⚡ electrical engineering

On Pareto-Optimal Estimation-Information Performance Limits of MIMO Integrated Sensing and Communications Systems

Questo articolo investiga i limiti fondamentali di stima congiunta e di prestazione dell'informazione dei sistemi MIMO integrati di sensing e comunicazione, caratterizzando specificamente i loro trade-off Pareto-ottimali.

Autori originali: Zi-Jie Wang, Xudong Wang, Giuseppe Caire

Pubblicato 2026-07-21

📖 7 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Zi-Jie Wang, Xudong Wang, Giuseppe Caire

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di dover inviare un messaggio segreto a un amico e, contemporaneamente, scattare una foto ad alta risoluzione a un'auto in movimento. Nel mondo delle reti wireless di prossima generazione (spesso chiamate 6G), gli ingegneri stanno cercando di costruire dispositivi che possano fare entrambe le cose esattamente nello stesso momento utilizzando le stesse onde radio. Questo è chiamato "Integrazione tra Sensing e Comunicazione" (ISAC). Immaginalo come una singola torcia che deve essere abbastanza luminosa da leggere un libro (comunicazione), ma anche abbastanza nitida da rivelare la trama di una parete (sensing). Per decenni, gli scienziati hanno cercato di capire il modo migliore in assoluto per farlo, chiedendosi: "Qual è la forma del segnale perfetta per massimizzare entrambi i compiti?"

Per capire la sfida, è necessario conoscere due cose. Primo, nelle normali chiamate telefoniche, il segnale migliore è solitamente un "rumore" statico liscio e casuale (matematicamente chiamato distribuzione Gaussiana) perché trasporta la maggior quantità di informazioni. Secondo, per scattare una foto nitida (sensing), di solito si vuole un segnale molto prevedibile e costante, in modo da poter misurare esattamente come rimbalza sugli oggetti. La grande domanda è stata: un singolo segnale può essere sia perfettamente casuale per parlare che perfettamente costante per il sensing? Questo articolo approfondisce la matematica profonda di questa domanda per trovare il "limite di velocità" teorico di quanto bene questi sistemi a doppio scopo possano effettivamente funzionare.

Il Grande Cambio di Forma del Segnale

In questo articolo, gli autori Zi-Jie Wang, Xudong Wang e Giuseppe Caire affrontano l'enigma supremo del mondo ISAC: trovare la "forma" perfetta per le onde radio che trasportano sia i dati che le informazioni di sensing. Trattano il segnale non solo come un'onda, ma come un personaggio con una personalità: una distribuzione di probabilità che decide quanto è probabile che il segnale sia forte, debole o in una via di mezzo.

I ricercatori hanno allestito un laboratorio virtuale con un sistema MIMO (Multiple-Input Multiple-Output). Immagina un trasmettitore con più antenne che emette un segnale che viaggia verso due destinazioni diverse: un ricevitore di comunicazione (il tuo telefono) e un ricevitore di sensing (un radar che cerca bersagli). L'obiettivo è trovare la frontiera "Pareto-ottimale". Pensa a questa frontiera come a un cammino sull'equilibrista. Se ti inclini troppo verso il rendere il segnale perfetto per parlare, la tua immagine radar diventa sfocata. Se ti inclini troppo verso il renderlo perfetto per il radar, la tua connessione telefonica rallenta. L'articolo mappa ogni singolo punto su quell'equilibrista per vedere quale sia l'assoluto miglior prestazione possibile.

La Scoperta Scioccante: Il Segnale "Perfetto" Non Esiste (Ancora)

È qui che la storia si fa intricata. Gli autori hanno usato la matematica avanzata (calcolo variazionale) per chiedere: "Che aspetto ha la distribuzione del segnale perfetta?" Hanno trovato una risposta sorprendente che rompe le regole dell'ingegneria standard.

Per il caso estremo in cui ti interessa solo parlare (comunicazione), il segnale perfetto è effettivamente il rumore statico liscio e casuale che tutti si aspettano. Tuttavia, per qualsiasi altro punto sull'equilibrista — dove vuoi un po' di sensing e un po' di conversazione — la matematica dice che il segnale perfetto non può essere un'onda liscia e continua.

