基于液晶天线和液体神经网络的鲁棒混合波束赋能

亚太赫兹（sub-THz）多用户多输入多输出（MU-MIMO）系统为6G无线通信开辔了巨大的频谱资源。然而，亚太赫兹频段的实际部署面临关键挑战，包括增加的大气吸收、由于更高载波频率导致的信道相干时间缩短（即多普勒展宽增大），以及硬件瓶颈——低损耗的亚太赫兹相位开关器难以实现。为克服亚太赫兹系统的硬件与信道估计挑战，本文提出一种混合波束（BF）框架，将可重构液晶（LC）天线与液体神经网络（LNN）集成于发射端。具体而言，我们将LC天线作为混合BF架构的模拟BF阶段，利用其由电压驱动的介电常数可调性实现高增益波束定向，无需依赖损耗较大的相位开关器。对于数字BF，我们采用基于常微分方程定义的LNN来学习时序信道动力学，并采用流形优化技术压缩搜索空间。我们在基于NYURay的仿真场景中，对108 GHz的site-specific射线追踪信道进行了验证。NYURay该射线追踪仿真器已通过142 GHz传播测量得到验证。108 GHz的载波频率与LC天线硬件的运行频段相匹配。所提出的方法在光谱效率（SE）上实现了88.6%的提升，相较于学习辅助的梯度下降和门控循环单元（Gated Recurrent Unit, GRU）机器学习基线方法具有更高的对不完美信道估计的鲁棒性，相较于3GPP TR 38.901标准天线模型的1.9倍SE提升，凸显了LC基硬件在亚太赫兹通信中的潜力。