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

तकनीकी सारांश: XL-MIMO चैनल अनुमान के लिए DL-ISTA

समस्या विवरण
एक्स्ट्रा-लार्ज मल्टीपल-इनपुट मल्टीपल-आउटपुट (XL-MIMO) सिस्टम में सटीक चैनल अनुमान (channel estimation), नियर-फील्ड प्रसार प्रभावों (near-field propagation effects) के कारण बाधित होता है। फार-फील्ड परिदृश्यों के विपरीत, जहाँ एरे रिस्पॉन्स केवल कोण (angle) पर निर्भर करते हैं, नियर-फील्ड तरंगों में गोलाकार वक्रता (spherical curvature) होती है, जिससे रिस्पॉन्स आगमन के कोण (angle of arrival) और प्रसार पथ की दूरी (distance) दोनों पर निर्भर करता है। मौजूदा विधियाँ आमतौर पर इस निरंतर कोण-दूरी स्थान (continuous angle-distance space) को निश्चित ग्रिडों (fixed grids) में विभाजित करने पर निर्भर करती हैं। यह दृष्टिकोण "ग्रिड मिसमैच" (grid mismatch) त्रुटियां पेश करता है जब वास्तविक पथ पैरामीटर ग्रिड बिंदुओं के साथ संरेखित नहीं होते हैं। जबकि बहु-चरणीय परिशोधन विधियाँ (जैसे कि P-OMP के बाद P-SIGW) इन त्रुटियों को कम करने का प्रयास करती हैं, वे कम्प्यूटेशनल जटिलता को बढ़ा देती हैं। इसके विपरीत, डेटा-संचालित दृष्टिकोणों (data-driven approaches) के लिए व्यापक प्रशिक्षण डेटा की आवश्यकता होती है। एक ऐसी विधि की आवश्यकता है जो विविक्तीकरण त्रुटियों (discretization errors) से बचने के लिए सीधे निरंतर पैरामीटर स्पेस में कार्य कर सके और साथ ही कम्प्यूटेशनल दक्षता बनाए रख सके।

कार्यप्रणाली
यह शोध पत्र DL-ISTA (डिक्शनरी-लर्निंग इटरेटिव सॉफ्ट-थ्रेशोल्डिंग एल्गोरिदम) प्रस्तावित करता है, जो संयुक्त नियर-फील्ड डिक्शनरी लर्निंग और चैनल अनुमान के लिए एक फ्रेमवर्क है। मुख्य नवाचार स्पार्स चैनल गुणांकों (sparse channel coefficients) और निरंतर कोण-दूरी मापदंडों (continuous angle-distance parameters) का एक साथ अनुमान लगाना है, जिससे निश्चित ग्रिडों की आवश्यकता समाप्त हो जाती है।

यह विधि अनुमान कार्य को एक $\ell_1$-रेगुलराइज्ड नॉन-कॉन्वेक्स ऑप्टिमाइज़ेशन समस्या के रूप में स्वरूपित करती है:
$$\min_{G, \phi, r} \|A(\phi, r)GP - Y\|_F^2 + \alpha \|G\|_{1,1}$$
जहाँ $G$ स्पार्स पाथ गेन्स (sparse path gains) को दर्शाता है, और $\phi$ (कोण कोसाइन) और $r$ (दूरी) निरंतर डिक्शनरी पैरामीटर हैं।

समाधान एक अल्टरनेटिंग ऑप्टिमाइज़ेशन (alternating optimization) रणनीति का उपयोग करता है:

1. स्पार्स गुणांक अपडेट (Sparse Coefficient Update): निश्चित मापदंडों के साथ, समस्या एक कॉनवेक्स $\ell_1$-रेगुलराइज्ड लीस्ट-स्क्वेयर्स समस्या में बदल जाती है, जिसे सिंगल इटरेटिव सॉफ्ट-थ्रेशोल्डिंग एल्गोरिदम (ISTA) स्टेप के माध्यम से हल किया जाता है।
2. डिक्शनरी लर्निंग (पैरामीटर अपडेट): निश्चित गुणांकों के साथ, पुनर्निर्माण त्रुटि (reconstruction error) को कम करने के लिए निरंतर कोण और दूरी मापदंडों को परिष्कृत किया जाता है। यह एक डायगोनल गॉस-न्यूटन स्कीम (diagonal Gauss-Newton scheme) का उपयोग करके प्राप्त किया जाता है। एक पूर्ण हेसियन (Hessian) को उलटने (invert करने) की उच्च लागत से बचने के लिए, विधि प्रत्येक पैरामीटर को केवल अनुमानित हेसियन मैट्रिक्स के संबंधित डायगोनल एलिमेंट का उपयोग करके स्वतंत्र रूप से अपडेट करती है।
3. आरंभीकरण (Initialization): नॉन-कॉन्वेक्स प्रकृति को देखते हुए, लेखक कोण-दूरी युग्मों को सोबोल सीक्वेंस (Sobol sequences) का उपयोग करके इनिशियलाइज़ करते हैं। ये लो-डिस्क्रिपेंसी सीक्वेंस पैरामीटर स्पेस का एक नियतात्मक (deterministic), यूनिफॉर्म कवरेज प्रदान करते हैं, जो छद्म-यादृच्छिक नमूनाकरण (pseudo-random sampling) की तुलना में एक अनुकूल स्थानीय इष्टतम (local optimum) तक मजबूत अभिसरण (convergence) को बढ़ावा देते हैं।

