Hybrid Downlink Beamforming with Outage Constraints under Imperfect CSI using Model-Driven Deep Learning

Resumen Técnico: Formación de Haz de Enlace Descendente Híbrida con Restricciones de Interrupción bajo CSI Imperfecto mediante Aprendizaje Profundo Impulsado por Modelos

Planteamiento del Problema
El artículo aborda el desafío de la formación de haz (BF, por sus siglas en inglés) híbrida de enlace descendente multiusuario y la asignación de potencia eficientes desde el punto de vista energético en presencia de Información de Estado del Canal (CSI) imperfecta. En los sistemas prácticos, particularmente aquellos que operan en bandas de ondas milimétricas o en futuras redes 6G, la degradación de la CSI surge de errores de estimación, cuantificación de retroalimentación y desvanecimiento variable en el tiempo. El objetivo es minimizar la potencia de transmisión total mientras se satisfacen las restricciones probabilísticas de Calidad de Servicio (QoS) (específicamente, restricciones de probabilidad de interrupción) para múltiples usuarios.

Los enfoques de optimización clásica para este problema suelen depender de programación cónica o semidefinida computacionalmente costosa, que a menudo requiere el conocimiento de la distribución del error de la CSI, algo que raramente está disponible en la práctica. Por el contrario, las arquitecturas de aprendizaje profundo (DL) genéricas carecen de interpretabilidad, requieren conjuntos de datos de entrenamiento masivos y tienen dificultades para generalizarse a través de diversas configuraciones de red (por ejemplo, diferentes números de usuarios o calidades de CSI) sin reentrenamiento. Además, los métodos estándar de DL a menudo no logran manejar eficazmente las restricciones de QoS no convexas o probabilísticas.

Metodología
Los autores proponen una arquitectura de aprendizaje profundo (DL) ligera y asistida por modelos que integra el conocimiento del dominio con componentes aprendibles. La metodología central involucra los siguientes elementos:

1. Arquitectura Impulsada por Modelos: La red propuesta, denominada U-G-HBF-GCN, se basa en un algoritmo de selección codiciosa (greedy) para los códigos de palabra de haz analógico. Desenrolla el proceso iterativo de selección de haces analógicos y la resolución del subproblema de formación de haz digital.
2. Modelado de Error Adaptativo a la Instancia: En lugar de asumir una distribución de error fija, la arquitectura emplea una Red de Convolución de Grafos (GCN) para estimar el impacto de los errores de la CSI. La GCN toma características específicas de la instancia (como estimaciones de canal, requisitos de QoS y potencia de piloto) y genera coeficientes adaptativos que modifican las matrices de covarianza de canales virtuales. Esto permite al modelo aprender implícitamente la distribución del error a partir de los datos sin conocimiento estadístico previo.
3. Diferenciación Implícita para Gradientes: Un obstáculo técnico significativo es el cálculo de los gradientes para los problemas de optimización anidados (BF digital y asignación de potencia) que carecen de soluciones en forma cerrada. Los autores derivan una representación implícita eficiente y novedosa del problema subyacente de BF de enlace ascendente. Al formular las condiciones de Karush-Kuhn-Tucker (KKT) como un sistema de ecuaciones no lineales y aplicar el teorema de la función implícita, demuestran las condiciones suficientes para la existencia del gradiente. Este enfoque evita el costo computacional de diferenciar a través de descomposiciones en valores propios o relajaciones semidefinidas.
4. Función de Pérdida Basada en Recocido (Annealing): Para manejar las restricciones de interrupción probabilísticas, el artículo introduce una aproximación de recocido adaptativo basada en el annealing en la función de pérdida. A diferencia de las penalizaciones basadas en cuantiles fijos, este método utiliza un coeficiente de recocido que se adapta según el nivel actual de violación de la QoS. Esto permite que el modelo aprenda eficazmente durante las etapas tempranas del entrenamiento (cuando se violan las restricciones) y converja hacia la restricción probabilística exacta a medida que el entrenamiento progresa.

Contribuciones Clave

• Arquitectura Novedosa: El artículo presenta un marco de DL asistido por modelos para la BF híbrida bajo restricciones de interrupción que no predice la asignación de potencia directamente, sino que depende de un mapeo adaptativo de la CSI mediante GCNs. Esto evita la necesidad de programación de cono de segundo orden o semidefinida durante la inferencia.
• Generalización: El método propuesto demuestra su capacidad para generalizarse a diferentes números de usuarios, distintas exigencias de QoS y fluctuaciones en la calidad de la CSI utilizando un único modelo entrenado. Soporta tanto la CSI instantánea como la estadística.
• Derivación Teórica de Gradientes: Los autores proporcionan una derivación rigurosa del gradiente para el problema de BF restringido de enlace ascendente/descendente, probando las condiciones suficientes para su existencia mediante diferenciación implícita, lo que permite el entrenamiento de extremo a extremo.
• Función de Pérdida Adaptativa: Se demuestra que la introducción de un enfoque de recocido para integrar las restricciones probabilísticas acelera el entrenamiento y produce un mejor equilibrio entre potencia e interrupción en comparación con los métodos convencionales basados en cuantiles.

Resultados Experimentales
Se realizaron simulaciones utilizando arreglos de antenas de 4x4 y 8x8 con un número variable de usuarios (de 1 a 4) y niveles de degradación de la CSI (simulados mediante estimación MMSE ruidosa y cuantificación de retroalimentación DFT).

• Desempeño: El propuesto U-G-G-HBF-GCN supera significativamente a los algoritmos codiciosos de referencia (G-HBF-marg) que utilizan una CSI imperfecta con ajustes de margen. Logra el nivel de interrupción nominal (por ejemplo, 10%) mientras asigna menos potencia que los modelos de referencia.
• Comparación con Referencias: El modelo alcanza un desempeño cercano a la formación de haz digital completa (U-FDBF-GCN) cuando el número de cadenas de RF es suficiente, y supera consistentemente a las variantes de redes totalmente conectadas (U-G-HBF-FCN), resaltando la eficacia de la GCN para capturar las correlaciones de interferencia entre usuarios.
• Generalización: El modelo se adapta con éxito a números de usuarios no vistos (extrapolación) y a diversas calidades de la CSI sin necesidad de reentrenamiento.
• Eficiencia de Entrenamiento: La función de pérdida de recocido adaptativo resultó en una convergencia más rápida (menos pasos de entrenamiento) y un paisaje de pérdida más suave en comparación con los enfoques basados en cuantiles.

Significancia y Reivindicaciones
El artículo sostiene que su principal significancia radica en cerrar la brecha entre la eficiencia computacional del aprendizaje profundo y la robustez requerida para los sistemas inalámbricos prácticos con CSI imperfecta. Al alejarse de las arquitecturas de "caja negra" y de las suposiciones de optimización rígidas, el método propuesto ofrece una solución escalable para la formación de haz híbrida con eficiencia energética. Los autores enfatizan que su enfoque no requiere el conocimiento de la distribución analítica del error de la CSI, lo que lo hace adecuado para el despliegue en el mundo real donde dichas distribuciones son desconocidas. Además, el trabajo proporciona una base teórica para la diferenciación a través de problemas de optimización restringida en comunicaciones inalámbricas, permitiendo el entrenamiento de arquitecturas desplegadas (unrolled) complejas con restricciones probabilísticas. El artículo concluye que, con suficientes cadenas de RF, la formación de haz híbrida puede alcanzar un desempeño comparable al de los sistemas totalmente digitales manteniendo una menor complejidad de hardware y consumo de energía.