Max-Min Rate Fairness Optimization for Multi-User Pinching-Antenna NOMA Systems

Planteamiento del Problema

El artículo aborda el diseño de un sistema de Acceso Múltiple No Ortogonal (NOMA) de enlace descendente (DL) asistido por Sistemas de Antenas de Pinzamiento (PASs). En esta arquitectura, múltiples guías de onda dieléctricas (WGs), cada una con múltiples elementos radiantes dieléctricos reposicionables (Antenas de Pinzamiento o PAs), dan servicio a múltiples usuarios de una sola antena. Cada guía de onda es impulsada por una única cadena de radiofrecuencia (RF), lo que requiere el uso de NOMA en el dominio de la potencia para dar soporte a más usuarios que las cadenas de RF disponibles.

El desafío de optimización central es optimizar conjuntamente las posiciones continuas de todas las PAs en todas las guías de onda y la matriz de precodificación de transmisión en la estación base. El objetivo es maximizar la tasa mínima del usuario (equidad de tasa máx-mín) sujeto a:

1. Restricciones de potencia de transmisión total.
2. Restricciones de decodificación de Cancelación de Interferencia Sucesiva (SIC) requeridas para NOMA.
3. Restricciones de espaciado mínimo entre PAs adyacentes para mitigar el acoplamiento mutuo.

El problema se identifica como altamente no suave y no convexo. Esta dificultad surge porque la señal recibida en cada usuario es una suma coherente de señales de todas las PAs. Los pequeños cambios en las posiciones de las PAs provocan oscilaciones de fase rápidas en la función objetivo, lo que genera un paisaje plagado de óptimos locales que son difíciles de navegar mediante métodos basados en gradientes estándar o búsquedas heurísticas.

Metodología

Para superar la naturaleza no suave del problema, los autores proponen un algoritmo de optimización de dos etapas estructurado:

Etapa 1: Optimización Gruesa (Relajación de Fase)

• Concepto: Los autores observan que, si bien la combinación coherente crea fluctuaciones rápidas de pequeña escala, las magnitudes de las ganancias de canal exhiben una estructura más suave de gran escala gobernada por la pérdida de trayectoria y la geometría.
• Enfoque: Se descartan temporalmente las fases complejas del canal (asumiendo que están perfectamente alineadas). El problema se transforma en la optimización de coeficientes de amplitud de valores reales y posiciones de las PAs.
• Algoritmo: Se utiliza un Algoritmo de Punto Interior (IPA) para resolver este problema convexo y suave.
  • El operador de tasa mínima se aproxima mediante un sustituto de log-suma-exponencial para asegurar la diferenciabilidad.
  • La solución proporciona un límite superior "relajado en fase" y una inicialización confiable para las ubicaciones de las PAs y las asignaciones de potencia.
  • Un paso de post-procesamiento refina los vectores de precodificación de valores reales utilizando un enfoque de Programación Semidefinida (SDP) dual y recursión hacia atrás para asegurar que se cumpla la SINR objetivo con la mínima potencia.

Etapa la 2: Ajuste Fino (Conciencia de Fase)

• Concepto: Esta etapa reintroduce las fases complejas del canal para encontrar una solución factible y casi óptima que respete los efectos de combinación coherente reales.
• Sub-etapa 1: Cero de Fase: Partiendo de la solución gruesa, cada PA se reposiciona secuencialmente dentro de un vecindario local para alinear su fase de canal hacia cero (módulo $2\pi$). Esto mitiga la interferencia destructiva antes de que comience la optimización principal.
• Sub-etapa 2: Optimización Alternante: El algoritmo alterna entre:
  1. Refinamiento de la Posición de la PA: Una búsqueda de coordenadas hacia adelante y hacia atrás recorre todas las PAs. Para cada PA, la posición se actualiza para maximizar la tasa del peor usuario dentro de un intervalo local factible, dada una precodificación fija.
  2. Optimización de la Precodificación de Transmisión: Con las posiciones de las PAs fijas, se optimiza la matriz de precodificación para minimizar la potencia de transmisión para una SINR común objetivo. Esto se resuelve utilizando Aproximación Convexa Sucesiva (SCA) para manejar las restricciones de SIC no convexas, incrustado dentro de una búsqueda de bisección externa para maximizar la SINR objetivo.

