Trade-offs in Reliability and Performance Using Selective Beamforming for Ultra-Massive MIMO

Sintesi Tecnica: Compromessi tra Affidabilità e Prestazioni mediante Beamforming Selettivo per l'Ultra-Massive MIMO

Definizione del Problema
Questo articolo affronta le sfide di ottimizzazione inerenti ai sistemi di comunicazione Ultra-Massive MIMO (UM-MIMO), concentrandosi specificamente sulla selezione dell'array e sul beamforming in contesti operativi dinamici. I progetti di beamforming tradizionali spesso trascurano la variazione di affidabilità o di integrità strutturale dei singoli elementi antenna, potenzialmente allocando potenza a componenti compromessi e portando a prestazioni subottimali o vulnerabilità del sistema. Inoltre, le moderne reti affrontano richieste utente eterogenee (ad es. IoT rispetto allo streaming video) e rigorosi requisiti di Qualità del Servizio (QoS), rendendo necessarie strategie di allocazione delle risorse che vadano oltre la distribuzione uniforme. Il problema centrale è quello di ottimizzare congiuntamente il beamforming e la selezione dell'array sparsa per massimizzare le prestazioni del sistema, incorporando al contempo i dati sull'integrità delle antenne e garantendo l'equità proporzionale tra gli utenti, il tutto all'interno di un panorama di ottimizzazione vincolato, non convesso e non liscio.

Metodologia
Gli autori propongono un nuovo framework che integra le informazioni sull'integrità delle antenne direttamente nel processo di ottimizzazione del beamforming. Il modello di sistema considera un nodo mmWave con $N_t$ antenne trasmittenti che serve $M$ utenti a singola antenna. Il segnale ricevuto è modellato con rumore bianco additivo gaussiano, e il Rapporto Segnale-Interferenza più Rumore (SINR) è calcolato per ogni utente.

Il nucleo della metodologia consiste nel formulare un problema di ottimizzazione vincolato (Equazione 5) che massimizza una somma pesata dei tassi degli utenti penalizzando l'uso di elementi antenna inaffidabili. Ciò viene ottenuto introducendo una matrice di affidabilità $\beta$, dove gli elementi variano da 0 (guasto) a 1 (piena operatività). Un termine di regolarizzazione che promuove la sparsità, pesato da un parametro $\gamma$ (o $\rho_s$ nella formulazione), viene aggiunto alla funzione obiettivo. Questo termine incoraggia la selezione di elementi affidabili e sopprime le connessioni verso elementi inaffidabili, risultando in una matrice di beamforming sparsa.

Per risolvere questo problema non convesso e non liscio, gli autori impiegano un algoritmo di Proximal-Gradient Dual Ascent (PGDA) (Algoritmo 1). Questo approccio utilizza variabili duali per gestire i vincoli come la potenza totale trasmessa ($P_t$) e i requisiti minimi di tasso ($R_{min}$). L'algoritmo aggiorna iterativamente i pesi di beamforming tramite gradiente ascendente e applica un operatore prossimale che prevede lo soft-thresholding per imporre la sparsità basata sulla maschera di affidabilità. Il metodo evita rilassamenti matematici non necessari (come il Semidefinite Relaxation) spesso presenti in lavori correlati, puntando a una convergenza più rapida e una migliore adattabilità.

Contributi Chiave
L'articolo delinea tre contributi primari:

1. Selezione Consapevole dell'Integrità dell'Antenna: L'introduzione di un nuovo criterio di selezione dell'array che incorpora informazioni in tempo reale sull'integrità dell'antenna per correggere i pattern di beam e migliorare l'affidabilità del sistema.
2. Tecnica di Ottimizzazione: L'applicazione di tecniche di ottimizzazione leggere, specificamente il gradiente dual ascent e il dual proximal-gradient ascent, per affrontare direttamente le sfide non convesse della selezione di array sparsi senza fare affidamento su pesanti metodi di rilassamento.
3. Equità Proporzionale: L'implementazione di un meccanismo di equità che allinea l'allocazione delle risorse con i vincoli del sistema garantendo al contempo i requisiti minimi di tasso per tutti gli utenti, assicurando una distribuzione equa in ambienti di rete eterogenei.

Risultati Sperimentali
La soluzione proposta è stata valutata attraverso estese simulazioni utilizzando una banda mmWave a 28 GHz con 64 antenne trasmittenti e 4 utenti. Il sistema operava con una larghezza di banda totale di 3 GHz e una potenza di trasmissione di 2 kW. Lo studio ha variato il peso della promozione della sparsità ($\gamma$) per osservare il suo impatto sulle metriche di prestazione.

I risultati chiave delle simulazioni includono:

• Compromesso tra Efficienza e Affidabilità: All'aumentare del peso di sparsità $\gamma$, l'Efficienza Spettrale (SE) e i tassi di comunicazione ($R_i$) diminuiscono. Ad esempio, la SE è scesa da 2,32 bps/Hz con $\gamma=0$ a 1,78 bps/Hz con $\gamma=333,4$.
• Sparsità e Densità: Valori di $\gamma$ più elevati hanno ridotto significativamente la Densità della Matrice di Beamforming (BMD), passando dal 100% di densità a circa il 64%, indicando uno spostamento verso l'uso di array sparsi.
• Miglioramento dell'Affidabilità: Al contrario, l'Affidabilità dell'Antenna ($R_L$) è aumentata drasticamente con l'aumento di $\gamma$, salendo dallo 0% a quasi il 93%. Ciò dimostra che il sistema riesce a dare priorità agli elementi ridondanti e affidabili rispetto all'intero array.
• Consumo di Potenza: Il consumo di potenza ha mostrato variazioni marginali, aumentando leggermente all'aumentare della sparsità, suggerendo che i guadagni in termini di affidabilità non comportano un costo energetico proibitivo in questa specifica configurazione.

Significatività e Rivendicazioni
L'articolo sostiene che il proprio lavoro faccia avanzare il campo dell'UM-MIMO fornendo soluzioni innovative per la selezione dell'array e il beamforming che tengano esplicitamente conto dell'integrità strutturale. Gli autori affermano che il loro approccio stabilisce una base per la ricerca futura, dimostrando come bilanciare il critico compromesso tra alte prestazioni (efficienza spettrale) e robustezza del sistema (affidabilità).

La significatività del lavoro risiede nella sua capacità di creare sistemi di comunicazione "autoconsapevoli" che possono ricalibrare dinamicamente la distribuzione della potenza in base alle condizioni fisiche dell'array di antenne. Questo è presentato come essenziale per la distribuzione pratica dei sistemi UM-MIMO, specialmente in scenari che richiedono un funzionamento ininterrotto, come le infrastrutture critiche o le applicazioni di difesa. Gli autori concludono che, sebbene l'aumento della sparsità riduca il throughput grezzo, essa migliora significativamente la tolleranza ai guasti e l'integrità operativa, offrendo una strategia percorribile per la progettazione di reti 5G e 6G resilienti. Lo studio nota modestamente che l'attuale simulazione a 64 antenne è stata scelta per la fattibilità computazionale su hardware desktop, con lavori futuri intesi a esplorare la scalabilità verso array più grandi.