Performance Analysis of Cell-Free Massive MIMO under Imperfect LoS Phase Tracking

1. Problématique et Contexte

Les réseaux Cell-Free Massive MIMO (mMIMO) sont une architecture prometteuse pour les réseaux 6G, utilisant un grand nombre de points d'accès (AP) distribués pour servir les utilisateurs de manière coopérative. Dans ces réseaux denses, la propagation Ligne de Vue (LoS) est fréquente et joue un rôle crucial dans les performances.

Cependant, un défi majeur réside dans l'acquisition d'une information d'état du canal (CSI) fiable. Les phases des composantes LoS fluctuent en raison de la dérive des oscillateurs, de la mobilité des utilisateurs et des erreurs de synchronisation.

• Limites des travaux existants : La littérature se divise généralement en deux cas extrêmes :
  1. Phases parfaitement connues : Hypothèse irréaliste qui ignore les erreurs d'estimation.
  2. Phases totalement inconnues : Hypothèse pessimiste qui ignore l'information déterministe contenue dans les composantes LoS lentes.
• Le vide à combler : Les systèmes réels opèrent dans un régime intermédiaire où les phases LoS sont suivies mais avec une incertitude résiduelle. L'absence de modèles réalistes pour ce régime limite la conception optimale des estimateurs de canal et des faisceaux (beamforming).

2. Méthodologie et Modélisation

Les auteurs proposent une approche unifiée pour modéliser et traiter l'incertitude de phase LoS.

A. Modèle de Canal Rician avec Phases Imparfaites

Ils adoptent un modèle de fading Rician où la composante LoS déterministe est modifiée par une estimation de phase bruitée :

• Le canal $h_{k,l}$ est décomposé en une partie LoS et une partie NLoS (Non-Ligne de Vue).
• La phase LoS réelle $\theta_{k,l}$ est estimée comme $\hat{\theta}_{k,l} = \theta_{k,l} - \varepsilon_{k,l}$, où l'erreur $\varepsilon_{k,l}$ suit une loi uniforme $\mathcal{U}[-\delta, \delta]$.
• Facteur de pénalité de phase ($\rho_{error}$) : L'incertitude de phase atténue l'amplitude de la composante LoS estimée par un facteur déterministe $\rho_{error} = \frac{\sin(\delta)}{\delta}$.
  • Si $\delta \to 0$ (parfait), $\rho_{error} \to 1$.
  • Si $\delta \to \pi$ (inconnu), $\rho_{error} \to 0$.

B. Estimation de Canal (MMSE Linéaire Conditionnel)

Pour éviter la complexité analytique liée à la nature non-gaussienne du canal sous incertitude de phase, les auteurs dérivent un estimateur MMSE linéaire conditionnel :

• Cet estimateur est linéaire par rapport au signal reçu (pilotes) mais conditionné par les estimations de phase $\hat{\theta}$.
• Il unifie les résultats précédents : il se réduit à l'estimateur MMSE Bayésien classique lorsque la phase est parfaite, et au modèle à moyenne nulle lorsque la phase est inconnue.
• L'erreur d'estimation est caractérisée par une matrice de covariance qui intègre l'incertitude de phase.

C. Détection de Données et Beamforming (Modèle Virtuel)

Pour concevoir des beamformers optimaux (MMSE) dans ce contexte non-gaussien, les auteurs introduisent un modèle de liaison montante virtuelle :

• Le vrai canal est remplacé par son estimateur $\hat{h}$.
• La covariance du bruit est augmentée pour inclure la covariance de l'erreur d'estimation.
• Cela permet de dériver des solutions fermées (closed-form) pour les beamformers MMSE, tant dans une architecture centralisée (CPU global) que distribuée (traitement local par AP).

D. Analyse de Performance

L'évaluation des performances (efficacité spectrale) utilise deux bornes :

1. Borne UatF (Use-and-Then-Forget) : Une borne inférieure réaliste où le récepteur utilise le CSI instantané pour le beamforming mais traite le canal comme une moyenne statistique pour le décodage.
2. Borne OER (Optimistic Ergodic Rate) : Une borne supérieure (aide de génie) supposant une connaissance parfaite du canal effectif instantané.

3. Contributions Clés

1. Modélisation Réaliste : Introduction d'un modèle Rician intermédiaire qui capture l'impact des erreurs de suivi de phase via un facteur d'atténuation déterministe et une erreur de phase bornée.
2. Estimateur Unifié : Développement d'un estimateur de canal qui interpolant continûment entre les cas de phases parfaites et totalement inconnues, garantissant la tractabilité mathématique.
3. Conception de Beamformers Robustes : Proposition de beamformers MMSE centralisés et distribués basés sur un modèle virtuel, permettant une implémentation pratique malgré la non-gaussianité du canal réel.
4. Analyse de Robustesse : Démonstration que même un suivi de phase grossier (erreur modérée) offre des gains de performance significatifs par rapport à l'hypothèse de phases totalement inconnues.

4. Résultats Numériques

Les simulations ont été menées sur un réseau Cell-Free avec 100 APs et 40 utilisateurs, en variant le facteur Rician ($\kappa$) et l'incertitude de phase ($\delta$).

• Impact de l'incertitude de phase :
  • Les courbes de distribution cumulative (CDF) de l'efficacité spectrale montrent que même une connaissance partielle des phases (ex: $\delta = 15^\circ$) permet de se rapprocher fortement des performances du cas idéal (phases parfaites).
  • La dégradation devient significative uniquement pour de grandes incertitudes (ex: $\delta = 90^\circ$ ou $180^\circ$).
• Centralisé vs Distribué :
  • Le beamforming centralisé est plus robuste aux erreurs de phase sévères.
  • Cependant, le beamforming distribué bénéficie énormément d'un suivi de phase, même imparfait, par rapport au cas sans information de phase.
• Facteur Rician : À des facteurs Rician élevés (forte dominance LoS), la différence entre les architectures centralisée et distribuée devient négligeable si les phases sont bien connues. En présence d'incertitude, les taux réalisables chutent, mais le gain par rapport au modèle "sans phase" reste substantiel.
• Écart des bornes : L'écart entre les bornes UatF et OER est faible, indiquant que la perte de performance due au manque de CSI instantané au décodeur est négligeable lorsque la composante LoS est dominante.

5. Signification et Conclusion

Cet article comble un vide critique entre les modèles théoriques idéalisés et les contraintes pratiques des réseaux 6G. Il démontre que :

• Ignorer l'information de phase LoS (modèle à moyenne nulle) est sous-optimal et pénalise sévèrement les performances.
• Un suivi de phase imparfait, même avec des erreurs résiduelles, est hautement bénéfique et doit être intégré dans la conception des algorithmes d'estimation et de beamforming.
• Le cadre proposé fournit des références de performance rigoureuses et des pistes de conception pour les déploiements futurs de réseaux Cell-Free Massive MIMO, où la gestion de l'incertitude de phase est essentielle pour exploiter pleinement les avantages de la propagation LoS.