Contribuciones Clave

1. Primer Marco Máx-Mín para Multi-WG PAS-NOMA: El artículo formula el primer problema de optimización de equidad de tasa máx-mín para un sistema con múltiples guías de onda, múltiples PAs por guía de onda y múltiples usuarios, donde todas las PAs contribuyen conjuntamente a las señales de todos los usuarios.
2. Algoritmo de Dos Etapas Estructurado: Los autores desarrollan un marco de optimización determinista que explota la estructura física de los canales PAS. Separa el problema en una etapa gruesa suave y relajada en fase y una etapa de ajuste fino con conciencia de fase, evitando la naturaleza de "caja negra" de los métodos heurísticos.
3. Nuevas Técnicas de Optimización:
   • Aplicación de un Algoritmo de Punto Interior para la optimación conjunta gruesa de la geometría y la potencia.
   • Un procedimiento de inicialización de cero de fase para alinear las fases del canal.
   • Un esquema de optimización alternante que combina la búsqueda de coordenadas hacia adelante-atrás para la colocación de las PAs y la optimación convexa basada en SCA para la precodificación compleja.
4. Análisis de Complejidad: El artículo proporciona un análisis detallado de la complejidad computacional, demostrando que el enfoque dual-SDP/eigenvector para el refinamiento de la precodificación es más eficiente que las implementaciones genéricas de SOCP de caja negra.

Resultados de Simulación

El marco propuesto fue evaluado contra tres referencias (benchmarks):

• Límite Superior de Combinación Perfecta (UB): El límite teórico asumiendo una alineación de fase perfecta (resultado de la Etapa 1).
• Optimización Heurística (HO): Un algoritmo de búsqueda de patrones (que representa metaheurísticas de vanguardia como PSO).
• MIMO-NOMA de Formación de Haz Híbrida: Un sistema convencional con un Arreglo Lineal Uniforme (ULA).

Hallazgos Clave:

• Desempeño: El esquema propuesto logra tasas máx-mín casi indistinguibles del Límite Superior de Combinación Perfecta, superando significativamente al benchmark de Optimización Heurística.
• Eficiencia: El método propuesto requiere significativamente menos tiempo de computación que el benchmark de HO, especialmente a medida que aumenta el número de PAs. El método HO sufre de convergencias frecuentes a óptimos locales y un crecimiento de rendimiento irregular.
• PAS vs. MIMO: Los sistemas PAS-NOMA proporcionan ganancias sustanciales sobre los sistemas MIMO-NOMA comparables. Esto se atribuye a la capacidad de las PAs para reposicionarse cerca de los usuarios, reduciendo drásticamente la pérdida de trayectoria, algo que los arreglos MIMO fijos no pueden lograr.
• Impacto de Parámetros:
  • Número de PAs ($N$): Aumentar $N$ mejora el desempeño de forma logarítmica tanto para PAS como para MIMO, pero las ganancias de PAS son más pronunciadas debido a la proximidad.
  • Número de Usuarios ($K$): A medida que $K$ aumenta, la tasa máx-mín disminuye debido al reparto de potencia y al aumento de la interferencia entre usuarios, lo que limita la efectividad de la SIC.
  • Potencia de Transmisión ($P_T$): La tasa aumenta monótonamente con la potencia. Sin embargo, para $K$ elevado, el sistema está limitado por la interferencia, lo que causa que la tasa escale de forma menos favorable con la potencia.
  • Rango Espacial: A medida que los usuarios se distribuyen en un área más amplia, la tasa máx-mín disminuye, aunque la caída es mitigada en PAS porque las PAs pueden moverse más cerca de los usuarios individuales.

Significancia y Reivindicaciones

El artículo afirma que su principal significancia radica en proporcionar una solución determinista, eficiente y físicamente interpretable a un problema de optimización altamente no convexo en las tecnologías emergentes de 6G. A diferencia de las metaheurísticas basadas en poblaciones (por ejemplo, PSO) que dependen de la inicialización aleatoria y extensas evaluaciones de la función, el algoritmo propuesto aprovecha la estructura específica de los canales PAS (separando la pérdida de trayectoria a gran escala de las fluctuaciones de fase a pequeña escala).

Los autores sostienen que este enfoque no solo ofrece un desempeño superior (tasas de equidad casi óptimas), sino que también ofrece una solución escalable para el despliegue práctico donde los recursos computacionales y la fiabilidad de la convergencia son críticos. Los resultados demuestran que la flexibilidad de reposicionar las PAs ofrece una ventaja de desempeño fundamental sobre los sistemas MIMO de antenas fijas en entornos de alta frecuencia y propensos a bloqueos.