Теория информации
Ёмкость MIMO-каналов
Цели урока
- Вывести ёмкость MIMO через SVD и water-filling по сингулярным значениям
- Различить эрготическую ёмкость и ёмкость при вероятности сбоя для замирающего канала
- Объяснить diversity-multiplexing tradeoff и его практические следствия
- Понять channel hardening и ёмкость Massive MIMO
Предварительные знания
Почему n антенн дают n-кратный рост ёмкости, а не только n-кратный рост SNR? Как SVD превращает сложный MIMO в r независимых AWGN-каналов?
- Wi-Fi 6 (8x8 MIMO): линейный рост ёмкости до 9.6 Гбит/с против 1.2 Гбит/с SISO
- 5G NR Ericsson AIR 6468: 64 антенны, channel hardening, 100 пользователей в одной полосе
- RIS (Reconfigurable Intelligent Surfaces): +10 дБ SNR через программируемые отражения
- DetNet (Samsung Research): нейросетевой MIMO-детектор вместо переборного ML
От одной антенны к 64: 25 лет MIMO
Foschini и Gans (1996) и Telatar (1995/1999) независимо открыли линейный рост ёмкости MIMO. BLAST (Bell Laboratories Layered Space-Time): первый практический MIMO-алгоритм (1996). Alamouti (1998): пространственно-временное кодирование для 2x1 MIMO. IEEE 802.11n (2009): первый Wi-Fi стандарт с MIMO (4x4). LTE (2011): 4x4 MIMO обязателен. Massive MIMO (Marzetta, 2010): теория channel hardening при n_T >> 1. 5G NR (2019): 64 TRX Massive MIMO. Telatar получил IEEE Information Theory Society Paper Award 2000. Sesia-Toufik-Baker 'LTE - The UMTS Long Term Evolution' (2009) - первая книга с полным описанием MIMO в стандарте.
Формула Телатара и SVD-декомпозиция
Emre Telatar в 1995 году (Bell Labs technical memo, опубликован в 1999) вычислил ёмкость MIMO-канала. Результат поверг инженеров в шок: n антенн дают линейный рост ёмкости - C ~ n * log(1 + SNR). Для сравнения: SISO даёт C ~ log(1 + n*SNR) - только логарифмический рост. Разница в масштабе. Wi-Fi 6 реализует 8x8 MIMO - 8-кратный линейный рост.
Wi-Fi 6 (802.11ax): 8x8 MIMO при 80 МГц, 256-QAM. Число подканалов r = min(8,8) = 8. Каждый подканал при SNR = 30 дБ: C_i ~ 10 бит/использование. Итого: 8 * 10 = 80 бит/использование * 80 МГц = 6.4 Гбит/с. Стандарт заявляет 9.6 Гбит/с - с учётом 4 пространственных потоков MU-MIMO и multiuser beamforming.
Почему SVD разлагает MIMO на независимые каналы?
H = U*Sigma*V^H. После преобразований x_tilde = V^H * x и y_tilde = U^H * y: y_tilde = Sigma * x_tilde + z_tilde. Sigma - диагональная, значит y_tilde_i = sigma_i * x_tilde_i + z_tilde_i - независимые SISO-каналы. U^H и V - унитарные: не меняют мощность шума и сигнала.
Эрготическая ёмкость и ёмкость при вероятности сбоя
Формула Телатара для детерминированного H. Реальный беспроводной канал - случайный: замирания Релея, теневые эффекты, доплеровский сдвиг. Для случайного H возникают два режима работы: fast fading (быстро меняющийся) и slow fading (канал постоянен за блок кодирования).
LTE MIMO: теория встречает продакшн
LTE Cat.15 (4x4 MIMO, 4 CC, 256-QAM): теоретический пик 800 Мбит/с. Реальная ёмкость: 150-300 Мбит/с в городской сети. Разрыв - 3 дБ дополнительных потерь от: неидеального оценивания канала (CSI feedback overhead), correlation between antennas (d < lambda/2 = 15 см при 1 ГГц), interference from neighbouring cells (SINR вместо SNR). DMT: LTE выбирает точку ближе к d=4 (diversity), не r=4 (multiplexing) для reliability в плохих условиях.
В чём принципиальная разница между эрготической ёмкостью и ёмкостью при вероятности сбоя для MIMO?
Fast fading: блок кодирования = много независимых реализаций H -> ёмкость = среднее E[log det]. Slow fading: H фиксирован за блок -> нельзя усреднить. Нужна C_out: скорость, гарантированная с вероятностью 1-epsilon. Для мобильной связи (скорость 100 км/ч, частота 2 ГГц): когерентное время ~ 0.1 мс = fast fading. Для фиксированного доступа (1 мс блок): slow fading.
