Performance Analysis of Cell-Free Massive MIMO under Imperfect LoS Phase Tracking

1. Problema e Contesto

Il lavoro si concentra sulle reti Cell-Free Massive MIMO, un'architettura promettente per le reti 6G che utilizza un gran numero di punti di accesso (AP) distribuiti per servire coerentemente tutti gli utenti, eliminando i confini tra celle.

• Il Contesto LoS: A causa della densità di deployment, è probabile che i canali presentino una componente Line-of-Sight (LoS). La conoscenza precisa della fase di questa componente LoS è cruciale per le prestazioni del beamforming.
• La Sfida: Nella realtà, la fase LoS non è né perfettamente nota (come spesso assunto in letteratura per semplicità analitica) né completamente sconosciuta. Fattori come la deriva degli oscillatori, la mobilità degli utenti e gli errori di sincronizzazione introducono un'incertezza residua nella fase anche dopo il tracciamento.
• Il Gap nella Ricerca: Gli studi esistenti tendono a modellare solo due casi estremi:
  1. Fasi LoS perfettamente conosciute (sovrastimano le prestazioni reali).
  2. Fasi LoS completamente sconosciute (ignorano le informazioni deterministiche disponibili).
     Manca un modello realistico che consideri il tracciamento imperfetto della fase.

2. Metodologia Proposta

Gli autori sviluppano un quadro teorico unificato per gestire l'incertezza della fase LoS attraverso i seguenti passaggi:

A. Modello di Canale Rician con Fase Imperfetta

Viene introdotto un modello di fading Rician in cui la componente deterministica LoS è ruotata da una stima di fase rumorosa e attenuata da un fattore di penalità deterministico.

• Modello di Errore: L'errore di stima della fase $\varepsilon_{k,l}$ è modellato come una variabile casuale uniforme distribuita su $[-\delta, \delta]$.
• Fattore di Penalità ($\rho_{error}$): Viene derivato un fattore $\rho_{error} = \frac{\sin(\delta)}{\delta}$ che riduce l'ampiezza della componente LoS stimata. Se $\delta \to 0$ (errore nullo), $\rho_{error} \to 1$; se $\delta \to \pi$ (incertezza totale), $\rho_{error} \to 0$.

B. Stima del Canale (Channel Estimation)

Poiché la distribuzione congiunta del canale e del segnale ricevuto non è Gaussiana a causa dell'errore di fase, l'estimatore MMSE Bayesiano standard non è trattabile in forma chiusa.

• Soluzione: Gli autori propongono un stimatore MMSE lineare condizionato (Conditionally Linear MMSE). Questo stimatore minimizza l'errore quadratico medio condizionato alla stima della fase disponibile.
• Unificazione: Questo approccio unifica i risultati precedenti:
  • Se l'errore è nullo, si riduce allo stimatore MMSE Bayesiano classico.
  • Se l'errore è massimo, si riduce al modello a media zero (senza informazione di fase).

C. Beamforming e Modello Virtuale

Per affrontare la non-Gaussianità nel progetto del beamforming (sia centralizzato che distribuito), viene introdotto un modello di uplink virtuale.

• Concetto: Il canale vero viene sostituito dalla sua stima, mentre la covarianza dell'errore di stima viene incorporata nel rumore additivo.
• Vantaggio: Questo trasforma il problema in uno trattabile con strumenti MMSE standard, permettendo la derivazione di soluzioni pseudo-chiuse per i beamformer MMSE Centralizzati e Distribuiti.
• Valutazione: I beamformer progettati sul modello virtuale vengono poi applicati al modello fisico reale per calcolare i limiti di efficienza spettrale (SE) in modo rigoroso e imparziale.

3. Contributi Chiave

1. Modello Realistico: Introduzione di un regime intermedio realistico per la conoscenza della fase LoS, colmando il divario tra le ipotesi idealizzate e le limitazioni pratiche.
2. Stimatore Unificato: Derivazione di uno stimatore di canale che interpola continuamente tra la conoscenza perfetta e l'assenza totale di informazioni sulla fase.
3. Framework di Beamforming: Sviluppo di beamformer MMSE centralizzati e distribuiti basati su un modello virtuale che gestisce esplicitamente la covarianza dell'errore di fase.
4. Analisi di Robustezza: Dimostrazione che anche un tracciamento di fase "grezzo" (coarse) offre guadagni significativi rispetto all'assenza totale di informazioni sulla fase.

4. Risultati Numerici

Le simulazioni sono state condotte su una rete Cell-Free con 100 AP e 40 utenti, utilizzando un modello di canale Rician con fattore $\kappa$ variabile.

• Impatto dell'Errore di Fase:
  • Anche con errori di fase moderati (es. $\delta = 15^\circ$), le prestazioni si avvicinano molto al caso ideale (fase perfetta).
  • Il degrado diventa significativo solo per incertezze di fase elevate (es. $\delta = 90^\circ$ o $180^\circ$).
  • Il modello proposto (fasi parzialmente tracciate) supera nettamente il caso pessimistico (fasi sconosciute).
• Centralizzato vs. Distribuito:
  • In condizioni di LoS forte e conoscenza perfetta, il beamforming distribuito si avvicina a quello centralizzato.
  • In presenza di incertezza di fase, il beamforming centralizzato mostra una maggiore robustezza, specialmente per alti valori di $\kappa$. Tuttavia, anche le architetture distribuite beneficiano enormemente di una conoscenza parziale della fase.
• Limiti di Efficienza Spettrale: Il divario tra il limite inferiore (Use-and-then-forget) e quello superiore (OER) è minimo, indicando che la mancanza di CSI istantanea perfetta al decoder ha un impatto trascurabile quando la componente LoS è dominante e ben tracciata.

5. Significato e Implicazioni

Questo lavoro è fondamentale per la progettazione delle reti 6G Cell-Free:

• Validazione Pratica: Dimostra che non è necessario un tracciamento di fase perfetto per ottenere prestazioni elevate; anche stime approssimative sono sufficienti per sfruttare i vantaggi della componente LoS.
• Guida al Design: Fornisce linee guida per bilanciare la complessità degli algoritmi di sincronizzazione con i guadagni di prestazione attesi.
• Robustezza: Evidenzia l'importanza di strategie di stima e beamforming "phase-aware" per mitigare gli effetti degli errori hardware e di mobilità, rendendo le reti Cell-Free più robuste e affidabili in scenari reali.

In sintesi, il paper offre un ponte teorico e pratico essenziale tra le analisi accademiche ideali e le limitazioni hardware delle reti wireless di prossima generazione.