Learning-based enhancements for sub-THz communications : robust transceivers and beam management

Abstract

Abstract

This thesis focuses on designing data-driven, learning-based techniques to address three critical challenges in enhancing sub-terahertz (sub-THz) communications: the increasing phase noise (PN) necessitating PN-robustness, the modest output power of power amplifiers (PA) calling for constraints on the peak to average power ratio (PAPR), and resource-intensive beam management (BM) procedures demanding predictive measures.

The first part of the thesis focuses on designing PN-robust and low-PAPR single-carrier (SC) waveforms and neural network (NN)-based receiver techniques. First, PAPR-constrained geometric constellation shaping under residual PN is explored, based on an SC transceiver. To further improve PAPR gains, the trainability is extended to pulse-shaping filters alongside an adjacent channel leakage ratio (ACLR) constraint to control spectral leakage with a given excess bandwidth. At the receiver, state-of-the-art PN-robust demapping techniques and a novel NN demapper are explored for optimized signal detection. Furthermore, a novel PN-resilient neural transceiver incorporating a deep NN receiver with a trainable pilot scheme is presented, reducing the pilot overhead and thus improving the spectral efficiency while ensuring reduced PAPR. The waveform optimization problems are formulated end-to-end, where the objectives are converted to their augmented Lagrangian form, and a backpropagation-inspired technique is employed to obtain numerically robust designs for PN while adhering to constraints. The method’s efficacy is substantiated through simulation results, demonstrating gains in the block error rate (BLER), spectral efficiency (SE), and PAPR reductions. The practical applicability of the solutions is then verified on a proof of concept (PoC) system operating with commercial-grade sub-THz hardware.

The second part of the thesis focuses on reducing resource-intensive periodic measurements for BM in mmWave/sub-THz systems. A novel machine learning (ML) model and a predictive BM scheme are proposed. Leveraging past beam decisions and user tracking from a light detection and ranging (LiDAR) system, the model predicts the next beam from a predefined codebook. Results demonstrate significant RF resource savings while maintaining the accuracy of the beam decisions.

Tiivistelmä

Tässä opinnäytetyössä suunnitellaan datavetoisia oppimiseen perustuvia tekniikoita kolmeen kriittiseen haasteeseen, jotka liittyvät sub-terahertz-viestinnän (sub-THz) vahvistamiseen: kasvava vaihekohina (phase noise, PN), tehovahvistimien (power amplifier, PA) vaatimaton lähtöteho ja resurssi-intensiiviset keilanhallintamenetelmät (beam management, BM).

Ensimmäisessä osassa suunnitellaan PN-robusteja ja matalan PAPR-suhteen yksikantoaaltomuotoja (single-carrier, SC) ja neuroverkkoon (neural network, NN) perustuvia vastaanottotekniikoita. Ensin tutkitaan PAPR-rajattua geometrista konstellaatiota, joka muodostuu jäännösvaihekohinan alaisena. Tämä perustuu SC-lähetin-vastaanottimeen. PAPR-hyötyjen parantamiseksi koulutettavuutta laajennetaan pulssinmuodostussuodattimiin. Viereisen kanavan vuotosuhteen (adjacent channel leakage ratio, ACLR) rajoituksella varmistetaan spektrivuodon pieneneminen tietyllä ylimääräisellä kaistanleveydellä. Vastaanottimessa tutkitaan optimoitua signaalin havaitsemista varten nykyaikaisia PN-robusteja demapping-tekniikoita ja uutta NN-demapperia. Lisäksi esitellään uusi PN-resilientti neuraalinen lähetin-vastaanotin, jossa on syvä NN-vastaanotin ja koulutettava pilottijärjestelmä. Se vähentää kustannuksia, parantaa spektritehokkuutta ja varmistaa pienemmän PAPR-suhteen. Aaltomuodon optimointiongelmat muotoillaan päästä päähän, jolloin tavoitteet muunnetaan niiden laajennettuun lagrangelaiseen muotoon ja käytetään backpropagation-vaikutteista tekniikkaa numeerisesti robustien PN-mallien saamiseksi rajoituksia noudattaen. Tehokkuutta perustellaan simulointituloksilla, jotka parantavat sanomavirhesuhdetta (block error rate, BLER) ja spektristä tehokkuutta (spectral efficiency, SE) ja pienentävät PAPR-suhdetta. Ratkaisujen käytännön sovellettavuus todennetaan konseptin toimivuuden todistamisjärjestelmällä, joka toimii kaupallisella sub-THz-laitteistolla.

Toisessa osassa keskitytään resursseja vaativien jaksoittaisten mittausten vähentämiseen BM:n osalta mmWave/sub-THz-järjestelmissä ja ehdotetaan uudenlaista koneoppimisen mallia ja ennakoivaa BM-järjestelmää. Malli hyödyntää aiempia keilapäätöksiä ja käyttäjän seurantaa valotutkajärjestelmästä (LiDAR) ja ennustaa seuraavan keilan ennalta määritetystä koodikirjasta. Tulokset osoittavat, että radiotaajuusresursseja säästyy merkittävästi ja keilapäätösten tarkkuus säilyy.