Hybrid Downlink Beamforming with Outage Constraints under Imperfect CSI using Model-Driven Deep Learning

Sintesi Tecnica: Beamforming Ibrido Downlink con Vincoli di Outage sotto CSI Imperfetto tramite Deep Learning Guidato dal Modello

Definizione del Problema
Il documento affronta la sfida del beamforming (BF) ibrido downlink multi-utente ed efficiente dal punto di vista energetico e dell'allocazione della potenza in presenza di Informazioni sullo Stato del Canale (CSI) imperfette. Nei sistemi pratici, in particolare quelli che operano in bande millimetriche o 6G future, il degrado della CSI deriva da errori di stima, quantizzazione del feedback e fading tempo-variante. L'obiettivo è minimizzare la potenza totale trasmessa soddisfacendo i vincoli probabilistici di Qualità del Servizio (QoS) (specificamente, vincoli di probabilità di outage) per più utenti.

Gli approcci di ottimizzazione classica per questo problema tipicamente si basano su programmazione conica o semidefinita computazionalmente costosa, che spesso richiedono la conoscenza della distribuzione dell'errore CSI, raramente disponibile nella pratica. Al contrario, le architetture di deep learning (DL) generiche mancano di interpretabilità, richiedono dataset di addestramento massicci e faticano a generalizzare su diverse configurazioni di rete (ad esempio, diversi numeri di utenti o diverse qualità di CSI) senza riaddestramento. Inoltre, i metodi DL standard spesso non riescono a gestire efficacemente vincoli di QoS non convessi o probabilistici.

Metodologia
Gli autori propongono un'architettura di deep learning (DL) leggera e guidata dal modello che integra la conoscenza del dominio con componenti apprendibili. La metodologia principale prevede i seguenti elementi:

1. Architettura Guidata dal Modello: La rete proposta, denominata U-G-HBF-GCN, si basa su un algoritmo di selezione greedy per i codici di beam analogico. Essa srotola (unrolls) il processo iterativo di selezione dei beam analogici e di risoluzione del sottoproblema del beamforming digitale.
2. Modellazione dell'Errore Adattiva all'Istanza: Invece di assumere una distribuzione dell'errore fissa, l'architettura impiega una Rete Convoluzionale su Grafo (GCN) per stimare l'impatto degli errori CSI. La GCN riceve caratteristiche specifiche dell'istanza (come stime del canale, requisiti QoS e potenza del pilota) e produce coefficienti adattivi che modificano le matrici di covarianza dei canali virtuali. Ciò consente al modello di apprendere implicitamente la distribuzione dell'errore dai dati senza una conoscenza statistica preventiva.
3. Differenziazione Implicita per i Gradienti: Un ostacolo tecnico significativo è il calcolo dei gradienti per i problemi di ottimizzazione annidati (BF digitale e allocazione della potenza) che mancano di soluzioni in forma chiusa. Gli autori derivano una nuova ed efficiente rappresentazione implicita del problema sottostante di BF uplink. Formulando le condizioni di Karush-Kuhn-Tucker (KKT) come un sistema di equazioni non lineari e applicando il teorema della funzione implicita, dimostrano le condizioni sufficienti per l'esistenza del gradiente. Questo approccio evita il costo computazionale della differenziazione attraverso decomposizioni in autovalori o rilassamenti semidefiniti.
4. Funzione di Perdita Basata sull'Annealing: Per gestire i vincoli di outage probabilistici, il documento introduce un'approssimazione basata su annealing adattivo nella funzione di perdita. A differenza delle penalità basate su quantili fissi, questo metodo utilizza un coefficiente di annealing che si adatta in base al livello attuale di violazione della QoS. Ciò consente al modello di apprendere efficacemente durante le prime fasi di addestramento (quando i vincoli sono violati) e di convergere all'esatto vincolo probabilistico con il progredire dell'addestramento.

Contributi Chiave

• Architettura Innovativa: Il documento presenta un framework di DL guidato dal modello per il BF ibrido sotto vincoli di outage che non predice direttamente l'allocazione della potenza, ma si affida a una mappatura adattiva della CSI tramite GCN. Ciò evita la necessità di programmazione conica di secondo ordine o semidefinita durante l'inferenza.
• Generalizzazione: Il metodo proposto dimostra la capacità di generalizzare a diversi numeri di utenti, diversi requisiti QoS e fluttuazioni della qualità della CSI utilizzando un singolo modello addestrato. Supporta sia la CSI istantanea che quella statistica.
• Derivazione Teorica del Gradiente: Gli autori forniscono una derivazione rigorosa del gradiente per il problema di BF uplink/downlink vincolato, provando le condizioni sufficienti per la sua esistenza tramite differenziazione implicita, consentendo così l'addestramento end-to-end.
• Funzione di Perdita Adattiva: L'introduzione di un approccio basato su annealing per l'integrazione dei vincoli probabilistici si è dimostrata efficace nell'accelerare l'addestramento e nel fornire un migliore trade-off potenza-outage rispetto ai metodi convenzionali basati sui quantili.

Risultati Sperimentali
Le simulazioni sono state condotte utilizzando un array di antenne 4x4 e 8x8 con un numero variabile di utenti (da 1 a 4) e livelli di degradazione della CSI (simulati tramite stima MMSE rumorosa e quantizzazione del feedback DFT).

• Prestazioni: Il proposto U-G-HBF-GCN supera significativamente gli algoritmi greedy di riferimento (G-HBF-marg) che utilizzano una CSI imperfetta con aggiustamenti del margine. Raggiunge il livello di outage nominale (ad esempio, 10%) allocando meno potenza rispetto ai benchmark.
• Confronto con i Benchmark: Il modello raggiunge prestazioni vicine al beamforming digitale completo (U-FDBF-GCN) quando il numero di catene RF è sufficiente, e supera costantemente le varianti di rete completamente connesse (U-G-HBF-FCN), evidenziando l'efficacia della GCN nel catturare le correlazioni di interferenza tra gli utenti.
• Generalizzazione: Il modello si adatta con successo a numeri di utenti non visti (estrapolazione) e a diverse qualità di CSI senza necessità di riaddestramento.
• Efficienza di Addestramento: La funzione di perdita adattiva basata su annealing ha prodotto una convergenza più rapida (meno step di addestramento) e un paesaggio della perdita (loss landscape) più fluido rispetto agli approcci basati sui quantili.

Significato e Rivendicazioni
Il documento sostiene che la sua importanza primaria risieda nel colmare il divario tra l'efficienza computazionale del deep learning e la robustezza richiesta per i sistemi wireless pratici con CSI imperfetta. Allontanandosi dalle architetture "black-box" e dalle rigide assunzioni di ottimizzazione, il metodo proposto offre una soluzione scalabile per il beamforming ibrido efficiente dal punto di vista energetico. Gli autori sottolineano che il loro approccio non richiede la conoscenza della distribuzione analitica dell'errore CSI, rendendolo adatto per l'implementazione nel mondo reale dove tali distribuzioni sono sconosciute. Inoltre, il lavoro fornisce una base teorica per la differenziazione attraverso problemi di ottimizzazione vincolata nelle comunicazioni wireless, consentendo l'addestramento di architetture unrolled complesse con vincoli probabilistici. Il documento conclude che, con un numero sufficiente di catene RF, il beamforming ibrido può raggiungere prestazioni paragonabili ai sistemi completamente digitali pur mantenendo una minore complessità hardware e un minor consumo energetico.