Fundamental Analysis of Scalable Fluid Antenna Systems: Identifiability Limits, Information Theory, and Joint Processing

Titolo: Analisi Fondamentale dei Sistemi di Antenna Fluida Scalabili: Limiti di Identificabilità, Teoria dell'Informazione e Elaborazione Congiunta

1. Problema e Contesto

Le reti wireless di sesta generazione (6G) richiedono una localizzazione di precisione centimetrica e una stima accurata della direzione di arrivo (DOA) per applicazioni come la guida autonoma e l'Internet delle Cose industriale. I sistemi tradizionali basati su array a posizione fissa (FPA) soffrono di due limitazioni fondamentali:

1. Accoppiamento reciproco: Le antenne ravvicinate subiscono un forte accoppiamento reciproco che degrada le prestazioni.
2. Gradi di libertà (DoF) statici: Il numero di sorgenti identificabili è limitato rigidamente dal numero di elementi fisici dell'array, impedendo la risoluzione di un numero di sorgenti superiore al numero di antenne (sotto-determinazione).

Il Sistema di Antenna Fluida Scalabile (S-FAS) è stato proposto come soluzione dinamica, capace di ridimensionare il proprio aperture spaziale. Tuttavia, i limiti teorici fondamentali di questi sistemi riconfigurabili non sono stati ancora esplorati. L'analisi algebrica classica (basata sul conteggio del rango delle matrici di steering) è insufficiente perché non può catturare il flusso di informazioni tra configurazioni diverse o l'effetto della scalabilità dinamica dell'entropia di osservazione.

2. Metodologia

Il paper introduce un framework unificato basato sull'entropia di osservazione per analizzare l'identificabilità delle sorgenti nell'S-FAS. La metodologia si fonda su tre pilastri concettuali:

• Budget di Entropia di Osservazione: Ogni configurazione dell'S-FAS (compressa o estesa) possiede un budget di entropia $H(Y_\alpha)$ limitato dalla sua dimensione osservativa effettiva $M_{eff,\alpha}$. La condizione fondamentale per l'identificabilità è che lo spazio di rumore deve mantenere almeno una dimensione ($M_{eff} - K \geq 1$) per fornire un riferimento statistico per la discriminazione dei parametri.
• Analisi delle Configurazioni:
  • Configurazione Compressa: Utilizza spaziatura sub-lunghezza d'onda per eliminare i lobi di griglia, ma richiede la selezione di un sotto-array centrale per mitigare l'accoppiamento reciproco, riducendo il numero di elementi effettivi a $M_c = M - 2p$.
  • Configurazione Estesa: Utilizza spaziatura di mezza lunghezza d'onda, minimizzando l'accoppiamento e mantenendo tutti gli $M$ elementi, offrendo una risoluzione spaziale superiore.
• Elaborazione Congiunta vs. Sequenziale:
  • L'approccio sequenziale (prima stima grossolana con la configurazione compressa, poi raffinamento con quella estesa) è limitato dal Data Processing Inequality: l'informazione non può aumentare attraverso le fasi di elaborazione, quindi la capacità totale è vincolata dal collo di bottiglia della fase compressa.
  • L'approccio congiunto (spatial stacking) combina i vettori di osservazione di entrambe le configurazioni, espandendo l'entropia totale e i gradi di libertà disponibili.

3. Contributi Chiave

1. Framework di Entropia di Osservazione: Sviluppo di una metrica unificata che supera i metodi algebrici, permettendo il confronto equo tra configurazioni con geometrie e caratteristiche di accoppiamento diverse.
2. Derivazione dei Limiti di Identificabilità:
   • Compressa: $K_{max,c} = M - 2p - 1$ (limitata dalla rimozione degli elementi periferici per mitigare l'accoppiamento).
   • Estesa: $K_{max,e} = M - 1$ (valida sia per campi lontani che misti, indipendentemente dal numero di parametri per sorgente).
   • Sequenziale: $K_{seq} = K_{max,c}$ (limitata dal budget di entropia della prima fase).
   • Congiunta: $K_{joint} = (M_c + M_e) - 1 = 2M - 2p - 1$.
3. Diagnosi del Collo di Bottiglia: Dimostrazione teorica che l'elaborazione sequenziale spreca la capacità dell'array esteso perché non può recuperare sorgenti perse nella fase di inizializzazione compressa.
4. Algoritmo J-MUSIC: Proposta di un algoritmo Joint Multiple Signal Classification che utilizza vettori di steering aumentati per avvicinarsi al limite di capacità congiunta.
5. Validazione Duale: Conferma dei risultati teorici sia tramite analisi algebrica (dimensione del sottospazio di rumore) che tramite analisi informazionale (rapporto di entropia del rumore).

4. Risultati

Le simulazioni Monte Carlo hanno confermato le previsioni teoriche:

• Gerarchia di Capacità: È stata dimostrata una chiara gerarchia: l'elaborazione congiunta supera significativamente quella sequenziale e quella singola.
  • Per $M=32$ e $p=3$: La configurazione compressa risolve fino a 25 sorgenti, quella estesa fino a 31, mentre l'elaborazione congiunta raggiunge un limite teorico di 57 sorgenti.
  • L'approccio congiunto offre un aumento di capacità del 184% rispetto alla sola configurazione estesa e del 128% rispetto a quella compressa.
• Collo di Bottiglia Sequenziale: Le simulazioni mostrano che l'architettura sequenziale non riesce a risolvere sorgenti oltre il limite della configurazione compressa (25), anche se la configurazione estesa ha la capacità geometrica per farne di più (fino a 31).
• Robustzza dell'Algoritmo J-MUSIC:
  • In scenari a basso numero di snapshot ($N=50$), J-MUSIC riduce l'errore quadratico medio (RMSE) del 15-25% rispetto ai metodi MUSIC tradizionali.
  • Mantiene prestazioni stabili fino a 20 sorgenti, mentre gli array singoli falliscono catastroficamente quando il numero di sorgenti supera i loro DoF effettivi.
  • L'algoritmo converge più velocemente con l'aumento degli snapshot rispetto ai metodi convenzionali.

5. Significato e Impatto

Questo lavoro rappresenta un passo fondamentale nella teoria dei sistemi di antenna riconfigurabili:

• Cambio di Paradigma: Sposta l'analisi dell'identificabilità dalle semplici contabilità algebriche a una prospettiva basata sulla teoria dell'informazione, rivelando limiti e opportunità nascosti.
• Ottimizzazione del Sistema: Fornisce linee guida chiare per i progettisti: l'elaborazione sequenziale è intrinsecamente limitata e non sfrutta appieno il potenziale dell'S-FAS; l'elaborazione congiunta è necessaria per massimizzare la capacità.
• Diagnosi delle Prestazioni: Il rapporto di entropia del rumore proposto permette di distinguere se un fallimento nella stima è dovuto a un esaurimento fondamentale dei gradi di libertà (limite fisico) o a una sub-ottimalità algoritmica.
• Applicabilità 6G: I risultati supportano lo sviluppo di sistemi di localizzazione e beamforming ad alta capacità per le reti 6G, consentendo la gestione di un numero di utenti e sorgenti molto superiore a quello possibile con le tecnologie attuali.