The manifold of unitary and symmetric matrices: characterization, Riemannian optimization and application to BD-RIS design

Titolo del Paper

The manifold of unitary and symmetric matrices: characterization, Riemannian optimization and application to BD-RIS design

1. Il Problema (Problem Statement)

Il lavoro affronta la progettazione di superfici intelligenti riflettenti "oltre-diagonali" (Beyond-Diagonal Reconfigurable Intelligent Surfaces - BD-RIS). A differenza delle RIS convenzionali (che modificano solo la fase in modo diagonale), le BD-RIS permettono interconnessioni tra gli elementi, consentendo una manipolazione delle onde molto più flessibile.

Matematicamente, la matrice di scattering $\Theta$ di una BD-RIS ideale è:

1. Unitaria ($\Theta\Theta^H = I$): poiché il dispositivo è passivo e senza perdite.
2. Simmetrica ($\Theta = \Theta^T$): a causa della reciprocità del mezzo.

Il problema risiede nel fatto che l'insieme di queste matrici forma un insieme geometrico complesso, denominato varietà (manifold) $\mathcal{U}_s$. Gli approcci esistenti sono limitati: o ignorano il vincolo di simmetria (risultando subottimali), o utilizzano la decomposizione di Takagi, che però aumenta drasticamente la complessità computazionale e il rischio di minimi locali.

2. Metodologia (Methodology)

Gli autori adottano un approccio di ottimizzazione Riemanniana, che consiste nell'effettuare l'ottimizzazione direttamente sulla varietà $\mathcal{U}_s$, rispettando intrinsecamente i vincoli di unitarietà e simmetria.

La metodologia si articola in tre fasi:

• Caratterizzazione Geometrica: Per prima volta, viene studiata la geometria di $\mathcal{U}_s$. Gli autori derivano lo spazio tangente (tangent space), la ritrazione (retraction) e le geodetiche (geodesics) della varietà.
• Sviluppo di Algoritmi: Vengono proposti due nuovi algoritmi di ottimizzazione:
  1. Line Search (LS): Un metodo basato sul gradiente che utilizza una ricerca lineare lungo la geodetica per determinare il passo ottimale.
  2. Phase Optimization (PO): Un metodo più innovativo che ottimizza individualmente le fasi dei parametri della geodetica, permettendo una convergenza potenzialmente più rapida.
• Sfruttamento del Low-Rank: Gli autori dimostrano che, quando il numero di elementi della RIS ($M$) è superiore al numero di antenne ($N_t + N_r$), la soluzione ottimale è una matrice di basso rango ($r = N_t + N_r$). Questo permette di ridurre drasticamente la complessità computazionale.

3. Contributi Chiave (Key Contributions)

1. Rigore Matematico: Forniscono la prima caratterizzazione completa dello spazio tangente e delle geodetiche per la varietà $\mathcal{U}_s$.
2. Nuova Parametrizzazione: Introducono una restrizione della trasformata di Cayley che mappa matrici reali simmetriche in $\mathcal{U}_s$, offrendo un'alternativa alla decomposizione di Takagi.
3. Algoritmi Efficienti: Lo sviluppo degli algoritmi LS e PO, specificamente progettati per operare su $\mathcal{U}_s$.
4. Riduzione della Complessità: La dimostrazione teorica che l'ottimizzazione può essere condotta in uno spazio di dimensione molto inferiore ($r \times r$ invece di $M \times M$) tramite la struttura low-rank.

4. Risultati (Results)

Il framework viene testato su tre problemi classici nei sistemi MIMO assistiti da BD-RIS:

• Massimizzazione del guadagno del canale (Sum-gain): Gli algoritmi superano i metodi di proiezione e quelli basati su Takagi.
• Massimizzazione del tasso di trasmissione (Achievable Rate): Il metodo Low-rank PO si dimostra estremamente efficace, specialmente quando il link diretto è bloccato, fornendo prestazioni quasi ottimali con un costo computazionale molto basso.
• Minimizzazione dell'errore quadratico medio (MSE): Viene dimostrato che l'ottimizzazione dell'MSE porta a risultati diversi (e migliori in termini di errore) rispetto alla semplice massimizzazione del tasso.

Analisi della complessità: I grafici mostrano che la versione "Low-rank PO" ha un tempo di esecuzione quasi indipendente dal numero di elementi $M$, rendendola scalabile per sistemi reali con migliaia di elementi.

5. Significato e Importanza (Significance)

Questo lavoro è fondamentale per la futura implementazione del 6G. Fornisce le basi matematiche per controllare le superfici intelligenti in modo efficiente e rigoroso. La capacità di trasformare un problema di ottimizzazione massivo (con migliaia di variabili) in un problema di basso rango risolvibile in tempo reale è il contributo più significativo per l'applicazione pratica delle BD-RIS nelle reti di comunicazione avanzate.