一种自适应且鲁棒的太赫兹超大规模MIMO信道估计深度学习框架

太赫兹超大规模MIMO（THz UM-MIMO）被展望为6G无线网络的关键赋能技术之一，其信道估计极具挑战性。传统解析估计方法不再有效，因为增大的阵列孔径与极小波长导致远场与近场路径混合，构成混合场信道。基于深度学习（DL）的方法虽有竞争力性能，但通常缺乏理论保证且随阵列规模扩展性差。本文提出一种用于THz UM-MIMO信道估计的通用DL框架，其利用现有迭代信道估计器并具有可证明保证。每次迭代由一个定点网络（FPN）实现，包含闭式线性估计器与基于DL的非线性估计器。所提方法因若干独特优势与THz UM-MIMO信道估计完美契合。首先，复杂度低且自适应。其具有可证明的线性收敛性与低单迭代开销及单调提升的精度，从而实现自适应的精度—复杂度权衡。其次，其对实际分布偏移鲁棒，并可几乎无性能损失地直接泛化至多种严重分布外场景，适用于复杂的太赫兹信道条件。为实用，该框架进一步扩展至具有波束斜视效应的宽带THz UM-MIMO系统。我们提供理论分析与广泛仿真结果，以阐明其在估计精度、收敛速率、复杂度与鲁棒性上相对于最先进方法的优势。