Imagine an array with a massive (possibly uncountably infinite) number of antennas in a compact space. We refer to a system of this sort as Holographic MIMO. Given the impressive properties of Massive MIMO, one might expect a holographic array to realize extreme spatial resolution, incredible energy efficiency, and unprecedented spectral efficiency. At present, however, its fundamental limits have not been conclusively established. A major challenge for the analysis and understanding of such a paradigm shift is the lack of mathematically tractable and numerically reproducible channel models that retain some semblance to the physical reality. Detailed physical models are, in general, too complex for tractable analysis. This paper aims to take a closer look at this interdisciplinary challenge. Particularly, we consider the small-scale fading in the far-field, and we model it as a zero-mean, spatially-stationary, and correlated Gaussian scalar random field. Physically-meaningful correlation is obtained by requiring that the random field be consistent with the scalar Helmholtz equation. This formulation leads directly to a rather simple and exact description of the three-dimensional small-scale fading as a Fourier plane-wave spectral representation. Suitably discretized, this leads to a discrete representation for the field as a Fourier plane-wave series expansion, from which a computationally efficient way to generate samples of the small-scale fading over spatially-constrained compact spaces is developed. The connections with the conventional tools of linear systems theory and Fourier transform are thoroughly discussed.


翻译:想象在紧凑空间中有大量( 可能无法想象的无限) 天线的阵列。 我们指的是这样的系统, 即全球 mIMO。 鉴于大规模MIMO的令人印象深刻的特性, 人们可能会期望全息阵列能够实现极端的空间分辨率、 令人难以置信的能源效率和前所未有的光谱效率。 但是, 目前, 它的基本界限还没有最终确定。 分析和理解这种范式转变的一个主要挑战是缺乏数学上可移动的和数字上可复制的频道模型, 以便保持某种与物理现实的相似性。 详细物理模型一般而言太复杂, 难以进行可移植的分析。 本文旨在更仔细地审视这个跨学科的挑战。 特别是, 我们把它当作一个零度的、 空间静止的和关联的高调随机字段。 通过要求随机字段与直观的海姆尔茨等方程式保持一定的交替性。 这种精确的物理模型将直接导致一个非常简单和清晰的常规的连接度, 特别是, 我们把它视为一个零度的、 空间静止的、 和相平流的直径直径直径直径直径的模型, 。

0
下载
关闭预览

相关内容

一份简单《图神经网络》教程,28页ppt
专知会员服务
123+阅读 · 2020年8月2日
Stabilizing Transformers for Reinforcement Learning
专知会员服务
58+阅读 · 2019年10月17日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
Arxiv
11+阅读 · 2021年3月25日
Arxiv
35+阅读 · 2020年1月2日
Meta-Learning with Implicit Gradients
Arxiv
13+阅读 · 2019年9月10日
Arxiv
6+阅读 · 2018年2月24日
VIP会员
相关资讯
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
Top
微信扫码咨询专知VIP会员