Oppimispohjaiset parannukset Sub-THz-viestintään: Robustit lähetin- vastaanottimet ja säteen hallinta

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.