⚡ electrical engineering

Real-Time and Scalable Zak-OTFS Receiver Processing on GPUs

Il paper presenta un'architettura di ricevitore Zak-OTFS scalabile e in tempo reale implementata su GPU tramite co-progettazione hardware-algoritmo, che sfrutta la sparsità del canale nel dominio ritardo-Doppler per ridurre l'overhead computazionale e raggiungere un throughput elevato fino a 906,52 Mbps, garantendo prestazioni robuste per i sistemi di comunicazione ad alta mobilità di prossima generazione.

Autori originali: Junyao Zheng, Chung-Hsuan Tung, Yuncheng Yao, Nishant Mehrotra, Sandesh Mattu, Zhenzhou Qi, Danyang Zhuo, Robert Calderbank, Tingjun Chen

Pubblicato 2026-04-03

📖 4 min di lettura☕ Lettura da pausa caffè

CC BY 4.0

Autori originali: Junyao Zheng, Chung-Hsuan Tung, Yuncheng Yao, Nishant Mehrotra, Sandesh Mattu, Zhenzhou Qi, Danyang Zhuo, Robert Calderbank, Tingjun Chen

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di dover inviare un messaggio di testo a qualcuno che si sta muovendo molto velocemente, come un'auto in corsa su un'autostrada o un treno ad alta velocità. Nel mondo delle telecomunicazioni, questo è un incubo: il segnale si distorce, si rompe e diventa illeggibile a causa dell'effetto Doppler (proprio come il suono di un'ambulanza che cambia tono quando passa accanto a te).

I sistemi attuali (chiamati OFDM) faticano molto in queste situazioni. Il nuovo sistema descritto in questo documento, chiamato Zak-OTFS, è come un "super-messaggero" progettato appositamente per non perdere mai il contatto, anche a velocità folli.

Tuttavia, c'è un problema: per funzionare, questo sistema deve fare calcoli matematici così complessi che i computer normali si "inceppano" e diventano troppo lenti per essere usati in tempo reale. È come se dovessi risolvere un milione di equazioni matematiche prima di poter inviare anche solo una singola parola.

Ecco come gli autori hanno risolto il problema, usando tre trucchi intelligenti:

1. Il "Menu Preconfezionato" (Operazioni Matriciali Compatte)

Immagina che per decifrare il messaggio, il computer debba calcolare ogni volta le coordinate esatte di ogni singola particella di segnale. È come se un cuoco dovesse calcolare la temperatura esatta del forno ogni volta che mette una torta dentro, invece di usare un termostato.
Gli autori hanno detto: "Fermiamoci!". Hanno creato un "menu preconfezionato" (pre-calcolato) con tutte le istruzioni matematiche necessarie. Invece di calcolare tutto da zero ogni volta, il computer prende il menu e lo applica istantaneamente. Questo fa risparmiare un tempo enorme.

2. Il "Filtro Magico" (Sfruttare la Sparsità)

Immagina di cercare un ago in un pagliaio. Il pagliaio è enorme (il segnale), ma l'ago (il messaggio utile) è solo uno. Nella maggior parte dei casi, il segnale che arriva è "vuoto" o "silenzioso" in molti punti; solo pochi punti contengono informazioni reali.
I computer tradizionali cercano di analizzare tutto il pagliailo, anche la paglia vuota, sprecando energia.
Gli autori hanno insegnato al computer a usare un "filtro magico": guarda solo dove c'è l'ago (i percorsi principali del segnale) e ignora tutto il resto. Invece di dover spostare 10.000 balle di paglia, ne spostano solo 5. Questo riduce il lavoro di milioni di volte, rendendo il processo velocissimo.

3. Il "Corridore Senza Freni" (Iterazione Senza Rallentamenti)

Normalmente, quando un computer fa un calcolo ripetuto (come un corridore che fa giri di pista), controlla dopo ogni giro: "Ho finito? Devo fermarmi?". Questo controllo richiede tempo e interrompe il flusso.
Gli autori hanno detto: "Non fermiamoci a controllare!". Invece di chiedere "sono finito?", hanno deciso in anticipo: "Faremo esattamente 10 giri e poi ci fermiamo". Sembra strano, ma è molto più veloce perché il computer non perde tempo a fare controlli costosi. È come un treno che viaggia a velocità costante senza dover fermarsi alle stazioni intermedie per controllare il biglietto.

