Physics-Aware Tensor Reconstruction for Radio Maps in Pixel-Based Fluid Antenna Systems

Resumen Técnico: Reconstrucción de Tensores con Conciencia de la Física para Mapas de Radio en Sistemas de Antenas Fluídas Basados en Píxeles

Planteamiento del Problema
El despliegue de antenas basadas en píxeles y los Sistemas de Antenas Fluídas (FAS) ofrecen una eficiencia espectral sin precedentes, pero enfrentan un cuello de botella crítico: la sobrecarga prohibitiva de adquisición de Información de Estado del Canal (CSI). Aunque los mapas de radio (o mapas de conocimiento de canal) pueden permitir la selección proactiva de modos y la predicción ciega de haces, la construcción de mapas de alta fidelidad a partir de mediciones dispersas es un desafío. Los enfoques existentes sufren de limitaciones específicas:

• Los métodos ajenos a la física o basados en datos (por ejemplo, Aprendizaje Profundo estándar o Completación de Tensores de Bajo Rango) a menudo fallan al recuperar detalles de sombreado de grano fino bajo dispersión extrema porque carecen de las restricciones electromagnéticas subyacentes.
• La interpolación convencional (por ejemplo, Kriging, KNN) tiende a suavizar excesivamente los límites de sombreado, fallando en capturar bordes afilados causados por bloqueos físicos.
• Escasez de datos: Las arquitecturas emergentes como las antenas reconfigurables basadas en píxeles carecen de los datos experimentales a gran escala requeridos para entrenar modelos ávidos de datos.

Metodología: Marco PR-LRTC
Los autores proponen un marco de Completación de Tensores de Bajo Rango con Regularización Física (PR-LRTC). La innovación central consiste en modelar el campo de señal como un tensor de tres vías que desvincula el desvanecimiento estocástico del canal de la física determinista de la antena.

1. Modelado de Sistema y Señal:

   • Representación Tensorial: La Fuerza de la Señal Recibida (RSS) a través de una rejilla espacial ($I \times J$) y $M$ modos de antena se modela como un tensor $\mathbf{X} \in \mathbb{R}^{I \times J \times M}$.
   • Prioris Físicos vía EADoF: Aprovechando la teoría de los Grados de Libertad Aéreos Efectivos (EADoF), los autores modelan los patrones de radiación de campo lejano de la antena como una superposición de funciones base ortogonales.
   • Topología de Ganancia Diferencial: Una idea clave es que, si bien la RSS absoluta es estocástica debido al sombreado, la ganancia diferencial entre los modos de antena es físicamente determinista. Los autores derivan un Mapa de Topología de Ganancia Diferencial ($\mathbf{D}$) que captura la RSS esperada entre modos en cualquier ubicación, independientemente de los bloqueos o la varianza del sombreado.

2. Formulación de Optimización:
   La reconstrucción se formula como un problema de optimización convexa que minimiza tres términos:

   • Fidelidad de Datos: Asegurar que el tensor reconstruido coincida con las mediciones dispersas observadas.
   • Bajo Rango Global: Imponer una estructura de bajo rango en las desplegadas del tensor para capturar correlaciones espaciales y el limitado EADoF.
   • Regularización Física ($R_{phys}$): Un término novedoso que impone consistencia entre las variaciones de la dimensión de modo del tensor reconstruido y la topología diferencial teórica $\mathbf{D}$. Esto se logra mediante un operador de diferencia cíclica y una proyección de consistencia de ciclo para manejar la naturaleza circular del cambio de modo de la antena.

3. Algoritmo (ADMM):
   El problema se resuelve utilizando un algoritmo de Método de Multiplicadores de Dirección Alterna (ADMM). El método descompone el problema en:

   • Actualización Primal ($\mathbf{X}$): Una solución de forma cerrada que fusiona datos dispersos, restricciones físicas y consenso de bajo rango.
   • Actualización Auxiliar ($\mathbf{M}_k$): Umbralización de Valor Singular (SVT) para imponer la restricción de bajo rango.
   • Actualización Dual: Ascenso de gradiente estándar para imponer restricciones de igualdad.

Contribuciones Clave

• Modelado Tensorial con Prioris Físicos: El artículo modela el campo de señal como un tensor de 3 vías e introduce un rigoroso prior físico basado en la teoría EADoF. Esto permite la separación de la física determinista de la antena del desvanecimiento ambiental estocástico.
• Topología de Ganancia Diferencial: La derivación de un mapa de ganancia diferencial que sirve como un "esqueleto físico" para la reconstrucción, asegurando que las variaciones entre modos se alineen con las leyes electromagnéticas en lugar de solo correlaciones estadísticas.
• Algoritmo PR-LRTC: El diseño de un algoritmo eficiente basado en ADMM que integra operadores de diferencia cíclica y proyecciones de consistencia de ciclo para resolver el problema inverso con restricciones físicas.
• Robustez a la Dispersión: El marco está diseñado para funcionar eficazmente con mediciones extremadamente dispersas (tan bajas como un ratio de muestreo del 5-10%) donde los métodos tradicionales fallan.

Resultados de Simulación
Se realizaron simulaciones extensas en un entorno de rejilla de $50 \times 50$ con regiones de Línea de Visión (LoS) y No-Línea de Visión (NLoS). El PR-LRTC se comparó contra KNN, Kriging, la Completación de Tensores de Bajo Rango (LRTC) estándar y una variante de solo física (PR-only).

• Ganancia de Desempeño: El PR-LRTC logró una ganancia de 4 dB en RMSE sobre las líneas base en un ratio de muestreo del 10%.
• Preservación de Bordes: A diferencia de Kriging y KNN, que produjeron estimaciones excesivamente suaves que difuminaban los bordes de sombreado, el PR-LRTC recuperó con éxito bordes de sombreado afilados y detalles de radiación de grano fino.
• Perspectivas de Ablación: El LRTC estándar falló en mantener la continuidad geoespacial, mientras que la variante PR-only (sin restricciones de bajo rango) no logró capturar las correlaciones intrínsecas de los modos. El éxito del PR-LRTC se atribuye a la fusión tanto de las restricciones espaciales como de las correlaciones de modo.

Significancia y Reivindicaciones
El artículo sostiene que el PR-LRTC proporciona una solución robusta y compatible con la física para la gestión de haces de baja sobrecarga en futuras aplicaciones de FAS. Al cerrar la brecha entre la física del hardware (estructura de la antena) y el procesamiento basado en datos, el marco supera las limitaciones de datos de entrenamiento de los enfoques tradicionales de Aprendizaje Profundo. Permite la reconstrucción de mapas de radio de alta fidelidad a partir de mediciones extremadamente dispersas, facilitando la asignación de recursos basada en mapas y la predición ciega de haces sin la necesidad de una sobrecarga de pilotos prohibitiva. Los autores posicionan este trabajo como un habilitador crítico para el despliegue práctico de sistemas de antenas fluídas basadas en píxeles en entornos complejos y heterogéneos.