Physics-Aware Tensor Reconstruction for Radio Maps in Pixel-Based Fluid Antenna Systems

Sintesi Tecnica: Ricostruzione Tensoriale Consapevole della Fisica per Mappe Radio in Sistemi di Antenne Fluide Basati su Pixel

Definizione del Problema
L'implementazione di antenne basate su pixel e di sistemi di antenne fluide (Fluid Antenna Systems - FAS) offre un'efficienza spettrale senza precedenti, ma affronta un collo di bottiglia critico: l'oneroso overhead di acquisizione dell'Informazione sullo Stato del Canale (CSI). Sebbene le mappe radio (o mappe della conoscenza del canale) possano abilitare la selezione proattiva della modalità e la predizione cieca del fascio (beam prediction), la costruzione di mappe ad alta fedeltà da misurazioni sparse è problematica. Gli approcci esistenti soffrono di limitazioni specifiche:

• Metodi privi di fisica o guidati dai dati (ad esempio, Deep Learning standard o Completamento Tensoriale a Basso Rango) spesso non riescono a recuperare i dettagli fini dell'ombreggiamento in condizioni di estrema scarsità perché mancano di vincoli elettromagnetici sottostanti.
• L'interpolazione convenzionale (ad esempio, Kriging, KNN) tende a eccessivamente levigare i confini dell'ombreggiamento, fallendo nel catturare i bordi netti causati dagli ostacoli fisici.
• Scarsità di dati: Le architetture emergenti come le antenne riconfigurabili basate su pixel mancano dei dati sperimentali su larga scala necessari per l'addestramento di modelli che richiedono grandi quantità di dati.

Metodologia: Framework PR-LRTC
Gli autori propongono un framework di Completamento Tensoriale a Basso Rango con Regolarizzazione Fisica (PR-LRTC). L'innovazione centrale consiste nel modellare il campo del segnale come un tensore a tre vie che disaccoppia il fading stocastico del canale dalla fisica deterministica dell'antenna.

1. Modellazione del Sistema e del Segnale:

   • Rappresentazione Tensoriale: La potenza ricevuta (RSS) attraverso una griglia spaziale ($I \times J$) e $M$ modalità di antenna è modellata come un tensore $\mathbf{X} \in \mathbb{R}^{I \times J \times M}$.
   • Prior Fisici tramite EADoF: Sfruttando la teoria dei Gradi di Libertà Aerei Effettivi (EADoF), gli autori modellano i pattern di radiazione in campo lontano dell'antenna come una sovrapposizione di funzioni base ortogonali.
   • Topologia del Guadagno Differenziale: Un'intuizione chiave è che, mentre l'RSS assoluto è stocastico a causa dell'ombreggiamento, il guadagno differenziale tra le modalità dell'antenna è fisicamente deterministico. Gli autori derivano una Mappa della Topologia del Guadagno Differenziale ($\mathbf{D}$) che cattura la differenza di RSS attesa tra le modalità in qualsiasi posizione, indipendentemente dai blocchi o dalla varianza dell'ombreggiamento.

2. Formulazione dell'Ottimizzazione:
   La ricostruzione è formulata come un problema di ottimizzazione convessa che minimizza tre termini:

   • Fedeltà ai Dati: Garantire che il tensore ricostruito corrisponda alle misurazioni sparse osservate.
   • Basso Rango Globale: Imporre una struttura a basso rango sulle scomposizioni (unfoldings) del tensore per catturare le correlazioni spaziali e i limitati EADoF.
   • Regolarizzazione Fisica ($R_{phys}$): Un termine innovativo che impone la coerenza tra le variazioni della dimensione di modo del tensore ricostruito e la topologia differenziale teorica $\mathbf{D}$. Ciò è ottenuto tramite un operatore di differenza ciclica e una proiezione di coerenza ciclica per gestire la natura circolare dello switching delle modalità dell'antenna.

3. Algoritmo (ADMM):
   Il problema viene risolto utilizzando un algoritmo Alternating Direction Method of Multipliers (ADMM). Il metodo decompone il problema in:

   • Aggiornamento Primale ($\mathbf{X}$): Una soluzione in forma chiusa che fonde dati sparsi, vincoli fisici e consenso a basso rango.
   • Aggiornamento Ausiliario ($\mathbf{M}_k$): Soglia del Valore Singolare (SVT) per imporre il vincolo di basso rango.
   • Aggiornamento Duale: Standard gradiente ascendente per imporre i vincoli di uguaglianza.

Contributi Chiave

• Modellazione Tensoriale con Prior Fisici: Il documento modella il campo del segnale come un tensore a 3 vie e introduce un rigoroso prior fisico basato sulla teoria EADoF. Ciò consente la separazione della fisica deterministica dell'antenna dal fading ambientale stocastico.
• Topologia del Guadagno Differenziale: La derivazione di una mappa del guadagno differenziale che funge da "scheletro fisico" per la ricostruzione, garantendo che le variazioni tra le modalità siano allineate con le leggi elettromagnetiche piuttosto che semplici correlazioni statistiche.
• Algoritmo PR-LRTC: Il design di un efficiente algoritmo basato su ADMM che integra operatori di differenza ciclica e proiezioni di coerenza ciclica per risolvere il problema inverso vincolato dalla fisica.
• Robustezza alla Scarsità: Il framework è progettato per funzionare efficacemente con misurazioni estremamente sparse (fino al 5-10% di rapporto di campionamento) dove i metodi tradizionali falliscono.

Risultati delle Simulazioni
Sono state condotte estese simulazioni in un ambiente a griglia $50 \times 50$ con regioni Line-of-Sight (LoS) e Non-Line-of-Sight (NLoS). Il PR-LRTC è stato confrontato con KNN, Kriging, il classico completamento tensoriale a basso rango (LRTC) e una variante basata solo sulla fisica (PR-only).

• Guadagno di Performance: Il PR-LRTC ha ottenuto un guadagno di 4 dB in RMSE rispetto ai baseline con un rapporto di campionamento del 10%.
• Preservazione dei Bordi: A differenza di Kriging e KNN, che producevano stime eccessivamente levigate che sfumavano i confini dell'ombreggiamento, il PR-LRTC è riuscito a recuperare bordi di ombreggiamento netti e dettagli di radiazione fini.
• Approfondimenti dall'Ablazione: Il LRTC standard non è riuscito a mantenere la continuità geospaziale, mentre la variante PR-only (senza vincoli di basso rango) non è riuscita a catturare le intrinseche correlazioni di modo. Il successo del PR-LRTC è attribuito alla fusione sia dei vincoli spaziali che delle correlazioni di modo.

Significatività e Rivendicazioni
Il documento sostiene che il PR-LRTC fornisca una soluzione robusta e conforme alla fisica per la gestione a basso overhead dei fasci nelle future applicazioni FAS. Colmando il divario tra la fisica dell'hardware (struttura dell'antenna) e l'elaborazione guidata dai dati, il framework supera i limiti dei dati di addestramento tipici degli approcci di Deep Learning tradizionali. Esso abilita la ricostruzione di mappe radio ad alta fedeltà da misurazioni estremamente sparse, facilitando l'allocazione delle risorse basata su mappe e la predizione cieca del fascio senza la necessità di un overhead di pilotaggio proibitivo. Gli autori pongono questo lavoro come un abilitatore critico per l'implementazione pratica dei sistemi di antenne fluide basati su pixel in ambienti complessi ed eterogenei.