Il Risultato: Un Motore Potente (GPU)

Per far girare tutto questo, hanno usato delle GPU (le schede grafiche dei computer, che sono come squadre di migliaia di operai che lavorano tutti insieme, invece di un solo capo che fa tutto da solo).
Grazie a questi trucchi, il sistema riesce a:

Elaborare dati in tempo reale: Non c'è ritardo. Il messaggio arriva e viene decifrato istantaneamente.
Gestire enormi quantità di dati: Riescono a inviare quasi 1 Gigabit al secondo (molto più veloce della maggior parte delle connessioni internet attuali) anche con grid di dati enormi.
Funzionare su diversi computer: Hanno dimostrato che funziona sia su computer da server giganti, sia su dispositivi più piccoli come quelli usati nei droni o nelle auto a guida autonoma.

In Sintesi

Questo lavoro è come aver preso un'auto da corsa che era troppo pesante e lenta per gareggiare, e averla trasformata in una Ferrari leggera e potente. Hanno rimosso il peso inutile (i calcoli superflui), dato al motore un carburante speciale (l'uso intelligente della memoria) e insegnato al pilota a guidare senza esitare (l'iterazione fissa).

Il risultato finale è che le future reti di comunicazione (6G e oltre) potranno funzionare perfettamente anche su treni ad alta velocità, droni o auto in movimento, senza che il segnale si interrompa mai.

1. Il Problema

La modulazione OTFS (Orthogonal Time Frequency Space) è emersa come una soluzione promettente per le reti di prossima generazione (NextG), offrendo una robustezza superiore rispetto alle tradizionali onde OFDM in canali ad alta mobilità (elevato effetto Doppler). Tuttavia, l'implementazione pratica dell'OTFS, in particolare nella variante Zak-OTFS, affronta sfide significative:

Complessità Computazionale: La rappresentazione nel dominio Ritardo-Doppler (DD) richiede operazioni matriciali su griglie di grandi dimensioni. Con l'aumento delle dimensioni della griglia DD ( $M \times N$ ), la complessità della rilevazione e dell'equalizzazione diventa proibitiva.
Scalabilità e Tempo Reale: Le implementazioni precedenti si sono concentrate su griglie piccole o medie (decine o centinaia di bin), rendendo difficile l'elaborazione in tempo reale per griglie grandi (migliaia di bin) necessarie per larghezze di banda elevate.
Vincoli di Latenza: Per un sistema reale, l'elaborazione di un frame deve essere completata entro la durata del frame stesso. Le architetture tradizionali (CPU) e gli algoritmi di inversione matriciale diretta (come LMMSE) non riescono a rispettare questi vincoli di latenza quando le dimensioni della griglia aumentano.

2. Metodologia

Gli autori propongono un'architettura di ricezione Zak-OTFS scalabile e in tempo reale basata su GPU, sviluppata attraverso un approccio di co-design hardware-algoritmo. Le strategie chiave includono:

Operazioni Matriciali Compatte:
- Sostituzione delle trasformate discrete di Zak (DZT/IDZT) e delle stime del canale con operazioni di moltiplicazione matrice-vettore (GEMM) e prodotti di Hadamard pre-calcolati. Questo sfrutta l'ottimizzazione delle librerie GPU per le operazioni dense, evitando calcoli trascendenti ripetuti a runtime.
Sfruttamento della Sparsità Strutturata (Structured Sparsity - SS):
- Il canale wireless nel dominio DD è intrinsecamente sparso (poche percorsi dominanti). Invece di costruire esplicitamente la matrice del canale densa e gigantesca ( $MN \times MN$ ), gli autori propongono una rappresentazione strutturata e sparsa.
- La matrice del canale viene descritta tramite un insieme di percorsi dominanti, riducendo la complessità delle operazioni di moltiplicazione matrice-vettore (MVM) da $O((MN)^2)$ a $O(P \cdot MN)$ , dove $P$ è il numero di percorsi (con $P \ll MN$ ).
- Questa rappresentazione riduce drasticamente l'uso di memoria e le operazioni aritmetiche, adattandosi perfettamente all'architettura SIMT delle GPU.
Equalizzatore Iterativo Senza Rami (Branchless):
- Viene utilizzato un algoritmo Conjugate Gradient Algorithm (CGA) adattato per il dominio DD.
- Per evitare l'inefficienza delle condizioni di terminazione dinamica (branching) sulle GPU, che richiedono sincronizzazione globale, viene adottata una strategia di iterazione fissa. Il numero di iterazioni viene determinato offline tramite profilazione basata sul BER (Bit Error Rate), garantendo un flusso di elaborazione continuo e prevedibile.
Implementazione Software:
- Il sistema è implementato in Python con PyTorch e kernel personalizzati in Triton per le GPU, con una baseline in C++ per le CPU.

