierbij nieuwe mogelijkheden, vooral bij het verbeteren van traditionele algoritmen zoals de Viterbi-algoritme, dat voor symbolenherkenning wordt gebruikt. In dit verband komt de integratie van ML-modellen met ViterbiNet, een geavanceerde architectuur die het traditionele Viterbi-algoritme uitbreidt, naar voren als een krachtige benadering. Dit systeem maakt gebruik van trainingsdata om de log-likelihood te berekenen, wat een kerncomponent is in de maximale waarschijnlijkheidsdetector.

Het Viterbi-algoritme, een van de bekendste decoders in de digitale communicatiewereld, vereist normaal gesproken gedetailleerde kennis van de kanaalstatistieken, zoals de conditionele kansverdeling van het kanaaluitgangssignaal gegeven het ingangsconstellatiesymbool. Dit kan echter problematisch zijn wanneer er onzekerheid bestaat over de kanaalstaatinformatie (CSI), of wanneer het kanaal dynamisch of tijdsafhankelijk is. In een traditionele aanpak wordt een veronderstelling van stationaire kanalen gemaakt, waarbij de kansverdeling van de uitgang afhankelijk is van het huidige en vorige ingangsvermogen en de geheugengrootte van het kanaal. In dergelijke gevallen kan de log-likelihoodfunctie, die essentieel is voor de maximale waarschijnlijkheidsdetector, direct worden geoptimaliseerd met behulp van ML-methoden.

Een ander gebied waarin ML een aanzienlijke impact heeft, is modulatieherkenning. Dit proces is van cruciaal belang voor draadloze communicatiesystemen, omdat het helpt bij het identificeren van de modulatiestructuur van een ontvangen signaal, wat essentieel is voor demodulatie en verdere decodering. Modulatieherkenning wordt voornamelijk toegepast in cognitieve radio’s, spectrummonitoring en adaptieve modulatie- en coderingsschema's, waarbij het vaak nodig is om de modulatiestrategie te identificeren zonder voorafgaande kennis van het kanaalmodel. Traditionele benaderingen van modulatieherkenning zijn gebaseerd op theoretische besluitvormingsmodellen of statistische methoden, die gebruik maken van vooraf bekende kanaalparameters en -modellen. Deze methoden hebben echter beperkingen, vooral wanneer het kanaal model onbekend of tijdsafhankelijk is.

Deze ML-gebaseerde benadering van modulatieherkenning wordt steeds belangrijker voor draadloze communicatiesystemen die moeten omgaan met variabele en onbekende kanaalomstandigheden. De toepassing van ML kan vooral nuttig zijn voor toepassingen zoals spectrum sensing en cognitieve radio’s, waar het vermogen om de modulatie snel en nauwkeurig te herkennen essentieel is voor het efficiënt beheren van draadloze middelen. Bovendien, door gebruik te maken van ML-modellen die leren van de ontvangen gegevens, kunnen deze systemen zich beter aanpassen aan veranderende kanaalomstandigheden en evoluerende communicatienetwerken.

In de praktijk worden de prestaties van ML-gebaseerde systemen, zoals ViterbiNet, vaak vergeleken met de optimale prestaties van traditionele systemen die expliciete kennis van het kanaal vereisen. De studies die aan deze nieuwe ML-methoden zijn gewijd, hebben aangetoond dat de benaderingen in de meeste gevallen zeer goed presteren, zelfs in scenario's waar er onzekerheid is over de kanaalparameters. Dit benadrukt het potentieel van ML om te functioneren als een krachtige vervanger voor traditionele benaderingen die afhankelijk zijn van gedetailleerde kanaalinformatie.

Machine learning heeft zijn waarde bewezen in zowel symbolenherkenning als modulatieherkenning, doordat het mogelijk maakt om met meer flexibiliteit om te gaan met dynamische en onbekende kanaalomstandigheden. Het stelt draadloze communicatiesystemen in staat om beter om te gaan met de onvoorspelbaarheid van echte wereldomgevingen, wat resulteert in een verbeterde signaalverwerking en verhoogde prestaties van communicatienetwerken.