用于基于轨道角动量的无线通信系统中智能光束发散补偿的机器学习

《Scientific Reports》：Machine learning for intelligent beam divergence compensation in orbital angular momentum-based wireless communication systems

　　

摘要

轨道角动量（OAM）复用虽能实现高频谱效率，但因光束发散导致信号严重劣化。传统的补偿方法计算量大且速度慢，不适合实时应用。本文提出了一种基于机器学习的方法，使用深度神经网络（DNN）直接从距离和湍流等环境因素中学习并预测最优波束成形权重。本工作的关键创新在于采用了一种低复杂度学习框架，直接预测用于 OAM 光束发散补偿的混合波束成形权重，从而避免了重复的迭代优化，实现了显著的延迟降低。该模型基于多样化的信道数据进行训练，实现了超过 96.2% 的最优接收功率，同时将延迟从 100 毫秒降低至仅 0.5 毫秒——提升了 200 倍。该模型在未见过的情景中泛化性能良好，包括移动用户和硬件损伤场景，性能优于传统和自适应基线。本工作展示了一条通往未来 6G 网络自适应、低延迟 OAM 系统的可行路径。