⚡ electrical engineering

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

Este artículo investiga los límites fundamentales de la estimación conjunta y del rendimiento de la información de los sistemas MIMO de detección e comunicaciones integradas, caracterizando específicamente sus compensaciones de Pareto óptimas.

Autores originales: Zi-Jie Wang, Xudong Wang, Giuseppe Caire

Publicado 2026-07-21

📖 7 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Zi-Jie Wang, Xudong Wang, Giuseppe Caire

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás intentando enviar un mensaje secreto a un amigo mientras, simultáneamente, tomas una fotografía de alta resolución de un coche en movimiento. En el mundo de las redes inalámbricas de próxima generación (a menudo llamadas 6G), los ingenieros están tratando de construir dispositivos que puedan hacer ambas cosas al mismo tiempo utilizando las mismas ondas de radio. Esto se llama "Detección e Información Integradas" (ISAC, por sus siglas en inglés). Es como una sola linterna que necesita ser lo suficientemente brillante para leer un libro (comunicación) pero también lo suficientemente nítida como para revelar la textura de una pared (detección). Durante décadas, los científicos han intentado averiguar cuál es la mejor manera de hacer esto, preguntándose: "¿Cuál es la forma de señal perfecta que maximiza ambas tareas?".

Para entender el desafío, necesitas saber dos cosas. Primero, en las llamadas telefónicas normales, la mejor señal suele ser un "estática" o ruido aleatorio y suave (matemáticamente llamado distribución Gaussiana) porque transporta la mayor cantidad de información. Segundo, para tomar una foto clara (detección), normalmente quieres una señal muy predecible y constante para poder medir exactamente cómo rebota en las cosas. La gran pregunta ha sido: ¿Puede una sola señal ser perfectamente aleatoria para hablar y perfectamente constante para la detección? Este artículo se sumerge en la matemática profunda de esa pregunta para encontrar el "límite de velocidad" teórico de qué tan bien pueden funcionar realmente estos sistemas de doble propósito.

El Gran Cambio de Forma de la Señal

En este artículo, los autores, Zi-Jie Wang, Xudong Wang y Giuseppe Caire, abordan el rompecabezas definitivo del mundo de ISAC: encontrar la "forma" perfecta para las ondas de radio que transportan tanto datos como información de detección. Tratan la señal no solo como una onda, sino como un personaje con personalidad: una distribución de probabilidad que decide qué tan probable es que la señal sea fuerte, débil o algo intermedio.

Los investigadores configuraron un laboratorio virtual con un sistema MIMO (Multiple-Input Multiple-Output). Imagina un transmisor con múltiples antenas que emite una señal que viaja hacia dos lugares diferentes: un receptor de comunicación (tu teléfono) y un receptor de detección (un radar que busca objetivos). El objetivo es encontrar la frontera "Pareto-óptima". Piensa en esta frontera como un equilibrio en la cuerda floja. Si te inclinas demasiado hacia hacer que la señal sea perfecta para hablar, tu imagen de radar se vuelve borrosa. Si te inclinas demasiado hacia hacer que sea perfecta para el radar, tu conexión telefónica se ralentiza. El artículo mapea cada punto de esa cuerda floja para ver cómo es el mejor rendimiento absoluto.

El Descubrimiento Sorprendente: La Señal "Perfecta" No Existe (Todavía)

Aquí es donde la historia se vuelve retorcida. Los autores utilizaron matemáticas avanzadas (cálculo de variaciones) para preguntar: "¿Cómo es la distribución de la señal perfecta?". Encontraron una respuesta sorprendente que rompe las reglas de la ingeniería estándar.

Para el caso extremo en el que solo te importa hablar (comunicación), la señal perfecta es, de hecho, el ruido de "estática" suave y aleatorio que todos esperan. Sin embargo, para cualquier otro punto en la cuerda floja —donde quieres algo de detección y algo de comunicación— las matemáticas dicen que la señal perfecta no puede ser una onda suave y continua.

