Alternative Shapes of Modulation Schemes Detailed Exposition and Simulation Methodology

Resumen Técnico: Formas Alternativas de Esquemas de Modulación

Planteamiento del Problema
El diseño de constelaciones de modulación digital enfrenta un desafío crítico en los sistemas de comunicación modernos: la optimalidad de los esquemas clásicos, como la modulación de amplitud en cuadratura (QAM) cuadrada y la modulación por desplazamiento de fase (PSK), se degrada bajo restricciones realistas. Si bien estas constelaciones clásicas son analíticamente tratables y ampliamente desplegadas, sufren una "pérdida de conformado" (shaping loss) de aproximadamente 1.53 dB respecto a la capacidad teórica del canal de ruido blanco gaussiano aditivo (AWGN). Además, su alta relación de potencia pico a promedio (PAPR) requiere un retroceso (back-off) significativo del amplificador de potencia (PA), lo que reduce drásticamente la eficiencia energética del transmisor. Estas limitaciones se ven exacerbadas en sistemas que operan cerca de la saturación, como los transmisores de ondas milimétricas y los arreglos Massive MIMO, y bajo condiciones de desvanecimiento donde las constelaciones uniformes pueden ser penalizadas más severamente que los diseños asimétricos optimizados. La literatura existente a menudo evalúa las familias de constelaciones de forma aislada o se enfoca únicamente en la Tasa de Error de Símbolo (SER) o la Información Mutua, descuidando la interacción crítica entre el rendimiento de error, el PAPR y el consumo de energía del transmisor.

Metodología
El artículo presenta una investigación unificada de catorce constelaciones de modulación que abarcan diseños clásicos, basados en redes (lattices), con conformado probabilístico, con conformado geométrico (incluyendo la Modulación de Ángulo Dorado, Golden Angle Modulation) y basados en optimización. La evaluación emplea un marco de simulación de Monte Carlo a gran escala y reproducible bajo canales AWGN y de desvanecimiento de Rayleigh.

Componentes metodológicos clave:

• Modelo de Sistema: Un modelo de banda base compleja de tiempo discreto con Información de Estado del Canal (CSI) perfecta en el receptor, utilizando detección de Máxima Verosimilitud (ML).
• Métricas de Desempeño: Más allá del análisis estándar de SER, el estudio incorpora un riguroso modelo de consumo de energía. Este modelo vincula el PAPR de la constelación con la eficiencia del PA, calculando la energía requerida por cada símbolo entregado con éxito.
• Técnicas de Optimización: El artículo utiliza la Optimización por Enjambre de Partículas (PSO) y Algoritmos Genéticos (GA) para descubrir geometrías de constelación irregulares adaptadas a funciones objetivo específicas (SER, PAPR, información mutua).
• Marco de Aprendizaje Automático (Machine Learning): Se explora un enfoque basado en autoencoders donde el transmisor y el receptor se modelan como una red neuronal profunda. La función de pérdida está diseñada explícitamente para ser consciente de la energía, incorporando la regularización del PAPR y modelos de eficiencia de PA junto con la minimización de la SER.
• Rigor Estadístico: Las simulaciones utilizan $10^6$ símbolos por punto de SNR con intervalos de confianza del 95% para asegurar la fiabilidad estadística a través de un amplio rango de SNR (-5 a 50 dB).

Contribuciones Clave

1. Marco Comparativo Unificado: El artículo proporciona una comparación sistemática de constelaciones clásicas, basadas en redes, probabilísticas, geométricas y optimizadas mediante ML bajo un único marco analítico y de simulación, abordando la falta de reproducibilidad unificada en estudios previos.
2. Evaluación Consciente de la Energía: Introduce un modelo explícito de consumo de energía que demuestra que las constelaciones óptimas para SER no son necesariamente óptimas en términos de energía. El estudio cuantifica cómo degradaciones modestas en el rendimiento de error pueden generar ahorros de energía sustanciales mediante la reducción del PAPR y la mejora de la eficiencia del PA.
3. Validación de Hipótesis: La investigación valida cuatro hipótesis centrales:
   • Las constelaciones no uniformes adecuadamente conformadas pueden lograr una SER menor que la QAM cuadrada para la misma energía promedio.
   • La reducción del PAPR genera ganancias tangibles de eficiencia energética en el transmisor.
   • Los diseños basados en optimización y asistencia de ML pueden superar a las constelaciones diseñadas analíticamente bajo restricciones prácticas.
   • El desvanecimiento de Rayleigh penaliza a las constelaciones uniformes de manera más severa que a los diseños asimétricos optimizados.
4. Integración de Aprendizaje Automático: El artículo demuestra que el diseño de constelaciones asistido por ML proporciona un marco flexible para optimizar conjuntamente la fiabilidad, la robustidad y la eficiencia energética al embeber las estadísticas del canal y los modelos de hardware directamente en el objetivo de aprendizaje.

