《Network》：A Coupled Multi-Stage Hybrid Framework for BER Prediction and Beam Angle Optimization in Massive MIMO Systems: Combining Classical Regression with Coupled Deep Learning Approaches
编辑推荐：
提出了一种耦合多阶段学习框架，在受控仿真协议下用于大规模多输入多输出（MIMO）系统中的联合比特误码率（BER）预测与波束角优化。不同于纯顺序式基准测试流水线，所提方法通过共享潜在表示、不确定性引导细化机制、跨阶段一致性损失以及交替优化，对BER预测与波束角选
提出了一种耦合多阶段学习框架，在受控仿真协议下用于大规模多输入多输出（MIMO）系统中的联合比特误码率（BER）预测与波束角优化。不同于纯顺序式基准测试流水线，所提方法通过共享潜在表示、不确定性引导细化机制、跨阶段一致性损失以及交替优化，对BER预测与波束角选择进行联合协调。针对两个任务特定阶段，系统评估了10种多样化方法：阶段1考察了6种用于BER预测的经典与改造方法，包括多项式回归和深度展开网络；阶段2研究了4种用于角度优化的机器学习与生成对抗网络（GAN）方法，包括条件生成对抗网络（cGAN）和所提出的直接角度神经网络（Direct-Angle neural network）。阶段3通过共享编码器、显式一致性正则化以及交替跨阶段更新，将表现最佳的方法耦合为统一的混合架构，从而生成集成式波束成形决策策略，而非独立级联结构。评估结果表明，该耦合混合框架实现了96.0%的总体角度选择准确率、8.0×10?5的平均BER，以及在±3 dB范围内100%的BER容差符合率。在该框架中，由二次多项式回归教师模型初始化的可微BER替代模型与所提出的Direct-Angle-NN耦合用于角度优化。相较于在相同受控仿真假设下重新实现的最强文献基线，平均BER降低了33.3%。消融实验显示，耦合机制相较于解耦顺序基线带来了温和但一致的提升，使角度选择准确率由93.5%提高至96.0%，并将平均BER由1.05×10?4降至8.0×10?5；其中，共享编码器贡献了最大部分增益，而一致性损失额外贡献了0.6个百分点。这些结果表明，共享编码器、一致性正则化以及不确定性引导细化可改善最终波束成形决策，但这种增益应被解释为渐进式改进，而非重大架构突破。在仅32.6 W功耗下，该框架实现了38.0 bps/Hz的频谱效率和0.466 Gbps/W的能量效率。理论讨论以BER敏感性的解析表征形式给出，并辅以计算复杂度评估及针对交替优化的经验收敛性诊断，而非正式最优性证明。Monte Carlo（蒙特卡罗）仿真支持了该框架在多项性能指标上的有效性，同时明确讨论了当前设置的局限性，包括完美信道状态信息（CSI）、未编码QPSK、理想硬件假设以及固定波束码本。完整仿真框架，包括代码与训练模型，可由通讯作者在合理请求下提供，以促进大规模MIMO优化中的可复现研究。
该文发表于《Network》，围绕第六代移动通信（6G）网络中大规模多输入多输出（MIMO）系统的混合波束成形优化问题展开研究，核心目标是在统一框架下同时提升比特误码率（BER）性能、波束角选择精度、频谱效率与能量效率。研究背景在于，随着扩展现实、全息通信与海量机器类通信等应用的发展，通信系统对高可靠、低误码和高资源利用率提出了更高要求。大规模MIMO凭借大规模天线阵列、多用户空分复用和定向能量聚焦能力，被视为实现上述目标的关键技术。然而，这类系统在实际配置时面临两个彼此耦合但通常被分开处理的难题：一是如何根据信道状态和系统参数准确预测BER，二是如何在复杂非凸搜索空间内高效选择最优波束角。传统穷举搜索方法计算代价极高，解析建模方法又往往难以刻画多径衰落、空间相关和硬件非理想性带来的复杂非线性关系，因此需要一种能够同时处理预测与决策任务的高效学习框架。
针对上述问题，研究人员提出了一个耦合多阶段混合学习框架。该框架并非提出新的物理硬件结构，而是在既定的大规模MIMO下行混合模数波束成形系统模型上，通过共享潜在表示、跨阶段一致性损失、不确定性引导细化和交替优化，实现BER预测与波束角选择的联合协调。论文首先分别在两个子任务上进行系统性方法比较：阶段1面向BER预测，比较线性回归、多项式回归、岭回归、OAMPNet-BER、ConformalBER和自适应贝叶斯集成；阶段2面向角度优化，比较随机森林（Random Forest）、多层感知机（MLP）、条件生成对抗网络（cGAN-BER）以及作者提出的Direct-Angle-NN。之后在阶段3中，将两个阶段表现最佳的方法整合为统一耦合模型，以形成最终的混合波束成形决策策略。研究结果显示，在受控仿真协议下，该方法取得96.0%的角度选择准确率、8.0×10
