晨光
暗夜
晨光
极光
Bilingual Paper Reading · 中英对照精读

学习大规模 MIMO 波束赋形的节能硬件配置（E-HBF-Net / E-FDP-Net）

电子信息工程 × 无线通信 × AI + 6G —— 大规模 MIMO 能效优化精读材料
原文：arXiv:2308.06376 2023年8月11日发布 arXiv 预印本（eess.SP） 混合波束赋形 × 天线选择 × 无监督深度学习 附英文摘要朗读音频

一、论文档案

英文标题Learning Energy-Efficient Hardware Configurations for Massive MIMO Beamforming
中文标题学习大规模 MIMO 波束赋形的节能硬件配置
作者哈梅德·霍贾蒂安, 祖贝尔·姆利卡, 热雷米·纳达尔, 让-弗朗索瓦·弗里贡, 弗朗索瓦·勒迪克-普里莫（机构未在素材中标注）
发布时间2023年8月11日（v1）｜分类：eess.SP（信号处理）
原文链接arxiv.org/abs/2308.06376　·　全文 HTML 版
一句话概括先给不同波束赋形结构建立精确的能量模型，再用两个无监督深度神经网络 E-HBF-Net / E-FDP-Net 直接学出「天线怎么选、射频链怎么连、预编码矩阵是什么」，在非理想信道信息下也能训练，能效全面超越传统方法。
💡 为什么选这篇给你：① 5G/6G 基站天线动辄上百根，「每根天线配一条射频链」成本与耗电不可承受，能效设计是无线通信的刚需问题；② 一条线讲透「AI 如何解决硬件组合爆炸」——把非凸混合整数问题交给神经网络，思路用文字就能读懂、无公式门槛；③ 故事完整：能量模型 → 无监督训练 → 非理想 CSI 鲁棒性验证，每个环节都可复现。

二、核心术语表（先扫一遍再读正文）

英文术语中文大白话解释
massive MIMO (mMIMO)大规模 MIMO基站部署几十到上百根天线、同时服务多个用户的技术，5G 的关键使能技术之一。
energy efficiency (EE)能量效率「每焦耳能量能传多少比特」，衡量系统省不省电的核心指标，本文的优化目标。
spectral efficiency (SE)频谱效率单位带宽（1 Hz）每秒能传多少比特，与 EE 常常需要权衡。
hybrid beamforming (HBF)混合波束赋形用「少量射频链 + 大量便宜移相器」实现波束赋形，兼顾性能与功耗的折中方案。
fully digital precoder (FDP)全数字预编码每根天线都配一条独立射频链，性能上限最高，但硬件成本与功耗巨大。
RF chain射频链数模转换、上变频、功放等组成的发射通道；数量直接决定硬件成本与功耗。
antenna selection天线选择从大量天线中挑出最合适的子集来发射信号，从而减少所需射频链的数量。
phase shifter (PS)移相器只改变信号相位、不放大功率的器件，是混合波束赋形的基本组成单元。
FC-HBF / FSA-HBF / DSA-HBF全连接 / 固定子阵 / 动态子阵混合波束赋形射频链与天线的三种连接结构：全连接最灵活但最复杂，固定子阵折中，动态子阵可自适应调整连接。
non-convex mixed integer problem非凸混合整数问题变量既有连续值（功率）又有离散选择（连不连、选不选），很难全局最优求解的问题。
unsupervised deep learning无监督深度学习不需要人工标签，直接用目标函数（如 EE）本身当「老师」训练网络。
imperfect CSI非理想信道状态信息带估计误差的信道信息；实际系统里 CSI 永远不完美，能容忍它是工程落地的关键。
E-HBF-Net / E-FDP-Net（模型名）本文提出的两个深度神经网络，分别负责混合波束赋形与全数字预编码场景的结构选择。