Resultados

• Desempeño en AWGN: Las constelaciones basadas en redes (específicamente las hexagonales) y los diseños optimizados por GA logran consistentemente la SER más baja en SNRs moderados a altos, superando a la QAM cuadrada. El conformado probabilístico ofrece ganancias significativas en información mutua, pero puede incurrir en pérdida de tasa en implementaciones de longitud finita.
• Robustez ante Desvanecimiento: Bajo desvanecimiento de Rayleigh, la clasificación de desempeño cambia. Las constelaciones de envolvente constante y de amplitud compacta (ej. Disc-GAM, Star-Shaped) exhiben una mayor robustez en comparación con los diseños optimizados puramente para la distancia en AWGN.
• PAPR y Eficiencia Energética: Se identifica un compromiso fundamental entre la distancia euclidiana mínima ($d_{min}$) y el PAPR. Mientras que los diseños Bell-GAM y de forma Gaussiana ofrecen altas ganancias de conformado, su alto PAPR conlleva penalizaciones energéticas significativas debido a la ineficiencia del PA. Por el contrario, los esquemas Disc-GAM y basados en PSK ofrecen un equilibrio favorable, logrando un menor consumo de energía por símbolo entregado con éxito, a pesar de tener potencialmente una mayor SER en AWGN.
• Calificación Compuesta: Una métrica de calificación compuesta (ponderando $d_{min}$, PAPR y SER) revela que los diseños basados en redes ofrecen el mejor equilibrio general, aunque la 16-QAM sigue siendo altamente competitiva debido a su simplicidad de implementación.
• Hallazgos de ML: La optimización basada en ML redescubrió con éxito estructuras conocidas (ej. redes hexagonales bajo AWGN, geometrías tipo disco bajo restricciones de energía), validando la teoría clásica mientras la extiende a escenarios complejos de múltiples objetivos.

Significancia y Reivindicaciones
El artículo afirma establecer el diseño de modulación como un problema de optimización multiobjetivo en lugar de una búsqueda de un solo métrica. Su significancia principal radica en el cambio de paradigma de un diseño puramente centrado en la tasa de error hacia un diseño consciente de la energía. Los autores aseveran que:

• Óptimo para SER no es óptimo para la energía: Los diseños que minimizan la SER bajo AWGN pueden ser energéticamente ineficientes cuando se considera el comportamiento del PA.
• El PAPR es una métrica de diseño de primer orden: El diseño de modulación debe considerar explícitamente el PAPR, particularmente en sistemas limitados por potencia y sistemas de comunicaciones verdes.
• Optimalidad Dependiente del Contexto: Ningún esquema de modulación es universalmente óptimo. La "mejor" elección depende del régimen de operación (AWGN vs. desvanecimiento), las restricciones de energía y las características del hardware.
• Directrices Prácticas: El estudio culmina en directrices de diseño que mapean los regímenes de operación con las estrategias apropiadas: constelaciones de bajo PAPR para sistemas limitados por potencia, conformado probabilístico para enlaces lineales de alto rendimiento y diseños asistidos por ML para una optimización adaptativa y consciente del hardware.

El trabajo concluye que, si bien los esquemas clásicos siguen siendo bases esenciales, los sistemas inalámbricos de próxima generación requieren estrategias de modulación inteligentes y conscientes de la energía que optimicen conjuntamente las restricciones geométricas, probabilísticas y de hardware.