Attention-Based SINR Estimation in User-Centric Non-Terrestrial Networks

Título: Estimación de SINR Basada en Atención en Redes No Terrestres Centradas en el Usuario

1. Planteamiento del Problema

En las Redes No Terrestres (NTN) basadas en satélites, específicamente en sistemas de formación de haces centrados en el usuario, la relación señal-interferencia-ruido (SINR) es fundamental para la optimización del rendimiento.

• Desafío actual: La evaluación precisa del SINR tradicionalmente requiere dos enfoques costosos:
  1. La transmisión de pilotos dedicados, lo que consume recursos.
  2. El cálculo de la matriz de formación de haces mediante formulaciones de Error Cuadrático Medio Mínimo (MMSE) antes de la evaluación. Este proceso matemático introduce una sobrecarga computacional significativa, especialmente en entornos dinámicos con satélites de órbita baja (LEO) donde la latencia y el movimiento orbital complican la actualización de los informes de canal.
• Limitación de la planificación: Los algoritmos de programación (scheduling) actuales a menudo seleccionan un único grupo de usuarios sin evaluar exhaustivamente múltiples candidatos debido al alto costo computacional de calcular el SINR para cada combinación posible.

2. Metodología Propuesta

Los autores proponen un marco de estimación de SINR de baja complejidad que utiliza Deep Learning (DL), específicamente un mecanismo de auto-atención multi-cabeza (MHSA).

• Arquitectura DMHSA (Dual Multi-Headed Self-Attention):
  Se presenta un modelo dual que evalúa el SINR de un grupo de usuarios programados sin necesidad de calcular explícitamente la matriz MMSE. El modelo se divide en dos módulos paralelos:

  1. Módulo SNR: Utiliza una máscara de atención completa para capturar todas las interacciones (incluida la señal deseada).
  2. Módulo INR (Interferencia más Ruido): Utiliza una máscara que excluye la auto-interferencia, enfocándose únicamente en las contribuciones de interferencia entre usuarios.
  • La salida final del SINR (en dB) se obtiene restando la salida del módulo INR de la del módulo SNR.

• Dos Configuraciones de Entrada:

  1. Basada en CSI (Channel State Information): Utiliza vectores de canal estimados. Las características de entrada incluyen las fases normalizadas del CSI, la magnitud media cuadrática normalizada y la relación entre usuarios programados y elementos de antena.
  2. Basada en Ubicación (GEO): Utiliza coordenadas geográficas (latitud/longitud o sistema u,v) y la relación de usuarios. Esta configuración aprovecha la menor dimensionalidad de los informes de ubicación.

• Entrenamiento:
  Los modelos se entrenan utilizando datos simulados de un satélite LEO. Se generan lotes de datos donde se seleccionan usuarios aleatoriamente (o mediante un planificador de prioridad) y se calcula el SINR "verdadero" (etiqueta) mediante la ecuación MMSE estándar para entrenar la red neuronal mediante retropropagación y pérdida MSE.

3. Contribuciones Clave

• Reducción de Complejidad Computacional:
  • El enfoque basado en CSI reduce la complejidad en un factor de 3 en comparación con el cálculo MMSE tradicional.
  • El enfoque basado en Ubicación (GEO) logra una reducción de dos órdenes de magnitud (100x), ya que evita escalar la complejidad con el número de elementos de antena ($N_R$).
• Eliminación de Cálculos MMSE: El modelo estima el SINR directamente a partir de las características de los usuarios, eliminando la necesidad de invertir matrices complejas durante la fase de inferencia en tiempo real.
• Integración en Planificación: La baja complejidad permite integrar estos estimadores en algoritmos de programación para evaluar múltiples grupos candidatos de usuarios y seleccionar aquel que maximice la capacidad total o el SINR promedio.

4. Resultados

Los resultados se evaluaron bajo dos escenarios de programación: aleatorio y basado en colas de prioridad (PQS).

• Precisión de Estimación:
  • Ambos modelos mantienen una alta precisión. El Error Cuadrático Medio Raíz (RMSE) se mantiene típicamente por debajo de 1 dB cuando se utiliza el planificador PQS.
  • En el planificador aleatorio, se observan colas de error más altas debido a la selección de usuarios geográficamente cercanos (matrices de haces mal condicionadas), lo que valida la necesidad de un buen algoritmo de programación.
• Comparación de Modelos:
  • El modelo GEO-DMHSA muestra un rendimiento ligeramente superior en los percentiles altos de error absoluto y es computacionalmente mucho más eficiente.
  • El modelo CSI-DMHSA tiende a tener un mejor rendimiento en los percentiles bajos, especialmente cuando las solicitudes de capacidad son bajas.
• Eficiencia:
  • Los modelos son extremadamente compactos (4.8k y 762 parámetros aprendibles para CSI y GEO, respectivamente).
  • La complejidad del modelo GEO es de aproximadamente $4.6 \times 10^3$ operaciones frente a las $2.9 \times 10^5$ requeridas por el método MMSE de referencia.

5. Significado e Impacto

Este trabajo demuestra que es posible sustituir los cálculos matemáticos pesados y costosos de la formación de haces MMSE por modelos de aprendizaje profundo ligeros y precisos en el contexto de NTN.

• Optimización de Recursos: Al reducir drásticamente el costo computacional, se habilita la evaluación de múltiples combinaciones de usuarios en tiempo real, lo que permite a los algoritmos de programación seleccionar grupos óptimos en lugar de subóptimos.
• Escalabilidad: La solución basada en ubicación es particularmente prometedora para sistemas con un gran número de elementos de antena, donde los métodos tradicionales se vuelven prohibitivos.
• Futuro: Los autores sugieren que estos estimadores pueden ser la base para planificadores asistidos por IA que mejoren la capacidad global de las redes NTN, y proponen investigar el aprendizaje en línea para adaptarse a condiciones de canal dinámicas.