《IEEE Transactions on Communications》：LCoopPG: Deep unfolding-assisted fully distributed MIMO detection algorithm
编辑推荐：
为破解大规模MIMO（ massive Multiple-Input Multiple-Output ）中央处理器功耗与流量瓶颈，作者提出全分布式LCoopPG算法，将投影梯度法、可训练步长与深度展开结合，实现无CPU协作检测。实验表明，该方案符号错误率（SER）显著优于线性MMSE，且随处理单元增加计算负载递减，为6G绿色通信提供可扩展、AI加速器友好的新范式。
面向6G时代，基站天线数量急剧膨胀，传统集中式MIMO检测把全部信道矩阵H和接收向量y堆到中央处理器（CPU），带来“数据洪峰”——功耗飙升、前传拥堵、单点失效风险陡增。尽管已有星型或菊花链式“半分布式”方案，它们仍依赖中心节点聚合消息，硬件故障与流量热点问题犹在。能否彻底抛弃CPU，让众多处理单元（PU）像神经网络一样“自己商量着”把信号猜出来？这一看似激进的设想，正是日本名古屋工业大学Masaya KUMAGAI团队发表于《IEICE Transactions on Communications》的论文核心动机。
为回答“如何无中心、低功耗、可扩展地完成大规模MIMO信号检测”，作者提出Learned Cooperative Projected Gradient（LCoopPG）算法。该算法把协作投影梯度下降“展开”成T层前馈网络，每一步的步长μ、软投影强度α及邻居权重w均设为可训练参数，利用深度展开（deep unfolding）与Adam优化器以最小化符号错误率（SER）为目标的均方误差（MSE）损失，离线完成训练。检测时各PU仅与本地邻居交换状态向量，消息聚合→梯度更新→软投影三步循环，无需任何全局汇总即可达成共识，实现“全分布式”检测。
研究在IID与Kronecker相关信道下系统评估。主要技术方法包括：①将迭代算法展开为T层可微网络，实现端到端训练；②用Kronecker积把邻居权重矩阵W分解为W=L·diag(w)·R，保证训练过程自动满足图拓扑约束；③采用增量训练策略，逐层增大迭代深度T以加速收敛；④基于张量运算设计批量前向传播，适配GPU/AI加速器tensor core。
实验结果分五部分：
协作过程演示——在3 PU、5用户、30 dB场景下，状态向量经10次迭代即收敛至真实QPSK符号，验证共识有效性。
深度展开增益——“AllFrozen”“WeightFrozen”“AllTrainable”三档对比显示，全可训练LCoopPG在相同25次迭代下，SER曲线比集中式线性MMSE（CMMSE）下降约一个数量级，证明参数学习至关重要。
可扩展性——固定总接收维数M=30，逐步把PU从2增至15，SER几乎重叠，表明天线数增加可通过“加PU、减每PU负载”方式维持性能，降低单卡线程需求。
网络稀疏度——在10节点分别采用完全图、Petersen图与环形图，Petersen图仅3度却与完全图SER几乎一致，环形图2度性能略降，为实际部署提供了“稀疏连接即可”依据，显著减轻InfiniBand等高速交换网压力。
空间相关信道——Kronecker模型收/发相关系数均0.2时，LCoopPG仍全程优于CMMSE，验证算法对天线相关性的鲁棒性。
结论与讨论指出：LCoopPG首次把深度展开引入“全分布式”MIMO检测，摆脱CPU瓶颈；张量化结构适配GPGPU/AI加速器，具备实时落地潜力；通过增加PU数量可降低单卡计算量，为6G绿色节能提供新思路。未来工作将面向真实时变信道开展实测，并探索高阶调制与更快收敛策略。