प्रमुख योगदान

• संयुक्त अनुकूलन ढांचा (Joint Optimization Framework): यह शोध पत्र DL-ISTA पेश करता है, जो चैनल अनुमान और डिक्शनरी लर्निंग को एक एकल ऑप्टिमाइज़ेशन लूप में एकीकृत करता है, जिससे निश्चित-ग्रिड दृष्टिकोणों में निहित विविक्तीकरण त्रुटियों और दो-चरणीय परिशोधन विधियों से होने वाले प्रदर्शन नुकसान को समाप्त किया जा सके।
• मजबूत आरंभीकरण (Robust Initialization): निरंतर मापदंडों को इनिशियलाइज़ करने के लिए सोबोल सीक्वेंस का अनुप्रयोग अत्यधिक नॉन-कॉन्वेक्स ऑप्टिमाइज़ेशन लैंडस्केप में अभिसरण सुनिश्चित करने के लिए एक महत्वपूर्ण कारक के रूप में रेखांकित किया गया है।
• दक्षता बनाम प्रदर्शन (Efficiency vs. Performance): प्रस्तावित विधि जटिल स्पार्स बेयसियन लर्निंग (CP-SBL) दृष्टिकोणों के समान सटीकता प्राप्त करती है, लेकिन काफी कम कम्प्यूटेशनल जटिलता के साथ।

संख्यात्मक परिणाम
सिमुलेशन विभिन्न सिग्नल-टू-नॉइज़ रेशियो (SNR), एंटीना काउंट ($M$), पायलट लंबाई ($N$), और प्रसार पथों ($L$) के साथ XL-MIMO सेटिंग्स में आयोजित किए गए थे। प्रदर्शन को नॉर्मलाइज्ड मीन स्क्वेर्ड एरर (NMSE) का उपयोग करके मापा गया था।

• सटीकता (Accuracy): DL-ISTA ने सभी परीक्षण किए गए SNR रेंज में लगातार सबसे कम NMSE प्राप्त किया। इसने 20 dB SNR पर दो-चरणीय P-OMP+P-SIGW बेसलाइन से लगभग 40% बेहतर प्रदर्शन किया।
• CP-SBL के साथ तुलना: DL-ISTA ने CP-SBL बेंचमार्क की अनुमान सटीकता के बराबर या उससे थोड़ा अधिक प्रदर्शन किया।
• कम्प्यूटेशनल जटिलता (Computational Complexity): DL-ISTA की जटिलता एंटीना की संख्या के वर्ग के अनुपात में ($O(M^2)$) बढ़ती है, जो P-OMP+P-SIGW के समान है। इसके विपरीत, CP-SBL क्यूबिक स्केल ($O(M^3)$) करता है। लेखक नोट करते हैं कि DL-ISTA लगभग एक क्रम (order of magnitude) कम कम्प्यूटेशनल लागत के साथ CP-SBL के समान सटीकता प्राप्त करता है।
• स्केलेबिलिटी (Scalability): ग्रिड-आधारित विधियों की तुलना में DL-ISTA का प्रदर्शन लाभ जैसे-जैसे प्रसार पथों ($L$) की संख्या बढ़ी, अधिक स्पष्ट होता गया, जो जटिल मल्टीपाथ वातावरण में इसकी प्रभावशीलता को दर्शाता है।

महत्व और दावे
शोध पत्र का दावा है कि DL-ISTA, XL-MIMO सिस्टम में नियर-फील्ड चैनल अनुमान के लिए अनुमान सटीकता और कम्प्यूटेशनल दक्षता के बीच एक आकर्षक संतुलन प्रदान करता है। सीधे निरंतर पैरामीटर स्पेस में कार्य करके, यह भारी कम्प्यूटेशनल बोझ या डेटा-संचालित विधियों के प्रशिक्षण ओवरहेड के बिना, ग्रिड मिसमैच की मौलिक सीमाओं से बचता है। लेखक निष्कर्ष निकालते हैं कि यह विधि विशेष रूप से उन परिदृश्यों के लिए उपयुक्त है जिनमें प्रबंधनीय कम्प्यूटेशनल संसाधनों के साथ उच्च सटीकता की आवश्यकता होती है। व्यावहारिक प्रयोज्यता को बढ़ाने के लिए भविष्य के कार्य को ऑटोमैटिक रेगुलराइजेशन पैरामीटर चयन पर ध्यान केंद्रित करने का सुझाव दिया गया है।