El artículo demuestra que la distribución de la señal ideal es "singular". Para usar una analogía: si una señal normal es como un río suave y fluido, la señal perfecta de ISAC es más bien como una colección de cubitos de hielo distintos y congelados flotando en ese río. No es una curva suave; es una forma dentada y fragmentada que vive en un subconjunto de posibilidades muy específico y diminuto. Los autores demuestran que si intentas forzar la señal a ser suave y continua (como las ondas Gaussianas estándar utilizadas en la mayoría de las investigaciones actuales), nunca alcanzarás el verdadero límite teórico. Siempre estarás ligeramente desviado. El verdadero límite es un "supremo": un techo al que puedes acercarte infinitamente, pero que nunca podrás tocar con señales suaves y estándar.

Los Dos Grandes Compromisos

El artículo identifica dos batallas de "tira y afloja" principales que dictan cómo se comporta la señal:

El compromiso de "Llenado de Agua" (Water-Filling): Imagina verter agua en un paisaje accidentado. En comunicación, viertes más agua (potencia) en los valles profundos (rutas de señal fuertes) para obtener la mayor cantidad de datos. En detección, también quieres verter potencia en rutas específicas para obtener la mejor reflexión. El artículo muestra que no puedes llenar los valles perfectamente para ambas tareas a la vez. Tienes que elegir qué "valles" llenar, equilibrando la potencia entre los dos objetivos.
El compromiso de Incertidumbre de la Forma de Onda: Este es el cambio de personalidad. Cuando quieres hablar, la señal necesita ser caótica y aleatoria (alta incertidumbre) para transportar secretos. Cuando quieres detectar, la señal necesita ser predecible y constante (baja incertidumbre) para medir las reflexiones con precisión. El artículo encuentra que, a medida que te mueves de la "detección pura" a la "comunicación pura", la personalidad de la señal se transforma de una estructura determinista rígida (como una forma geométrica perfecta) a una nube Gaussiana salvaje. Lo más interesante es que, para el punto medio, la señal tiene que ser una criatura híbrida extraña que no es ni totalmente aleatoria ni totalmente constante.

Cómo Resolvieron lo Irresoluble

Dado que la señal perfecta es tan extraña (una forma singular y dentada) que no puedes escribir una fórmula simple para ella, los autores no pudieron resolverlo simplemente con lápiz y papel. En su lugar, construyeron un "robot" digital llamado algoritmo de tipo Blahut-Arimoto.

Piensa en este algoritmo como un escultor que comienza con un bloque de arcilla (una señal estándar) y va cincelando pequeñas piezas una y otra vez. Con cada golpe de cincel, la señal se acerca más a esa forma teórica perfecta y dentada. El artículo demuestra que este robot converge al límite real. Utilizaron este método para simular los resultados en una computadora, mostrando exactamente cómo cambia la forma de la señal a medida que ajustas el equilibrio entre la detección y la comunicación.

Lo Que Dicen los Números

Los autores no solo hablaron de teoría; realizaron simulaciones para mostrar qué sucede en escenarios del mundo real.

En un sistema SISO (Single-Input Single-Output) simple, demostraron que a medida que pasas de la detección a la comunicación, la distribución de la señal se transforma de una forma "binaria" (como el lanzamiento de una moneda, ya sea alto o bajo) en una curva de campana Gaussiana suave.
En un sistema MIMO (con múltiples antenas), descubrieron que en relaciones señal-ruido altas (señales muy fuertes), la brecha entre el mejor rendimiento de detección y el mejor rendimiento de comunicación se amplía. Esto significa que el compromiso de "Llenado de Agua" se vuelve aún más crítico; tienes que tomar decisiones más difíciles sobre dónde colocar tu potencia.

La Conclusión

Este artículo no solo te ofrece una nueva fórmula; cambia la forma en que pensamos en el diseño de estas señales. Nos dice que las señales "estándar" y suaves que usamos hoy en día probablemente no son las mejores herramientas para ISAC. Para alcanzar los verdaderos límites de 6G, es posible que necesitemos diseñar formas de onda "singulares" o "no estándar"—señales que parezcan cubitos de hielo dentados en lugar de ríos suaves. Aunque la señal perfecta podría ser matemáticamente imposible de alcanzar exactamente con ondas continuas estándar, este trabajo proporciona el mapa para acercarse lo más posible, guiando a los ingenieros sobre cómo esculpir la próxima generación de señales inalámbricas.