L'articolo dimostra che la distribuzione del segnale ideale è "singolare". Per usare un'analogia: se un segnale normale è come un fiume liscio e scorrevole, il perfetto segnale ISAC è più simile a una collezione di cubetti di ghiaccio distinti e congelati che galleggiano in quel fiume. Non è una curva liscia; è una forma frastagliata e spezzata che vive su un sottoinsieme di possibilità molto specifico e minuscolo. Gli autori dimostrano che se si cerca di forzare il segnale a essere liscio e continuo (come le onde gaussiane standard utilizzate nella maggior parte delle ricerche attuali), non si raggiungerà mai il vero limite teorico. Si sarà sempre leggermente al di sotto. Il vero limite è un "supremum" — un soffitto a cui ci si può avvicinare infinitamente, ma che non si può toccare con segnali standard e lisci.

I Due Grandi Compromessi

L'articolo identifica due battaglie principali di "tiro alla fune" che dettano il comportamento del segnale:

Il Compromesso del "Water-Filling" (Riempimento d'Acqua): Immagina di versare acqua in un paesaggio irregolare. Nella comunicazione, versi più acqua (potenza) nelle valli profonde (percorsi di segnale forti) per ottenere il massimo dei dati. Nel sensing, vuoi anche versare potenza in percorsi specifici per ottenere il miglior riflesso. L'articolo mostra che non puoi riempire le valli perfettamente per entrambi i compiti contemporaneamente. Devi scegliere quali "valli" riempire, bilanciando la potenza tra i due obiettivi.
Il Compromesso dell'Incertezza della Forma d'Onda: Questo è il cambio di personalità. Quando vuoi parlare, il segnale deve essere caotico e casuale (alta incertezza) per trasportare segreti. Quando vuoi rilevare (sensing), il segnale deve essere prevedibile e costante (bassa incertezza) per misurare accuratamente i riflessi. L'articolo trova che, spostandosi da un "puro sensing" a un "puro parlare", la personalità del segnale muta da una struttura rigida e deterministica (come una forma geometrica perfetta) a una nuvola gaussiana selvaggia. La parte più interessante è che, nel punto di mezzo, il segnale deve essere una strana creatura ibrida, che non è né completamente casuale né completamente costante.

Come Hanno Risolto l'Irrisolvibile

Poiché il segnale perfetto è così strano (una forma singolare e frastagliata) che non puoi scrivere una semplice formula per esso, gli autori non potevano semplicemente risolverlo con carta e penna. Invece, hanno costruito un "robot" digitale chiamato algoritmo di tipo Blahut-Arimoto.

Pensa a questo algoritmo come a uno scultore che parte da un blocco di argilla (un segnale standard) e ne scolpisce via piccoli pezzi ripetutamente. Con ogni colpo di scalpello, il segnale si avvicina a quella forma teorica perfetta e frastagliata. L'articolo dimostra che questo robot converge al vero limite. Hanno usato questo metodo per simulare i risultati su un computer, mostrando esattamente come la forma del segnale cambi man mano che si regola l'equilibrio tra sensing e conversazione.

Cosa Dicono i Numeri

Gli autori non si sono limitati alla teoria; hanno eseguito simulazioni per mostrare cosa accade in scenari del mondo reale.

In un sistema SISO (Single-Input Single-Output) semplice, hanno mostato che, spostandosi dal sensing al parlare, la distribuzione del segnale muta da una forma "binaria" (come un lancio di moneta, o alto o basso) in una curva a campana gaussiana liscia.
In un sistema MIMO (con più antenne), hanno scoperto che, ad alti rapporti segnale-rumore (segnali molto forti), il divario tra la migliore prestazione di sensing e la migliore prestazione di comunicazione si amplia. Ciò significa che il compromesso del "Water-Filling" diventa ancora più critico; bisogna fare scelte più difficili su dove allocare la propria potenza.

In Sintesi

Questo articolo non si limita a fornirvi una nuova formula; cambia il modo in cui pensiamo alla progettazione di questi segnali. Ci dice che i segnali "standard" e lisci che usiamo oggi sono probabilmente non i migliori strumenti possibili per l'ISAC. Per raggiungere i veri limiti del 6G, potremmo dover progettare forme d'onda "singolari" o "non standard" — segnali che sembrano cubetti di ghiaccio frastagliati piuttosto che fiumi lisci. Sebbene il segnale perfetto possa essere matematicamente impossibile da raggiungere esattamente con le onde continue standard, questo lavoro fornisce la mappa per avvicinarsi il più possibile, guidando gli ingegneri su come scolpire la prossima generazione di segnali wireless.