3. Contributi Chiave

Prima Implementazione in Tempo Reale su Griglie Grandi: Questo lavoro rappresenta la prima implementazione che combina la consapevolezza dell'hardware e della sparsità del canale per l'elaborazione di baseband OTFS, raggiungendo dimensioni di griglia DD fino a $(16384, 32)$ .
Co-design Hardware-Algoritmo: Introduzione di tecniche specifiche per GPU, come l'uso di operazioni matriciali compatte e la rappresentazione sparsa strutturata, che trasformano il problema di elaborazione del segnale in un carico di lavoro di algebra lineare strutturata ideale per le GPU.
Equalizzatore CGA Ottimizzato: Sviluppo di una versione del CGA che opera direttamente nel dominio DD (evitando trasformazioni costose) e utilizza una terminazione fissa basata sulla profilazione del BER, eliminando i colli di bottiglia di sincronizzazione CPU-GPU.
Valutazione Completa: Analisi estesa su diverse piattaforme (Intel Xeon CPU, NVIDIA Jetson Orin, RTX 6000 Ada, A100, H200) sotto il modello di canale Vehicular-A.

4. Risultati

Il sistema proposto ha dimostrato prestazioni eccezionali in termini di throughput e latenza:

Throughput: Ha raggiunto un throughput di 906.52 Mbps con modulazione 16QAM, larghezza di banda di 245.76 MHz e griglia $(16384, 32)$ . Con QPSK, il throughput è di 491.44 Mbps.
Latenza in Tempo Reale: Il sistema soddisfa costantemente il vincolo di latenza del 99.9-esimo percentile (p99.9) di 2.13 ms (corrispondente a due durate di frame) anche per le griglie più grandi.
- Su GPU H200, la latenza p99.9 è di 1.69 ms per la griglia $(16384, 32)$ .
- Le soluzioni basate su CPU o su inversione matriciale diretta (LMMSE) falliscono nel rispettare i vincoli di tempo reale per griglie grandi.
Efficienza della Sparsità: L'uso della rappresentazione sparsa strutturata ha ridotto il tempo di costruzione della matrice del canale da 2.43 ms a 0.34 ms e il tempo di equalizzazione da 32.92 ms a 0.78 ms (riduzione di oltre 290 volte) rispetto al caso non sparsa, con un miglioramento del BER.
Scalabilità: Le prestazioni mostrano una scalabilità quasi lineare con l'aumento delle dimensioni della griglia sulle GPU, a differenza delle CPU dove la latenza cresce esponenzialmente.

5. Significato

Questo lavoro è fondamentale per lo sviluppo delle comunicazioni mobili di prossima generazione (NextG) ad alta mobilità. Dimostra che l'OTFS, spesso considerato troppo complesso per l'implementazione pratica su larga scala, può essere reso real-time ed efficiente sfruttando le moderne architetture GPU e algoritmi intelligenti.

Abilitazione di Nuovi Scenari: Permette l'uso di OTFS in scenari ad alta velocità (es. treni ad alta velocità, droni) con larghezze di banda elevate.
Validazione dell'Approccio vRAN: Conferma il potenziale delle GPU per l'elaborazione del segnale radio virtualizzato (vRAN), offrendo un'alternativa scalabile ed economica rispetto alle FPGA o ASIC dedicati per waveform complesse.
Open Source: Il codice, i benchmark e i risultati di profilazione sono stati resi pubblici, facilitando la ricerca futura nel campo dell'elaborazione del segnale OTFS.

In sintesi, gli autori hanno trasformato un problema computazionalmente intrattabile in un sistema efficiente e scalabile, aprendo la strada all'adozione pratica dell'OTFS nelle reti wireless future.