三、摘要中英对照（精读核心）

🎧 音频在文末，可先听一遍原文再读；每个英文句都配了逐句翻译。

摘要 Abstract

EN · 原文
Hybrid beamforming (HBF) and antenna selection are promising techniques for improving the energy efficiency (EE) of massive multiple-input multiple-output (mMIMO) systems.
CN · 翻译
混合波束赋形（HBF）与天线选择是提升大规模多输入多输出（mMIMO）系统能量效率（EE）的两项很有前景的技术。
EN · 原文
However, the transmitter architecture may contain several parameters that need to be optimized, such as the power allocated to the antennas and the connections between the antennas and the radio frequency chains.
CN · 翻译
然而，发射机架构中包含多个需要联合优化的参数，例如分配给各天线的功率、天线与射频链之间的连接关系。
EN · 原文
Therefore, finding the optimal transmitter architecture requires solving a non-convex mixed integer problem in a large search space.
CN · 翻译
因此，寻找最优发射机架构需要在巨大的搜索空间中求解一个非凸混合整数问题。
EN · 原文
In this paper, we consider the problem of maximizing the EE of fully digital precoder (FDP) and hybrid beamforming (HBF) transmitters.
CN · 翻译
本文研究全数字预编码（FDP）与混合波束赋形（HBF）两类发射机的 EE 最大化问题。
EN · 原文
First, we propose an energy model for different beamforming structures.
CN · 翻译
首先，我们为不同的波束赋形结构提出一个能量模型。
EN · 原文
Then, based on the proposed energy model, we develop an unsupervised deep learning method to maximize the EE by designing the transmitter configuration for FDP and HBF.
CN · 翻译
然后，基于该能量模型，我们开发了一种无监督深度学习方法，通过设计 FDP 与 HBF 的发射机构型来最大化 EE。
EN · 原文
The proposed deep neural networks can provide different trade-offs between spectral efficiency and energy consumption while adapting to different numbers of active users.
CN · 翻译
所提出的深度神经网络能在频谱效率与能量消耗之间提供不同的折中，并适应不同的活跃用户数。
EN · 原文
Finally, to ensure that the proposed method can be implemented in practice, we investigate the ability of the model to be trained exclusively using imperfect channel state information (CSI), both for the input to the deep learning model and for the calculation of the loss function.
CN · 翻译
最后，为保证方法能落地实现，我们考察了模型仅用非理想信道状态信息（CSI）训练的能力——非理想 CSI 既用于网络输入，也用于损失函数计算。
EN · 原文
Simulation results show that the proposed solutions can outperform conventional methods in terms of EE while being trained with imperfect CSI.
CN · 翻译
仿真结果表明，即使只用非理想 CSI 训练，所提方案在 EE 上仍能优于传统方法。
EN · 原文
Furthermore, we show that the proposed solutions are less complex and more robust to noise than conventional methods.
CN · 翻译
此外，我们证明所提方案比传统方法复杂度更低、对噪声更鲁棒。

关键词 Keywords：Massive MIMO 大规模MIMO ｜ Hybrid Beamforming 混合波束赋形 ｜ Energy Efficiency 能量效率 ｜ Unsupervised Deep Learning 无监督深度学习 ｜ Imperfect CSI 非理想信道状态信息

四、引言精选（为什么这个问题重要）

① 为什么 mMIMO 必须做节能设计：射频链太贵太耗电

EN · 原文
The conventional implementation of MIMO systems utilizes a dedicated radio frequency (RF) chain for each antenna element. Even though this approach is appropriate for common small-scale MIMO systems, it is inadvisable for mMIMO systems equipped with a large number of antenna elements due to the high production costs and power consumption associated with the RF circuitry. Therefore, even though mMIMO is an important technology for future generations of wireless networks, it still faces many technical challenges to improve its energy efficiency (EE) and, to date, it remains a subject of ongoing research [3]. In light of this, hybrid beamforming (HBF) and antenna selection are proposed as an effective way to facilitate the implementation and to improve the EE of mMIMO systems [4]. Indeed HBF reduces the number of RF chains and digital-to-analog converters (DACs), helping to improve EE.
CN · 翻译
传统 MIMO 实现方式为每根天线配一条专用射频（RF）链。这对常见的小规模 MIMO 没问题，但对天线数量巨大的 mMIMO 系统并不可取——射频电路的制造成本与功耗太高了。因此，即使 mMIMO 是未来几代无线网络的重要技术，它在提升能量效率（EE）方面仍面临许多技术挑战，至今仍是研究热点 [3]。正因如此，混合波束赋形（HBF）与天线选择被提出来，作为便于实现、同时提升 mMIMO 系统 EE 的有效途径 [4]——HBF 减少了射频链和数模转换器（DAC）的数量，从而改善 EE。

② 难点：HBF 结构选择是「组合爆炸」问题

EN · 原文
To configure a HBF structure, one of the most prominent techniques consists in minimizing the Euclidean distance between the desired fully digital precoder (FDP) and its hybrid counterpart [9]. However, this technique requires designing the FDP, which is computationally complex and not necessarily energy-efficient. Furthermore, the number of possible HBF structures is extremely large, making it complicated to find an optimal HBF structure.
CN · 翻译
配置 HBF 结构的主流技术之一，是最小化理想全数字预编码器（FDP）与其混合近似之间的欧氏距离 [9]。但该技术本身需要先设计 FDP——计算复杂，而且设计出来的 FDP 未必节能。更麻烦的是，可能的 HBF 结构数量极其庞大，想找到最优结构非常困难。

