RSS map-assisted MIMO channel estimation in the upper mid-band under pilot constraints

إليك ملخص تقني مفصل لورقة البحث بعنوان: "تقدير قناة MIMO بمساعدة خريطة قوة الإشارة المستلمة (RSS) في النطاق المتوسط العلوي تحت قيود الإشارات التجريبية (Pilots)."

1. بيان المشكلة

يعد الحصول على معلومات دقيقة عن حالة القناة (CSI) أمراً بالغ الأهمية لأنظمة الاتصالات اللاسلكية من الجيل القادم (تحديداً Massive MIMO في النطاق المتوسط العلوي، FR3، 7-24 جيجاهرتز) لتمكين التشكيل المسبق الدقيق (precoding)، وتقليل التداخل، والاستشعار. ومع ذلك، تواجه عملية تقدير القناة التقليدية تحديات كبيرة:

• قيود الإشارات التجريبية (Pilot Constraints): مع زيادة عدد الهوائيات، تصبح التكاليات المطلوبة للإشارات التجريبية باهظة، مما يؤدي إلى مشكلات تقدير غير محددة حيث يتجاوز عدد المجاهيل عدد القياسات المتاحة.
• محدودية الطرق الحالية:
  • الطرق القائمة على النماذج (Model-based methods): تتدهور كفاءتها في البيئات المعقدة مع وجود إشارات تجريبية محدودة.
  • الطرق القائمة على البيانات الصرفة (Black-box methods): تفتقر إلى التفسير الفيزيائي، وتتطلب مجموعات بيانات ضخمة خاصة بكل موقع، وتنتقل بضعف إلى بيئات أو نطاقات ترددية جديدة.
  • نماذج الانتشار (Diffusion models): تفرض عبئاً حسابياً عالياً بسبب العمليات العكسية التكرارية، مما يجعلها غير مناسبة للاتصالات في الوقت الفعلي.

تعالج هذه الورقة الحاجة إلى طريقة لتقدير القناة تكون قابلة للتفسير فيزيائياً، كفؤة حسابياً، وقوية في ظل القيود الشديدة للإشارات التجريبية في طيف النطاق المتوسط العلوي المليء بالتحديات.

2. المنهجية

يقترح المؤلفون إطار عمل يعتمد على الشبكة العصبية الموجهة بالفيزياء (Physics-Informed Neural Network - PINN) التي تجمع بشكل تآزري بين التقدير التقليدي القائم على النماذج والتعلم العميق، وذلك باستخدام خصائص الانتشار البيئي كمعرفة مسبقة.

أ. نموذج النظام والأساس الفيزيائي

• الأساس الفيزيائي: يستند النهج إلى معادلات ماكسويل. يتم اشتقاق قوة الإشارة المستلمة (RSS) من تراكب المجالات الكهربائية ($E$) المحسوبة عبر الطرق العددية (تتبع الأشعة - Ray Tracing).
• نموذج القناة: ينمذج النظام قناة MIMO عريضة النطاق انتقائية للتردد تحتوي على $P$ من مكونات المسارات المتعددة، وتتحدد من خلال التأخير، وزاوية الوصول/المغادرة، والكسب المعقد.
• المدخلات: تأخذ الشبكة ثلاثة مدخلات:
  1. تقدير أولي للقناة: يتم إنتاجه عبر طرق المربعات الصغرى (LS) الكلاسيكية (مثل LS مع الاستكمال الخطي أو تقليل الضوضاء باستخدام DFT).
  2. خريطة قوة الإشارة المستلمة (RSS Map): خريطة مكانية لقوة الإشارة المستلمة مشتقة من عمليات المحاككة الكهرومغناطيسية (باستخدام أدوات مثل Wireless Insite) بناءً على الموقع التقريبي للمستخدم.
  3. موقع المستخدم: إحداثيات GPS تقريبية لقص المنطقة ذات الصلة من خريطة الـ RSS.

ب. بنية الشبكة

جوهر إطار العمل هو بنية U-Net محسنة مدعومة بـ وحدات Transformer وآليات الانتباه المتقاطع (Cross-Attention):

1. المُشفّر (Encoder): يعالج تقدير القناة الأولي (تنسور ثلاثي الأبعاد) وخريطة الـ RSS (صورة ثنائية الأبعاد) من خلال كتل تعتمد على ResNet.
2. استخراج ميزات الـ RSS: يقوم مُشفّر CNN مخصص باستخراج الميزات المكانية من خريطة الـ RSS المقصوصة، مما يلتقط أنماط التظليل والانعكاس.
3. دمج الانتباه المتقاطع (Cross-Attention Fusion): يتم دمج ميزات القناة المسطحة وميزات الـ RSS باستخدام آلية الانتباه المتقاطع. هنا، تعمل ميزات القناة كاستعلام (Query - $Q$)، بينما تعمل ميزات الـ RSS كمفتاح (Key - $K$) وقيمة (Value - $V$). يسمح هذا للشبكة بالاستعلام بشكل انتقائي عن المعلومات البيئية ذات الصلة بعناصر قناة محددة.
4. الفضاء الكامن لـ Transformer: تقوم وحدة Transformer ذات الانتباه الذاتي بنمذجة الاعتمادات طويلة المدى بين نبضات القناة (channel taps) وتدقيق الميزات المدمجة.
5. المُفكك (Decoder): يقوم برفع أبعاد الميزات لإعادة بناء مصفوفة القناة المنقحة.
6. التمديد الزمني متعدد الخطوات: بالنسبة لسيناريوهات الحركة، يتم توسيع المُفكك برؤوس تنبؤ متوازية للتنبؤ بـ $L$ من لقطات القناة المستقبلية من مدخل واحد، لتجنب تراكم الأخطاء في النماذج ذاتية الانحدار (autoregressive).

