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

Resumen Técnico: Modelado y Estimación Basados en Tensores de Canales Estáticos en Sistemas MIMO Asistidos por IRS

Enunciado del Problema
El artículo aborda el desafío de la estimación de canales en sistemas de Entrada Múltiple Salida Múltiple (MIMO) asistidos por Superficies Inteligentes Reflectantes (IRS). En tales redes, el receptor debe estimar el canal en cascada (Equipo de Usuario a IRS a Estación Base) utilizando señales piloto reflejadas por el IRS. Los métodos existentes suelen categorizarse en técnicas estructuradas (que explotan modelos geométricos paramétricos) y técnicas no estructuradas. Si bien trabajos anteriores han utilizado enfoques tensoriales para escenarios específicos (por ejemplo, sistemas mmWave o detección de datos semi-ciega), existe la necesidad de marcos robustos que exploten la estructura geométrica específica de los canales estáticos asistidos por IRS para mejorar la precisión de la estimación sin incurrir en costos computacionales prohibitivos.

Metodología
Los autores proponen un nuevo marco de modelado de señales que formula el problema de estimación de canales como un modelo tensorial de Tucker de tercer orden. El núcleo de la metodología implica los siguientes pasos:

1. Modelo del Sistema: El sistema considera un escenario de enlace ascendente con una Estación Base (BS) equipada con $M$ antenas, un Equipo de Usuario (UE) con $Q$ antenas y un IRS con $N$ elementos pasivos. Los canales (BS-IRS e IRS-UE) se modelan utilizando un modelo geométrico de trayectos múltiples que incluye componentes tanto de Línea de Vista (LOS) como de No Línea de Vista (NLOS), caracterizados por vectores de apuntamiento y coeficientes de pérdida de trayectoria/desvanecimiento.
2. Formulación Tensorial: Mediante la vectorización de las señales piloto recibidas y el uso de las propiedades de los productos de Kronecker y Khatri-Rao, los autores derivan una relación lineal entre la señal recibida y los parámetros del canal concatenado. Esta relación se reestructura en un modelo tensorial de Tucker de tercer orden:
   $$\mathcal{R} \approx \mathcal{F} \times_1 \mathbf{A}_{rx} \times_2 \mathbf{A}^*_{tx} \times_3 \mathbf{P}_B$$
   Aquí, $\mathcal{R}$ representa el tensor de datos recibidos, $\mathbf{A}_{rx}$ y $\mathbf{A}_{tx}$ son las matrices de apuntamiento para la BS y el UE, $\mathbf{P}_B$ contiene la información de la geometría del IRS, y $\mathcal{F}$ es el tensor núcleo que representa los coeficientes de los trayectos.
3. Algoritmos Propuestos: Se derivan dos algoritmos para resolver el problema de estimación de parámetros (recuperar las matrices factor y el tensor núcleo):
   • Tucker-ALS (Mínimos Cuadrados Alternos): Un algoritmo iterativo que actualiza alternativamente las estimaciones de $\mathbf{A}_{rx}$, $\mathbf{A}_{tx}$, $\mathbf{P}_B$ y el vector del tensor núcleo $\mathbf{f}$ resolviendo subproblemas de mínimos cuadrados hasta la convergencia.
   • Tucker-HOSVD (Descomposición en Valores Singulares de Alto Orden): Una solución de forma cerrada que calcula las matrices factor realizando SVD truncadas sobre las desdoblamientos por modo del tensor recibido, seguidas de un paso de pseudo-inversa para estimar el tensor núcleo.

Contribuciones Clave

• Modelo de Señal Novel: El artículo introduce un modelo tensorial de Tucker de 3.º orden específicamente adaptado para canales MIMO asistidos por IRS estáticos, explotando explícitamente la estructura geométrica del canal en cascada.
• Enfoque Algorítmico Dual: Los autores proporcionan dos soluciones distintas: un método ALS iterativo y un método HOSVD no iterativo, ofreciendo flexibilidad en la implementación según los requisitos de convergencia frente a la velocidad computacional.
• Análisis de Complejidad: El estudio incluye un análisis detallado de la complejidad computacional que compara los métodos propuestos con los Mínimos Cuadrados (LS) clásicos y el algoritmo de Factorización Khatri-Rao (KRF) más avanzado.

Resultados de Simulación
Las simulaciones numéricas evalúan el rendimiento utilizando el Error Cuadrático Medio Normalizado (NMSE) del canal concatenado estimado:

• Ganancia de Rendimiento: Los métodos basados en tensores propuestos (tanto ALS como HOSVD) superan significativamente a los LS clásicos y al referente KRF. Específicamente, los métodos propuestos logran una mejora de aproximadamente 10 dB sobre LS y 5 dB sobre KRF.
• Comparación de Algoritmos: El algoritmo ALS iterativo demuestra un rendimiento ligeramente superior (ganancia de aprox. 1 dB) en comparación con el HOSVD de forma cerrada, aunque ambos son superiores a los referentes.
• Comportamiento de Convergencia: El algoritmo ALS requiere más iteraciones en regiones de baja Relación Señal-Ruido (SNR) o cuando aumenta el número de trayectos de propagación. Por el contrario, aumentar el número de elementos del IRS ($N$) reduce el número de iteraciones necesarias para la convergencia.
• Costo Computacional: A pesar de las ganancias de rendimiento, la complejidad computacional de los esquemas ALS y HOSVD propuestos es comparable a la de los algoritmos de referencia LS y KRF. Los autores señalan que el costo dominante en todos los esquemas sigue siendo el paso inicial de LS o las operaciones de SVD/pseudo-inversa, las cuales escalan de manera similar entre los métodos.

Significado y Afirmaciones
El artículo afirma que, al explotar la estructura tensorial algebraica del canal combinado, los métodos propuestos logran una precisión de estimación superior sin aumentar la complejidad computacional en relación con las técnicas existentes más avanzadas. Los autores posicionan este trabajo como un paso hacia la estimación de canales eficiente para redes más allá de 5G (B5G) y 6G, donde se espera que el despliegue de IRS sea crítico. El trabajo no afirma resolver problemas de canales variables en el tiempo (remitiendo a su trabajo anterior para ello), sino que se centra en optimizar la estimación de canales estáticos para habilitar una configuración efectiva de desplazamiento de fase del IRS.