Machine Learning for beam Alignment in mmWave massive MIMO - TEL - Thèses en ligne Access content directly
Theses Year : 2023

Machine Learning for beam Alignment in mmWave massive MIMO

Apprentissage automatique pour l'Alignement des faisceaux pour les systèmes MIMO massifs à ondes millimétriques

Abstract

The escalating demand for spectral efficiency driven by the stringent requirements of 5G networks has spurred the development of mmWave MIMO technology, promising significant architectural improvements through advanced precoding techniques. This technology presents substantial gains in spectral and energy efficiencies compared to traditional MIMO systems. However, the transformative potential of mmWave MIMO is hampered by the complex realities of real-world urban environments and the intricate physical properties inherent to mmWave frequencies.Crucially, in mmWave massive MIMO communication, beamforming and combining play pivotal roles: the high bandwidth and operating frequency of mmWave systems necessitate analog domain beamforming/combining, rendering fully digital approaches technically non feasible. At the heart of mmWave large-dimensional MIMO lies the Beam Alignment problem, requiring the identification of optimal transmit and receiver beam pairs that maximize the Signal-to-Noise ratio, ensuring a robust initial link.Existing standards, such as WiGig, employ exhaustive beam sounding methods, testing each possible beam pair to find the one maximizing SNR. Consequently, it leads to substantial pilot-signaling overhead, the major problem we aim to encounter throughout this PhD. Our research revolutionizes Beam Alignment by integrating cutting-edge machine learning techniques for Partial Beam Alignment, significantly reducing the pilot overhead by soundings a subset of beam pairs using sub-sampled codebooks. Therefore, we leverage the received signal energies from these beam pairs soundings, employing shallow neural networks, matrix factorization, and their variants for accurately resolving non-linear and logistic regression problems, crucial for determining the quality of the remaining beam pairs.A fundamental objective of this thesis is to determine the sample complexity for these machine learning methods. This complexity dictates the minimum number of training samples necessary for effective learning and reliable transmission. We delve into the performance of the proposed ML models without prior channel estimation, introducing the concept of Blind Beam Alignment, thus pioneering a paradigm shift. Furthermore, our research delves deep into the nuances of quantization, a vital practical constraint. We then explore critical compromises: identifying the minimum overhead ratio corresponding to the optimal quantization scheme on the one hand and navigating the classic trade-off between accuracy and complexity on the other hand.Through systematic progression, ranging from basic point-to-point narrowband scenarios to intricate wideband multi-user architectures, this PhD thesis offers valuable insights and solutions. The proposed contributions advance the fields of mmWave communications and Machine Learning applications in wireless systems, outperforming existing benchmarks, and encountering the limitations of conventional approaches.
La demande croissante en efficacité spectrale, stimulée par les exigences strictes des réseaux 5G, a accéléré le développement de la technologie MIMO en ondes millimétriques, offrant des améliorations architecturales significatives grâce à des techniques de précodage avancées. Cette technologie présente des gains substantiels en termes d'efficacité spectrale et énergétique par rapport aux systèmes MIMO traditionnels. Cependant, le potentiel transformateur du MIMO en mmWave est entravé par les réalités complexes des environnements urbains réels et les propriétés physiques complexes inhérentes aux fréquences des ondes millimétriques.De manière cruciale, dans les communications massives MIMO en mmWave, le beamforming et le combining jouent des rôles essentiels : la large bande passante et la fréquence de fonctionnement élevée des systèmes à ondes millimétriques nécessitent un beamforming/combining dans le domaine analogique, rendant les approches entièrement digitales techniquement impossibles. Au cœur du MIMO massif en mmWave se trouve le problème d'Alignement des Faisceaux, exigeant l'identification des paires de faisceaux d'émission et de réception optimales qui maximisent le rapport signal/bruit, assurant ainsi une liaison initiale robuste.Les normes existantes, telles que WiGig, utilisent des méthodes exhaustives de sondage des faisceaux, testant chaque paire de faisceaux possible pour trouver celle qui maximise le SNR. Cependant, cela entraîne un surcoût important de signalisation de pilotes: le principal problème que nous cherchons à résoudre tout au long de cette thèse de doctorat. Notre recherche révolutionne l'Alignement des Faisceaux en intégrant des techniques de pointe en apprentissage automatique pour l'Alignement Partiel des Faisceaux, réduisant considérablement les surcharge de pilotes en ne sondant qu'un sous-ensemble de paires de faisceaux à l'aide de codebooks sous-échantillonnés. Ainsi, nous exploitons les énergies des signaux reçus à partir de ces sondages de paires de faisceaux, en utilisant des réseaux neuronaux peu profonds, la factorisation matricielle et leurs variantes pour résoudre avec précision des problèmes de régression non-linéaire et logistique, cruciaux pour déterminer la qualité des paires de faisceaux restantes.Un objectif fondamental de cette thèse est de déterminer la complexité de l'échantillonnage pour ces méthodes d'apprentissage automatique. Cette complexité dicte le nombre minimum d'échantillons d'entraînement nécessaires pour un apprentissage efficace et une transmission fiable. Nous examinons également les performances des modèles ML proposés sans estimation préalable du canal, introduisant le concept d'Alignement Aveugle des Faisceaux, ouvrant ainsi la voie à un changement radical de paradigme. De plus, notre recherche explore en profondeur les subtilités de la quantification, une contrainte pratique vitale. Nous explorons ensuite des compromis cruciaux : identifier la surcharge minimale correspondant au schéma de quantification optimal tout en investiguant le compromis classique entre précision et complexité.Grâce à une progression méthodologique systématique, allant des scénarios point-à-point basiques à bande étroite aux complexes architectures multi-utilisateurs à large bande, cette thèse de doctorat offre des insights et des solutions précieuses: les contributions proposées font progresser les domaines des communications en mmWave et les applications d'apprentissage automatique dans les systèmes sans fil, surpassant les benchmarks existants et affrontant les limites des approches conventionnelles.
Fichier principal
Vignette du fichier
124119_KTARI_2023_archivage.pdf (11.43 Mo) Télécharger le fichier
Origin : Version validated by the jury (STAR)

Dates and versions

tel-04412753 , version 1 (23-01-2024)

Identifiers

  • HAL Id : tel-04412753 , version 1

Cite

Mohamed Aymen Ktari. Machine Learning for beam Alignment in mmWave massive MIMO. Machine Learning [cs.LG]. Institut Polytechnique de Paris, 2023. English. ⟨NNT : 2023IPPAT047⟩. ⟨tel-04412753⟩
95 View
12 Download

Share

Gmail Facebook X LinkedIn More