Problema (Problem Statement)

Il documento affronta i limiti fondamentali di prestazione dei sistemi MIMO (Multiple-Input-Multiple-Output) ISAC (Integrated Sensing and Communications). A differenza di lavori precedenti che spesso presumono forme d'onda ISAC gaussiane o approssimano i limiti combinando strategie separate per sensing e comunicazione, questo studio investiga il vero tradeoff di Pareto tra sensing e comunicazione.

La sfida centrale è che la distribuzione ottimale di una forma d'onda ISAC è sconosciuta. Gli approcci esistenti basati su assunzioni gaussiane o statistiche del secondo ordine (matrici di correlazione) producono limiti meno stringenti (loose bounds) perché non tengono conto della casualità della distribuzione della forma d'onda stessa. Il documento mira a caratterizzare la frontiera di Pareto tra l'Errore Medio Quadratico Minimo (MMSE) medio per la stima del canale di sensing e il Rate Coerente Ergodico per la comunicazione, trattando la distribuzione della forma d'onda come la variabile di ottimizzazione.

Modello di Sistema e Metriche (System Model and Metrics)

Gli autori considerano una configurazione MIMO ISAC generica in cui un segnale dual-funzionale $X$ viene trasmesso per:

Comunicare: Trasmettere informazioni attraverso un canale $H$ a un ricevitore di comunicazione (Rx), generando il segnale ricevuto $Y = HX + Z_c$ .
Sensing (Rilevamento): Stimare il canale di sensing $G$ (risposta del target) dal segnale di sensing ricevuto $S = GX + Z_s$ .

Le assunzioni chiave includono:

Il canale di sensing $G$ segue un modello MIMO correlato con statistiche note.
Il canale di comunicazione $H$ è noto al trasmettitore (CSIT).
Il ricevitore di sensing conosce la realizzazione della forma d'onda trasmessa $X$ (agendo come segnale di riferimento).
La prestazione è misurata dall'MMSE Medio (aspettativa d'insieme dell'errore di stima) e dal Rate Ergodico.

Entrambe le metriche sono funzionali della distribuzione della forma d'onda di input $p_X(X)$ . L'obiettivo è risolvere un problema di ottimizzazione funzionale stocastica per trovare l'insieme di distribuzioni Pareto-ottimali.

Metodologia (Methodology)

Il documento impiega il calcolo variazionale per derivare le condizioni necessarie per le distribuzioni ottimali.

Condizioni di Euler-Lagrange: Gli autori derivano un'equazione convessa ad alta dimensione (Teorema 1) che ogni distribuzione ottimale deve soddisfare. Questa equazione bilancia il termine di informazione mutua (comunicazione) e il termine MMSE (sensing).
Analisi dell'Achievability (Raggiungibilità): Analizzando la condizione derivata, gli autori dimostrano che per qualsiasi punto sulla frontiera di Pareto, eccetto il punto ottimale per la comunicazione, la distribuzione ottimale non può essere una funzione di densità di probabilità (PDF) continua standard a supporto completo. Invece, si dimostra che le distribuzioni ottimali sono singolari o supportate su un sottoinsieme proprio dello spazio del segnale (ad esempio, varietà/manifolds).
Algoritmo Numerico: Data l'intrattabilità della risoluzione analitica per queste distribuzioni singolari, gli autori propongono un algoritmo di tipo Blahut-Arimoto (B-A) per versioni continue. Questo algoritmo iterativo approssima numericamente le distribuzioni di input ottimali e la corrispondente curva di prestazione MMSE-Rate, con una prova di convergenza al limite.
Analisi in Forma Chiusa: Per i due punti estremi della frontiera di Pareto — sensing puro ( $\alpha=0$ ) e comunicazione pura ( $\alpha=1$ ) — gli autori derivano caratterizzazioni in forma chiusa delle forme d'onda ottimali e delle relative prestazioni.

