Energy-Efficient Resource Allocation for PA Distortion-Aware M-MIMO OFDM System

Resumen Técnico: Asignación de Recursos Eficiente Energéticamente para Sistemas M-MIMO OFDM Conscientes de la Distorsión de los Amplificadores de Potencia

Enunciado del Problema
El artículo aborda el desafío de maximizar la Eficiencia Energética (EE) en sistemas de enlace descendente multiusuario (MU) de entrada múltiple y salida múltiple masiva (M-MIMO) que emplean Multiplexación por División de Frecuencias Ortogonales (OFDM). Si bien el M-MIMO es una piedra angular de la tecnología 5G y futuras generaciones, su consumo energético está impulsado en gran medida por componentes de hardware, particularmente los Amplificadores de Potencia (PA), los cuales pueden representar hasta el 65% del consumo energético total de una estación base (BS).

Las estrategias existentes de asignación de recursos a menudo fallan al modelar con precisión la distorsión no lineal introducida por los PA prácticos. La mayoría de los trabajos anteriores asumen PA lineales ideales o modelan las imperfecciones del hardware como distorsión gaussiana aditiva con una Relación Señal-a-Distorsión (SDR) constante. Estas simplificaciones son válidas solo en rangos de potencia limitados y no logran capturar las interacciones complejas entre la potencia de transmisión, la distorsión no lineal y el consumo de energía, especialmente cerca de la región de saturación del PA. En consecuencia, estos modelos a menudo requieren restricciones de potencia de transmisión impuestas externamente y producen diseños de EE subóptimos. El artículo identifica una brecha en la optimización conjunta de la potencia de transmisión, la asignación de potencia por usuario y el número de antenas activas bajo modelos de PA no lineales realistas y de amplio rango para sistemas M-MIMO OFDM de banda ancha.

Metodología
Los autores proponen un modelo de sistema para un sistema M-MIMO OFDM de enlace descendente MU que utiliza precodificación de Anulación de Cero (ZF) sobre canales de desvanecimiento Rayleigh independientes. Las elecciones clave de modelado incluyen:

• Modelo de PA: Se adopta un modelo de limitador suave para representar el PA. Este modelo amplifica linealmente las señales por debajo de una potencia de saturación ($P_{max}$) y las recorta en caso contrario. Captura la dependencia tanto de la distorsión de la señal como del consumo de energía respecto a la Reserva de Entrada (IBO).
• Consumo de Energía: El consumo total de energía de la BS ($P_{tot}$) incluye potencia estática, potencia de la cadena de radiofrecuencia por antena y potencia del PA. La potencia del PA se modela para arquitecturas "Clase B" (práctica) y "Perfecta" (idealizada), mostrando cómo el consumo escala con la IBO.
• Métrica de Rendimiento: La Relación Señal-a-Ruido y Distorsión (SNDR) se deriva utilizando la descomposición de Bussgang, tratando la distorsión no lineal como interferencia similar al ruido. La EE se define como la relación entre la tasa alcanzable suma y la potencia total consumida.

Marco de Optimización
Los autores formulan un problema de maximización de EE que optimiza conjuntamente la potencia total de transmisión ($P$), las fracciones de asignación de potencia por usuario ($\omega$) y el número de antenas activas ($M$). Esto da lugar a un problema de optimización fraccional mixto-entero no convexo. Para resolverlo, desarrollan un marco de Optimización Alternante (AO) denominado DEEP-DEAL (Asignación de Potencia y Asignación de Antenas Eficientes Energéticamente Conscientes de la Distorsión):

