Distributed MoE-based Uplink Detection for Cell-Free Communication Systems

Resumen Técnico: Detección de Uplink basada en MoE Distribuido para Sistemas de Comunicación Sin Celdas (Cell-Free)

Planteamiento del Problema
El Massive MIMO sin celdas (Cell-free Massive MIMO) es una tecnología fundamental para las redes más allá de la 5G, que utiliza puntos de acceso (AP) distribuidos para servir conjuntamente a equipos de usuario (UE) y mitigar la interferencia intercelular. Sin embargo, la detección eficaz de la señal de enlace ascendente (uplink) en estos sistemas enfrenta un compromiso fundamental. Los métodos de detección lineal convencionales, como el Error Cuadrático Medio Mínimo (MMSE) y el Forzado de Cero (Zero Forcing, ZF), ofrecen un equilibrio práctico entre rendimiento y carga de fronthaul, pero están intrínsecamente limitados por las restricciones del procesamiento lineal. Por el contrario, el procesamiento totalmente centralizado, que reenvía todas las señales recibidas a una Unidad de Procesamiento Central (CPU), logra un rendimiento óptimo pero incurre en un overhead de fronthaul y una latencia prohibitivos. Los esquemas distribuidos existentes, como la Decodificación de Desvanecimiento a Gran Escala (LSFD), intentan cerrar esta brecha utilizando información estadística del canal para la combinación ponderada; sin embargo, su dependencia de procesos de maximización de expectativas y supuestos estadísticos del canal a menudo conduce a una degradación del rendimiento bajo condiciones de canal deterministas complejas.

Metodología: DMoE-DetNet
Para abordar estas limitaciones, los autores proponen DMoE-DetNet (Red de Detección de Mezcla de Expertos Distribuida), un marco basado en aprendizaje profundo que aprovecha una división de tareas entre la información del canal instantánea y la estadística. La arquitectura opera de la siguiente manera:

1. Redes de Expertos Locales (APs): Cada AP actúa como un "experto local". En lugar de una simple combinación lineal, cada AP emplea una Red Neuronal Convolucional (CNN) para realizar una extracción de características no lineales. Estas redes utilizan la Información del Estado del Canal Instantáneo (ICSI) y las señales recibidas para generar resultados de detección local preliminares y representaciones de características fusionadas.
2. Unidad de Procesamiento Central (CPU) - Fusión de Características: La CPU recibe los resultados de detección local y los vectores de características de todos los AP. Se emplea un codificador basado en Transformer para capturar dependencias espacio-temporales complejas entre los usuarios, refinando la representación global de las características.
3. Red de Puerta (Gating Network) Inteligente: Una red de puerta en la CPU pondera dinámicamente las contribuciones de los diferentes AP. A diferencia de la LSFD convencional, que se basa en expectativas estadísticas estáticas, esta red de puerta utiliza la Información del Estado del Canal Estadístico (SCSI) (por ejemplo, matrices de correlación espacial) para calcular pesos de fusión adaptativos. Esto permite al sistema priorizar los AP con condiciones de canal a largo plazo favorables.
4. Detección Final: La fusión ponderada de las salidas de los expertos se pasa a un detector lineal para emitir las probabilidades de los símbolos.

Crucialmente, el marco entrenado opera utilizando únicamente las señales detectadas de los AP y la SCSI (que puede adquirirse mediante mapas de conocimiento previo), evitando la necesidad de transmitir señales recibidas puras o la ICSI completa a la CPU.

Contribuciones Clave

• Arquitectura Novedosa: La introducción de un marco de Mezcla de Expertos (MoE) distribuido diseñado específicamente para la detección de uplink sin celdas, distinguiendo entre el procesamiento local no lineal (impulsado por ICSI) y la fusión global adaptativa (impulsada por SCSI).
• Procesamiento No Lineal: Ir más allá de las restricciones lineales de MMSE y LSFD mediante el uso de CNN para la extracción de características locales y Transformers para el modelado de dependencias globales.
• Puerta Adaptativa: Reemplazar los pesos de combinación estáticos basados en la expectativa por una red de puerta aprendible que se ajusta dinámicamente a las estadísticas del canal, ofreciendo una solución más robusta para entornos de canal deterministas.
• Eficiencia: El diseño mantiene un bajo overhead de fronthaul al transmitir únicamente estimaciones locales procesadas y parámetros estadísticos en lugar de datos de señal brutos.

Resultados de la Simulación
Se realizaron simulaciones extensas comparando DMoE-DetNet contra el procesamiento totalmente centralizado, el procesamiento local con promedio y el procesamiento local con combinación LSFD.

• Tasa de Error de Símbolo (SER): DMoE-DetNet supera significamente a los métodos de detección distribuida lineal convencionales (LSFD y promedio) en varios niveles de Relación Señal a Ruido (SNR).
• Brecha de Rendimiento: Aunque el procesamiento totalmente centralizado sigue siendo el límite teórico superior, DMoE-DetNet se aproxima estrechamente a este límite de rendimiento requiriendo sustancialmente menos interacción de fronthaul.
• Robustez: El método propuesto demuestra un rendimiento superior en condiciones de canal heterogéneas y en la variación del número de UEs y APs, validando su capacidad para aprender estrategias no lineales efectivas que los métodos estadísticos estáticos no pueden capturar.

Significado y Reivindicaciones
El artículo afirma que DMoE-DetNet representa un avance significativo en los sistemas de comunicación habilitados por IA. Al integrar con éxito el paradigma de Mezcla de Expertos con arquitecturas sin celdas, el marco supera el techo de rendimiento de los detectores distribuidos lineales sin incurrir en el overhead del procesamiento totalmente centralizado. Los autores aseguran que este enfoque muestra el potencial del aprendizaje profundo para alcanzar todo el potencial del procesamiento distribuido en las redes más allá de la 5G, ofreciendo un camino práctico hacia una detección casi óptima con una complejidad de implementación manejable.