Resumen Técnico: Formación de Haz Generativa Específica del Sitio para UPAs mediante Detección de Canal Desacoplada

Declaración del Problema

En los sistemas de Arreglo Planar Uniforme (UPA), particularmente para comunicaciones mmWave, el alineamiento preciso del haz es crítico para lograr una alta eficiencia espectral y confiabilidad del enlace. Sin embargo, los métodos tradicionales de alineamiento de haz enfrentan un compromiso fundamental entre la fidelidad de la formación de haz y la sobrecarga de detección en línea:

• La formación de haz dependiente del canal requiere una Información de Estado del Canal (CSI) precisa, lo que conduce a una sobrecarga prohibitiva de entrenamiento de pilotos y retroalimentación en sistemas de antenas a gran escala.
• El barrido de rejilla de haces (por ejemplo, búsqueda exhaustiva de código de libro de códigos DFT 2D) evita la adquisición explícita de CSI, pero incurre en una complejidad multiplicativa ($M_\phi \times M_\theta$) a medida que el número de haces de sondeo aumenta con la resolución angular.
• La Formación de Haz Específica del Sitio (SSBF) intenta aprender las regularidades del entorno para inferir los haces a partir de mediciones limitadas. Sin embargo, los enfoques de SSBF generativos existentes a menudo dependen de la detección 2D completa o de mediciones de libro de códigos genéricos, fallando al no abordar los desafíos específicos de la detección desacoplada en UPAs.

Cuando los dominios de azimut y elevación se sondean de forma independiente para reducir la sobrecarga a una complejidad lineal ($M_\phi + M_\theta$), las observaciones de la Potencia Recibida de la Señal de Referencia (RSRP) resultantes sufren de:

1. Pérdida de Información: El acoplamiento conjunto azimut-elevación explícito del canal se pierde; solo se preservan las distribuciones de potencia marginales.
2. Desajuste de Lóbulos: Los lóbulos de azimut y elevación más fuertes pueden no corresponder al mismo camino físico, lo que genera direcciones angulares virtuales que no existen.
3. Ambigüedad de Fase: La retroalimentación de RSRP basada solo en potencia descarta la información de fase, haciendo que el mapeo de las observaciones separadas hacia un formador de haz sea no único y altamente ambiguo.

Metodología

El artículo propone un marco de Formación de Haz Específica del Sitio Generativa de Fusión Cruzada (GenSSBF) diseñado para generar candidatos de haz de alta fidelidad a partir de una detección desacoplada de baja sobrecarga.

1. Detección de Canal Desacoplada

La Estación Base (BS) sondea independientemente los dominios de azimut y elevación utilizando libros de códigos separados.

• Detección de Azimut: Sondea diferentes sectores de azimut con una amplia cobertura de elevación.
• Detección de Elevación: Sondea diferentes sectores de elevación con una amplia cobertura de azimut.
• Salida: Dos vectores RSRP de baja dimensión, $r_\phi$ y $r_\theta$, reduciendo la sobrecarga en línea de una complejidad multiplicativa a una lineal.

2. Arquitectura GenSSBF de Fusión Cruzada

Para recuperar la información angular conjunta perdida, el marco emplea un modelo generativo con tres componentes principales:

• Codificación de Canal en el Dominio Angular: El formador de haz objetivo se representa en el dominio angular (base DFT). Para evitar problemas de envoltura de fase durante el entrenamiento, los coeficientes complejos del canal se codifican como amplitud y un par de fase coseno-seno ($\rho, \cos\phi, \sin\phi$).
• Codificador de Atención Cruzada Bidireccional: Este módulo aborda la pérdida de información de la detección desacoplada.
  • MLPs separados codifican $r_\phi$ y $r_\theta$ en tokens de características.
  • Un mecanismo de atención cruzada bidireccional permite que la rama de azimut consulte las características de elevación (y viceversa) para extraer dependencias latentes.
  • Las características refinadas se fusionan en un vector de condición $c$ que resume la estructura angular 2D específica del sitio.
• Generador de Flujo de Normalización Condicional:
  • En lugar de un predictor determinista (que promediaría múltiples soluciones plausibles), un flujo de normalización condicional mapea una variable latente Gaussiana simple $z$ a una distribución compleja de candidatos de haz condicionada por $c$.
  • Este generador estocástico produce un conjunto de $K$ candidatos de formadores de haz, manejando la naturaleza multimodal del mapeo de RSRP desacoplados hacia direcciones de haz.

