On Pareto-Optimal Estimation-Information Performance Limits of MIMO Integrated Sensing and Communications Systems

Stellen Sie sich vor, Sie versuchen, eine geheime Nachricht an einen Freund zu senden, während Sie gleichzeitig ein hochauflösendes Foto eines fahrenden Autos machen. In der Welt der drahtlosen Netzwerke der nächsten Generation (oft als 6G bezeichnet) versuchen Ingenieure, Geräte zu bauen, die beides gleichzeitig mit denselben Funkwellen erledigen können. Dies wird als „Integrated Sensing and Communications“ (ISAC) bezeichnet. Denken Sie an eine einzige Taschenlampe, die sowohl hell genug sein muss, um ein Buch zu lesen (Kommunikation), als auch scharf genug, um die Textur einer Wand zu enthüllen (Sensorik). Jahrzehntelang haben Wissenschaftler versucht herauszufinden, was die absolut beste Methode ist, dies zu tun, und dabei gefragt: „Was ist die perfekte Signalform, die beide Aufgaben maximiert?“

Um die Herausforderung zu verstehen, müssen Sie zwei Dinge wissen. Erstens ist bei normalen Telefonaten das beste Signal normalerweise ein glattes, zufälliges „Rauschen“ (mathematisch als Gauß-Verteilung bezeichnet), da es die meisten Informationen überträgt. Zweitens benötigen Sie für eine klare Aufnahme (Sensorik) normalerweise ein sehr vorhersehbares, stetiges Signal, damit Sie genau messen können, wie es von Objekten abprallt. Die große Frage war bisher: Kann ein Signal sowohl perfekt zufällig für das Sprechen als auch perfekt stetig für die Sensorik sein? Diese Arbeit taucht tief in die komplexe Mathematik dieser Frage ein, um das theoretische „Geschwindigkeitslimit“ zu finden, wie gut diese dualen Systeme tatsächlich arbeiten können.

Die große Signal-Gestaltwandlung

In dieser Arbeit widmen sich die Autoren Zi-Jie Wang, Xudong Wang und Giuseppe Caire dem ultimativen Rätsel der ISAC-Welt: dem Auffinden der perfekten „Form“ der Funkwellen, die sowohl Daten als auch Sensorik-Informationen tragen. Sie betrachten das Signal nicht nur als eine Welle, sondern als einen Charakter mit einer Persönlichkeit – einer Wahrscheinlichkeitsverteilung, die entscheidet, wie wahrscheinlich es ist, dass das Signal stark, schwach oder irgendwo dazwischen ist.

Die Forscher haben ein virtuelles Labor mit einem MIMO-System (Multiple-Input Multiple-Output) aufgebaut. Stellen Sie sich einen Sender mit mehreren Antennen vor, der ein Signal aussendet, das an zwei verschiedene Orte reist: einen Kommunikations-Empfänger (Ihr Telefon) und einen Sensorik-Empfänger (ein Radar, das Ziele sucht). Das Ziel ist es, die „Pareto-optimale“ Grenze zu finden. Denken Sie an diese Grenze als einen Drahtseilakt. Wenn Sie sich zu sehr darauf konzentrieren, das Signal perfekt für das Sprechen zu machen, wird Ihr Radarbild unscharf. Wenn Sie sich zu sehr darauf konzentrieren, es perfekt für das Radar zu machen, verlangsamt sich Ihre Telefonverbindung. Die Arbeit kartiert jeden einzelnen Punkt auf diesem Drahtseil, um zu sehen, wie die absolut beste Leistung aussieht.

Die schockierende Entdeckung: Das „perfekte“ Signal existiert (noch) nicht

Hier wird die Geschichte kurvenreich. Die Autoren nutzten fortgeschrittene Mathematik (Variationsrechnung), um zu fragen: „Wie sieht die perfekte Signalverteilung aus?“ Sie fanden eine überraschende Antwort, die die Regeln der Standardtechnik bricht.

Im Extremfall, in dem es Ihnen nur um das Sprechen geht (Kommunikation), ist das perfekte Signal tatsächlich das glatte, zufällige „Rauschen“, das alle erwarten. Doch für jeden anderen Punkt auf dem Drahtseil – wo Sie etwas Sensorik und et etwas Kommunikation wollen – besagt die Mathematik, dass das perfekte Signal nicht eine glatte, kontinuierliche Welle sein kann.

Die Arbeit beweist, dass die ideale Signalverteilung „singulär“ ist. Um eine Analogie zu verwenden: Wenn ein normales Signal wie ein glatter, fließender Fluss ist, dann ist das perfekte ISAC-Signal eher wie eine Ansammlung von einzelnen, gefrorenen Eiswürfeln, die in diesem Fluss treiben. Es ist keine glatte Kurve; es ist eine gezackte, gebrochene Form, die auf einer sehr spezifischen, winzigen Teilmenge von Möglichkeiten lebt. Die Autoren zeigen, dass man das wahre theoretische Limit niemals erreichen wird, wenn man versucht, das Signal glatt und kontinuierlich zu erzwingen (wie die in den meisten aktuellen Forschungsarbeiten verwendeten Gauß-Wellen). Man wird immer leicht daneben liegen. Das wahre Limit ist ein „Supremum“ – eine Decke, an die man sich unendlich nah herantasten kann, die man aber mit Standard-Gauß-Signalen nie ganz berühren kann.

