Fundamental Analysis of Scalable Fluid Antenna Systems: Identifiability Limits, Information Theory, and Joint Processing

Titel: Fundamentale Analyse skalierbarer Fluid-Antennen-Systeme: Identifizierbarkeitsgrenzen, Informationstheorie und gemeinsame Verarbeitung

1. Problemstellung

Herkömmliche Feststand-Antennenarrays (Fixed-Position Arrays, FPAs) leiden unter zwei wesentlichen Einschränkungen:

• Starre Geometrie: Sie bieten eine feste Anzahl an Freiheitsgraden (Degrees of Freedom, DoFs), was die Auflösung und die Anzahl der auflösbaren Quellen begrenzt.
• Gegenseitige Kopplung: Bei dichter Anordnung (z. B. zur Vermeidung von Grating Lobes) entsteht starke gegenseitige Kopplung, die die Schätzleistung verschlechtert.

Das Skalierbare Fluid-Antennen-System (S-FAS) wurde als neue Lösung vorgeschlagen, das die physikalische Apertur dynamisch skalieren kann. Es wechselt zwischen zwei Konfigurationen:

1. Komprimierte Konfiguration: Sub-Wellenlängen-Abstand zur Eliminierung von Grating Lobes, jedoch mit starker gegenseitiger Kopplung.
2. Erweiterte Konfiguration: Halbe-Wellenlängen-Abstand für hohe räumliche Auflösung und vernachlässigbare Kopplung.

Bisher fehlte jedoch ein theoretisches Fundament, um die Identifizierbarkeitsgrenzen (wie viele Quellen maximal detektiert werden können) für solch ein rekonfigurierbares System zu bestimmen. Klassische algebraische Methoden (Rangzählung) reichen hier nicht aus, da sie die dynamische Skalierung der Beobachtungsentropie und den Informationsfluss zwischen den Konfigurationen nicht erfassen können.

2. Methodik: Der Beobachtungs-Entropie-Rahmen (Observation Entropy Framework)

Die Autoren entwickeln einen einheitlichen informationstheoretischen Rahmen, der auf dem Konzept des Beobachtungs-Entropie-Budgets basiert.

• Kernkonzept: Für jede Konfiguration $\alpha$ (komprimiert $c$ oder erweitert $e$) ist die Differenzialentropie der Beobachtungen $H(Y_\alpha)$ durch die effektive Dimension $M_{eff,\alpha}$ begrenzt:
  $$H(Y_\alpha) \leq M_{eff,\alpha} \log(2\pi e \sigma_y^2)$$
• Identifizierbarkeitsbedingung: Um Parameter (z. B. DOA, Reichweite) zu unterscheiden, muss das Rausch-Unterraum (Noise Subspace) mindestens eine Dimension behalten, um als statistische Referenz zu dienen. Dies führt zur universellen Grenze:
  $$K_{max} = M_{eff} - 1$$
  wobei $K$ die Anzahl der Quellen und $M_{eff}$ die effektive Anzahl der Antennenelemente nach Berücksichtigung von Kopplung und Randelement-Entfernung ist.
• Diagnosewerkzeuge:
  • Datenverarbeitungs-Ungleichung: Erklärt, warum sequenzielle Verarbeitung (erst komprimiert, dann erweitert) eine Informationsengpass erzeugt.
  • Rausch-Entropie-Verhältnis: Dient zur Unterscheidung zwischen fundamentaler Erschöpfung der Freiheitsgrade und algorithmischer Suboptimalität.

3. Wichtige Beiträge

1. Herleitung der Identifizierbarkeitsgrenzen:

   • Komprimierte Konfiguration: Durch die Entfernung von $p$ Randelementen zur Kopplungsminderung beträgt die effektive Dimension $M_{eff,c} = M - 2p$. Die maximale Anzahl identifizierbarer Quellen ist $K_{max,c} = M - 2p - 1$. Dies ist ein notwendiger Kompromiss: Verlust an Entropie-Budget für eine eindeutige, grating-lobe-freie Initialisierung.
   • Erweiterte Konfiguration: Hier gilt $M_{eff,e} = M$. Die Grenze ist $K_{max,e} = M - 1$. Interessanterweise gilt diese Grenze sowohl für Fernfeld-DOA-Schätzung als auch für gemischte Felder (Nahfeld/Reichweite), da die Beschränkung durch die Beobachtungs-DoFs und nicht durch die Parameteranzahl pro Quelle bestimmt wird.
   • Gemeinsame Verarbeitung (Joint Processing): Durch räumliches Stapeln (Stacking) der Beobachtungsvektoren beider Konfigurationen wird das Entropie-Budget addiert ($M_{eff, joint} = M_c + M_e$). Dies ermöglicht eine theoretische Grenze von $K_{max, joint} = (M_c + M_e) - 1$.

