Performance Analysis of Cell-Free Massive MIMO under Imperfect LoS Phase Tracking

Resumen Técnico

1. Planteamiento del Problema

El artículo aborda un desafío crítico en las redes MIMO masivo sin celdas (Cell-Free Massive MIMO) para las futuras redes 6G: el impacto de la incertidumbre en el seguimiento de la fase de los componentes de línea de visión (LoS).

• Contexto: En despliegues densos de MIMO sin celdas, es altamente probable que existan componentes LoS. La mayoría de los trabajos anteriores asumen dos casos extremos: o bien las fases LoS se conocen perfectamente (lo cual es irrealista), o bien son completamente desconocidas (lo cual desperdicia información valiosa).
• La Brecha: En la práctica, las fases LoS fluctúan debido a deriva de osciladores, movilidad de usuarios y errores de sincronización. Esto genera un error de fase residual incluso después del seguimiento.
• El Problema: Los modelos existentes no capturan adecuadamente este régimen intermedio de "conocimiento parcial" de la fase, lo que lleva a estimaciones de rendimiento inexactas y diseños de beamforming subóptimos. Además, la evaluación de rendimiento en sistemas LoS-aware se ha limitado principalmente a combinadores de relación máxima (MR), ignorando el potencial de los beamformers MMSE (Error Cuadrático Medio Mínimo).

2. Metodología y Modelado

Los autores proponen un marco unificado que integra la estimación de canales y el diseño de beamforming bajo condiciones de fase imperfecta.

• Modelo de Canal Rician con Fase Imperfecta:

  • Se introduce un modelo donde el componente LoS determinista se rota por una estimación de fase ruidosa ($\hat{\theta}$) y se atenúa por un factor de penalización determinista ($\rho_{error}$).
  • El error de fase ($\varepsilon$) se modela como una variable aleatoria uniforme en un intervalo $[-\delta, \delta]$, donde $\delta$ representa la incertidumbre máxima.
  • Este modelo unifica los casos extremos: cuando $\delta \to 0$ (fase perfecta) y cuando $\delta \to \pi$ (fase desconocida).

• Estimación de Canal (MMSE Lineal Condicional):

  • Dado que la distribución conjunta del canal y la señal recibida no es Gaussiana debido a la fase aleatoria, el estimador MMSE Bayesiano estándar es intratable analíticamente.
  • Los autores derivan un estimador MMSE lineal condicional que minimiza el error cuadrático medio dado el conocimiento de la fase estimada.
  • Este estimador es afín en la señal recibida pero no lineal en la estimación de fase, y recupera los estimadores clásicos (Bayesiano y de media cero) como casos límite.

• Modelo de Enlace Ascendente Virtual:

  • Para abordar la no-Gaussianidad en el diseño de beamforming (centralizado y distribuido), se introduce un modelo de enlace ascendente virtual.
  • En este modelo, el canal real se reemplaza por su estimación, y la covarianza del error de estimación se incorpora como ruido aditivo adicional.
  • Esto permite derivar soluciones cerradas (o pseudo-cerradas) para los beamformers MMSE óptimos, tanto en arquitecturas centralizadas como distribuidas, manteniendo la tratabilidad matemática.

• Evaluación de Rendimiento:

  • Se calculan límites inferiores (Use-and-then-forget, UatF) y superiores (Optimistic Ergodic Rate, OER) de la eficiencia espectral (SE).
  • Es crucial destacar que los beamformers diseñados en el modelo virtual se aplican al modelo de canal físico real para una evaluación justa y rigurosa.

3. Contribuciones Clave

1. Modelado Realista de Fase LoS: Propuesta de un modelo Rician que cuantifica explícitamente el impacto de la incertidumbre de fase mediante un factor de penalización, llenando el vacío entre los casos de fase perfecta y desconocida.
2. Estimador Unificado: Derivación de un estimador de canal MMSE lineal que interpola continuamente entre el estimador Bayesiano (fase conocida) y el modelo de media cero (fase desconocida).
3. Diseño de Beamforming Tractable: Introducción de un modelo virtual que permite el diseño de beamformers MMSE centralizados y distribuidos en entornos no Gaussianos, preservando las estadísticas de segundo orden.
4. Análisis de Robustez: Demostración de que incluso un seguimiento de fase "coarse" (grueso) o parcial ofrece ganancias significativas de rendimiento en comparación con ignorar la información de fase.

4. Resultados Numéricos

Las simulaciones se realizaron en una red de 100 APs (4 antenas cada uno) sirviendo a 40 usuarios en un área de 1 km², bajo un modelo de desvanecimiento Rician.

• Ganancia de Información Parcial: Incluso con errores de fase moderados (ej. $\delta = 15^\circ$), el rendimiento se acerca significativamente al caso ideal de fase perfecta. Esto supera ampliamente el escenario de "fase desconocida".
• Centralizado vs. Distribuido:
  • El beamforming centralizado muestra mayor robustez ante errores de fase severos.
  • El beamforming distribuido sufre más degradación a medida que aumenta la incertidumbre ($\delta$), especialmente en canales con alto factor Rician ($\kappa$).
• Factor Rician ($\kappa$): A medida que aumenta la fuerza del componente LoS ($\kappa$), la dependencia de un seguimiento de fase preciso se vuelve más crítica. Sin embargo, el modelo propuesto sigue siendo beneficioso incluso en condiciones de alta incertidumbre.
• Límites de Capacidad: La brecha entre los límites inferior (UatF) y superior (OER) es pequeña, lo que indica que la falta de conocimiento de CSI instantáneo en el decodificador tiene un impacto menor cuando el componente LoS es dominante y la fase se estima razonablemente bien.

5. Significado e Impacto

Este trabajo es fundamental para el desarrollo de redes 6G Cell-Free por las siguientes razones:

• Puente entre Teoría y Práctica: Proporciona un marco analítico riguroso que conecta las suposiciones idealizadas de la literatura con las limitaciones prácticas de hardware y sincronización.
• Guía de Diseño: Demuestra que no es necesario un seguimiento de fase perfecto para obtener un alto rendimiento; estrategias de estimación de fase "suficientemente buenas" son viables y rentables.
• Optimización de Recursos: Al unificar la estimación y el beamforming bajo incertidumbre, permite diseñar redes que maximizan la eficiencia espectral y energética sin requerir overhead de pilotaje excesivo o hardware de sincronización perfecto.

En conclusión, el artículo establece que el conocimiento parcial de la fase LoS es altamente beneficioso y proporciona las herramientas matemáticas necesarias para diseñar y evaluar redes MIMO masivo sin celdas en escenarios de movilidad y hardware imperfecto.