Resumen Técnico: Recuperación de Señales Basada en Aprendizaje en Sistemas No Lineales con Interferencia Espectralmente Separada

1. Planteamiento del Problema

El artículo aborda el desafío de recuperar una señal deseada en receptores 6G de la Banda Media Superior (FR3, 7–24 GHz) que operan en entornos espectralmente densos. En estos escenarios, los interferidores fuertes de banda adyacente (fuera de banda, OOB) son inevitables. Si bien los receptres lineales convencionales dependen de un filtrado selectivo en frecuencia para suprimir la interferencia de banda disjunta, las limitaciones prácticas del hardware —específicamente las no linealidades de la etapa frontal (por ejemplo, la saturación del amplificador) y la cuantización de resolución finita— causan fugas espectrales.

Cuando un interferidor OOB fuerte induce al receptor en un régimen no lineal, genera una distorsión en banda que hace que el filtrado lineal clásico sea ineficaz. El problema central es estimar la señal deseada $x_0$ a partir de las observaciones del receptor $y$ (o $y_q$ cuantizada) que están corrompidas por:

1. Interferencia OOB Fuerte: Ocupando una banda de frecuencia disjunta.
2. Saturación No Lineal: Modelada como una función no lineal sin memoria (suavizado de umbral o soft-thresholding).
3. Cuantización: Cuantización gruesa opcional mediante el Convertidor Analógico-Digital (ADC).

2. Metodología

Modelo del Sistema

Los autores adoptan un modelo de señal en tiempo discreto donde el vector recibido $r$ es la DFT inversa de las fuentes en el dominio de la frecuencia $x_\ell$ que ocupan bandas disjuntas $B_\ell$. La etapa frontal del receptor se modela como una función no lineal sin memoria $\Phi(\cdot)$ seguida de ruido aditivo y una cuantización opcional:
$$y = \Phi(r, w)$$
Específicamente, se utiliza un modelo de saturación suave, donde la amplitud se comprime mediante una función $\tanh$ preservando la fase, seguido de ruido aditivo y un cuantizador uniforme.

Algoritmo Propuesto: LMLVAMP Aprendido

El artículo propone un algoritmo de Paso de Mensajes Vectorial de Múltiples Capas Aprendido (LMLVAMP). Este enfoque integra la inferencia bayesiana basada en modelos con la adaptabilidad impulsada por datos.

• Estructura: El algoritmo trata el sistema como una red de dos capas:
  1. Capa 1 (Dominio de la Frecuencia): Mapea la señal en el dominio de la frecuencia $x$ al la señal en el dominio del tiempo $r$ mediante la matriz IDFT.
  2. Capa 2 (Dominio del Tiempo): Mapea $r$ a la observación no lineal $y$.
• Inferencia Iterativa: El algoritmo actualiza iterativamente las estimaciones $\hat{x}$ y $\hat{r}$ utilizando dos funciones de eliminación de ruido (denoisers):
  1. Denoiser Espectral ($G_0$): Opera en el dominio de la frecuencia. Para la señal deseada, este es un estimador MMSE lineal basado en los priors espectrales conocidos (media $\mu$ y varianza $S$).
  2. Denoiser No Lineal ($G_1$): Opera en el dominio del tiempo para invertir la distorsión no lineal.
• Componente de Aprendizaje:
  • En el ML-VAMP clásico, el denoiser no lineal $G_1$ requiere una integración numérica multidimensional compleja, lo cual es computacionalmente prohibitivo.
  • El enfoque Aprendido propuesto reemplaza los denoisers analíticos intratables con redes neuronales compactas y entrenables ($f_0$ y $f_1$).
  • Estas redes se entrenan de extremo a extremo (end-to-end) sobre datos simulados para aproximar los denoisers MMSE óptimos. Toman como entrada tales como la estimación actual, la varianza del ruido y los parámetros del sistema (por ejemplo, la potencia de saturación $P_{sat}$) y generan estimaciones refinadas y parámetros de precisión.
• Objetivo de Entrenamiento: El modelo se entrena utilizando una función de pérdida compuesta que penaliza el error en el dominio de la frecuencia en iteraciones intermedias (para guiar la convergencia) y en la iteración final (para asegurar la precisión).