3. Entrenamiento y Verificación Orientado a Tareas

• Objetivo de Entrenamiento: El modelo se entrena utilizando una pérdida de ganancia de formación de haz normalizada. En lugar de ajustar toda la distribución condicional (basada en verosimilitud), el objetivo maximiza la ganancia del mejor candidato entre los $K$ haces generados. Esto incentiva al generador a asignar masa de probabilidad a las regiones de alta ganancia.
• Verificación en Línea: La Estación Base genera $K$ candidatos de haz. El Equipo de Usuario (UE) realiza mediciones de pilotos ligeros en estos candidatos y retroalimenta el índice del haz con la RSRP más alta para la transmisión de datos final.

Principales Contribuciones

1. Detección Desacoplada de Baja Sobrecarga: El artículo formaliza una estrategia de detección desacoplada para UPAs que reduce la sobrecarga en línea de $O(M_\phi M_\theta)$ a $O(M_\phi + M_\theta)$, caracterizando explícitamente la pérdida resultante del acoplamiento angular conjunto.
2. Marco GenSSBF de Fusión Cruzada: Una arquitectura novedosa que combina un codificador de atención cruzada bidireccional para recuperar las dependencias latentes de azimut-elevación y un flujo de normalización condicional para generar múltiples candidatos de formadores de haz de alta fidelidad a partir de entradas ambiguas.
3. Pérdida de Entrenamiento Orientada a Tareas: Un objetivo de entrenamiento que optimiza para la inclusión de al menos un haz de alta ganancia en el conjunto de candidatos, en lugar de minimizar el error de reconstrucción promedio. El artículo proporciona una interpretación teórica que muestra cómo la probabilidad de éxito aumenta con la masa de probabilidad del generador en la región de alta ganancia y el número de candidatos.
4. Validación de Desempeño: Simulaciones extensas utilizando escenarios DeepMIMO (bloqueo interior, exterior y urbano mmWave) demuestran la eficacia del marco.

Resultados

Los resultados de la simulación basados en escenarios DeepMIMO (I2 28, O1B 28, Boston5G 28) muestran:

• Ganancia de Formación de Haz: El GenSSBF propuesto (con $K=8$ candidatos) supera consistentemente a la predicción determinista basada en MLP, al GenSSBF sin atención cruzada y a la búsqueda convencional de código de libro de códigos DFT exhaustiva.
  • Comparado con una búsqueda DFT 2D completa de 1024 haces, el método propuesto logró mejoras de ganancia de formación de haz normalizada del 83.6% (I2 28), 74.6% (O1B 28) y 38.1% (Boston5G 28).
  • Logra patrones de haz significativamente más cercanos al límite superior de Transmisión de Relación Máxima (MRT) que las búsquedas de código de libro de códigos fijos.
• Reducción de Sobrecarga: El diseño de detección desacoplada reduce la sobrecarga de barrido en un 93.8% en comparación con el barrido DFT 2D completo.
• Robustez: El marco mantiene un desempeño superior en un amplio rango de relaciones señal-ruido (SNR) en comparación con los referentes, aunque el desempeño se degrada a SNR muy bajas (< -5 dB) donde el ruido de detección abruma la señal.
• Estudios de Ablación: Eliminar el módulo de atención cruzada degrada significamente el desempeño, confirmando su necesidad para recuperar las dependencias latentes. La generación estocástica (GenSSBF) supera a la predicción determinista (MLP), validando la necesidad de la generación de candidatos multimodales en escenarios de detección ambiguos.

Significancia

El artículo sostiene que reducir la sobrecarga de detección por sí sola es insuficiente para un alineamiento de haz de UPA confiable debido a la ambigüedad inherente de las observaciones desacopladas. La significancia de este trabajo radica en demostrar que la inteligencia artificial generativa, específicamente cuando se combina con la fusión de dominios cruzados y la generación estocástica orientada a tareas, puede inferir eficazmente formadores de haz de alta calidad y específicos del sitio a partir de mediciones de potencia marginales de baja dimensión. Este enfoque ofrece un camino viable para alcanzar ganancias de formación de haz casi óptimas con costos de detección en línea drásticamente reducidos, abordando un cuello de botella crítico en el despliegue de sistemas UPA a gran escala en redes 5G/6G.