?5的平均BER、100%的±3 dB BER容差符合率，以及38.0 bps/Hz的频谱效率和0.466 Gbps/W的能量效率。与相同仿真前提下重新实现的最强文献基线相比，其平均BER降低33.3%。论文的重要意义在于证明：对于大规模MIMO优化问题，不同子任务未必由同一类学习范式主导，经典统计学习与深度学习的任务特异性组合，以及跨任务耦合机制，能够在保持较低复杂度的同时带来稳定增益。
研究方法方面，作者基于MATLAB R2023b与Deep Learning Toolbox建立仿真平台，在NVIDIA RTX 3090 GPU上进行训练，并使用1000次Monte Carlo信道实现进行评估。系统模型为下行混合模数波束成形大规模MIMO，采用均匀平面阵列（UPA）、簇状几何信道、完美CSI、未编码QPSK和固定波束码本。数据集共11,000个仿真样本，划分为训练集8000、验证集1000和测试集2000。阶段1通过回归模型从提取的信道特征预测系统级BER；阶段2将波束角优化定义为有限码本上的监督分类或回归映射；阶段3使用共享编码器连接BER分支和角度分支，借助由二次多项式回归教师模型蒸馏得到的可微BER替代模型、交替优化策略以及MC-dropout（Monte Carlo dropout，蒙特卡罗随机失活）估计的不确定性信号，构建联合目标函数并完成耦合训练。
在研究结果方面，论文首先给出“Stage 1 Results: BER Prediction Methods”。该部分通过对6种BER预测方法进行比较得出结论：在当前受控且BER方差较窄的仿真条件下，二次多项式回归表现最佳，具有最高的R
2分数和最低的平均绝对误差（MAE）。研究人员指出，所有方法乃至均值预测器都达到了±3 dB容差内100%的通过率，因此该指标在本设定下更应理解为符合性指标，而非高精度点预测的证明。这说明阶段1任务在当前数据分布下区分度较弱，但多项式回归凭借更优的诊断指标和极低训练成本被选为最佳方法。
接着是“BER Prediction Stress Test Under Broader Operating Conditions”。这一部分将阶段1获胜的多项式回归模型扩展到更宽SNR范围、更高阶调制、不完美CSI和有限分辨率移相器等条件下进行压力测试。结果表明，该模型在更复杂运行条件下仍保持一定稳健性，说明其对平滑BER映射关系具有较强拟合能力，但文章并未将其解释为普适最优，只将其视为在当前实验框架中的最优选择。
随后是“Stage 2 Results: Angle Optimization Methods”。在波束角优化任务中，Direct-Angle-NN取得最高96%的角度优化准确率，并保持100%的BER容差符合率，优于MLP、cGAN-BER和随机森林。研究人员认为，其性能优势主要来自两个设计：一是信道感知注意力机制（channel-aware attention），能够突出与角度选择最相关的信道特征；二是平滑性正则化分类损失，利用相邻码字在物理方向上的邻近关系改善分类学习。这一结果表明，对于离散码本上的组合型角度决策问题，专门设计的神经分类模型比通用回归或生成模型更有效。
在“Stage 3 Results: Coupled Hybrid Framework”部分，作者将阶段1的多项式回归BER预测器与阶段2的Direct-Angle-NN整合为耦合混合框架。该框架通过共享编码器、一致性约束、不确定性引导和交替优化实现联合训练。结果显示，整体系统获得96.0%的角度选择准确率、8.0×10
?5的平均BER，并在综合性能上优于解耦顺序流程。研究人员强调，阶段3的综合评分仅用于内部模型选择，不应直接视为物理性能指标，真正有意义的指标仍是BER、角度准确率、频谱效率、能量效率和推理代价。
在“Comparison of State-of-the-Art Approaches with the Proposed”部分，论文将所提方法与多个重新实现的文献启发式基线进行受控内部比较。所有方法均在统一信道模型、天线配置、SNR范围、波束码本和数据划分下测试，并通过多随机种子、配对bootstrap（自助法）置信区间与显著性检验评估差异。结果表明，所提耦合混合框架在报告的多项指标上达到最佳表现。特别是相较最强重新实现基线HGGO-XCovNet，平均BER降低33.3%。作者同时谨慎指出，这一结果只应解释为统一基准下的内部比较，不意味着超过原始文献各自在本土实验设置中的表现。
