Learning Successive Interference Cancellation for Low-Complexity Soft-Output MIMO Detection

Sintesi Tecnica: Apprendimento della Cancellazione Successiva dell'Interferenza per la Rilevazione MIMO a Bassa Complessità con Output Soft

Definizione del Problema
La progettazione di rilevatori MIMO (Multiple-Input Multiple-Output) per i dispositivi emergenti 5G Reduced Capability (RedCap) e Internet of Things (IoT) affronta un compromesso critico tra prestazioni, complessità computazionale e impronta di memoria. Sebbene la rilevazione a Massima Verosimiglianza (ML) offra prestazioni ottimali, la sua complessità esponenziale la rende impraticabile per i sistemi reali. Al contrario, i rilevatori lineari (ad esempio, Zero-Forcing, MMSE) offrono una bassa complessità ma soffrono di una significativa degradazione delle prestazioni in configurazioni non sovradeterminate e scenari con modulazione di ordine elevato. La classica Cancellazione Successiva dell'Interferenza (SIC) migliora i metodi lineari ma è soggetta alla propagazione dell'errore e spesso si affida ad approssimazioni semplicistiche per la generazione di output soft, il che ne limita l'affidabilità quando accoppiata con moderni decodificatori a input soft come i codici Low-Density Parity-Check (LDPC). Inoltre, i rilevatori basati sull'apprendimento esistenti richiedono spesso modelli di grandi dimensioni, mancano di interpretabilità strutturale o presentano una complessità irregolare e dipendente dai dati che ostacola l'implementazione all'edge.

Metodologia: recurSIC
Gli autori propongono recurSIC, un framework di rilevazione MIMO leggero e basato sull'apprendimento, progettato per bilanciare alte prestazioni con un consumo minimo di risorse. La metodologia si fonda sui seguenti principi:

• Architettura Physics-Informed: A differenza dei rilevatori puramente guidati dai dati, recurSIC preserva la struttura ricorsiva e a livelli della classica SIC. Opera su un modello di segnale pre-elaborato tramite la Decomposizione QR (QRD) di una matrice di canale estesa.
• Blocchi di Apprendimento Leggeri: Il framework sostituisce la logica decisionale standard in ogni stadio della SIC con un blocco di Rete Neurale (NN) leggero e condiviso. Questo blocco riceve un input scalare (l'osservazione con interferenza cancellata per uno specifico livello) e restituisce un vettore di probabilità sull'alfabeto di modulazione.
• Pesi Condivisi e Embedding SNR: Un singolo blocco NN viene addestrato e riutilizzato in tutti i livelli di rilevazione e per diversi rapporti segnale-rumore (SNR). Per adattarsi a diverse condizioni di SNR senza necessità di riaddestramento, la rete utilizza embedding di posizione sinusoidali del valore SNR, che vengono trasformati in vettori di scala e bias. Ciò garantisce un'impronta di memoria costante e minima, indipendente dal numero di livelli di trasmissione o dall'SNR operativo.
• Tracciamento dell'Ipotesi Multi-Path: Per generare informazioni soft affidabili e mitigare la propagazione dell'errore, il framework si estende a una formulazione multi-path. Invece di selezionare un singolo simbolo per livello, il rilevatore traccia un numero variabile ($K$) delle ipotesi di simbolo più probabili. Queste ipotesi si propagano attraverso ricorsioni SIC indipendenti, formando un albero di combinazioni di simboli candidati.
• Generazione di Output Soft: Le informazioni soft sono derivate approssimando i Log-Likelihood Ratios (LLR) bit a bit utilizzando l'approssimazione max-log sulle ipotesi candidate tracciate. Per garantire la stabilità, gli autori impiegano il clipping degli LLR e un meccanismo di fallback per i bit in cui le contro-ipotesi sono assenti dall'insieme tracciato.

Contributi Chiave

1. Framework RecurSIC: Introduzione di un rilevatore basato sull'apprendimento e "physics-informed" che mantiene la natura ricorsiva e a bassa complessità della SIC, migliorandone ogni stadio tramite moduli leggeri appresi.
2. Estensione Multi-Path Regolabile: Una nuova estensione che consente una rilevazione di output soft affidabile tracciando un numero fisso e ridotto di ipotesi di simbolo per livello. Ciò consente un compromesso prestazioni-complessità regolabile senza aumentare la dimensione del modello o richiedere molteplici passaggi forward.
3. Architettura Minimalista: Design di una NN superficiale con pesi condivisi tra tutti gli stadi e gli SNR, che risulta in un conteggio di parametri costante e minimo (circa $10^3$ o $2 \times 10^3$ parametri).
4. Validazione Empirica: Dimostrazione di forti prestazioni di hard- e soft-detection in scenari realistici 5G NR (canali TDL-A e TDL-B) con modulazione 16QAM e 64QAM, superando i baseline convenzionali lineari e la classica SIC.

Risultati
I risultati numerici in scenari realistici 5G NR (MIMO 2x2) indicano quanto segue:

• Prestazioni Hard-Decision: Anche con un singolo percorso ($K=1$), recurSIC supera significativamente gli equalizzatori MMSE lineari e si avvicina alla prestazione MMSE-SIC. Aumentare il numero di percorsi ($K$) permette al rilevatore di avvicinarsi alla prestazione ML; ad esempio, $K=2$ produce un Bit Error Rate (BER) vicino all'ML nei canali TDL-A.
• Prestazioni Soft-Output: In termini di Block Error Rate (BLER) con decodifica LDPC, recurSIC supera costantemente le varianti classiche della SIC (MMSE-SIC, ZF-SIC), che soffrono di propagazione dell'errore e approssimazioni LLR eccessivamente sicure. Il tracciamento multi-path ($K \in \{4, 6, 8\}$) migliora costantemente le prestazioni di soft-detection, avvicinandosi al benchmark ML.
• Complessità: L'approccio raggiunge questi risultati con una complessità ultra-bassa. Il costo computazionale scala principalmente in modo lineare con la dimensione della costellazione ($M$), richiedendo solo circa $10^3$ - $2 \times 10^3$ moltiplicazioni-accumuli (MAC) per valutazione del blocco. Ciò è di ordini di grandezza inferiore rispetto ai rilevatori iterativi basati sull'apprendimento o allo Sphere Decoding.
• Robustezza: Il framework dimostra robustezza in condizioni di canale più difficili (TDL-B con maggiore delay spread e Doppler), dove mantiene prestazioni elevate con un aumento moderato del numero di percorsi tracciati.

Significatività
Il documento sostiene che recurSIC rappresenti un passo significativo verso l'implementazione del machine learning su dispositivi edge per le comunicazioni wireless. Affrontando esplicitamente i vincoli di IoT e dei dispositivi RedCap — specificamente i limiti stringenti di memoria, potenza e complessità computazionale — questo lavoro offre un'alternativa valida sia ai metodi tradizionali di elaborazione del segnale che ai pesanti modelli di deep learning. La capacità di generare informazioni soft di alta qualità per la decodifica LDPC mantenendo un singolo passaggio forward e un numero minimo di parametri rende il framework particolarmente adatto per ricevitori MIMO pratici e limitati dalle risorse dell'edge. Gli autori suggeriscono che il lavoro futuro potrebbe ottimizzare ulteriormente il compromesso prestazioni-complessità attraverso la gestione adattiva dei percorsi e l'apprendimento congiunto dell'ordinamento di rilevazione.