Learning-Based Signal Recovery in Nonlinear Systems with Spectrally Separated Interference

Riepilogo Tecnico: Recupero di Segnali Basato su Apprendimento in Sistemi Non Lineari con Interferenza Spettralmente Separata

1. Definizione del Problema

Il documento affronta la sfida del recupero di un segnale desiderato in ricevitori 6G Upper Mid-Band (FR3, 7–24 GHz) operanti in ambienti spettralmente densi. In questi scenari, sono inevitabili forti interferenze in banda adiacente (fuori banda, OOB). Sebbene i ricevitori lineari convenzionali si affidino al filtraggio selettivo in frequenza per sopprimere l'interferenza a banda disgiunta, le limitazioni pratiche dell'hardware — specificamente le non linearità del front-end (ad esempio, la saturazione dell'amplificatore) e la quantizzazione a risoluzione finita — causano perdite di segnale per fuga spettrale (spectral leakage).

Quando un forte interferente OOB spinge il ricevitore in un regime non lineare, genera una distorsione in banda che rende inefficace il filtraggio lineare classico. Il problema centrale è stimare il segnale desiderato $x_0$ dalle osservazioni del ricevitore $y$ (o $y_q$ quantizzato) che sono corrotte da:

1. Forte Interferenza OOB: Che occupa una banda di frequenza disgiunta.
2. Saturazione Non Lineare: Modellata come una non linearità a memoria nulla e fluida (soft-thresholding).
3. Quantizzazione: Opzionale, operata dal convertitore analogico-digitale (ADC).

2. Metodologia

Modello di Sistema

Gli autori adottano un modello di segnale a tempo discreto in cui il vettore ricevuto $r$ è la DFT inversa di sorgenti nel dominio della frequenza $x_\ell$ che occupano bande disgiunte $B_\ell$. Il front-end del ricevitore è modellato come una funzione non lineare a memoria nulla $\Phi(\cdot)$ seguita da rumore additivo e opzionale quantizzazione:
$$y = \Phi(r, w)$$
Nello specifico, viene utilizzato un modello di saturazione dolce (soft saturation), dove l'ampiezza viene compressa tramite una funzione $\tanh$ preservando la fase, seguito da rumore additivo e un quantizzatore uniforme.

Algoritmo Proposto: Learned ML-VAMP

Il documento propone un algoritmo Learned Multi-Layer Vector Approximate Message Passing (LMLVAMP). Questo approccio integra l'inferenza bayesiana basata su modelli con l'adattabilità guidata dai dati.

• Struttura: L'algoritmo tratta il sistema come una rete a due strati:
  1. Strato 1 (Dominio della Frequenza): Mappa il segnale nel dominio della frequenza $x$ al segnale nel dominio del tempo $r$ tramite la matrice IDFT.
  2. Strato 2 (Dominio del Tempo): Mappa $r$ nell'osservazione non lineare $y$.
• Inferenza Iterativa: L'algoritmo aggiorna iterativamente le stime $\hat{x}$ e $\hat{r}$ utilizzando due funzioni di denoising:
  1. Denoiser Spettrale ($G_0$): Opera nel dominio della frequenza. Per il segnale desiderato, questo è un estimatore MMSE lineare basato su prior spettrali noti (media $\mu$ e varianza $S$).
  2. Denoiser Non Lineare ($G_1$): Opera nel dominio del tempo per invertire la distorsione non lineare.
• Componente di Apprendimento:
  • Nel classico ML-VAMP, il denoiser non lineare $G_1$ richiede un'integrazione numerica multidimensionale complessa, che è computazionalmente proibitiva.
  • L'approccio Learned proposto sostituisce gli intrattabili denoiser analitici con reti neurali compatte e addestrabili ($f_0$ e $f_1$).
  • Queste reti sono addestrate end-to-end su dati simulati per approssimare gli ottimali denoiser MMSE. Esse prendono in input parametri quali la stima corrente, la varianza del rumore e i parametri di sistema (ad esempio, la potenza di saturazione $P_{sat}$) e restituiscono stime raffinate e parametri di precisione.
• Obiettivo di Addestramento: Il modello è addestrato utilizzando una funzione di perdita composita che penalizza l'errore nel dominio della frequenza nelle iterazioni intermedie (per guidare la convergenza) e nell'iterazione finale (per garantire l'accuratezza).