ج. دالة الخسارة (Loss Function)

يجمع هدف التدريب بين دقة إعادة البناء والاتساق الفيزيائي:
$$\mathcal{L}_{total} = \mathcal{L}_{NMSE} + \zeta \mathcal{L}_{phy}$$

• $\mathcal{L}_{NMSE}$: متوسط مربع الخطأ المعياري القياسي بين القناة الحقيقية والمقدرة.
• $\mathcal{L}_{phy}$: حد موجه بالفيزياء يفرض الاتساق بين قوة القناة المقدرة وقوة الـ RSS المشتقة (بناءً على معادلات ماكسويل). هذا يقيد مساحة الحلات لتكون ضمن النطاقات المسموح بها فيزيائياً، مما يقلل التباين في ظل قيود الإشارات التجريبية.

3. المساهمات الرئيسية

1. إطار عمل هجين (PINN): بنية مبتكرة تدمج خصائص الانتشار البيئي (خرائط RSS) في تقدير القناة، مما يقيد مساحة الحلول حتى مع وجود إشارات تجريبية دنيا.
2. بنية متطورة: أول عمل يدمج خرائط الـ RSS في نموذج PINN لتقدير MIMO باستخدام U-Net محسنة مع انتباه متقاطع (Cross-Attention) و Transformers لدمج الميزات الفيزيائية والبيانات بفعالية.
3. مجموعة بيانات واقعية: إنشاء ونشر مجموعات بيانات واقعية ناتجة عن تتبع الأشعة (Boston و Urban Canyon) تغطي ترددات متعددة (8 جيجاهرتز، 15 جيجاهرتز) ومواقع نشر مختلفة.
4. التنبؤ متعدد الخطوات: توسيع إطار العمل للتنبؤ بعدة لقطات مستقبلية للقناة في وقت واحد، مما يتيح التشكيل المسبق الاستباقي في سيناريوهات الحركة.
5. الأداء والكفاءة: أظهر تفوقاً في الأداء على أحدث الطرق مع زمن استجابة منخفض للاستنتاج، مما يجعله قابلاً للتطبيق في الوقت الفعلي.

4. النتائج التجريبية

تم تقييم الطريقة باستخدام بيانات تتبع أشعة واقعية من بيئات حضرية عند تردد 15 جيجاهرتز (وتم تعميمها إلى 8 جيجاهرتز).

• مكاسب الأداء: حقق نموذج PINNE المقترح مكسباً قدره أكثر من 5 ديسيبل (dB) في متوسط مربع الخطأ المعياري (NMSE) مقارنة بأحدث النماذج المرجعية (بما في ذلك CNNs، ونماذج الانتشار، وطرق الكمبريسد سينسينج مثل OMP).
• سيناريوهات القيود التجريبية:
  • مع وجود 4 إشارات تجريبية فقط عند نسبة إشارة إلى ضجيج (SNR) تبلغ 0 ديسيبل، حقق النموذج NMSE يبلغ حوالي -13 ديسيبل.
  • مقارنة بتقديرات LS-OFDM الأولية، وفر تحسيناً يصل إلى 15 ديسيبل في أنظمة الإشارات التجريبية المنخفضة.
• التعميم:
  • إزاحة التردد: أدى الضبط الدقيق (Fine-tuning) من 15 جيجاهرتز إلى 8 جيجاهرتز باستخدام 10% فقط من بيانات الهدف إلى تحقيق أداء قريب من الأمثل (-13 ديسيبل).
  • إزاحة البيئة: تطلب التعلم الانتقالي (Transfer learning) من خريطة Boston المعقدة إلى Urban Canyon الأبسط الحد الأدنى من البيانات (100 عينة) للتكيف بفعالية.
• التعقيد: يمتلك الـ PINN زمن استجابة أقل بكراً في الاستنتاج (11 مللي ثانية) مقارنة بنماذج الانتشار (50 مللي ثانية)، رغم امتلاكه معاملات أكثر، وذلك بسبب غياب العمليات العكسية التكرارية.
• التنبؤ الزمني: في سيناريوهات الحركة (35-39 كم/ساعة)، حافظ المُفكك متعدد الخطوات على أداء قوي، حيث تدهور NMSE تدريجياً وبشكل سلس مع زيادة أفق التنبؤ ($L$).

5. الأهمية

تمثل هذه الورقة خطوة مهمة للأمام في تقدير القناة اللاسلكية من خلال الابتعاد عن التعلم العميق "الصندوق الأسود" نحو التعلم الموجه بالفيزياء.

• القابلية للتفسير: من خلال ربط الشبكة بمعادلات ماكسويل وخرائط الـ RSS، يوفر النموذج اتساقاً فيزيائياً، مما يجعله أكثر موثوقية من النهج المعتمدة كلياً على البيانات.
• القابلية للتوسع: يحل الأسلوب أزمة التكاليات في أنظمة Massive MIMO، مما يسمح بالحصول على معلومات عالية الدقة عن حالة القناة (CSI) بأقل قدر من إشارات التدريب.
• العملية: زمن الاستجلة الحسابي المنخفض والقدرة على التعميم عبر الترددات والبيئات تجعل منه مرشحاً حقيقياً للتطبيق في الوقت الفعلي لأنظمة النطاق المتوسط العلوي في الجيل القادم (6G).
• الاتصال الاستباقي: تمكن قدرة التنبؤ متعدد الخطوات من تخصيص الموارد والتشكيل المسبسبق الاستباقي، وهو أمر حيوي لتطبيقات الحركة العالية.