Beamforming Gain Maximization for Fluid Reconfigurable Intelligent Surface: A Minkowski Geometry Approach

Título: Maximización de la Ganancia de Formación de Haz para Superficies Inteligentes Reconfigurables Fluidas (FRIS): Un Enfoque de Geometría de Minkowski

1. Planteamiento del Problema

El artículo aborda el problema de maximizar la ganancia de formación de haz (beamforming gain) en un sistema de enlace descendente asistido por una Superficie Inteligente Reconfigurable Fluida (FRIS). A diferencia de las RIS convencionales con elementos en posiciones fijas, las FRIS permiten la selección dinámica de un subconjunto de puertos activos desde una cuadrícula densa de candidatos, ofreciendo un grado de libertad espacial adicional.

El desafío principal radica en la naturaleza del problema de optimización, que es altamente no convexa y mixta discreta, debido a la fuerte acoplamiento entre tres variables:

1. El beamformer en la estación base (BS) de múltiples antenas.
2. La selección combinatoria de los puertos de la FRIS (subconjunto de $M_0$ puertos activos entre $M$ candidatos).
3. La asignación de fases discretas con resolución finita (coeficientes de fase unitarios seleccionados de un código discreto).

Las soluciones existentes a menudo asumen restricciones irreales (como fases continuas o BS de antena única) o ignoran el enlace directo BS-usuario, lo que limita su aplicabilidad práctica y garantías de optimalidad.

2. Metodología Propuesta

Los autores proponen un marco de trabajo basado en Optimización Alternante (AO) que alterna entre dos subproblemas:

• Actualización del Beamformer (BS): Para una configuración fija de la FRIS, el problema se reduce a una solución de forma cerrada mediante Transmisión de Razón Máxima (MRT).

• Actualización de la Configuración de la FRIS: Este es el núcleo de la contribución. En lugar de buscar exhaustivamente, los autores reformulan el problema utilizando geometría convexa y la suma de Minkowski:

  • Reformulación Geométrica: El conjunto factible de la suma reflejada se representa como una unión de sumas de Minkowski. Se demuestra que convexificar este conjunto (tomar su envolvente convexa) no implica pérdida de optimalidad para la maximización de la magnitud.
  • Función de Soporte: El problema de maximización se transforma en la maximización de una función de soporte unidimensional sobre un parámetro direccional ($\phi$).
  • Selección Constructiva: Para cada dirección candidata, la configuración óptima se obtiene mediante:
    1. Cálculo de una puntuación direccional por puerto.
    2. Selección de los $M_0$ mejores puertos (Top-$M_0$) basados en estas puntuaciones.
    3. Asignación del código de fase óptimo para cada puerto seleccionado.

• Especialización para Código Poligonal Regular ($M_p$-gon): Para el caso práctico de códigos de fase uniformes (vértices de un polígono regular), los autores derivan expresiones de puntuación en forma cerrada. Esto revela que la función de soporte tiene una estructura suave por partes, lo que permite identificar el óptimo global evaluando solo un conjunto finito de ángulos críticos, evitando así una búsqueda angular exhaustiva.

3. Contribuciones Clave

1. Formulación Práctica: Se formula el problema de maximización de ganancia considerando restricciones de hardware realistas: BS multi-antena, selección de puertos fluida y cuantización de fase finita, incluyendo el enlace directo.
2. Reformulación por Geometría de Minkowski: Se introduce un principio de optimización basado en la convexificación del conjunto de suma reflejada y el uso de identidades de funciones de soporte, transformando un problema combinatorio complejo en una búsqueda unidimensional eficiente.
3. Algoritmo Constructivo Óptimo: Se propone un método que determina la configuración óptima de la FRIS de manera constructiva (puntuación, selección Top-$M_0$, asignación de fase) sin necesidad de heurísticas simplificadoras.
4. Búsqueda Finita de Ángulos: Para códigos $M_p$-gonales, se demuestra que el óptimo global se encuentra en un conjunto finito de ángulos críticos, reduciendo drásticamente la complejidad computacional.
5. Marco AO con Convergencia Garantizada: Se integra el subproblema de la FRIS en un marco AO que garantiza la convergencia monótona de la función objetivo.

4. Resultados de Simulación

Las simulaciones validan la eficacia del marco propuesto frente a esquemas de referencia (selección aleatoria de puertos y selección basada en la magnitud del canal "Top-|h|"):

• Rendimiento Superior: El método propuesto supera consistentemente a los benchmarks en una amplia gama de parámetros (número de elementos, resolución de fase, SNR).
• Cercanía a la Optimalidad: Las validaciones mediante búsqueda exhaustiva (para casos pequeños) muestran que el diseño propuesto alcanza ganancias de haz casi óptimas ($\Delta G \approx 1$), confirmando que la reformulación geométrica captura la estructura esencial del problema.
• Convergencia Rápida: El algoritmo AO converge en muy pocas iteraciones (típicamente menos de 10), lo que indica una baja carga computacional práctica.
• Robustez a la Cuantización: El sistema mantiene un alto rendimiento incluso con resoluciones de fase bajas, demostrando la eficacia de la optimización conjunta de selección de puertos y cuantización de fase.

5. Significado e Impacto

Este trabajo es pionero al revelar una interpretación geométrica fundamental de la combinación de señales en FRIS bajo restricciones de fase finita. Al demostrar que la selección de puertos fluida induce una estructura convexa de Minkowski que puede explotarse óptimamente mediante funciones de soporte, el artículo ofrece una solución principiada y eficiente para el diseño de sistemas 6G.

La metodología propuesta no solo resuelve un problema de optimización mixta difícil, sino que proporciona una base sólida para arquitecturas de FRIS más generales, permitiendo el aprovechamiento completo de la diversidad espacial y de fase en entornos de propagación complejos, todo ello con una complejidad computacional manejable y garantías teóricas de optimalidad.