Vantaggi di Complessità

A differenza degli approcci di deep learning generale che potrebbero richiedere $O(N^2)$ parametri per input $N$-dimensionali, il framework LMLVAMP utilizza reti neurali component-wise. La complessità non scala con la dimensione del segnale $N$, rendendolo adatto a sistemi a banda larga.

3. Contributi Chiave

1. Nuovo Framework: Introduzione di un framework Learned ML-VAMP specificamente progettato per il recupero del segnale in presenza di forte interferenza OOB, saturazione del ricevitore e quantizzazione.
2. Architettura Ibrida: Integrazione di prior spettrali (per la banda del segnale desiderato) con il denoising basato su reti neurali per gestire le distorsioni non lineari senza richiedere un modello esplicito della non linearità dell'hardware.
3. Interpretabilità: A differenza delle reti di deep learning "black-box", il metodo proposto mantiene la struttura iterativa del message passing, offrendo interpretabilità attraverso le sue radici nell'inferenza bayesiana.
4. Efficienza: Dimostrazione del fatto che la sostituzione dei denoiser analitici con reti neurali leggere evita l'onere computazionale dell'integrazione ad alta dimensione pur mantenendo la scalabilità.

4. Risultati delle Prestazioni

Le simulazioni sono state condotte sotto condizioni rilevanti per FR3 (SNR 10–20 dB, INR 30–80 dB, quantizzazione a 10 bit). Il proposto LMLVAMP è stato confrontato con:

• LINEAR-K/U: Stimatori Wiener lineari nel dominio della frequenza (con e senza conoscenza dell'interferente).
• ORACLE: Un estimatore idealizzato con perfetta conoscenza del sistema (limite superiore).

Risultati Chiave:

• Robustezza all'Interferenza: Gli stimatori lineari degradano drasticamente quando l'Interference-to-Noise Ratio (INR) supera i 50 dB a causa della fuga spettrale non lineare. Al contrario, LMLVAMP mantiene prestazioni elevate, raggiungendo tassi raggiungibili significativamente più alti rispetto ai baseline lineari (con gap superiori a 20 dB in alcuni regimi).
• Convergenza: Il metodo proposto si avvicina alle prestazioni del benchmark ORACLE entro due iterazioni.
• Generalizzazione: La variante "Unknown" (LMLVAMP-U), che non assume la conoscenza del segnale dell'interferente, supera significativamente i baseline lineari, dimostrando la capacità di generalizzare a condizioni di interferenza sconosciute.
• Resilienza alla Quantizzazione: L'algoritmo mantiene un vantaggio sostanziale rispetto alle alternative lineari anche sotto quantizzazione a 10 bit.

5. Significato e Rivendicazioni

Il documento afferma che il framework LMLVAMP proposto offre una soluzione praticabile per progettare ricevitori FR3 robusti ed efficienti in termini di costi per i futi sistemi 6G. Modellando congiuntamente non linearità, rumore e quantizzazione, il metodo supera i limiti del filtraggio lineare classico in ambienti spettrali densi.

Gli autori sottolineano che questo approccio colma il divario tra l'inferenza rigorosa basata su modelli e l'adattabilità dei metodi guidati dai dati. Esso fornisce un'alternativa pratica alla complessa modellazione polinomiale (difficile da stimare) e alle reti neurali "black-box" (che mancano di interpretabilità). I risultati evidenziano come l'inferenza iterativa combinata con denoiser appresi sia essenziale per gestire le gravi distorsioni non lineari caratteristiche degli scenari di coesistenza in banda media superiore.

Il lavoro futuro, come notato dagli autori, include l'estensione del framework a interferenze variabili nel tempo, effetti di memoria e implementazioni hardware in tempo reale.