③ 为什么选无监督学习：标签贵、试错慢

EN · 原文
In supervised learning approaches, the time spent during the data labeling procedure is not negligible. In addition, this procedure must be performed each time a new dataset is used for training. In reinforcement learning (RL) approaches, an agent collects online data as it interacts with its environment in a trial-and-error manner. In mMIMO systems, since the HBF action space is large, the convergence of the RL model requires a large number of experiments. As a consequence, unsupervised learning demonstrates superiority over supervised learning and reinforcement learning in terms of its ability to autonomously extract meaningful patterns and insights from large datasets without relying on explicit labels or large training overhead.
CN · 翻译
监督学习在数据标注上花费的时间不可忽略，而且每换一个新数据集就得重新标注；强化学习（RL）中智能体要在线试错交互，而在 mMIMO 里 HBF 动作空间很大，RL 收敛需要海量实验。相比之下，无监督学习能自动从大数据集中提取有意义的模式与洞见，不依赖显式标签、训练开销小，优势明显。

④ 本文目标：联合设计「发射机构型 + 波束权值」

EN · 原文
To summarize, in this study, we aim to optimize the EE of mmWave mMIMO systems by designing HBF structures and FDP using DL-based techniques. The problem consists of jointly designing the transmitter configuration and beamforming weights that maximize the EE. To accomplish this, we first propose an accurate energy model that takes into account the power consumption of the different components of the mMIMO system. Second, we propose an unsupervised deep learning approach that incorporates two key components to design an energy-efficient beamforming structure: (i) a novel loss function that considers different trade-offs between SE, energy consumption, and active users, and (ii) imperfect channel state information (CSI) during both the training and inference phases.
CN · 翻译
总结起来，本文目标是用深度学习设计 HBF 结构与 FDP，优化毫米波 mMIMO 系统的 EE——即联合设计发射机构型与波束权值使 EE 最大。为此：第一步，提出一个把 mMIMO 系统各部件功耗都算进去的精确能量模型；第二步，提出无监督深度学习方法，包含两个关键组件——(i) 同时权衡SE、能耗与活跃用户数的新型损失函数；(ii) 训练与推理阶段都使用非理想 CSI。
💡 这是全文最有味道的一句：“finding the optimal transmitter architecture requires solving a non-convex mixed integer problem in a large search space.”——硬件配置问题的本质是「连续 + 离散」混合的组合优化，传统方法算不动，这正是深度学习上场的最好理由。

五、论文贡献（3 个要点）

EN · 原文
1. An accurate energy model. First, we propose an energy model for different beamforming structures.
CN · 翻译
1. 精确的能量模型。为不同波束赋形结构建立能量模型——把发射功率与硬件功耗（合路器、功放的插损与直接功耗）都纳入计算，EE 才算得准。
EN · 原文
2. Two unsupervised DNNs. Specifically, we proposed two deep neural networks models, called E-HBF-Net and E-FDP-Net, for hybrid BF and for fully digital precoding, respectively. Both DNNs optimize the EE of the mMIMO system by intelligently selecting the transmitting antennas and choosing the precoding matrices for HBF and FDP, which allows them to achieve significantly better EE than conventional solutions.
CN · 翻译
2. 两个无监督深度网络。提出 E-HBF-Net（混合波束赋形）与 E-FDP-Net（全数字预编码）两个深度神经网络：通过智能选择发射天线、挑选预编码矩阵来优化 EE，能效显著优于传统方案。
EN · 原文
3. Trainable with imperfect CSI. Furthermore, we show that the DNN models can be trained exclusively using imperfect channel information (CSI), i.e., the imperfect CSI was used as input to our DNN models as well as to compute the loss function during training.
CN · 翻译
3. 非理想 CSI 下可训练。证明模型可以仅用非理想信道信息（CSI）训练——非理想 CSI 既作为网络输入，也用于计算训练损失，贴近实际系统的落地条件。

