⚡ electrical engineering

End-to-End NOMA with Perfect and Quantized CSI Over Rayleigh Fading Channels

Este artículo presenta un marco de aprendizaje profundo de extremo a extremo para NOMA en canales de desvanecimiento Rayleigh que, al integrar la información del estado del canal (CSI) perfecta y cuantizada, logra superar a los esquemas analíticos existentes mediante constelaciones adaptativas y robustas.

Autores originales: Selma Benouadah, Mojtaba Vaezi, Ruizhan Shen, Hamid Jafarkhani

Publicado 2026-02-17

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Selma Benouadah, Mojtaba Vaezi, Ruizhan Shen, Hamid Jafarkhani

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que la comunicación inalámbrica es como una fiesta ruidosa donde un anfitrión (la estación base) intenta hablarle a dos invitados (los usuarios) al mismo tiempo.

En el mundo tradicional de las telecomunicaciones (llamado NOMA), el anfitrión grita un mensaje para el invitado A y otro para el invitado B, mezclándolos en una sola voz. Para que cada uno entienda su mensaje, el invitado con mejor oído (el que está más cerca) tiene que escuchar primero el mensaje del otro, "cancelarlo" mentalmente y luego escuchar el suyo propio. Es como si tuvieras que quitarle el ruido de fondo de una canción para escuchar la letra.

El problema es que en la vida real, la "fiesta" es caótica. A veces el viento cambia (esto es lo que los ingenieros llaman desvanecimiento de Rayleigh), y el sonido llega distorsionado, haciendo que los mensajes se mezclen y se vuelvan ininteligibles. Además, el anfitrión a veces no sabe exactamente qué tan fuerte está el viento, solo tiene una idea aproximada.

¿Qué propone este paper?

Los autores (Selma, Mojtaba, Ruizhan y Hamid) han creado un "Entrenador de Fiesta Inteligente" (un sistema de Inteligencia Artificial llamado Autoencoder) que aprende a gritar de la manera perfecta para que ambos invitados entiendan su mensaje, incluso con el viento y el ruido.

Aquí te explico los puntos clave con analogías sencillas:

1. El Entrenador que Aprende a Bailar (Aprendizaje de Constelaciones)

En los sistemas viejos, el anfitrión usaba un "baile" fijo (como un paso de baile estándar) para mezclar los mensajes. Si el viento cambiaba, el baile ya no funcionaba bien y los invitados se perdían.

El nuevo sistema aprende a bailar sobre la marcha.

La analogía: Imagina que el anfitrión tiene un espejo mágico. Si el viento sopla fuerte desde la izquierda, el anfitrión cambia su postura y la forma en que mezcla las voces para que el invitado de la derecha las entienda perfectamente. No usa un paso de baile fijo; inventa un nuevo "super-baile" (una super-constelación) cada vez que las condiciones cambian.
El resultado: En lugar de intentar separar los mensajes después de que llegan (como en los sistemas viejos), el sistema aprende a enviarlos de una forma que, aunque parezcan un desorden al principio, tienen un patrón oculto que cada invitado puede descifrar fácilmente.

2. El Problema de los "Ojos Entrecerrados" (CSI Cuantizada)

Para que el anfitrión sepa cómo ajustar su voz, necesita saber cómo está el viento. En el mundo ideal, el invitado le grita al anfitrión: "¡El viento es de 5 km/h hacia el norte!". Pero en la vida real, el invitado solo puede enviar un mensaje corto: "¡Viento fuerte!" o "¡Viento suave!". Esto es lo que llaman CSI cuantizada (información limitada).

El paper prueba dos formas de traducir estos mensajes cortos:

Cuantización Uniforme: Es como tener una regla con marcas equidistantes. Si el viento es de 4.9 km/h, lo redondeas a 5. Si es de 5.1, también a 5. Pierdes precisión.
Cuantización Lloyd-Max (La inteligente): Es como tener una regla mágica que pone más marcas donde el viento suele soplar con más frecuencia. Si el viento suele ser suave, la regla tiene muchas marcas pequeñas en esa zona. Si es raro que haga un huracán, pone una sola marca grande.
El hallazgo: El sistema "inteligente" (Lloyd-Max) funciona mucho mejor porque entiende que no todos los vientos son igual de probables.

