Learning Successive Interference Cancellation for Low-Complexity Soft-Output MIMO Detection

Resumen Técnico: Aprendizaje de la Cancelación de Interferencia Sucesiva para la Detección MIMO de Salida Suave de Baja Complejidad

Planteamiento del Problema
El diseño de detectores MIMO (Multiple-Input Multiple-Output) para los emergentes dispositivos de Capacidad Reducida (RedCap) y el Internet de las Cosas (IoT) de la tecnología 5G enfrenta un compromiso crítico entre rendimiento, complejidad computacional y huella de memoria. Si bien la detección de Máxima Verosimilitud (ML) ofrece un rendimiento óptimo, su complejidad exponencial la hace impracticable para sistemas del mundo real. Por el contrario, los detectores lineales (por ejemplo, Zero-Forcing, MMSE) ofrecen baja complejidad pero sufren una degradación significativa del rendimiento en configuraciones no sobredeterminadas y escenarios de modulación de alto orden. La Cancelación de Interferencia Sucesiva (SIC) clásica mejora los métodos lineales, pero es propensa a la propagación de errores y a menudo depende de aproximaciones simplistas para la generación de salida suave, lo que limita la fiabilidad cuando se combina con decodificadores de entrada suave modernos como el de Baja Densidad de Paridad (LDPC). Además, los detectores basados en aprendizaje existentes suelen requerir modelos grandes, carecen de interpretabilidad estructural o presentan una complejidad irregular dependiente de los datos que dificulta su despliegue en el borde (edge).

Metodología: recurSIC
Los autores proponen recurSIC, un marco de detección MIMO basado en aprendizaje y ligero, diseñado para equilibrar un alto rendimiento con un consumo mínimo de recursos. La metodología se fundamenta en los siguientes principios:

• Arquitectura Informada por la Física: A diferencia de los detectores puramente impulsados por datos, recurSIC preserva la estructura recursiva y por capas de la SIC clásica. Opera sobre un modelo de señal preprocesado mediante la Descomposición QR (QRD) de una matriz de canal extendida.
• Bloques de Aprendizaje Ligeros: El marco reemplaza la lógica de decisión estándar en cada etapa de la SIC con un bloque de Red Neuronal (NN) ligero y compartido. Este bloque toma una entrada escalar (la observación con interferencia cancelada para una capa específica) y genera un vector de probabilidad sobre el alfabeto de modulación.
• Pesos Compartidos y Embebido de SNR: Un único bloque de NN se entrena y reutiliza en todas las capas de detección y relaciones señal-ruido (SNR). Para adaptarse a las variaciones de las condiciones de SNR sin necesidad de reentrenamiento, la red utiliza embebidos de posición sinusoidales del valor de la SNR, los cuales se transforman en vectores de escala y sesgo. Esto asegura una huella de memoria constante y mínima, independiente del número de capas de transmisión o de la SNR operativa.
• Seguimiento de Hipótesis de Multi-Ruta: Para generar información suave fiable y mitigar la propagación de errores, el marco se extiende a una formulación de multi-ruta. En lugar de seleccionar un único símbolo por capa, el detector realiza el seguimiento de un número ajustable ($K$) de las hipótesis de símbolos más probables. Estas hipótesis se propagan a través de recursiones SIC independientes, formando un árbol de combinaciones de símbolos candidatos.
• Generación de Salida Suave: La información suave se deriva mediante la aproximación de los Cocientes de Verosimilitud (LLR) bit a bit utilizando la aproximación max-log sobre las rutas candidatas rastreadas. Para garantizar la estabilidad, los autores emplean el recorte de LLR y un mecanismo de compensación para los bits donde faltan contra-hipótesis en el conjunto rastreado.

Contribuciones Clave

1. Marco recurSIC: Introducción de un detector basado en aprendizaje e informado por la física que conserva la naturaleza recursiva y de baja complejidad de la SIC, mejorando cada etapa mediante módulos ligeros aprendidos.
2. Extensión de Multi-Ruta Ajustable: Una novedosa extensión que permite una detección de salida suave fiable mediante el seguimiento de un número fijo y pequeño de hipótesis de símbolos por capa. Esto permite un compromiso ajustable entre rendimiento y complejidad sin aumentar el tamaño del modelo ni requerir múltiples pasadas hacia adelante (forward passes).
3. Arquitectura Minimalista: Diseño de una NN poco profunda con pesos compartidos en todas las etapas y SNRs, lo que resulta en un recuento de parámetros constante y mínimo (aproximadamente $10^3$ a $2 \times 10^3$ parámetros) adecuado para dispositivos con recursos limitados.
4. Validación Empírica: Demostración de un sólido rendimiento de detección dura y suave en escenarios realistas de 5G NR (canales TDL-A y TDL-B) con modulación 16QAM y 64QAM, superando a las líneas base convencionales de MMSE y SIC clásica.

Resultados
Los resultados numéricos en escenarios realistas de 5G NR (MIMO 2x2) indican lo siguiente:

• Rendimiento de Decisión Dura: Incluso con una sola ruta ($K=1$), recurSIC supera significativamente a los ecualizadores MMSE lineales y se acerca al rendimiento de MMSE-SIC. Aumentar el número de rutas ($K$) permite al detector aproximarse al rendimiento de ML; por ejemplo, $K=2$ ofrece una Tasa de Error de Bit (BER) cercana a ML en canales TDL-A.
• Rendimiento de Salida Suave: En términos de Tasa de Error de Bloque (BLER) con decodificación LDPC, recurSIC supera consistentemente a las variantes de SIC clásica (MMSE-SIC, ZF-SIC), que sufren de propagación de errores y aproximaciones de LLR excesivamente confiadas. El seguimiento de multi-ruta ($K \in \{4, 6, 8\}$) mejora consistentemente el rendimiento de la detección suave, acercándose al referente de ML.
• Complejidad: El enfoque logra estos resultados con una complejidad ultra baja. El coste computacional escala principalmente de forma lineal con el tamaño de la constelación ($M$), requiriendo solo aproximadamente $10^3$ a $2 \times 10^3$ multiplicaciones-acumulaciones (MACs) por evaluación de bloque. Esto es órdenes de magnitud inferior a los detectores iterativos basados en aprendizaje o al Sphere Decoding.
• Robustez: El marco demuestra robustez bajo condiciones de canal más desafiantes (TDL-B con mayor dispersión de retardo y Doppler), donde mantiene un sólido rendimiento con aumentos moderados en el número de rutas rastreadas.

Significancia
El artículo postula que recurSIC es un paso significativo hacia el despliegue de aprendizaje automático en dispositivos de borde para comunicaciones inalámbricas. Al abordar explícitamente las restricciones de los dispositivos IoT y RedCap —específicamente los límites estrictos de memoria, potencia y complejidad computacional—, este trabajo ofrece una alternativa viable tanto para el procesamiento de señales tradicional como para los modelos pesados de aprendizaje profundo. La capacidad de generar información suave de alta calidad para la decodificación LDPC manteniendo una única pasada hacia adelante y un recuento de parámetros mínimo hace que el marco sea particularmente adecuado para receptores MIMO prácticos con restricciones en el borde. Los autores sugieren que el trabajo futuro podría optimizar aún más el compromiso entre rendimiento y complejidad mediante la gestión adaptativa de rutas y el aprendizaje conjunto del ordenamiento de detección.