Planteamiento del Probleza

El artículo aborda los límites fundamentales de rendimiento de los sistemas de Comunicación y Detección Integradas (ISAC) MIMO (Multiple-Input-Multiple-Output). A diferencia de trabajos anteriores que a menudo presuponen formas de onda ISAC gaussianas o aproximan los límites combinando estrategias óptimas de detección y comunicación por separado, este estudio investiga el verdadero compromiso (tradeoff) de Pareto entre la detección y la comunicación.

El desafío central es que la distribución óptima de una forma de onda ISAC es desconocida. Los enfoques existentes que dependen de supuestos gaussianos o de estadísticas de segundo orden (matrices de correlación) producen cotas laxas porque no tienen en cuenta la aleatoriedad de la propia distribución de la forma de onda. El artículo busca caracterizar la frontera de Pareto entre el Error Cuadrático Medio (MMSE) promedio para la estimación del canal de detección y la Tasa Ergodica Coherente para la comunicación, tratando la distribución de la forma de onda como la variable de optimización.

Modelo de Sistema y Métricas

Los autores consideran una configuración genérica de MIMO ISAC donde se transmite una señal dual funcional $X$ para:

Comunicar: Transmitir información a través de un canal $H$ a un receptor de comunicación (Rx), produciendo la señal recibida $Y = HX + Z_c$ .
Detectar: Estimar el canal de detección $G$ (respuesta del objetivo) a partir de la señal de detección recibida $S = GX + Z_s$ .

Las suposiciones clave incluyen:

El canal de detección $G$ sigue un modelo MIMO correlacionado con estadísticas conocidas.
El canal de comunicación $H$ es conocido en el transmisor (CSIT).
El receptor de detección conoce la realización de la forma de onda transmitida $X$ (actuando como una señal de referencia).
El rendimiento se mide mediante el MMSE Promedio (expectativa del conjunto del error de estimación) y la Tasa Ergodica.

Ambas métricas son funcionales de la distribución de la forma de onda de entrada $p_X(X)$ . El objetivo es resolver un problema de optimización funcional estocástica para encontrar el conjunto de Pareto-óptimo de distribuciones.

Metodología

El artículo emplea cálculo de variaciones para derivar las condiciones necesarias para las distribuciones óptimas.

Condiciones de Euler-Lagrange: Los autores derivan una ecuación de convolución de alta dimensión (Teorema 1) que cualquier distribución óptima debe satisfacer. Esta ecuación equilibra el término de información mutua (comunicación) y el término MMSE (detección).
Análisis de la Alcanzabilidad: Al analizar la condición derivada, los autores demuestran que, para cualquier punto en la frontera de Pareto excepto el punto óptimo de comunicación, la distribución óptima no puede ser una distribución de densidad de probabilidad (PDF) continua estándar con soporte completo. En su lugar, se demuestra que las distribuciones óptimas son singulares o están soportadas en un subconjunto propio del espacio de la señal (por ejemplo, variedades o manifolds).
Algoritmo Numérico: Debido a la intratabilidad de resolver analíticamente estas distribuciones singulares, los autores proponen un algoritmo de tipo Blahut-Arimoto (B-A) de versión continua. Este algoritmo iterativo aproxima numéricamente las distribuciones de entrada óptimas y el rendimiento correspondiente de MMSE-Tasa, con una prueba de convergencia hacia el límite.
Análisis de Forma Cerrada: Para los dos puntos extremos de la frontera de Pareto —detección pura ( $\alpha=0$ ) y comunicación pura ( $\alpha=1$ )— los autores derivan caracterizaciones de forma cerrada de las formas de onda óptimas y su rendimiento.

