Embracing Nonlinearities in Future Wireless Communication Systems : Low-Resolution Analog-to-Digital Converters
Etudes des non-linéarités aux réseaux sans fil du futur : convertisseurs analogique-numérique avec une faible Résolution
Résumé
With the advent of 5G networks and the road towards 6G already being established, innovative wireless communication technologies including massive multiple-inputmultiple-output (mMIMO) and millimeter-wave systems are emerging to address the ever-increasing number of mobile users and to support new industry applications. However, higher frequencies and wider bandwidths lead to increased power consumption in radio-frequency (RF) circuits, necessitating more energy-efficient components. At the same time, systems are increasingly susceptible to nonlinear impairments such as phase noise, saturation, and quantization distortions. Understanding the impact of these nonlinearities on transceiver design and fundamental limits becomes essential. This thesis focuses on the nonlinear effects of low-resolution analog-to-digital converters (ADCs) at the receiver. ADC power consumption increases with both bandwidth and resolution, making low-resolution ADCs a practical solution in systems like mMIMO, where power consumption is a major constraint. The first part of this work examines data detection in quantized flat-fading MIMO channels, with various assumptions about the channel state information (CSI). Maximum likelihood (ML) detection is optimal for minimizing the error probability but is computationally expensive. While sphere-decoding (SD) algorithms are commonly used to reduce complexity in unquantized channels, they are not directly applicable to the quantized case due to the discrete nature of observations. To address this, we propose a two-step low-complexity detection algorithm for systems with one-bit comparators. This method approximates the ML metric using a Taylor series and converts the detection problem into a classical integer least-squares optimization, allowing the use of SD algorithms. Numerical results show this approach achieves near-ML performance. This method is also extended to multi-bit scenarios, converging to conventional SD as resolution increases. In more practical scenarios, where only statistical CSI at the receiver (CSIR) is available, we explore data detection under a pilot transmission scheme. The first approach frames channel estimation and detection as binary classification tasks using probit regression. Achievable mismatched rates using the generalized mutual information are then evaluated in comparison to the Bussgang linear minimum mean-square error estimators where it's shown that the performance depends on the choice of the estimator. The second approach jointly processes data and pilot sequences where we encounter challenges related to evaluating multivariate Gaussian probabilities and the combinatorial complexity of optimization. We address the first challenge with the Laplace method that provides us with a closed-form expression, while for the complexity we adapt the SD technique from the perfect CSI case on a surrogate metric. It is of interest for future wireless systems to obtain design guidelines that can accurately explain the trade-off between spectral efficiency and energy consumption. We then investigate the capacity of quantized MIMO channels, which is difficult to characterize due to their discrete nature. Therefore, assuming an asymptotic regime where the number of receive antennas grows large and employing known information-theoretic results from Bayesian statistics on reference priors, the capacity scaling can be characterized for the coherent multi-bit case providing us with an expression that can be used for the analysis of the spectral efficiency and power consumption balance. For the noncoherent case, we apply the same results at the unquantized channel as an upper bound for the quantized channel and identify upper and lower bounds on the scaling for particular values on the coherence interval.
Avec l'avancement des communications sans fil vers la 5G et la 6G, de nouveaux défis émergent en raison de l'augmentation des utilisateurs et des applications industrielles. Des technologies comme le massive multiple-input multiple-output (mMIMO) et les systèmes à ondes millimétriques sont développées pour répondre à ces besoins. Cependant, des fréquences et des largeurs de plus élevées entraînent une consommation d'énergie accrue dans les circuits radiofréquences (RF), nécessitant des composants plus économes. Parallèlement, les systèmes deviennent sensibles aux non-linéarités, telles que le bruit de phase et les distorsions de quantification. Comprendre l'impact de ces non-linéarités sur la conception des émetteurs-récepteurs et les limites fondamentales devient essentiel. Cette thèse se concentre sur les effets non linéaires des convertisseurs analogique-numérique (CAN) à faible résolution au récepteur. La consommation d'énergie des CAN augmente avec la largeur de bande et la résolution, rendant les CAN à faible résolution pratiques dans des systèmes comme le mMIMO, où la consommation est cruciale. La première partie examine la détection de données dans des canaux MIMO à évanouissement plat quantifié, avec différentes hypothèses sur l'information de l'état du canal (IEC). La détection par maximum de vraisemblance (MV) est optimale pour minimiser les erreurs, mais elle est coûteuse en calculs. Les algorithmes de décodage sphérique (DS) réduisent la complexité dans les canaux non quantifiés, mais ne s'appliquent pas directement aux canaux quantifiés. Pour y remédier, nous proposons un algorithme de détection à faible complexité en deux étapes pour les systèmes à un bit. Cette méthode utilise une approximation de la métrique MV via une série de Taylor et transforme le problème de détection en optimisation des moindres carrés entiers, permettant d'utiliser les algorithmes de DS. Les résultats montrent que cette approche atteint des performances proches de celles de ML. La méthode est également étendue aux scénarios multi-bits, convergeant vers le DS classique avec une résolution accrue. Dans des scénarios plus pratiques, où seule l'information statistique sur l'état du canal au récepteur (IECR) est disponible, nous explorons la détection sous un schéma de transmission pilote. La première approche considère l'estimation du canal et la détection comme des tâches de classification binaire. Les taux réalisables en utilisant l'information mutuelle généralisée sont comparés aux estimateurs de Bussgang où on trouve que la performance dépend de l'estimateur choisi. La seconde approche traite conjointement les séquences de données et de pilotes en rencontrant des défis d'évaluation des probabilités gaussiennes et de complexité combinatoire. Le premier défi est résolu par la méthode de Laplace, et pour la complexité, nous adaptons la technique SD du cas avec CSI parfait à une métrique de substitution. Il est crucial d'obtenir des directives de conception pour les futurs systèmes sans fil afin d'expliquer le compromis entre efficacité spectrale et consommation d'énergie. Nous examinons ensuite la capacité des canaux MIMO quantifiés, difficile à caractériser en raison de leur nature discrète. Par conséquent, en supposant un régime asymptotique où le nombre d'antennes de réception augmente et en utilisant des résultats théoriques bien connus de la statistique bayésienne sur les prioris de référence, l'échelonnement de la capacité peut être caractérisé pour le cas multi-bits cohérent, fournissant une expression utile pour l'analyse de l'efficacité spectrale et de la consommation d'énergie. Pour le cas non cohérent, nous appliquons les mêmes résultats au canal non quantifié comme borne supérieure pour le canal quantifié et identifions des bornes supérieures et inférieures sur l'échelonnement pour certaines valeurs de l'intervalle de cohérence.
Origine | Version validée par le jury (STAR) |
---|