3. El Truco para no Cansarse (Mejora del Entrenamiento)

Al principio, el sistema de IA funcionaba muy bien cuando el ruido era bajo, pero si el ruido era muy alto, se "atascaba" y no mejoraba más (un "suelo de error").

La analogía: Imagina que entrenas a un atleta solo para correr en un día soleado. Cuando llega un día de lluvia, el atleta tropieza porque no sabe cómo adaptarse.
La solución: Los autores entrenaron al sistema con diferentes niveles de dificultad (días soleados, días de lluvia, días de tormenta) al mismo tiempo. Así, el sistema aprendió a ser robusto y no se "atascó" cuando las condiciones eran extremas.

¿Por qué es importante esto?

Hasta ahora, la mayoría de las investigaciones sobre esta tecnología (NOMA) solo funcionaban en "laboratorios perfectos" (sin viento, sin ruido). Este paper es el primero en decir: "Oye, el mundo real es caótico, y nuestra Inteligencia Artificial puede aprender a manejar ese caos mejor que los métodos antiguos".

En resumen:
Han creado un sistema de comunicación que, en lugar de usar reglas fijas, aprende a adaptarse a las condiciones cambiantes del aire y a la información limitada que recibe, logrando que los mensajes lleguen más claros y con menos errores que nunca antes. Es como tener un anfitrión que, sin importar cuánto ruido haya en la fiesta, siempre sabe exactamente cómo susurrar para que cada invitado escuche su mensaje favorito.

Título: NOMA de Extremo a Extremo con CSI Perfecto y Cuantizado sobre Canales de Desvanecimiento Rayleigh

1. Planteamiento del Problema

El acceso múltiple no ortogonal (NOMA) es una técnica clave para la próxima generación de comunicaciones, permitiendo servir a múltiples usuarios en los mismos recursos de tiempo-frecuencia mediante superposición de símbolos y cancelación de interferencia sucesiva (SIC). Sin embargo, existen desafíos significativos en su implementación práctica:

Desvanecimiento Rayleigh: La mayoría de los estudios asumen canales de ruido blanco gaussiano aditivo (AWGN). En entornos reales con desvanecimiento Rayleigh, la aleatoriedad del canal y el ordenamiento variable de la potencia provocan superposiciones de constelaciones complejas y degradación severa de la tasa de error de bits (BER).
Limitaciones del CSI: La mayoría de los diseños asumen conocimiento perfecto del estado del canal (CSI) en el transmisor, lo cual es irrealista debido a las limitaciones de ancho de banda de retroalimentación.
Constelaciones Fijas: Los esquemas tradicionales utilizan constelaciones fijas (como QPSK) y asignación de potencia estática, lo que no se adapta óptimamente a las condiciones cambiantes del canal ni a la interferencia entre usuarios.

2. Metodología

Los autores proponen un marco de autoencoder (AE) de extremo a extremo diseñado específicamente para canales de desvanecimiento Rayleigh, integrando tanto CSI perfecto como cuantizado.

Arquitectura de la Red:
- Codificador (Transmisor): Mapea los bits de entrada de dos usuarios a un símbolo complejo superpuesto. A diferencia de los sistemas convencionales, el codificador recibe como entrada las ganancias del canal ( $h_1, h_2$ ) o sus valores cuantizados ( $\hat{h}_1, \hat{h}_2$ ). Esto permite que el transmisor adapte dinámicamente la "superconstelación" según las condiciones instantáneas del canal.
- Decodificadores (Receptores): Dos decodificadores independientes (uno por usuario) que mapean la señal recibida ruidosa de vuelta a los bits estimados. Cada decodificador utiliza solo su propia ganancia de canal como entrada.
- Estructura: Se utiliza una arquitectura profunda con 8 capas ocultas totalmente conectadas (FC) y funciones de activación tanh en el codificador y sigmoid en los decodificadores, incluyendo conexiones residuales para mejorar el aprendizaje.
Función de Pérdida y Entrenamiento:
- Se minimiza una suma ponderada de las pérdidas de entropía cruzada binaria ( $L_1, L_2$ ) de ambos usuarios: $L(\gamma) = w \cdot \max(L_1, L_2) + \min(L_1, L_2)$ . El factor $w > 1$ asegura la equidad entre usuarios, priorizando al que tiene mayor error.
- Estrategia para el "Suelo de BER": Para mitigar el piso de error (BER floor) observado a altas relaciones señal-ruido (SNR) debido al SNR fijo de entrenamiento, se propone un nuevo método de entrenamiento que utiliza un conjunto de SNRs representativos en cada lote, ponderando la pérdida condicionalmente.
Gestión del CSI Cuantizado:
- Se evalúan dos esquemas de cuantización para la retroalimentación limitada: Uniforme y Lloyd–Max.
- La cuantización Lloyd–Max minimiza el error cuadrático medio (MSQE) adaptando los niveles de decisión a la función de densidad de probabilidad (PDF) del canal, ofreciendo menor distorsión que la cuantización uniforme.

