Deep Learning assisted Port-Cycling based Channel Sounding for Precoder Estimation in Massive MIMO Arrays

Resumen Técnico: Sondeo de Canal basado en Ciclo de Puertos Asistido por Aprendizaje Profundo para la Estimación de Precoder en Arreglos Massive MIMO

Declaración del Problema
Se espera que los futuros sistemas inalámbricos 6G utilicen un número significativamente mayor de puertos de transmisión para la estimación de la Información del Estado del Canal (CSI) en comparación con las especificaciones actuales. Si bien esto aumenta la eficiencia espectral, crea una sobrecarga de recursos sustancial para la transmisión de señales de referencia (CSI-RS) a través de la cuadrícula de tiempo-frecuencia, lo que finalmente reduce la capacidad de transmisión de datos alcanzable. Los enfoques de IA/ML existentes para el feedback de CSI, como CsiNet, abordan principalmente la compresión del feedback o la extrapolación temporal, pero no logran mitigar la sobrecarga instantánea causada por el sondeo de antenas a gran escala. Además, los métodos tradicionales de predicción basados en el entorno que dependen de información específica del sitio (por ejemplo, imágenes) carecen de generalizabilidad. El desafío central abordado en este trabajo es reducir la sobrecarga espacial instantánea en sistemas Massive MIMO manteniendo la compatibilidad con la transmisión estandarizada actual y preservando la observabilidad del canal.

Metodología
La solución propuesta integra una novedosa estrategia de sondeo de canal con un marco de aprendizaje profundo (DL):

1. Mecanismo de Ciclo de Puertos (Port-Cycling): En lugar de activar todos los puertos de antena simultáneamente, el Arreglo Planar Uniforme (UPA) se particiona en subpaneles no superpuestos. Estos subpaneles se sondean secuencialmente a través de múltiples instancias temporales (ciclos). Esto reduce el número instantáneo de puertos activos por un factor de $\rho$ (el factor de reducción espacial) mientras asegura que todo el arreglo sea cubierto a lo largo del tiempo. La viabilidad de este enfoque depende de la coherencia temporal de las cantidades relacionadas con el haz (conjunto de haces e índice de haz dominante) durante la duración del ciclo, lo cual los autores validan mediante un análisis de puntuación de variación.
2. Modelo CsiAdaNet: Un modelo de aprendizaje profundo, denominado CsiAdaNet, se despliega en el Equipo de Usuario (UE) para reconstruir el CSI de puerto completo a partir de las mediciones agregadas temporalmente y de ciclo de puertos dispersas. El modelo opera jerárquicamente para predecir los parámetros cuantizados del precodificador Tipo II definidos en 5G NR:
   • Entrada: Una secuencia de $\rho$ tensores de CSI correspondientes a los subarreglos sondeados en diferentes pasos de tiempo.
   • Arquitectura: El modelo emplea un módulo de codificación compartido utilizando capas convolucionales 3D para extraer características espaciales-frecuenciales de cada subarreglo. Una Unidad Recurrente con Compuerta (GRU) procesa la secuencia de características codificadas para capturar correlaciones temporales.
   • Cabezales de Salida: La representación agregada se alimenta a cuatro cabezales específicos de la tarea:
     • Cabezal de Conjunto de Haces (Beam Set Head): Predice el índice del conjunto de haces sobrensamblados.
     • Cabezal de Índices de Haz (Beam Indices Head): Predice los top-$L$ índices de haces ortogonales dentro del conjunto seleccionado.
     • Cabezal de Amplitud de Banda Ancha (Wideband Amplitude Head): Predice los niveles de amplitud cuantizados.
     • Cabezal de Fase de Banda Ancha (Wideband Phase Head): Predice los niveles de fase cuantizados.
   • Entrenamiento: El modelo se entrena utilizando una pérdida de entropía cruzada categórica dispersa multitarea ponderada, asignando pesos más altos a los índices de haz para minimizar la propagación de errores en la construcción del precodificador.

Contribuciones Clave
El artículo describe tres contribuciones primarias:

1. Técnica de Sondeo de Ciclo de Puertos: Un método para reducir la sobrecarga espacial instantánea en Massive MIMO mediante la activación secuencial de subpaneles, preservando la observabilidad total del arreglo a lo largo del tiempo.
2. Arquitectura CsiAdaNet: Un modelo de aprendizaje profundo capaz de predecir directamente las cantidades del precodificador Tipo II (conjunto de haces, índices, amplitud y fase) a partir de mediciones de ciclo de puertos agregadas temporalmente, eliminando la necesidad de un CSI instantáneo de puerto completo.
3. Validación a Nivel de Enlace: Demostración del rendimiento del enfoque en una simulación compatible con 3GPP, mostrando un rendimiento casi óptimo en comparación con los métodos convencionales.

Resultados de la Simulación
Los autores evaluaron el sistema utilizando un simulador de nivel de enlace compatible con 3GPP bajo un escenario de Línea de Visión (LoS) de Macro Urbana (UMa) con una estación base de 128 antenas y un UE de 4 antenas. Hallazgos clave incluyen:

• Alineación del Precoder: El enfoque CsiAdaNet coincide estrechamente con el baseline convencional (sondeo de puerto completo) en todos los niveles de Relación Señal-Ruido (SNR). La Similitud de Coseno Generalizada Cuadrática (SGCS) aumenta de un valor inferior a 0.2 en SNR baja a aproximadamente 0.7 en SNR media-alta.
• Ganancia de Formación de Haz (Beamforming Gain): La ganancia lograda utilizando CsiAdaNet exhibe una coincidencia cercana con el baseline tradicional, con una brecha insignificante (dentro de $\approx 0.03$) en SNR alta.
• Precisión de Componentes:
  • Predicción del Conjunto de Haces: Altamente confiable incluso con SNR moderada debido a la resolución espacial gruesa.
  • Índices de Haz: La precisión mejora gradualmente con la SNR, reflejando una sensibilidad angular más fina.
  • Amplitud y Fase: Ambos muestran alta precisión en SNR moderada-alta, aunque la predicción de fase es más desafiante en SNR baja.
• Complejidad: A diferencia de los métodos convencionales que requieren la Descomposición en Valores Propios (EVD) de la matriz de covarianza completa con complejidad $O(N_t^3)$, CsiAdaNet realiza la inferencia en observaciones de subpaneles con una complejidad de $O(\rho D^2)$, ofreciendo una mejor escalabilidad para arreglos grandes.

Significancia y Reivindicaciones
El artículo afirma que este trabajo proporciona un habilitador viable para la adquisición fiable de CSI en los futuros sistemas 6G. Al reducir el número de puertos activos en cualquier instante dado por un factor de $\rho$, el método reduce significativamente la sobrecarga instantánea y el uso de cadenas de RF sin sacrificar la observabilidad del canal a largo plazo. Los autores aseguran que el marco asistido por DL propuesto logra una alineación de haz y una ganancia de formación de haz casi óptimas en niveles de SNR moderados a altos, con solo una degradación marginal en regiones ruidosas. Este enfoque destaca una consideración de diseño clave para la adquisición de CSI escalable y energéticamente eficiente en los sistemas de Massive MIMO de gran escala de la próxima generación, cerrando la brecha entre la alta sobrecarga de los arreglos de antenas masivas y las restricciones prácticas de la transmisión de señales de referencia.