Pilot-Identifiable Single-Parameter Compensation for Power-Amplifier Nonlinearity in IEEE 802.11ax Receivers

Resumen Técnico: Compensación de Parámetro Único Identificable por Piloto para la No Linealidad del Amplificador de Potencia en Receptores IEEE 802.11ax

Planteamiento del Problema
Los receptores modernos IEEE 802.11ax (WiFi 6) enfrentan un desafío crítico al soportar modulaciones de alto orden (hasta 1024-QAM), lo que exige una linealidad de hardware extrema. La saturación del amplificador de potencia (PA), modelada mediante el modelo de Rapp, introduce una compresión de ganancia dependiente de la amplitud que degrada severamente las tasas de error de símbolo. Si bien la ecualización estándar de Error Cuadrático Medio Mínimo (MMSE) es óptima para el ruido gaussiano aditivo, falla al intentar corregir los residuos estructurados causados por la no linealidad del PA.

Un enfoque natural para corregir esto es el aprendizaje de residuos basado en datos utilizando el preámbulo del paquete. Sin embargo, los autores identifican una restricción estructural fundamental en IEEE 802.11ax: el Campo de Entrenamiento Largo de Alta Eficiencia (HE-LTF) de una unidad de recursos de 52 tonos estándar proporciona solo cuatro subportadoras piloto. Intentar ajustar modelos de corrección de alta dimensión (por ejemplo, regresión de Ridge de 12 características) a estas cuatro observaciones resulta en un sistema severamente deficiente en rango y subdeterminado. Los autores demuestran que tales enfoques son poco fiables, con números de condición que superan $10^{300}$, y a menudo funcionan peor que el MMSE estándar.

Metodología
El artículo propone un receptor de un solo parámetro físicamente identificable (K-R) que respeta la restricción de los cuatro pilotos aprovechando los priors físicos en lugar de un aprendizaje genérico. La arquitectura consta de dos etapas:

1. Etapa K (Estándar): Se realiza una ecualización convencional de MMSE en el dominio de la frecuencia.
2. Etapa R (Rediseñada): Un proceso de tres operaciones aplicado específicamente a los cuatro pilotos HE-LTF:
   • Métrica de Distorsión ($D$): Se calcula una métrica utilizando solo el modelo lineal para cuantificar el error residual. Esto se calcula independientemente de cualquier estimación de parámetro no lineal para asegurar que la decisión de activación (gating) no sea circular.
   • Puerta Suave ($\alpha$): Una función de puerta $\alpha(D) \in [0,1]$ suprime la corrección si la métrica de distorsión es baja (indicando un hardware casi lineal). La puerta se activa linealmente entre los umbrales $\tau_1=0.15$ y $\tau_2=0.30$, asegurando un comportamiento conservador bajo condiciones de hardware limpias.
   • Estimación de Parámetro e Inversión: Si la puerta está activa, el receptor estima la amplitud de saturación del modelo de Rapp ($A_{sat}$) mediante mínimos cuadrados no lineales acotados sobre los cuatro pilotos. Dado que hay cuatro observaciones y un parámetro desconocido, el problema es sobredeterminado. El receptor aplica entonces una inversión con puerta de la no linealidad de Rapp a la señal ecualizada.

Contribuciones Clave

• Diagnóstico de Fallo de Alta Dimensión: El artículo proporciona evidencia numérica directa de que el aprendizaje de residuos de alta dimensión es estructuralmente imposible bajo la restricción de los cuatro pilotos del HE-LTF, independientemente de la regularización.
• Diseño de Parámetro Único: Introduce un receptor que estima un único parámetro físico ($A_{sat}$) a partir de los pilotos disponibles, invierte la no linealidad de Rapp conocida y aplica una puerta de corrección.
• Garantías Teóricas:
  • Teorema 1: Establece la identificabilidad local del estimador bajo supuestos estándar de suavidad y sensibilidad.
  • Teorema 2: Demuestra la consistencia de ruido evanescente, mostrando que a medida que aumenta la SNR (con $N_p=4$ fijo), el estimador converge al parámetro real.
  • Proposiciones de Seguridad: Prueba que la puerta asegura que no se aplique corrección bajo condiciones casi lineales (Proposición 1) y que la magnitud de la corrección está acotada (Proposición 2).
• Arquitectura de Despliegue de Dos Etapas: El artículo caracteriza un despliegue práctico donde la estimación del canal se realiza en el preámbulo L-LTF, y la corrección del PA se aplica utilizando los pilotos HE-LTF. Esta arquitectura recupera entre el 81 y el 96% de la ganancia de CSI perfecto en SNR $\ge$ 20 dB.

Resultados
Validado a través de 3,000 ensayos de Monte Carlo por condición, el receptor demuestra:

• Ganancias de Eficiencia Espectral: Ganancias estadísticamente significativas ($p < 10^{-100}$) en todos los valores de SNR probados (-5 a 40 dB). Las ganancias aumentan monótonamente con la SNR, alcanzando +0.590 bps/Hz a 40 dB.
• Robustez al Hardware: Bajo una distorsión de PA estándar ($A_{sat}=0.7$), la ganancia es de +0.262 bps/Hz. Bajo hardware "limpio", la ganancia es insignificante (-0.0004 bps/Hz), confirmando que la puerta evita la degradación del rendimiento.
• Escalado de Modulación: Las ganancias aumentan con el orden de modulación, desde +0.640 bps/Hz (64-QAM) hasta +0.724 bps/Hz (1024-QAM) a 30 dB de SNR, indicando que el receptor es más beneficioso en los regímenes de alto rendimiento de WiFi 6.
• Generalización: El receptor mantiene ganancias consistentes a través de cuatro modelos de canal (TGax-D, TGax-B, AWGN, Rayleigh) y maneja eficazmente los desajustes del punto de operación del PA.
• Comparación con OAMP-Net: El receptor propuesto supera a una línea base representativa de aprendizaje desplegado profundo (OAMP-Net) durante todo el régimen operativo no lineal relevante en la práctica ($A_{sat} \le 0.9$). Aunque OAMP-Net es computacionalmente más rápido bajo compilación JIT, el método propuesto ofrece una mayor interpretabilidad física y no requiere entrenamiento fuera de línea.

Significado y Reivindicaciones
El artículo afirma que el receptor propuesto tiene éxito donde el aprendizaje genérico falla al adherirse a las restricciones físicas del estándar IEEE 802.11ax. Su importancia radica en:

1. Identificabilidad Física: Transforma un problema de aprendizaje subdeterminado en un problema de estimación física sobredeterminado al reducir los grados de libertad a un único parámetro físicamente significativo.
2. Seguridad y Conservadurismo: El mecanismo de puerta de distorsión asegura que el receptor permanezca "conservador" (aplicando una corrección insignificante) cuando el hardware es lineal, evitando la introducción de artefactos que podrían degradar el rendimiento.
3. Viabilidad de Despliegue: La arquitectura de dos etapas demuestra que se puede recuperar un rendimiento cercano al óptimo en cadenas de receptor realistas sin requerir un CSI perfecto o datos de entrenamiento complejos.

Los autores señalan explícitamente las limitaciones: el enfoque requiere una estimación de canal separada (L-LTF frente a HE-LTF), depende de simulaciones sin prototipos de hardware, asume un modelo de Rapp fijo (ignorando la distorsión AM-PM) y no pretende cumplir con los estándares de certificación EVM para 1024-QAM, sino más bien mejorar la eficiencia espectral dentro del receptor.