在“5.6.1. Ablation Study on the Coupling Mechanism”部分，作者通过四种变体量化耦合机制的贡献：V1为解耦顺序流水线，V2仅加入共享编码器，V3在此基础上加入一致性损失，V4为完整框架。结果显示，从V1到V4，角度准确率由93.5%逐步提升到96.0%，平均BER由1.05×10
?4降至8.0×10
?5。其中，共享编码器带来最大增益，一致性损失额外提升0.6个百分点，不确定性引导进一步改善稳定性。因此，耦合机制的价值在于“温和但一致”的增益，而不是颠覆性突破。
在“5.6.2. Practical Relevance and Realistic 6G Deployment Limitations”部分，研究人员系统讨论了理想化仿真假设与实际部署之间的差距，并通过引入CSI扰动、移相器量化、高阶调制、对数正态阴影衰落和随机阻塞进行灵敏度分析。结果揭示出BER预测与角度分类对失配的敏感性并不对称：多项式BER预测器在CSI误差下仍保有较高容差通过率，而角度分类器则明显退化并接近约59%的塌缩精度水平。这说明角度决策对主路径几何旋转更敏感，而BER预测依赖的特征映射相对平滑。对于16-QAM和64-QAM，角度选择准确率几乎不变，但平均BER明显变化，进一步表明波束方向主要由信道几何而非调制阶数决定。
在“5.6.3. Training-Set-Size Sensitivity”部分，作者分析了训练样本规模对主要模型的影响。结果显示，在结构化参数化信道模型生成的数据流形上，8000个训练样本已足以使主要方法接近性能平台期。即使将训练规模扩展到16,000，Direct-Angle-NN和cGAN的增益也较为有限，说明主文结论并非由数据稀缺偶然造成。
在“5.6.4. Computational Cost: Complexity, Training and Inference”部分，论文对训练时间、推理延迟和模型规模进行汇总。结果指出，该框架的优势主要体现在离线训练完成后的在线决策质量和模型复用能力，而非在当前64码字码本下的单样本推理时延。对于该码本规模，穷举搜索的逐样本延迟仍低于耦合框架，但随着码本规模增大或转向连续搜索空间，学习模型可避免逐次穷举，从而体现计算优势。
在“5.7. Discussion”部分，作者综合三阶段结果提出三点核心认识。其一，没有单一学习范式同时主导两个子任务：在当前窄方差BER条件下，经典二次多项式回归最适于BER预测；而在离散波束码本选择中，Direct-Angle-NN最适于角度分类。其二，耦合框架相较独立优化流程带来一致且具有技术合理性的增益，但绝对提升幅度有限，应被视为原则性优化而非重大架构革命。其三，该框架的实际价值更多体现在推理阶段的决策质量、BER降低和可重复使用性上，而不是在当前码本规模下单纯依赖时延优势。
研究结论部分可译述为：本文提出了一种用于大规模MIMO系统混合波束成形设计的耦合多阶段学习框架。该方法不再将BER预测与角度选择视为相互独立的顺序任务，而是通过共享编码器、跨阶段损失实现的显式一致性正则化、不确定性引导细化以及交替优化，将二者加以关联。研究系统评估了10种来自经典学习与深度学习范式的多样化方法，最终选择二次多项式回归用于BER预测，选择具有信道感知注意力的Direct-Angle-NN用于角度分类。核心结论是，没有任何单一范式在两个子任务上同时占优：经典多项式回归在本文所采用的诊断标准下提供最强BER预测，而Direct-Angle-NN提供最强角度分类。二者在联合目标下耦合后，构成的混合系统在受控协议下于所有评估方法及重新实现文献基线中同时实现最低平均BER、最高频谱效率和最高能量效率，且仅消耗32.6 W功率。消融实验进一步表明，共享编码器、一致性损失和不确定性引导细化相对于解耦顺序基线带来从93.5%到96.0%的渐进式性能提升。这些改进应理解为稳定而适度的收益。作者同时指出，现有验证基于簇状几何信道、固定码本、理想硬件、未编码QPSK和中等规模训练数据，理论分析仅作为参考尺度而非正式最优性保证，交替优化也未给出全局收敛证明。未来工作将进一步拓展至CSI估计误差感知训练、有限分辨率移相器、硬件非线性、编码高阶调制、更复杂阻塞信道库以及实测数据与空口验证场景。
