ISTA-Based Joint Dictionary Learning and Channel Estimation for XL-MIMO Systems

Resumen Técnico: DL-ISTA para la Estimación de Canales en XL-MIMO

Planteamiento del Problema
La estimación precisa del canal en sistemas de Múltiple Entrada y Múltiple Salida de Tamaño Extra Grande (XL-MIMO) se ve obstaculizada por los efectos de propagación de campo cercano. A diferencia de los escenarios de campo lejano donde las respuestas de la antena dependen únicamente del ángulo, las ondas de campo cercano exhiben una curvatura esférica, lo que hace que la respuesta dependa tanto del ángulo de llegada como de la distancia de la trayectoria de propagación. Los métodos existentes suelen depender de la discretización de este espacio continuo de ángulo-distancia en rejillas fijas. Este enfoque introduce errores de "desajuste de rejilla" (grid mismatch) cuando los parámetros de la trayectoria real no se alinean con los puntos de la rejilla. Si bien los métodos de refinamiento multietapa (por ejemplo, P-OMP seguido de P-SIGW) intentan mitigar esto, aumentan la complejidad computacional. Por el contrario, los enfoques basados en datos a menudo requieren una extensa cantidad de datos de entrenamiento. Existe la necesidad de un método que opere directamente en el espacio de parámetros continuos para evitar los errores de discretización manteniendo la eficiencia computacional.

Metodología
El artículo propone DL-ISTA (Algoritmo de Umbralización Suave Iterativo de Aprendizaje de Diccionarios), un marco para el aprendizaje de diccionarios de campo cercano y la estimación de canales de forma conjunta. La innovación central es la estimación simultánea de los coeficientes de canal dispersos y los parámetros continuos de ángulo-distancia, evitando la necesidad de rejillas fijas.

El método formula la tarea de estimación como un problema de optimización no convexo con regularización $\ell_1$:
$$\min_{G, \phi, r} \|A(\phi, r)GP - Y\|_F^2 + \alpha \|G\|_{1,1}$$
donde $G$ representa las ganancias de trayectoria dispersas, y $\phi$ (coseno del ángulo) y $r$ (distancia) son parámetros de diccionario continuos.

La solución emplea una estrategia de optimización alternante:

1. Actualización de Coeficientes Dispersos: Con los parámetros fijos, el problema se reduce a un problema de mínimos cuadrados con regularización $\ell_1$ convexo, resuelto mediante un único paso del Algoritmo de Umbralización Suave Iterativo (ISTA).
2. Aprendizaje de Diccionario (Actualización de Parámetros): Con los coeficientes fijos, los parámetros continuos de ángulo y distancia se refinan para minimizar el error de reconstrucción. Esto se logra mediante un esquema de Gauss-Newton diagonal. Para evitar el alto costo de invertir una matriz Hessiana completa, el método actualiza cada parámetro de forma independiente utilizando solo el elemento diagonal correspondiente de la matriz Hessiana aproximada.
3. Inicialización: Dada la naturaleza no convexa del problema, los autores inicializan los pares de ángulo-distancia utilizando secuencias de Sobol. Estas secuencias de baja discrepancia proporcionan una cobertura determinista y uniforme del espacio de parámetros, promoviendo una convergencia robusta hacia un óptimo local favorable en comparación con el muestreo pseudoaleatorio.

Contribuciones Clave

• Marco de Optimización Conjunta: El artículo introduce DL-ISTA, que unifica la estimación de canales y el aprendizaje de diccionarios en un único bucle de optimización, eliminando los errores de discretización inherentes a los enfoques de rejilla fija y la pérdida de rendimiento asociada con los métodos de refinamiento de dos etapas.
• Inicialización Robusta: Se destaca la aplicación de secuencias de Sobol para la inicialización de parámetros continuos como un factor crítico para asegurar la convergencia en el paisaje de optimización altamente no convexo.
• Eficiencia vs. Rendimiento: El método propuesto logra una precisión de vanguardia comparable a los enfoques complejos de Aprendizaje Bayesiano Disperso (CP-SBL), pero con una complejidad computacional significativamente reducida.

Resultados Numéricos
Las simulaciones se realizaron en entornos XL-MIMO con variaciones en la Relación Señal a Ruido (SNR), número de antenas ($M$), longitud de pilotos ($N$) y trayectorias de propagación ($L$). El rendimiento se midió utilizando el Error Cuadrático Medio Normalizado (NMSE).

• Precisión: DL-ISTA logró consistentemente el NMSE más bajo en todos los rangos de SNR probados. Superó al modelo base de dos etapas P-OMP+P-SIGW en aproximadamente un 40% a 20 dB de SNR.
• Comparación con CP-SBL: DL-ISTA igualó o superó ligeramente la precisión de estimación del modelo de referencia CP-SBL.
• Complejidad Computacional: La complejidad de DL-ISTA escala cuadráticamente con el número de antenas ($O(M^2)$), de manera similar a P-OMP+P-SIGW. En contraste, CP-SBL escala cúbicamente ($O(M^3)$). Los autores señalan que DL-ISTA logra una precisión comparable a la de CP-SBL con un costo computacional aproximadamente un orden de magnitud menor.
• Escalabilidad: La ventaja de rendimiento de DL-ISA sobre los métodos basados en rejilla se hizo más pronunciada a medida que aumentó el número de trayectorias de propagación ($L$), indicando su efectividad en entornos de trayectoria múltiple complejos.

Significancia y Reclamaciones
El artículo afirma que DL-ISTA ofrece un equilibrio atractivo entre la precisión de la estimación y la eficiencia computacional para la estimación de canales de campo cercano en sistemas XL-MIMO. Al operar directamente en el espacio de parámetros continuos, evita las limitaciones fundamentales del desajuste de rejilla sin incurrir en la pesada carga computacional del aprendizaje bayesiano iterativo o la sobrecarga de entrenamiento de los métodos basados en datos. Los autores concluyen que el método es particularmente adecuado para escenarios que requieren alta precisión con recursos computacionales manejables. Se sugiere que el trabajo futuro se centre en la selección automática del parámetro de regularización para mejorar su aplicabilidad práctica.