Power Amplifier-aware Power Allocation for Noise-limited and Distortion-limited Regimes

Titolo: Allocazione della Potenza Consapevole dell'Amplificatore di Potenza per Regimi Limitati dal Rumore e dalla Distorsione

1. Il Problema

Le comunicazioni wireless moderne, specialmente nei sistemi MIMO (Multiple-Input Multiple-Output), sono vincolate dai limiti fisici dei componenti hardware, in particolare degli amplificatori di potenza (PA).

• Limitazione dei modelli tradizionali: Le strategie di allocazione della potenza convenzionali, come l'algoritmo "water-filling" (riempimento ad acqua), presuppongono che la catena RF sia lineare e che il PA operi ben al di sotto della saturazione. In questo modello ideale, il rumore è additivo, bianco e gaussiano (AWGN), indipendente dalla potenza trasmessa.
• Realtà della non-linearità: Nella pratica, quando la potenza di ingresso si avvicina alla soglia di saturazione del PA, emergono non-linearità che causano compressione del guadagno e distorsione del segnale.
• Il paradosso della capacità: A differenza del rumore termico, il rumore di distorsione generato dal PA è dipendente dal segnale: la sua potenza aumenta più rapidamente della componente del segnale desiderato ad alti livelli di potenza. Di conseguenza, aumentare la potenza di trasmissione oltre una certa soglia non migliora il rapporto segnale-rumore (SNR), ma anzi può ridurre la capacità del canale a causa dell'aumento esponenziale dell'interferenza auto-generata. I metodi classici falliscono in questo regime, portando a un collasso della capacità.

2. Metodologia

Gli autori propongono un approccio che integra direttamente la non-linearità del PA nel problema di ottimizzazione dell'allocazione della potenza, abbandonando l'assunzione di linearità.

• Linearizzazione Statistica (Teorema di Bussgang):

  • Viene utilizzato il teorema di Bussgang per decomporre l'uscita del PA non lineare in due componenti: un segnale coerente amplificato e un termine di distorsione non correlato.
  • Per un modello di PA a limitazione rigida (hard-limiting), viene derivata una forma chiusa per il guadagno lineare equivalente ($\alpha$) e la varianza della distorsione ($\sigma^2_\eta$).
  • Il guadagno $\alpha$ diminuisce all'aumentare della potenza di ingresso (compressione), mentre la varianza di distorsione cresce rapidamente, agendo come un pavimento di interferenza dipendente dalla potenza.

• Modellazione del Canale MIMO:

  • In un sistema con $N_T$ antenne, ogni catena RF ha un proprio PA. L'effetto cumulativo è modellato come un canale efficace $H_{eff}$ ponderato da una matrice diagonale di guadagni $A(p)$, e un rumore efficace $n_{eff}$ che include sia il rumore termico che la distorsione del PA filtrata spazialmente dalla matrice del canale $H$.
  • La matrice di covarianza del rumore efficace non è più una matrice identità statica, ma una funzione dinamica dell'allocazione della potenza.

• Algoritmo di Ottimizzazione (Projected Gradient Descent - PGD):

  • Poiché il problema di massimizzazione della capacità è non convesso a causa della dipendenza della distorsione dalla potenza, viene proposto un algoritmo di discesa del gradiente proiettato.
  • L'algoritmo calcola il gradiente della capacità rispetto alla potenza di ogni antenna, tenendo conto di un termine di penalità negativo derivante dalla variazione della distorsione.
  • Strategia di Back-off Spaziale: L'ottimizzazione rivela che è spesso vantaggioso ridurre intenzionalmente la potenza sulle canali ad alto guadagno (che altrimenti dominerebbero la distorsione aggregata) per bilanciare il guadagno del segnale coerente con il rumore di distorsione.

3. Contributi Chiave

1. Algoritmo di Allocazione Consapevole del PA: Sviluppo di una strategia di ottimizzazione che identifica il bilanciamento ottimale tra guadagno del segnale coerente e rumore di distorsione, implementando una strategia di "back-off spaziale" (riduzione selettiva della potenza su specifici canali).
2. Soglia di Transizione Chiusa: Derivazione di una formula analitica per la soglia di varianza del rumore termico ($\sigma^2_{n,th}$) che separa i due regimi operativi:
   • Regime limitato dal rumore: Quando il rumore termico domina, il water-filling classico è quasi ottimale.
   • Regime limitato dalla distorsione: Quando la distorsione del PA supera il rumore termico (tipicamente ad alti SNR o su canali ad alto guadagno), l'ottimizzazione consapevole del PA è obbligatoria per evitare il collasso della capacità.
   • La soglia dipende dalla norma di Frobenius della matrice del canale ($\|H\|_F$), indicando che canali con guadagno elevato accelerano l'ingresso nel regime di distorsione.
3. Validazione Numerica: Simulazioni che dimostrano come la nuova strategia superi significativamente il water-filling standard, specialmente nei regimi di saturazione profonda.

4. Risultati

Le simulazioni numeriche (con $N_T = N_R = 32$) confermano le ipotesi teoriche:

• Efficienza Energetica: In ambienti a basso rumore, l'utilizzo della potenza totale diminuisce significativamente quando si supera la soglia di saturazione del PA, poiché l'algoritmo consapevole riduce la potenza per evitare la distorsione eccessiva, a differenza del water-filling classico che continua a saturare.
• Guadagni di Capacità: Nel regime limitato dalla distorsione (basso rumore termico), la strategia proposta offre guadagni di capacità superiori al 100% rispetto al water-filling convenzionale.
• Transizione di Regime: I grafici mostrano chiaramente il punto di svolta (circa 40 dBm di varianza del rumore termico nel contesto simulato) dove i due metodi convergono (regime limitato dal rumore) e dove divergono drasticamente (regime limitato dalla distorsione).
• Robustezza: L'algoritmo mantiene prestazioni superiori anche in presenza di fluttuazioni del rango del canale nel tempo, adattandosi dinamicamente alle variazioni del canale e dello stato di saturazione dei PA.

5. Significato e Impatto

Questo lavoro è fondamentale per la progettazione di sistemi di comunicazione ad alta efficienza energetica e ad alta capacità (es. 5G/6G, sistemi radar avanzati).

• Cambio di Paradigma: Sposta l'attenzione dalla semplice massimizzazione della potenza trasmessa al bilanciamento intelligente tra potenza e linearità.
• Ottimizzazione Hardware-Software: Dimostra che l'ottimizzazione del software (allocazione risorse) deve essere intrinsecamente consapevole dei limiti fisici dell'hardware (PA).
• Implicazioni Pratiche: Fornisce agli ingegneri un criterio matematico (la soglia $\sigma^2_{n,th}$) per determinare quando è necessario attivare strategie di gestione della distorsione e quando è sufficiente utilizzare approcci lineari tradizionali, ottimizzando così le prestazioni del sistema in scenari reali dove la saturazione è inevitabile.