Riassunto Tecnico: Regione di Capacità Informazione-Energia per Sistemi SLIPT su Canali con Fading Lognormale

1. Definizione del Problema

Il lavoro affronta la sfida di ottimizzare i sistemi di Simultaneous Lightwave Information and Power Transfer (SLIPT), una tecnologia emergente per le comunicazioni ottiche wireless (OWC) in cui un singolo segnale luminoso viene utilizzato sia per trasmettere dati che per trasferire energia (EH - Energy Harvesting).

A differenza degli studi precedenti, che spesso assumono canali AWGN (rumore gaussiano bianco additivo) con attenuazione deterministica, questo studio introduce la complessità del fading lognormale. Tale modello è fondamentale per descrivere scenari reali come le comunicazioni sottomarine o atmosferiche soggette a debole turbolenza. Il problema consiste nel caratterizzare la regione di capacità informazione-energia, ovvero il trade-off tra il tasso di trasmissione dei dati (capacità) e la quantità di energia raccolta dal ricevitore, sotto i seguenti vincoli pratici:

• Peak Power (PP): Limite alla potenza massima del trasmettitore.
• Average Power (AP): Limite alla potenza media del segnale.
• Nonlinear Energy Harvesting (EH): Vincolo sulla quantità minima di energia raccolta, modellato secondo il comportamento non lineare delle celle fotovoltaiche (PV).

2. Metodologia

Gli autori adottano un approccio che combina l'analisi teorica dell'informazione con tecniche di apprendimento automatico (machine learning).

A. Analisi Teorica (Framework di Smith)

Per determinare la distribuzione di ingresso ottimale ($F^*$), il lavoro estende il framework di Smith. Gli autori dimostrano matematicamente che, nonostante la natura continua del canale lognormale, la distribuzione di ingresso che massimizza la mutua informazione sotto i vincoli imposti è discreta e caratterizzata da un numero finito di punti di massa (mass points). Viene inoltre derivata una probabilità di transizione esplicita per il canale lognormale utilizzando i polinomi di Hermite.

B. Framework di Apprendimento (CIECL)

Poiché i vincoli non lineari e la natura del canale rendono difficile l'uso di algoritmi classici (come Blahut-Arimoto), viene proposto il Cooperative Information-Energy Capacity Learning (CIECL). Questo framework si basa sulle Generative Adversarial Networks (GAN):

• Generatore (G): Impara a produrre distribuzioni di ingresso che massimizzano la mutua informazione rispettando i vincoli di potenza ed energia.
• Discriminatore (D): Distingue tra coppie input-output reali e coppie casuali, agendo come stimatore della mutua informazione.
  Il framework è modificato per gestire la natura duale del ricevitore (PD per i dati, PV per l'energia) e per imporre i vincoli tramite termini di penalità nella funzione di perdita (loss function).

3. Contributi Chiave

1. Modellazione Realistica: Integrazione del fading lognormale e della non linearità dei circuiti fotovoltaici in un'analisi di capacità rigorosa.
2. Dimostrazione della Discretezza: Prova teorica che l'input ottimale è una distribuzione discreta a punti finiti, semplificando il design del segnale.
3. Analisi dei Punti di Transizione: Identificazione dei regimi in cui la distribuzione binaria (es. OOK) smette di essere ottimale e richiede una modulazione multi-livello.
4. Nuovo Framework GAN-based: Introduzione del CIECL, un metodo data-driven capace di superare i limiti degli algoritmi di ottimizzazione tradizionali in presenza di vincoli non convessi.

4. Risultati Principali

• Trade-off Informazione-Energia: I risultati numerici confermano che esiste un trade-off fondamentale: aumentare la soglia di energia richiesta ($E_{th}$) costringe il sistema a utilizzare ampiezze maggiori, riducendo inevitabilmente il tasso di informazione.
• Impatto del Fading: Il fading lognormale riduce significativamente la regione di capacità rispetto al modello AWGN standard, evidenziando la necessità di design robusti per ambienti turbolenti.
• Efficacia del CIECL: Il framework basato su GAN supera l'algoritmo di Blahut-Arimoto (BA) in termini di accuratezza nella stima della capacità, specialmente in regimi ad alto SNR o con vincoli di energia stringenti, e offre una maggiore scalabilità.
• Comportamento della Distribuzione: In regimi di bassa potenza di picco, la distribuzione ottimale è binaria. All'aumentare dei vincoli, la distribuzione evolve verso strutture con più punti di massa (ternaria, quaternaria, ecc.).

5. Significato e Implicazioni

Questo lavoro fornisce una base teorica e pratica solida per lo sviluppo di sistemi 6G e reti IoT alimentate da luce. Le linee guida di design suggerite (come l'uso di modulazioni discrete invece di segnali continui e l'adattamento della modulazione in base ai vincoli di energia) permettono di progettare trasmettitori più efficienti e ricevitori a bassa complessità, ottimizzando l'uso dello spettro ottico in ambienti operativi difficili.