Ventajas de Complejidad

A diferencia de los enfoques de aprendizaje profundo general que podrían requerir $O(N^2)$ parámetros para entradas de $N$ dimensiones, el marco LMLVAMP utiliza redes neuronales por componentes. La complejidad no escala con la dimensión de la señal $N$, lo que lo hace adecuado para sistemas de banda ancha.

3. Contribuciones Clave

1. Marco Novedoso: Introducción de un marco LMLVAMP diseñado específicamente para la recuperación de señales en presencia de interferencia OOB fuerte, saturación del receptor y cuantización.
2. Arquitectura Híbrida: Integración de priors espectrales (para la banda de la señal deseada) con eliminación de ruido basada en redes neuronales para manejar distorsiones no lineales sin requerir un modelo explícito de la no linealidad del hardware.
3. Interpretabilidad: A diferencia de las redes de aprendizaje profundo de "caja negra", el método propuesto conserva la estructura iterativa del paso de mensajes, ofreciendo interpretabilidad a través de sus raíces de inferencia bayesiana.
4. Eficiencia: Demostración de que el reemplazo de los denoisers analíticos por redes neuronales ligeras evita la carga computacional de la integración de alta dimensión manteniendo la escalabilidad.

4. Resultados de Rendimiento

Las simulaciones se realizaron bajo condiciones relevantes para FR3 (SNR 10–20 dB, INR 30–80 dB, cuantización de 10 bits). El LMLVAMP propuesto se comparó contra:

• LINEAR-K/U: Estimadores de Wiener lineales en el dominio de la frecuencia (con y sin conocimiento del interferidor).
• ORACLE: Un estimador idealizado con conocimiento perfecto del sistema (límite superior).

Hallazgos Clave:

• Robustez a la Interferencia: Los estimadores lineales se degradan bruscamente cuando la Relación de Interferencia a Ruido (INR) supera los 50 dB debido a la fuga espectral no lineal. En contraste, LMLVAMP mantiene un rendimiento sólido, logrando tasas alcanzables significativamente superiores a las de las líneas base lineales (brechas que superan los 20 dB en algunos regímenes).
• Convergencia: El método propuesto se aproxima al rendimiento del benchmark ORACLE en solo dos iteraciones.
• Generalización: La variante "Desconocida" (LMLVAMP-U), que no asume el conocimiento de la señal del interferidor, supera significativamente a las líneas base lineales, demostrando la capacidad de generalizar a condiciones de interferencia desconocidas.
• Resiliencia a la Cuantización: El algoritmo retiene una ventaja sustancial sobre las alternativas lineales incluso bajo cuantización de 10 bits.

5. Significado y Reivindicaciones

El artículo afirma que el marco LMLVAMP propuesto ofrece una solución viable para diseñar receptores FR3 robustos y de bajo costo para los futuros sistemas 6G. Al modelar conjuntamente la no linealidad, el ruido y la cuantización, el método supera las limitaciones del filtrado lineal clásico en entornos espectrales densos.

Los autores enfatizan que este enfoque cierra la brecha entre la inferencia rigurosa basada en modelos y la adaptabilidad de los métodos impulsados por datos. Proporciona una alternativa práctica al modelado polinomial complejo (difícil de estimar) y a las redes neuronales de caja negra (que carecen de interpretabilidad). Los resultados resaltan que la inferencia iterativa combinada con denoisers aprendidos es esencial para manejar las severas distorsiones no lineales características de los escenarios de coexistencia de banda media superior.

El trabajo futuro, como señalan los autores, incluye la extensión del marco a la interferencia variante en el tiempo, efectos de memoria e implementaciones de hardware en tiempo real.