Massive MIMO: N антенн и предел больших матриц
Massive MIMO: n_T или n_R >> 1. Nokia и Ericsson развёртывают 64-антенные базовые станции 5G NR. При n_T >> n_R: H * H^H / n_T -> I_{n_R} по закону больших чисел (случайная матрица). Канал становится детерминированным! Это channel hardening - эффект концентрации меры.
5G NR Massive MIMO в продакшне: Ericsson AIR 6468, 64 TRX, 200 МГц, 100 одновременных пользователей. Достигаемая ёмкость: 4-8 бит/с/Гц/ячейка. Теоретический предел при тех же параметрах: ~12 бит/с/Гц. Разрыв: неидеальное оценивание CSI (pilot contamination в соседних ячейках), ограниченная обратная связь (CSI-RS feedback), аппаратные несовершенства (I/Q imbalance, phase noise).
Pilot contamination: в соседних ячейках те же пилотные последовательности -> базовая станция оценивает смесь каналов разных пользователей. Это ограничение не уходит при n_T -> inf. Активная область исследований: non-orthogonal pilots, multi-cell processing.
Что такое channel hardening в Massive MIMO и почему это важно?
Channel hardening: случайность H усредняется при большом n_T. Строки H (каналы разных пользователей) становятся почти ортогональными - favorable propagation. Следствия: (1) simple beamforming = zero-forcing; (2) ёмкость близка к AWGN без замираний; (3) K пользователей в одной полосе без интерференции.
Открытые задачи и связь с ML
Ёмкость MIMO для детерминированного канала решена (Телатар, 1999). Что остаётся? Конечные алфавиты (QAM вместо гауссова): ёмкость неизвестна. Многопользовательский MIMO с частичным CSI: открыт. Связь MIMO с ML: задачи оценивания канала, детектирования и предкодирования решаются нейросетями.
Reconfigurable Intelligent Surfaces (RIS) и ёмкость
RIS (2020-2024): отражающие поверхности с программируемыми фазовыми сдвигами. N элементов RIS задают матрицу Theta = diag(e^{j*phi_1}, ..., e^{j*phi_N}). Канал с RIS: H_eff = H_2 * Theta * H_1. Ёмкость: C(Theta) = log2 det(I + rho * H_eff * H_eff^H). Оптимизация Theta: задача ненпуклой оптимизации. Теоретический выигрыш при N=100: до 10 дБ в SNR-эквиваленте при замираниях. Практически развёртки в 5G-сетях China Mobile (2023): +3 дБ в dead zones.
Почему нейросетевые MIMO-детекторы (DetNet) эффективнее ML-детектора при больших n_T?
ML-детектор: решает min ||y - H*s||^2 по всем s из QAM-созвездия. При n_T=64 антеннах и QPSK: 4^64 ~ 10^38 вариантов - вычислительно нереально. DetNet: аппроксимирует ML через развёртку projected gradient в T=30 слоёв. Сложность O(T * n_T^2). Обучение на парах (H,s,y) обеспечивает BER < 1 дБ от ML.
Связь с другими темами
MIMO-ёмкость объединяет: теорему Shannon (AWGN-канал = строительный блок), SVD-разложение (линейная алгебра), водопадный алгоритм (из R(D)-теории), теорию случайных матриц (закон Марченко-Пастура для Massive MIMO). В инженерии: OFDM + MIMO = OFDMA, основа 4G/5G. Beamforming = передача в подпространстве V матрицы канала. В ML: нейросетевые детекторы (DetNet, OAMP-Net) заменяют вычислительно тяжёлое ML-декодирование. RIS: программирование матрицы H для максимизации C.
- Related Topics — Связанная тема
Итоги
- MIMO через SVD: r = min(n_T,n_R) независимых AWGN-каналов; water-filling по sigma_i^2
- Линейный рост: C ~ r*log(1+SNR) - multiplexing gain r; vs log(1+r*SNR) для SISO
- DMT (Zheng-Tse): diversity d + multiplexing r <= n_T*n_R, компромисс
- Massive MIMO: channel hardening при n_T -> inf; ёмкость ~ n_R*log(1 + P*n_T/sigma^2)
Вопросы для размышления
- Почему линейный рост ёмкости MIMO принципиально лучше логарифмического роста при увеличении мощности?
- Как diversity-multiplexing tradeoff проявляется в выборе параметров реального LTE/5G-стандарта?
- Что ограничивает реальные Massive MIMO системы от достижения теоретического предела?