Bridging Neural Networks and Wireless Systems with MIMO-OFDM Semantic Communications

Resumen Técnico: Uniendo las Redes Neuronales y los Sistemas Inalámbricos con Comunicaciones Semánticas MIMO-OFDM

Planteamiento del Problema
Si bien las comunicaciones semánticas —específicamente el Codificación Conjunta Fuente-Canal Profunda (DeepJSCC)— han demostrado un rendimiento superior en simulaciones en comparación con los sistemas modulares convencionales (codificación de fuente, codificación de canal y modulación por separado), persisten brechas de rendimiento significativas cuando estos sistemas se despliegan en entornos inalámbricos reales. Investigaciones previas han identificado discrepancias entre los resultados simulados y las mediciones de prototipos, pero las causas específicas relacionadas con las limitaciones de hardware y las características prácticas del canal siguen sin explorarse profundamente. Este artículo investiga por qué las ganancias teóricas a menudo no se materializan en la práctica, centrándose en los desafíos introducidos por la no linealidad del Amplificador de Potencia (PA), las variaciones de la Relación de Potencia Pico a Promedio (PAPR) y el ruido selectivo en frecuencia en sistemas MIMO-OFDM (Multiple-Input Multiple-Output Orthogonal Frequency-Division Multiplexing).

Metodología
Los autores desarrollaron un prototipo funcional de comunicación semántica MIMO-OFDM para validar el rendimiento en un entorno real. La arquitectura del sistema emplea un enfoque de aprendizaje profundo de extremo a extremo donde un codificador CNN-Transformer mapea parches de imágenes directamente a símbolos inalámbricos de valor complejo, omitiendo el procesamiento tradicional de flujo de bits.

• Configuración de Hardware: El prototipo utiliza Radios Definidos por Software (SDR) NI USRP-2953R configurados para 2×2 y 4×4 MIMO en un entorno estático de Línea de Vista (LoS) en interiores. Se integra un amplificador Mini-Circuits ZVA-183W-S+ para introducir una no linealidad de PA controlada para las pruebas.
• Procesamiento de Señales: El sistema transmite parches de imágenes de 32×32 como 512 símbolos complejos utilizando OFDM (FFT de 128 puntos, 72 subportadoras activas). El receptor emplea estimación y combinación de canal por Fuerza Cero (Zero-Forcing, ZF).
• Estrategias de Mitigación: Para abordar las degradaciones prácticas, los autores implementaron:
  1. Barajado de Símbolos (Symbol Shuffling): Aleatorización de la asignación de símbolos a través de subportadoras y flujos espaciales para promediar el desvanecimiento selectivo en frecuencia y las variaciones de SNR, imitando las condiciones de Ruido Blanco Gaussiano Aditivo (AWGN).
  2. Regulación de PAPR: Incorporación de un término de penalización de PAPR en la función de pérdida durante el entrenamiento para restringir los niveles de potencia de los símbolos, reduciendo así la distorsión en la región no lineal del PA.
  3. Normalización: Escalamiento de los símbolos para evitar el recorte (clipping) dentro del rango dinámico de punto fijo del hardware DAC/ADC.

Contribuciones Clave

1. Validación de Prototipo: Este trabajo presenta la primera validación del rendimiento de la comunicación semántica utilizando un prototipo MIMO-OFDM, yendo más allá de los estudios basados puramente en simulaciones o de SISO (Single-Input Single-Output).
2. Diagnóstico de Brechas de Rendimiento: El estudio identifica que las variaciones en la Relación Señal a Ruido (SNR) a través de diferentes subportadoras y flujos espaciales son la causa principal de la discrepancia entre los resultados de la simulación y el prototipo.
3. Demostración de los Beneficios de PAPR: Los autores demuestran empíricamente que, si bien los modelos con restricción de PAPR pueden tener un rendimiento inferior en simulaciones ideales (AWGN) debido a la reducción del poder de representación, superan a los modelos base en escenarios prácticos que involucran la no linealidad del PA.
4. Base de Código Abierto: Los autores han puesto a disposición del público su código fuente y la configuración de hardware para facilitar la investigación adicional en sistemas de comunicación semántica del mundo real.

Resultos Experimentales

• Región de Potencia Lineal: En la región de operación lineal, los sistemas semánticos superaron a las líneas base convencionales de BPG+LDPC+QAM en todos los niveles de SNR probados. Crucialmente, los resultados del prototipo con barajado de símbolos se alinearon estrechamente con el rendimiento simulado de AWGN, mientras que los prototipos sin barajar mostraron una degradación significativa, particularmente en SNRs bajos. Esto confirma que la varianza de la SNR a través de los recursos es el principal culpable de las brechas de rendimiento.
• Región de Potencia No Lineal: Al operar en la región no lineal del PA (alta potencia de entrada), los modelos entrenados con técnicas de reducción de PAPR mostraron una mejora de aproximadamente 1 dB en la SNR de recepción (Rx) en comparación con los modelos base. Si bien una regulación fuerte de PAPR redujo significamente la Relación de Potencia Pico a Promedio (de ~7.6 dB a ~4.3 dB), incurrió en un compromiso en la Relación Señal a Ruido de Pico (PSNR) debido a la reducción del poder de representación de los símbolos. Sin embargo, un modelo de regulación de PAPR "débil" logró el mejor equilibrio, superando al modelo base en PSNR en niveles de potencia altos al mitigar la distorsión no lineal sin una pérdida excesiva de representación.

Significancia y Reivindicaciones
El artículo afirma establecer un puente fundamental entre los modelos teóricos de comunicación semántica y su despliegue en el mundo real. Argumenta que las ventajas teóricas de las comunicaciones semánticas pueden realizarse en sistemas inalámbricos prácticos si se abordan las limitaciones específicas de hardware y de canal. Específicamente, el trabajo destaca que:

• Las brechas de rendimiento no son inherentes al enfoque semántico, sino que son artefactos de las variaciones de canal y la no linealidad de hardware no abordadas.
• Las estrategias de mitigación dirigidas, como el barajado de símbolos y el entrenamiento consciente de PAPR, son esenciales para alinear el rendimiento del prototipo con las expectativas teóricas.
• Los diseños de sistemas futuros deben ir más allá de las suposiciones idealizadas de AWGN para incorporar mecanismos adaptativos al canal y entrenamiento consciente del hardware para asegurar la robustez en entornos inalámbricos dinámicos.

Los autores mantienen una postura modesta, reconociendo que su configuración actual (LoS estática, ecualización ZF, modelos entrenados con AWGN) no cubre todos los escenarios de despliegue (por ejemplo, fuera de línea de vista, alta movilidad, Massive MIMO). Posicionan este trabajo como un paso hacia la comprensión de las restricciones prácticas en lugar de una solución completa para todas las futuras generaciones inalámbricas.