3. Contribuciones Clave

Extensión a Desvanecimiento Rayleigh: Es el primer estudio que aplica AE-NOMA en canales de desvanecimiento Rayleigh, donde el codificador aprende a moldear la superconstelación para mitigar la interferencia inter-usuario bajo condiciones de canal aleatorias.
Integración de CSI Cuantizado: Se presenta el primer marco AE-NOMA que incorpora retroalimentación de CSI cuantizado (tanto uniforme como Lloyd–Max), haciendo el diseño más viable para implementaciones prácticas.
Optimización de Constelaciones: El sistema aprende mapeos de símbolos no convencionales y adaptativos, eliminando la necesidad de constelaciones predefinidas (como QPSK) o asignaciones de potencia fijas.
Nueva Estrategia de Entrenamiento: Propuesta de una función de pérdida modificada que utiliza múltiples SNRs de entrenamiento para eliminar el piso de error a altas SNR sin sacrificar el rendimiento en bajas SNR.

4. Resultados Numéricos

Rendimiento vs. Teoría y Benchmarks: Con CSI perfecto, el AE propuesto supera significativamente a los esquemas analíticos de NOMA existentes (como PAR y PANOMA) y a los límites teóricos derivados para modulación QPSK-QPSK.
- En un punto de BER de $10^{-2}$ , el AE alcanza el objetivo a ~12.5 dB, mientras que la NOMA teórica requiere ~17.5 dB.
- La constelación aprendida por el AE para el usuario fuerte se asemeja a una 16-QAM, acercándose al límite inferior teórico.
Adaptabilidad: El sistema mantiene su rendimiento superior al variar la longitud de los bits de los usuarios (ej. 2 bits vs 3 bits), demostrando escalabilidad sin cambios estructurales mayores.
Impacto de la Cuantización:
- La cuantización Lloyd–Max supera consistentemente a la uniforme en todas las resoluciones.
- A partir de 4 bits de cuantización, la brecha de rendimiento entre ambos métodos se reduce, sugiriendo que la optimización conjunta del cuantizador y el AE podría cerrar aún más la brecha con el caso de CSI perfecto.
Mitigación del Piso de BER: La nueva estrategia de entrenamiento elimina el piso de error a altas SNR, mejorando la robustez del sistema en todo el rango operativo.

5. Significado e Impacto

Este trabajo demuestra que los autoencoders de extremo a extremo, entrenados directamente sobre canales de desvanecimiento Rayleigh con restricciones realistas de CSI, pueden aprender estrategias de señalización robustas y conscientes de la interferencia.

Avance Teórico: Supera la dependencia de modelos AWGN y constelaciones fijas, demostrando que el aprendizaje profundo puede optimizar la asignación de potencia y la forma de la constelación simultáneamente.
Viabilidad Práctica: Al abordar la cuantización del CSI y el problema del piso de BER, el estudio acerca la tecnología NOMA basada en IA a la implementación real en redes celulares de próxima generación, donde la retroalimentación de canal es limitada y el entorno es dinámico.
Futuro: Abre la puerta a investigaciones sobre la optimización conjunta de cuantizadores y autoencoders para reducir aún más la complejidad y mejorar el rendimiento con menos bits de retroalimentación.