Die zwei großen Trade-offs

Die Arbeit identifiziert zwei Haupt-„Tauziehen“-Kämpfe, die bestimmen, wie sich das Signal verhält:

1. Der Water-Filling-Trade-off: Stellen Sie sich vor, Sie gießen Wasser in eine hügelige Landschaft. In der Kommunikation gießen Sie mehr Wasser (Leistung) in die tiefen Täler (starke Signalpfade), um die meisten Daten zu erhalten. In der Sensorik möchten Sie ebenfalls Leistung in bestimmte Pfade gießen, um die besten Reflexionen zu erhalten. Die Arbeit zeigt, dass man nicht die Täler für beide Aufgaben gleichzeitig perfekt füllen kann. Man muss wählen, welche „Täler“ man füllt, und die Leistung zwischen den beiden Zielen ausbalancieren.
2. Der Waveform-Uncertainty-Trade-off: Dies ist der Persönlichkeitswechsel. Wenn Sie sprechen wollen, muss das Signal chaotisch und zufällig sein (hohe Unsicherheit), um Geheimnisse zu übertragen. Wenn Sie messen wollen, muss das Signal vorhersehbar und stetig sein (geringe Unsicherheit), um Reflexionen genau zu messen. Die Arbeit findet, dass sich die Persönlichkeit des Signals, während man sich von „reiner Sensorik“ zu „reinem Sprechen“ bewegt, von einer starren, deterministischen Struktur (wie einer perfekten geometrischen Form) in eine wilde, Gaußsche Wolke verwandelt. Der interessanteste Teil ist, dass das Signal in der Mitte ein seltsames Hybridwesen sein muss, das weder vollkommen zufällig noch vollkommen stetig ist.

Wie sie das Unlösbare lösten

Da das perfekte Signal so seltsam ist (eine gezackte, singuläre Form), dass man keine einfache Formel dafür aufschreiben kann, konnten die Autoren es nicht einfach mit Bleistift und Papier lösen. Stattdessen bauten sie einen digitalen „Roboter“, einen sogenannten Blahut-Arimoto-Typ-Algorithmus.

Betrachten Sie diesen Algorithmus als einen Bildhauer, der mit einem Block Ton (einem Standard-Signal) beginnt und immer wieder winzige Stücke abschlägt. Mit jedem Meißelschlag kommt das Signal der perfekten, gezackten, theoretischen Form näher. Die Arbeit beweist, dass dieser Roboter gegen das wahre Limit konvergiert. Sie nutzten diese Methode, um die Ergebnisse am Computer zu simulieren, und zeigten exakt auf, wie sich die Signalform verändert, wenn man die Balance zwischen Sensorik und Sprechen anpasst.

Was die Zahlen sagen

Die Autoren haben nicht nur theoretisch gesprochen; sie haben Simulationen durchgeführt, um zu zeigen, was in realen Szenarien passiert.

• In einem einfachen SISO-System (Single-Input Single-Output) zeigten sie, dass sich die Signalverteilung, während man von Sensorik zu Kommunikation wechselt, von einer „binären“ Form (wie ein Münzwurf, entweder hoch oder niedrig) in eine glatte Gaußsche Glockenkurve verwandelt.
• In einem MIMO-System (mit mehreren Antennen) fanden sie heraus, dass bei hohen Signal-Rausch-Verhältnissen (sehr starke Signale) die Lücke zwischen der besten Sensorik-Leistung und der besten Kommunikations-Leistung größer wird. Das bedeutet, dass der „Water-Filling“-Trade-off noch kritischer wird; man muss noch härtere Entscheidungen darüber treffen, wohin man seine Leistung investiert.

Das Fazregebnis

Diese Arbeit liefert Ihnen nicht nur eine neue Formel; sie verändert die Art und Weise, wie wir diese Signale entwerfen. Sie sagt uns, dass die „Standard“-Signale, die wir heute verwenden, wahrscheinlich nicht die bestmöglichen Werkzeuge für ISAC sind. Um die wahren Grenzen von 6G zu erreichen, müssen wir möglicherweise „singuläre“ oder „nicht-standardisierte“ Wellenformen entwerfen – Signale, die eher wie gezackte Eiswürfel als wie glatte Flüsse aussehen. Auch wenn das perfekte Signal mit Standard-kontinuierlichen Wellen mathematisch gesehen vielleicht nicht exakt erreicht werden kann, liefert diese Arbeit die Landkarte, um so nah wie möglich heranzukommen, und leitet Ingenieure an, wie sie die nächste Generation der drahtlosen Signale formen können.