Lorentzian-Constrained Holographic Beamforming Optimization in Multi-user Networks with Dynamic Metasurface Antennas

Sintesi Tecnica: Ottimizzazione del Beamforming Olografico con Vincolo Lorentziano in Reti Multi-utente con Antenne Metasuperficiali Dinamiche

Definizione del Problema
Le Antenne Metasuperficiali Dinamiche (DMA) offrono un'alternativa promettente alle architetture completamente digitali (FD), utilizzando metasuperfici riconfigurabili a basso costo per ottenere il beamforming ibrido. Tuttavia, le architetture DMA affrontano un compromesso fondamentale: sebbene riducano significativamente il numero di catene Radio-Frequenza (RF) richieste e la complessità dell'hardware, esse impongono vincoli fisici rigorosi sui pesi del beamforming. Nello specifico, gli elementi DMA si comportano come risonatori Lorentziani, dove ampiezza e fase sono intrinsecamente accoppiate anziché sintonizzabili indipendentemente. Questo "vincolo Lorentziano" restringe i pesi disponibili a una specifica curva (il cerchio Lorentziano) nel piano complesso, diversamente dai cerchi a modulo costante assunti nelle array convenzionali.

Nelle reti MISO (Multiple-Input Single-Output) multi-utente, questo vincolo complica l'allocazione delle risorse. Il problema centrale affrontato consiste nel minimizzare la potenza di trasmissione totale soddisfacendo i vincoli di Rapporto Segnale-Interferenza più Rumore (SINR) per più utenti. La letteratura esistente utilizza spesso metodi di proiezione specifici per mappare i pesi ideali del beamforming, non vincolati, sul cerchio Lorentziano, ma questi metodi sono tipicamente studiati isolatamente. Manca un confronto sistematico tra diverse strategie di mappatura (ad esempio, variando il centro di mappatura) e vi è la necessità di algoritmi che possano navigare meglio il compromesso tra la riduzione delle catene RF e le prestazioni del beamforming, in particolare all'aumentare del numero di utenti.

Metodologia
Gli autori propongono un framework unificato per l'ottimizzazione dei pesi DMA e dei precodificatori digitali attraverso un approccio di Ottimizzazione Alternata (AO) combinato con la Rilassazione Semidefinita (SDR). Il processo di soluzione prevede due sottostadi:

1. Ottimizzazione del Precodificatore Digitale: Con i pesi DMA fissati, il problema viene riformulato come un problema di SDR convesso per ottimizzare i vettori di precodifica digitale.
2. Ottimizzazione dei Pesi DMA: Con i precodificatori digitali fissati, il problema viene nuovamente rilassato tramite SDR per trovare i pesi ideali non vincolati. Questi pesi ideali vengono poi proiettati sul cerchio Lorentziano fisicamente fattibile.

Il documento introduce e formalizza il Metodo Generalizzato di Olografia con Vincolo Lorentziano (GMLCH). Questo framework standardizza il processo di proiezione parametrizzando il centro di mappatura $(x_c, y_c)$ sul cerchio Lorentziano. Esso consente la valutazione sistematica di tre strategie di mappatura esistenti:

• LCPH (Lorentzian-Constrained Phase Hologram): Centro di mappatura in $(0, 0)$.
• LCEH (Lorentzian-Constrained Euclidean Hologram): Centro di mappatura in $(0, 0.5)$.
• LCUSH (Lorentzian-Constrained Unitary Shift Hologram): Centro di mappatura in $(0, 1.0)$.

Costruendo su GMLCH, gli autori propongono un nuovo algoritmo: Adaptive Radius Lorentzian Constrained Holography (ARLCH). A differenza dei metodi precedenti che aderiscono strettamente al diametro unitario del cerchio Lorentziano, l'ARLCH introduce un ulteriore grado di libertà aggiustando dinamicamente il diametro (raggio) del cerchio Lorentziano durante il processo di ottimizzazione. Ciò consente all'algoritmo di trovare un centro di mappatura e un diametro ottimali per minimizzare la distanza tra i pesi ideali non vincolati e i pesi fisicamente vincolati prima di normalizzare nuovamente alla condizione unitaria.