Contributi Chiave e Risultati (Key Contributions and Results)

1. Caratterizzazione Strutturale delle Distribuzioni Ottimali

Inattuabilità delle Distribuzioni Standard: Il documento dimostra che, eccetto nel punto ottimale per la comunicazione (dove le distribuzioni gaussiane sono ottimali), il limite ISAC Pareto-ottimale è un supremo teorico all'interno della classe di distribuzioni continue a supporto completo.
Natura Singolare: Per raggiungere il limite, la distribuzione della forma d'onda ottimale deve essere discontinua, singolare o supportata su un sottoinsieme ristretto (ad esempio, richiedendo una matrice di correlazione campionaria deterministica per il sensing). Ciò implica che le forme d'onda convenzionali (come quelle gaussiane) sono subottimali per i general tradeoff ISAC.

2. Punti Ottimali in Forma Chiusa

Punto Ottimale per la Comunicazione ( $P_c$ ): La forma d'onda ottimale è una distribuzione gaussiana con allocazione di potenza determinata dalla strategia di water-filling sullo spazio proprio del canale di comunicazione.
Punto Ottimale per il Sensing ( $P_s$ ): La forma d'onda ottimale è un "segnale isometrico" dove la matrice di correlazione campionaria è deterministica e univoca. L'allocazione della potenza segue una strategia simile al water-filling basata sulle statistiche del canale di sensing, ma la casualità è confinata a una matrice semi-unitaria utilizzata per la modulazione.

3. Tradeoff Fondamentali
L'analisi rivela due distinti tradeoff che governano la prestazione ISAC:

Water-Filling Tradeoff (WFT): Un conflitto nell'allocazione della potenza tra gli spazi propri dei canali di sensing e di comunicazione. La potenza del segnale non può essere allocata simultaneamente in modo ottimale per entrambi i canali.
Waveform Uncertainty Tradeoff (WUT): Un tradeoff tra la prevedibilità richiesta per il sensing (bassa casualità) e l'entropia richiesta per la comunicazione (alta casualità). Man mano che il sistema passa da dominante nel sensing a dominante nella comunicazione, la distribuzione ottimale si sposta da strutture singolari/isometriche verso distribuzioni di tipo gaussiano.

4. Validazione Numerica e Limiti (Bounds)

L'algoritmo B-A proposto calcola con successo la curva del limite MMSE-Rate sia per scenari Single-Input-Single-Output (SISO) che MIMO.
I risultati numerici dimostrano che i limiti standard di "time-sharing" e i limiti esterni basati sulle statistiche del secondo ordine (assumendo input gaussiani) sono ampi (loose) e non riescono a catturare il vero limite, particolarmente nelle regioni di tradeoff intermedie.
I risultati confermano che il divario di prestazione tra l'ottimo di sensing e quello di comunicazione si amplia ad alti rapporti segnale-rumore (SNR) a causa della divergenza delle strategie di allocazione della potenza ottimali.

Significato e Rivendicazioni (Significance and Claims)

Il documento rivendica di essere il primo lavoro che indaga i limiti fondamentali di prestazione di stima-informazione dei sistemi MIMO ISAC a livello di distribuzione, considerando forme d'onda ISAC generali e casuali piuttosto che limitare l'analisi a input gaussiani o statistiche del secondo ordine.

La significatività primaria risiede in:

Rigore Teorico: Fornire una condizione necessaria per l'ottimalità che rivela la natura singolare delle forme d'onda ISAC ottimali, sfidando l'assunzione convenzionale che gli input gaussiani siano sufficienti.
Implicazioni per la Progettazione: Evidenziare che il raggiungimento della prestazione ISAC ottimale richiede progettazioni di forme d'onda singolari o non standard (ad esempio, segnali con strutture di correlazione deterministiche) piuttosto che distribuzioni continue standard.
Avanzamento Metodologico: Introdurre un algoritmo numerico convergente (di tipo B-A) per approssimare questi limiti laddove le soluzioni analitiche sono intrattabili.
Intuizione sui Tradeoff: Caratterizzare esplicitamente il "Waveform Uncertainty Tradeoff", offrendo una comprensione strutturale di come la casualità debba essere ingegnerizzata per bilanciare i compiti di sensing e comunicazione.

Gli autori concludono che, sebbene la caratterizzazione analitica esatta della frontiera di Pareto rimanga complessa, il loro framework fornisce le implicazioni strutturali necessarie per progettare forme d'onda ISAC ad alte prestazioni e motiva ulteriori ricerche sulla progettazione di segnali singolari.