1. DEEP (Asignación de Potencia): Para un número fijo de antenas, el problema se desacopla en:
   • Optimización de Potencia Total: Un problema no convexo de una sola variable. Los autores demuestran la existencia de un punto estacionario analizando el comportamiento asintótico de la derivada de la EE. Emplean un algoritmo de búsqueda de raíces basado en la bisección con una búsqueda de punto de inicio específico para la función para encontrar la potencia total óptima.
   • Distribución de Potencia por Usuario: Un problema de múltiples variables que resulta ser cóncavo. La solución óptima sigue una estructura de llenado de agua, resoluble mediante métodos estándar de bisección sobre la variable dual de Lagrange.
2. DEAL (Asignación de Antenas): Para potencia y fracciones de usuario fijas, se optimiza el número de antenas activas ($M$). Aunque $M$ es un entero, los autores lo relajan a una variable continua. Demuestran la existencia de una raíz única para la derivada de la EE con respecto a $M$ y utilizan una búsqueda de bisección para encontrar el óptimo continuo. La solución entera óptima se selecciona luego evaluando la EE en el piso y el techo de la raíz continua.
3. Convergencia: El algoritmo itera entre estos bloques. Los autores demuestran que la secuencia de valores de EE es monótonamente no decreciente y converge a un punto estacionario. La complejidad computacional escala linealmente con el número de usuarios y logarítmicamente con la precisión numérica.

Contribuciones Clave

• Modelado Realista: El artículo introduce una formulación de maximización de EE que utiliza un modelo de PA de limitador suave, capturando la relación no lineal entre la potencia de transmisión, la distorsión y el consumo de energía en todo el rango de operación, eliminando la necesidad de restricciones de potencia externas arbitrarias.
• Optimización Conjunta: Es el primer trabajo que optimiza conjuntamente la potencia total de transmisión, las fracciones de potencia por usuario y el número de antenas activas para sistemas M-MIMO OFDM de banda ancha bajo distorsión no lineal de PA.
• Solución Algorítmica: Los autores proponen el marco DEEP-DEAL, que descompone el complejo problema mixto-entero no convexo en subproblemas tratables resolubles mediante técnicas eficientes de bisección y llenado de agua, evitando la alta complejidad de procedimientos iterativos anidados como el método de Dinkelbach combinado con Aproximación Convexa Sucesiva (SCA).
• Garantías Teóricas: El artículo proporciona pruebas rigurosas de la existencia de puntos estacionarios para los subproblemas de potencia y antenas, y establece las propiedades de convergencia del algoritmo AO general.

Resultados de Simulación
Las simulaciones numéricas comparan el marco DEEP-DEAL propuesto con líneas base que incluyen IBO fijo (REF-E), modelos SDR fijos (FixedSDR) y optimización solo de potencia (DEEP).

• Mejoras en EE: En escenarios multiusuario grandes (por ejemplo, 60 usuarios), DEEP-DEAL logra mejoras medianas en EE de hasta 3 veces en comparación con las líneas base de asignación fija de potencia y antenas.
• Puntos de Operación: Los resultados demuestran que el punto de operación óptimo en EE a menudo ocurre a una potencia de transmisión finita y un número finito de antenas activas. Se muestra que operar los PA cerca de la saturación (baja IBO) combinado con la escalabilidad de antenas es óptimo en EE, particularmente en condiciones de alta pérdida de trayectoria.
• Canales Heterogéneos: En escenarios con pérdidas de trayectoria heterogéneas, el marco asigna dinámicamente más potencia a los usuarios con canales más fuertes y ajusta el número de antenas y la IBO en consecuencia, superando a las aproximaciones de SDR fijo en hasta 2 veces en casos de asimetría extrema.
• Convergencia: El algoritmo exhibe una convergencia empírica rápida, estabilizándose típicamente dentro de 5 iteraciones externas.

Significado
El artículo afirma que sus hallazgos subrayan la necesidad de equilibrar el control de potencia consciente de la distorsión con la escalabilidad de antenas para maximizar la EE en sistemas M-MIMO. Al ir más allá de los modelos lineales simplificados o de SDR constante, el trabajo proporciona una metodología de diseño más precisa y eficiente para futuras redes inalámbricas sostenibles. Los autores señalan que la estrategia óptima a menudo implica operar los PA más cerca de la saturación mientras se ajusta dinámicamente el número de antenas activas, un compromiso que los modelos tradicionales no logran capturar. El estudio sugiere que ignorar la naturaleza no lineal de los PA conduce a una suboptimalidad significativa en diseños de redes con restricciones energéticas.