Beamforming Gain Maximization for Fluid Reconfigurable Intelligent Surface: A Minkowski Geometry Approach

Titolo

Massimizzazione del Guadagno di Beamforming per Fluid Reconfigurable Intelligent Surface (FRIS): Un Approccio basato sulla Geometria di Minkowski

1. Problema Investigato

Il lavoro affronta il problema di massimizzare il guadagno di beamforming in un sistema di downlink assistito da una Fluid Reconfigurable Intelligent Surface (FRIS), collegata a una stazione base (BS) multi-antenna e un utente a singola antenna.

Le sfide principali derivano da vincoli hardware pratici e dalla natura combinatoria del problema:

• Vincoli Hardware: Ogni porta attiva sulla FRIS può applicare solo coefficienti di fase a risoluzione finita (codici discreti) con modulo unitario.
• Selezione delle Porte: La FRIS possiede una griglia densa di porte candidate, ma solo un sottoinsieme fisso ($M_o$) viene selezionato dinamicamente.
• Accoppiamento Complesso: L'ottimizzazione richiede la scelta congiunta del vettore di beamforming della BS, dell'insieme di porte attive e dell'assegnazione dei codici di fase discreti. Questo crea un problema di ottimizzazione mista non convessa, altamente complessa e intrattabile con metodi diretti.
• Limiti degli Approcci Esistenti: Le soluzioni attuali spesso semplificano il problema assumendo BS a singola antenna, fasi continue (irrealistiche), o ignorando il collegamento diretto BS-utente, fallendo nel catturare la struttura geometrica reale del problema.

2. Metodologia Proposta

Gli autori sviluppano un framework di Ottimizzazione Alternata (AO) che alterna tra due sottoproblemi:

1. Aggiornamento del Beamformer (BS): Per una configurazione FRIS fissa, il beamformer ottimale è dato dalla soluzione a Massima Rapporto di Trasmissione (MRT) in forma chiusa.
2. Aggiornamento della Configurazione FRIS: Per un beamformer fissato, il problema diventa la massimizzazione del modulo del coefficiente di canale efficace.

Il Cuore dell'Approccio: Geometria di Minkowski

Il contributo metodologico principale risiede nella riformulazione del sottoproblema FRIS utilizzando la geometria convessa e la somma di Minkowski:

• Rappresentazione Geometrica: L'insieme dei possibili segnali riflessi (somma dei contributi delle porte selezionate) è modellato come un'unione di somme di Minkowski di insiemi finiti (i codici di fase).
• Convessificazione: Viene dimostrato che massimizzare il modulo sul bordo dell'inviluppo convesso (convex hull) dell'insieme dei segnali riflessi non comporta perdita di ottimalità rispetto all'insieme discreto originale.
• Funzione di Supporto: Il problema di massimizzazione viene trasformato nella massimizzazione di una funzione di supporto lungo una direzione angolare $\phi$.
  • Per ogni direzione $\phi$, si calcola un "punteggio" direzionale per ogni porta candidata.
  • Si selezionano le $M_o$ porte con i punteggi più alti (Top-$M_o$).
  • Si assegnano i codici di fase ottimali per massimizzare la proiezione lungo $\phi$.
• Ricerca Unidimensionale: Il problema multidimensionale complesso viene ridotto a una ricerca unidimensionale sul parametro angolare $\phi$.

Caso Speciale: Codebook a Poligono Regolare ($M_p$-gon)

Per il caso pratico di codebook a fase quantizzata uniforme (poligoni regolari su un cerchio unitario), gli autori derivano:

• Espressioni in forma chiusa per i punteggi delle porte.
• Una struttura piecewise-smooth (a tratti lisci) della funzione di supporto.
• Un algoritmo che identifica l'ottimo globale esaminando solo un insieme finito di angoli critici (punti di rottura e punti stazionari), evitando la ricerca esaustiva su tutto l'intervallo $[0, 2\pi)$.

3. Contributi Chiave

1. Formulazione Realistica: Definizione del problema di massimizzazione del guadagno di beamforming considerando BS multi-antenna, selezione di porte fluida e vincoli di fase a risoluzione finita, includendo il collegamento diretto.
2. Riformulazione Geometrica: Introduzione di un principio di ottimizzazione basato sulla somma di Minkowski e funzioni di supporto, che trasforma un problema discreto non convesso in una ricerca unidimensionale efficiente.
3. Algoritmo Costruttivo Ottimale: Sviluppo di un metodo per determinare la configurazione FRIS ottimale (porte e fasi) in modo costruttivo per ogni direzione, garantendo l'ottimalità globale per il sottoproblema FRIS.
4. Soluzione per Codebook Pratici: Derivazione di formule analitiche e procedure di ricerca finite per codebook a poligono regolare, eliminando la necessità di scansioni angolari exhaustive.
5. Framework AO Convergente: Integrazione della procedura FRIS in un framework AO che garantisce la convergenza monotona verso una soluzione stabile.

4. Risultati delle Simulazioni

Le simulazioni confermano l'efficacia del metodo proposto:

• Prestazioni Superiori: Il framework proposto supera costantemente i benchmark (selezione casuale di porte e selezione basata solo sulla magnitudine del canale) in termini di tasso di raggiungimento (achievable rate).
• Ottimalità Vicina: Confronti con una ricerca esaustiva (possibile solo per scenari piccoli) mostrano che il metodo proposto raggiunge guadagni di beamforming quasi ottimali ($\Delta G \approx 1$), anche con risoluzioni di fase limitate.
• Convergenza Rapida: L'algoritmo AO converge in poche iterazioni (tipicamente meno di 10), rendendo il carico computazionale pratico gestibile.
• Robustezza: Le prestazioni rimangono elevate al variare del numero di porte, della risoluzione di fase ($M_p$) e del rapporto segnale-rumore (SNR).

5. Significato e Impatto

Questo lavoro rappresenta un passo avanti fondamentale nella teoria delle Fluid Reconfigurable Intelligent Surfaces (FRIS) per le reti 6G:

• Superamento dei Limiti Hardware: Dimostra come gestire efficacemente i vincoli di quantizzazione della fase, un ostacolo pratico spesso ignorato nella letteratura teorica.
• Nuova Prospettiva Geometrica: Introduce l'uso della geometria di Minkowski e delle funzioni di supporto come strumento potente per risolvere problemi di ottimizzazione combinatoria nelle telecomunicazioni, offrendo una comprensione strutturale profonda del problema.
• Scalabilità: L'approccio proposto è computazionalmente efficiente e scalabile, rendendo fattibile l'implementazione di sistemi FRIS avanzati con un gran numero di elementi e porte candidate.
• Fondamento per il Futuro: Fornisce una base teorica solida per l'estensione a configurazioni FRIS più generali e per l'integrazione in architetture di comunicazione wireless di prossima generazione.

In sintesi, il paper offre una soluzione elegante e matematicamente rigorosa a un problema di ottimizzazione complesso, trasformando un vincolo hardware (quantizzazione) in una struttura geometrica sfruttabile per massimizzare le prestazioni del sistema.