六、结论中英对照

EN · 原文
In this paper, we studied the problem of antenna selection and beamforming design in a massive multiple-input multiple-output (mMIMO) system with the objective of maximizing energy efficiency (EE). First, we derived an accurate energy model for the mMIMO system. Our proposed energy model takes into account the transmit power as well as the power consumed by the hardware by considering the insertion loss and the direct power consumption of different components such as the combiners and the power amplifiers. Next, based on our energy model, we designed unsupervised deep learning approaches to intelligently and adaptively select the BF structures and the transmitting antennas. Specifically, we proposed two deep neural networks models, called E-HBF-Net and E-FDP-Net, for hybrid BF and for fully digital precoding, respectively. Both DNNs optimize the EE of the mMIMO system by intelligently selecting the transmitting antennas and choosing the precoding matrices for HBF and FDP, which allows them to achieve significantly better EE than conventional solutions.
CN · 翻译
本文研究了以最大化能量效率（EE）为目标的大规模 MIMO（mMIMO）系统中的天线选择与波束赋形设计问题。首先，我们推导出精确的 mMIMO 能量模型——把发射功率与硬件功耗（考虑合路器、功放等器件的插损与直接功耗）都算进去。接着，基于该模型设计了无监督深度学习方法，智能、自适应地选择波束赋形结构与发射天线：具体提出 E-HBF-Net 与 E-FDP-Net 两个网络，分别用于混合波束赋形与全数字预编码，通过智能选天线、选预编码矩阵优化 EE，能效显著优于传统方案。
EN · 原文
Simulation results confirm that the proposed DNNs can adapt to the number of active users and that they provide different trade-offs between SE and EC that can be controlled by tuning a hyper-parameter. Furthermore, we show that the DNN models can be trained exclusively using imperfect channel information (CSI), i.e., the imperfect CSI was used as input to our DNN models as well as to compute the loss function during training.
CN · 翻译
仿真结果证实：所提网络能适应活跃用户数变化，并可通过调节一个超参数在 SE 与能耗（EC）之间提供不同的权衡。此外，我们证明这些网络可以只用非理想信道信息（CSI）训练——非理想 CSI 既作为输入、也用于训练时的损失计算。

七、编者解读：这篇论文到底讲了什么（大白话版）

  1. 问题：5G/6G 基站天线越来越多，如果每根天线配一条「完整发射通道」（射频链），成本高、耗电大。所以业界用「少量射频链 + 大量便宜移相器」的混合结构，但还要回答两个问题：哪些天线发射？射频链怎么接天线？
  2. 难点：这两个问题混在一起，数学上是个「非凸混合整数问题」——有连续变量（功率大小）又有离散选择（连不连、选不选），搜索空间大得传统优化算法算不动。
  3. 做法：第一步，把每个器件（合路器、功放、移相器……）的功耗都算清楚，建立精确能量模型——这样「能效」这个目标才算得准；第二步，训练两个神经网络 E-HBF-Net 和 E-FDP-Net，网络输入信道信息，直接输出「选哪些天线 + 预编码矩阵」，让能效最大。
  4. 亮点：训练时用的是非理想（带误差的）信道信息，输入和损失都用它——现实系统里信道估计永远不完美，这一点决定了方法能不能真正落地；网络还能通过一个超参数在「传得快」和「省电」之间换挡。
  5. 结果：能效超过传统方法，复杂度更低、抗噪更强——「让 AI 直接学硬件配置」这条路被验证可行。
🎯 对保研的启示：这篇论文示范了「约束建模」的工程思维——真正的工程问题都有硬件约束（恒模、功耗、成本），把约束写进目标函数/能量模型，而不是事后补救，是 AI for Communications 的核心方法论。复试时讲「我如何把硬件约束建模进损失函数」，比背模型名字更有说服力。

八、给低年级本科生的阅读路线图 & 延伸方向

📖 怎么读这篇论文（三遍法）

  1. 第一遍（10 分钟）：只读摘要和术语表，回答三个问题——问题是什么？（mMIMO 太耗电）方法是什么？（能量模型 + 无监督神经网络）结果是什么？（EE 超过传统方法、抗非理想 CSI）。
  2. 第二遍（20 分钟）：读引言 + 结论，重点体会「为什么非凸混合整数问题难解」和「为什么非理想 CSI 是落地关键」。
  3. 第三遍（30 分钟）：读方法文字部分（能量模型怎么建、损失函数怎么设计、网络输出是什么），跳过所有公式和编号；遇到不懂的术语回查术语表。

🚀 这个方向你能延伸做什么

九、英文摘要朗读（练听力用）

先盲听一遍→再看对照稿→再听一遍。目标是听出每个缩写（HBF、FDP、mMIMO、EE、CSI）和关键术语（antenna selection、unsupervised deep learning、non-convex mixed integer problem）。