Tensor-based modeling/estimation of static channels in IRS-assisted MIMO systems

Technische Zusammenfassung: Tensorbasierte Modellierung und Schätzung statischer Kanäle in IRS-gestützten MIMO-Systemen

Problemstellung
Der Beitrag adressiert die Herausforderung der Kanalschätzung in Intelligent Reflecting Surface (IRS)-gestützten Multiple Input Multiple Output (MIMO)-Systemen. In solchen Netzwerken muss der Empfänger den kaskadierten Kanal (User Equipment zu IRS zu Base Station) unter Verwendung von vom IRS reflektierten Pilot-Signalen schätzen. Bestehende Methoden werden häufig in strukturierte Techniken (die parametrische geometrische Modelle ausnutzen) und unstrukturierte Techniken kategorisiert. Während frühere Arbeiten tensorbasierte Ansätze für spezifische Szenarien (z. B. mmWave-Systeme oder halb-blind Daten-Detektion) genutzt haben, besteht ein Bedarf an robusten Rahmenwerken, die die spezifische geometrische Struktur statischer IRS-gestützter Kanäle ausnutzen, um die Schätzgenauigkeit zu verbessern, ohne prohibitive Rechenkosten zu verursachen.

Methodik
Die Autoren schlagen ein neues Signalmodellierungs-Framework vor, das das Problem der Kanalschätzung als ein Tucker-Tensor-Model dritter Ordnung formuliert. Der Kern der Methodik umfasst folgende Schritte:

1. Systemmodell: Das System betrachtet ein Uplink-Szenario mit einer Base Station (BS) mit $M$ Antennen, einem User Equipment (UE) mit $Q$ Antennen und einem IRS mit $N$ passiven Elementen. Die Kanäle (BS-IRS und IRS-UE) werden unter Verwendung eines Mehrwege-geometrischen Modells modelliert, das sowohl Line-of-Sight (LOS)- als auch Non-Line-of-Sight (NLOS)-Komponenten einschließt, charakterisiert durch Steuervektoren sowie Pfadverlust- und Fading-Koeffizienten.
2. Tensorformulierung: Durch Vektorisierung der empfangenen Pilot-Signale und Nutzung der Eigenschaften der Kronecker- und Khatri-Rao-Produkte leiten die Autoren eine lineare Beziehung zwischen dem empfangenen Signal und den verketteten Kanalparametern her. Diese Beziehung wird in ein Tucker-Tensor-Model dritter Ordnung umstrukturiert:
   $$\mathcal{R} \approx \mathcal{F} \times_1 \mathbf{A}_{rx} \times_2 \mathbf{A}^*_{tx} \times_3 \mathbf{P}_B$$
   Hierbei repräsentiert $\mathcal{R}$ den empfangenen Datentensor, $\mathbf{A}_{rx}$ und $\mathbf{A}_{tx}$ sind die Steuermatrizen für BS und UE, $\mathbf{P}_B$ enthält die IRS-Geometrie-Informationen, und $\mathcal{F}$ ist der Kerntensor, der die Pfadkoeffizienten darstellt.
3. Vorgeschlagene Algorithmen: Zwei Algorithmen werden abgeleitet, um das Parameterschätzproblem zu lösen (Wiederherstellung der Faktormatrizen und des Kerntensors):
   • Tucker-ALS (Alternating Least Squares): Ein iterativer Algorithmus, der die Schätzungen von $\mathbf{A}_{rx}$, $\mathbf{A}_{tx}$, $\mathbf{P}_B$ und dem Kerntensor-Vektor $\mathbf{f}$ abwechselnd aktualisiert, indem er Least-Squares-Teilprobleme löst, bis Konvergenz erreicht ist.
   • Tucker-HOSVD (High-Order Singular Value Decomposition): Eine geschlossene Lösung, die die Faktormatrizen berechnet, indem sie abgeschnittene SVDs auf den modus-entfalteten empfangenen Tensor anwendet, gefolgt von einem Pseudoinverse-Schritt zur Schätzung des Kerntensors.

Hauptbeiträge

• Neuartiges Signalmodell: Der Beitrag stellt ein Tucker-Tensor-Modell 3. Ordnung vor, das speziell für statische IRS-gestützte MIMO-Kanäle entwickelt wurde und die geometrische Struktur des kaskadierten Kanals explizit ausnutzt.
• Dualer algorithmischer Ansatz: Die Autoren bieten zwei unterschiedliche Lösungen an: eine iterative ALS-Methode und eine nicht-iterative HOSVD-Methode, die Flexibilität bei der Implementierung basierend auf Konvergenzanforderungen versus Rechengeschwindigkeit bieten.
• Komplexitätsanalyse: Die Studie umfasst eine detaillierte Analyse der rechnerischen Komplexität, die die vorgeschlagenen Methoden mit dem klassischen Least Squares (LS) und dem state-of-the-art Khatri-Rao-Faktorisierungs-Algorithmus (KRF) vergleicht.

Simulationsergebnisse
Numerische Simulationen bewerten die Leistung unter Verwendung des Normalized Mean Square Error (NMSE) des geschätzten verketteten Kanals:

• Leistungssteigerung: Die vorgeschlagenen tensorbasierten Methoden (sowohl ALS als auch HOSVD) übertreffen das klassische LS und den KRF-Benchmark signifikant. Insbesondere erzielen die vorgeschlagenen Methoden eine Verbesserung von etwa 10 dB gegenüber LS und 5 dB gegenüber KRF.
• Algorithmenvergleich: Der iterative ALS-Algorithmus zeigt eine etwas bessere Leistung (ca. 1 dB Gewinn) im Vergleich zur geschlossenen HOSVD, obwohl beide den Benchmarks überlegen sind.
• Konvergenzverhalten: Der ALS-Algorithmus erfordert mehr Iterationen in Bereichen mit niedrigem Signal-zu-Rausch-Verhältnis (SNR) oder wenn die Anzahl der Ausbreitungspfade zunimmt. Umgekehrt reduziert eine Erhöhung der Anzahl der IRS-Elemente ($N$) die für die Konvergenz erforderliche Anzahl an Iterationen.
• Rechenkosten: Trotz der Leistungssteigerungen ist die rechnerische Komplexität der vorgeschlagenen ALS- und HOSVD-Schemata mit der der Benchmark-LS- und KRF-Algorithmen vergleichbar. Die Autoren stellen fest, dass die dominierenden Kosten in allen Schemata weiterhin im initialen LS-Schritt oder in den SVD/Pseudoinverse-Operationen liegen, die sich über die Methoden hinweg ähnlich skalieren.

Bedeutung und Behauptungen
Der Beitrag behauptet, dass durch die Ausnutzung der algebraischen Tensorstruktur des kombinierten Kanals die vorgeschlagenen Methoden eine überlegene Schätzgenauigkeit erreichen, ohne die rechnerische Komplexität im Vergleich zu bestehenden state-of-the-art-Techniken zu erhöhen. Die Autoren positionieren diese Arbeit als einen Schritt hin zu einer effizienten Kanalschätzung für Beyond-5G (B5G) und 6G-Netze, in denen der Einsatz von IRS als kritisch erwartet wird. Die Arbeit behauptet nicht, Probleme zeitvariabler Kanäle zu lösen (verweisend auf ihre vorherige Arbeit dafür), sondern konzentriert sich auf die Optimierung der Schätzung statischer Kanäle, um eine effektive IRS-Phasenverschiebungs-Konfiguration zu ermöglichen.