Contribuciones Clave y Resultados

1. Caracterización Estructural de las Distribuciones Óptimas

Inalcanzabilidad de Distribuciones Estándar: El artículo demuestra que, excepto en el punto óptimo de comunicación (donde las entradas gaussianas son óptimas), el límite de Pareto-óptimo de ISAC es un supremo teórico dentro de la clase de distribuciones continuas con soporte completo.
Naturaleza Singular: Para alcanzar el límite, la distribución de la forma de onda óptima debe ser discontinua, singular o estar soportada en un subconjunto restringido (por ejemplo, requiriendo una matriz de correlación de muestra determinista). Esto implica que las formas de onda convencionales (como las gaussianas) son subóptimas para los compromisos generales de ISAC.

2. Puntos Óptimos de Forma Cerrada

Punto Óptimo de Comunicación ( $P_c$ ): La forma de onda óptima es una distribución gaussiana con asignación de potencia determinada por la estrategia de water-filling sobre el espacio propio del canal de comunicación.
Punto Óptimo de Detección ( $P_s$ ): La forma de onda óptima es una "señal isométrica" donde la matriz de correlación de muestra es determinista y única. La asignación de potencia sigue una estrategia similar a water-filling basada en las estadísticas del canal de detección, pero la aleatoriedad se confina a una matriz semi-unitaria utilizada para la modulación.

3. Compromisos Fundamentales (Tradeoffs)
El análisis revela dos compromisos distintos que gobiernan el rendimiento de ISAC:

Compromiso de Water-Filling (WFT): Un conflicto en la asignación de potencia entre los espacios propios de los canales de detección y de comunicación. La potencia de la señal no puede ser asignada simultáneamente de forma óptima para ambos canales.
Compromiso de Incertidumbre de la Forma de Onda (WUT): Un compromiso entre la predictibilidad requerida para la detección (baja aleatoriedad) y la entropía requerida para la comunicación (alta aleatoriedad). A medida que el sistema pasa de ser dominante en detección a dominante en comunicación, la distribución óptima se desplaza desde estructuras singulares/isométricas hacia distribuciones de tipo gaussiano.

4. Validación Numérica y Cotas

El algoritmo B-A propuesto computa con éxito la curva límite de MMSE-Tasa tanto para escenarios SISO como MIMO.
Los resultados numéricos demuestran que los límites de "tiempo compartido" (time-sharing) estándar y las cotas externas basadas en estadísticas de segundo orden (asumiendo entradas gaussianas) son laxos y no logran capturar el límite real, particularmente en las regiones de compromiso intermedias.
Los resultados confirman que la brecha de rendimiento entre los óptimos de detección y comunicación se amplía a altas relaciones señal-ruido (SNR) debido a la divergencia de las estrategias de asignación de potencia óptimas.

Significado y Reivindicaciones

El artículo afirma ser el primer trabajo en investigar los límites fundamentales de rendimiento de estimación-información de los sistemas MIMO ISAC al nivel de la distribución, considerando formas de onda ISAC generales y aleatorias en lugar de restringir el análisis a entradas gaussianas o estadísticas de segundo orden.

La significancia principal radica en:

Rigor Teórico: Proporcionar una condición necesaria para la optimalidad que revela la naturaleza singular de las formas de onda óptimas de ISAC, desafiando la suposición convencional de que las entradas gaussianas son suficientes.
Implicaciones de Diseño: Resaltar que lograr un rendimiento ISAC óptimo requiere diseños de formas de onda singulares o no estándar (por ejemplo, señales con estructuras de correlación deterministas) en lugar de distribuciones continuas estándar.
Avance Metodológico: Introducir un algoritmo numérico convergente (tipo B-A) para aproximar estos límites donde las soluciones analíticas son intratables.
Comprensión de los Compromisos: Caracterizar explícitamente el "Compromiso de Incertidumbre de la Forma de Onda", ofreciendo una comprensión estructural de cómo debe diseñarse la aleatoriedad para equilibrar las tareas de detección y comunicación.

Los autores concluyen que, si bien la caracterización analítica exacta de la frontera de Pareto sigue siendo un desafío, su marco proporciona las implicaciones estructurales necesarias para diseñar formas de onda IS de alto rendimiento y motiva la investigación futura en diseños de señales singulares.