Tensor-based modeling/estimation of static channels in IRS-assisted MIMO systems

Riepilogo Tecnico: Modellazione e Stima di Canali Statici Basata su Tensori in Sistemi MIMO Assistiti da IRS

Enunciato del Problema
Il lavoro affronta la sfida della stima del canale nei sistemi Multiple Input Multiple Output (MIMO) assistiti da Superfici Riflettenti Intelligenti (IRS). In tali reti, il ricevitore deve stimare il canale concatenato (dall'Apparato Utente all'IRS alla Stazione Base) utilizzando segnali pilota riflessi dall'IRS. I metodi esistenti sono spesso classificati in tecniche strutturate (che sfruttano modelli geometrici parametrici) e tecniche non strutturate. Sebbene lavori precedenti abbiano utilizzato approcci basati su tensori per scenari specifici (ad esempio, sistemi mmWave o rilevamento dati semi-cieco), esiste la necessità di framework robusti che sfruttino la specifica struttura geometrica dei canali statici assistiti da IRS per migliorare l'accuratezza della stima senza incorrere in costi computazionali proibitivi.

Metodologia
Gli autori propongono un nuovo framework di modellazione del segnale che formula il problema della stima del canale come un modello di Tucker tensoriale del terzo ordine. Il nucleo della metodologia comprende i seguenti passaggi:

1. Modello di Sistema: Il sistema considera uno scenario di uplink con una Stazione Base (BS) dotata di $M$ antenne, un Apparato Utente (UE) con $Q$ antenne e un IRS con $N$ elementi passivi. I canali (BS-IRS e IRS-UE) sono modellati utilizzando un modello geometrico multipercorso che include sia componenti in Linea di Vista (LOS) che Non in Linea di Vista (NLOS), caratterizzati da vettori di steering e coefficienti di attenuazione/fading.
2. Formulazione Tensoriale: Vettorializzando i segnali pilota ricevuti e sfruttando le proprietà dei prodotti di Kronecker e Khatri-Rao, gli autori derivano una relazione lineare tra il segnale ricevuto e i parametri concatenati del canale. Tale relazione viene ristrutturata in un modello di Tucker tensoriale del terzo ordine:
   $$\mathcal{R} \approx \mathcal{F} \times_1 \mathbf{A}_{rx} \times_2 \mathbf{A}^*_{tx} \times_3 \mathbf{P}_B$$
   Qui, $\mathcal{R}$ rappresenta il tensore dei dati ricevuti, $\mathbf{A}_{rx}$ e $\mathbf{A}_{tx}$ sono le matrici di steering per la BS e l'UE, $\mathbf{P}_B$ contiene le informazioni sulla geometria dell'IRS, e $\mathcal{F}$ è il tensore centrale che rappresenta i coefficienti di percorso.
3. Algoritmi Proposti: Vengono derivati due algoritmi per risolvere il problema della stima dei parametri (recupero delle matrici fattoriali e del tensore centrale):
   • Tucker-ALS (Minimi Quadrati Alternati): Un algoritmo iterativo che aggiorna alternativamente le stime di $\mathbf{A}_{rx}$, $\mathbf{A}_{tx}$, $\mathbf{P}_B$ e il vettore del tensore centrale $\mathbf{f}$ risolvendo sottoproblemi ai minimi quadrati fino alla convergenza.
   • Tucker-HOSVD (Decomposizione in Valori Singoli di Alto Ordine): Una soluzione in forma chiusa che calcola le matrici fattoriali eseguendo SVD troncate sulle srotolazioni per modalità del tensore ricevuto, seguite da un passo di pseudo-inversione per stimare il tensore centrale.

Contributi Chiave

• Modello di Segnale Innovativo: Il lavoro introduce un modello tensoriale di Tucker del 3° ordine specificamente adattato per i canali MIMO statici assistiti da IRS, sfruttando esplicitamente la struttura geometrica del canale concatenato.
• Approccio Algoritmico Duale: Gli autori forniscono due soluzioni distinte: un metodo ALS iterativo e un metodo HOSVD non iterativo, offrendo flessibilità nell'implementazione in base ai requisiti di convergenza rispetto alla velocità computazionale.
• Analisi della Complessità: Lo studio include un'analisi dettagliata della complessità computazionale che confronta i metodi proposti con i classici Minimi Quadrati (LS) e l'algoritmo all'avanguardia di Fattorizzazione Khatri-Rao (KRF).

Risultati delle Simulazioni
Le simulazioni numeriche valutano le prestazioni utilizzando l'Errore Quadratico Medio Normalizzato (NMSE) del canale concatenato stimato:

• Guadagno di Prestazione: I metodi basati su tensori proposti (sia ALS che HOSVD) superano significativamente i benchmark LS classici e KRF. Nello specifico, i metodi proposti raggiungono un miglioramento di circa 10 dB rispetto a LS e 5 dB rispetto a KRF.
• Confronto tra Algoritmi: L'algoritmo iterativo ALS dimostra prestazioni leggermente migliori (guadagno di circa 1 dB) rispetto all'HOSVD in forma chiusa, sebbene entrambi siano superiori ai benchmark.
• Comportamento di Convergenza: L'algoritmo ALS richiede più iterazioni in regioni a basso Rapporto Segnale-Rumore (SNR) o quando aumenta il numero di percorsi di propagazione. Al contrario, aumentare il numero di elementi dell'IRS ($N$) riduce il numero di iterazioni necessarie per la convergenza.
• Costo Computazionale: Nonostante i guadagni di prestazioni, la complessità computazionale degli schemi ALS e HOSVD proposti è paragonabile a quella degli algoritmi benchmark LS e KRF. Gli autori notano che il costo dominante in tutti gli schemi rimane il passo iniziale LS o le operazioni SVD/pseudo-inversione, che scalano in modo simile tra i metodi.

Significato e Affermazioni
Il lavoro afferma che, sfruttando la struttura algebrica tensoriale del canale combinato, i metodi proposti raggiungono un'accuratezza di stima superiore senza aumentare la complessità computazionale rispetto alle tecniche all'avanguardia esistenti. Gli autori posizionano questo lavoro come un passo verso una stima efficiente del canale per le reti oltre il 5G (B5G) e il 6G, dove il dispiegamento dell'IRS è previsto essere critico. Il lavoro non afferma di risolvere problemi relativi a canali variabili nel tempo (riferendosi al loro lavoro precedente per tale aspetto), ma si concentra sull'ottimizzazione della stima dei canali statici per abilitare una configurazione efficace degli sfasamenti dell'IRS.