Contributi Chiave

1. Framework di Ottimizzazione Unificato: Il documento sviluppa un nuovo algoritmo basato su SDP e AO che integra il GMLCH, consentendo l'ottimizzazione congiunta dei precodificatori digitali e dei pesi DMA all'interno di un unico framework. Ciò permette un confronto diretto e sistematico di diverse strategie di mappatura Lorentziana (LCPH, LCEH, LCUSH) sotto garanzie di Qualità del Servizio (QoS), un vuoto precedentemente non affrontato nella letteratura.
2. Analisi delle Prestazioni dei Centri di Mappatura: Lo studio dimostra che la scelta del centro di mappatura impatta significativamente le prestazioni. I risultati indicano che l'LCEH supera l'LCUSH e l'LCPH, in particolare in scenari con un numero maggiore di utenti, sfidando la comune affidabilità dell'LCUSH nei lavori precedenti.
3. Algoritmo ARLCH Innovativo: Gli autori propongono l'ARLCH, che sfrutta il rilassamento del diametro del cerchio Lorentziano per ottenere prestazioni di beamforming migliorate. Questo metodo fornisce un ulteriore grado di libertà, permettendo l'aggiustamento dinamico del centro di mappatura per allineare meglio i pesi ideali con i vincoli fisici.
4. Scalabilità ed Efficienza: Il documento fornisce estesi risultati numerici che mostrano come l'ARLCH riduca significativamente la potenza di trasmissione rispetto ai benchmark, con un guadagno di prestazioni che aumenta all'aumentare del numero di utenti.

Risultati Numerici
Le simulazioni sono state condotte in uno scenario downlink MISO multi-utente in campo vicino con un Array Planare Uniforme (UPA) 16x16 e frequenza a 28 GHz.

• Scenario a Singolo Utente: L'ARLCH ha ridotto la potenza di trasmissione significativamente rispetto a LCUSH e a un metodo baseline ADMM-SCA. Per un utente a un angolo ampio ($80^\circ$), l'ARLCH ha richiesto circa la metà della potenza di trasmissione di LCUSH per raggiungere lo stesso SINR.
• Scenario Multi-utente: All'aumentare del numero di utenti ($K$), il divario di prestazioni tra le architetture basate su DMA e quelle completamente digitali (FD) si è ampliato a causa dei limiti dei gradi di libertà. Tuttavia, l'ARLCH ha costantemente ridotto tale divario. Rispetto alla variante GMLCH con le migliori prestazioni (LCEH), l'ARLCH ha ottenuto una riduzione della potenza di trasmissione fino al 29,1% per $K=8$.
• Confronto tra Strategie di Mappatura: È stato riscontrato che l'LCEH supera l'LCUSH (il metodo più comune in letteratura) di circa il 17% per $K=8$. L'LCPH ha ottenuto le prestazioni peggiori a causa della sua tendenza a tagliare (clipping) gli elementi nella metà inferiore del piano.
• Spaziatura Densa: I metodi proposti sono rimasti robusti anche sotto spaziature degli elementi antenna più dense ($\lambda/6$), con l'ARLCH che mantiene un vantaggio di potenza di circa il 20% rispetto alle altre varianti GMLCH.

Significatività e Rivendicazioni
Il documento sostiene che la principale significatività di questo lavoro risieda nel risolvere il disallineamento strutturale tra i requisiti ideali di beamforming e la sintonizzabilità fisica degli elementi DMA. Formalizzando il processo di proiezione attraverso il GMLCH e introducendo l'approccio del raggio adattivo (ARLCH), gli autori dimostrano che il divario di prestazioni tra le architetture DMA a bassa complessità e i sistemi ad alta complessità completamente digitali può essere significativamente ridotto.

Gli autori notano con modestia che, sebbene l'approccio di ottimizzazione sia computazionalmente più intensivo di alcuni baseline a causa della formulazione SDP, esso offre una flessibilità e prestazioni superiori. Essi sottolineano che i risultati evidenziano il ruolo critico nella selezione del centro di mappatura e il potenziale dell'ottimizzazione del raggio adattivo. Il documento conclude che l'ARLCH fornisce una soluzione scalabile per le future reti multi-utente, pur riconoscendo che i lavori futuri dovranno affrontare i problemi pratici di imperfezioni hardware, accoppiamento mutuo e informazione sul canale (CSI) imperfetta prima dell'implementazione fisica.