2. Analyse von Verarbeitungsarchitekturen:

   • Sequenzielle Verarbeitung: Wird die komprimierte Schätzung als Initialisierung für die erweiterte Schätzung genutzt, ist die Gesamtkapazität durch die schwächere Komponente (komprimiert) begrenzt ($K_{seq} = K_{max,c}$). Die Datenverarbeitungs-Ungleichung zeigt, dass die erweiterte Apertur keine zusätzlichen Informationen liefern kann, wenn die erste Stufe bereits versagt hat.
   • Gemeinsame Verarbeitung (J-MUSIC): Ein neu entwickelter Algorithmus nutzt die augmentierten Steuervektoren beider Konfigurationen, um die theoretische Kapazitätsgrenze von fast dem Doppelten der einzelnen Arrays zu erreichen.

3. Dual-Validierung:
   Die theoretischen Grenzen werden durch zwei unabhängige Methoden validiert:

   • Algebraisch: Durch Messung der Dimension des Rausch-Unterraums.
   • Informationstheoretisch: Durch Analyse des Rausch-Entropie-Verhältnisses.

4. Ergebnisse

• Kapazitäts-Hierarchie: Die Simulationen bestätigen die vorhergesagte Hierarchie:
  • Komprimiert: $K_{max} = 25$ (für $M=32, p=3$).
  • Erweitert: $K_{max} = 31$.
  • Gemeinsam (Joint): Theoretisch $K_{max} = 57$.
• Sequenzieller Engpass: Bei sequenzieller Verarbeitung bleibt die Kapazität bei 25 Quellen stecken, obwohl die erweiterte Konfiguration theoretisch 31 Quellen verarbeiten könnte. Dies bestätigt die Informationstheorie-Vorhersage des Engpasses.
• Praktische Leistung: Der vorgeschlagene J-MUSIC-Algorithmus zeigt in Monte-Carlo-Simulationen:
  • Eine Reduktion des RMSE (Root Mean Square Error) um 15–30% im Vergleich zu herkömmlichen Methoden.
  • Robustheit bei hohen Quellenzahlen (bis zu 20 Quellen in Tests, theoretisch bis 57).
  • Schnellere Konvergenz bei geringeren Anzahl an Zeit-Samples (Snapshots).
• Praxis-Lücke: In der Praxis liegt die erreichbare gemeinsame Kapazität aufgrund von Konditionsproblemen der Mannigfaltigkeit (Manifold Conditioning) bei ca. 34–36 Quellen, was immer noch eine signifikante Steigerung (ca. 10–16%) gegenüber der rein erweiterten Konfiguration darstellt.

5. Bedeutung und Fazit

Dieses Paper legt einen fundamentalen informationstheoretischen Grundstein für skalierbare Fluid-Antennen-Systeme.

• Paradigmenwechsel: Es verschiebt den Fokus von rein algebraischer Ranganalyse hin zu einer Entropie-basierten Analyse, die die Dynamik rekonfigurierbarer Arrays besser beschreibt.
• Systemdesign-Leitfaden: Die Arbeit zeigt, dass sequenzielle Verarbeitung (zwei Stufen) einen fundamentalen Informationsverlust darstellt. Um die volle Leistungsfähigkeit von S-FAS auszuschöpfen, ist eine gemeinsame Verarbeitung (Joint Processing) unerlässlich.
• Anwendung: Die Ergebnisse sind hochrelevant für 6G-Netze, wo präzise Lokalisierung (cm-genau) und die gleichzeitige Handhabung vieler Quellen (Massive MIMO/ISAC) gefordert sind. Der vorgeschlagene Rahmen hilft Ingenieuren, fundamentale Grenzen von algorithmischen Mängeln zu unterscheiden und optimale Systemkonfigurationen zu entwerfen.

Zusammenfassend beweist das Paper, dass S-FAS durch intelligente Kombination von Konfigurationen die physikalischen Grenzen der Quellentrennung überwinden kann, wobei die Informationstheorie das entscheidende Werkzeug zur Quantifizierung dieser Grenzen ist.