Unsupervised Learning for Scalable Downlink Power Control in Cell-Free Massive MIMO

Sintesi Tecnica: Apprendimento Non Supervisionato per il Controllo Scalabile della Potenza di Downlink in CF-mMIMO

Enunciato del Problema
Nei sistemi Cell-Free Massive Multiple-Input Multiple-Output (CF-mMIMO), il controllo della potenza di downlink è fondamentale per garantire una qualità del servizio uniforme e gestire l'interferenza tra un gran numero di Punti di Accesso (AP) e Apparati Utente (UE) distribuiti. Le soluzioni esistenti affrontano un compromesso tra scalabilità e prestazioni. Gli approcci iterativi centralizzati, che mirano all'Equità Max-Min (MMF), richiedono informazioni globali sullo stato del canale e ottimizzazioni complesse, rendendoli computazionalmente proibitivi all'aumentare delle dimensioni della rete. Al contrario, le strategie distribuite scalabili, come l'Allocazione Frazionaria della Potenza (FPA), si basano su informazioni locali ma spesso non riescono a ottimizzare l'equità, risultando in una scarsa efficienza spettrale (SE) per gli utenti nel caso peggiore. Inoltre, i recenti tentativi basati sull'apprendimento profondo spesso dipendono da un addestramento supervisionato con etichette ottimali (difficili da ottenere) o richiedono informazioni sulla posizione degli UE, limitandone l'applicabilità in architetture dinamiche incentrate sull'utente.

Metodologia
Il documento propone un framework di apprendimento profondo non supervisionato e informato dalla fisica, che utilizza una rete Bidirezionale a Memoria a Breve e Lungo Termine (BiLSTM) per ottimizzare il controllo della potenza di downlink.

• Modello di Sistema: Il sistema opera in modalità Duplex a Divisione di Tempo (TDD). L'obiettivo è massimizzare l'efficienza spettrale minima dell'utente (MMF) soggetto a vincoli di potenza per AP. La SE ottenibile è derivata sulla base della stima del canale con Minimo Errore Quadratico Medio (MMSE) lineare e della formazione di fasci a rapporto massimo.
• Architettura Neurale: Il modello proposto è "centrato sull'AP". Per ogni AP $\ell$, la rete elabora una sequenza di caratteristiche di input corrispondenti ai suoi UE associati ($K_\ell$). Il vettore di input per una specifica coppia AP-UE include il coefficiente di sfading su larga scala diretto, la forza aggregata del canale su larga scala osservata dall'UE e l'accoppiamento aggregato tra l'AP e la popolazione di UE.
• Addestramento Non Supervisionato e Informato dalla Fisica: A differenza dei metodi supervisionati, questo approccio non richiede etichette di allocazione della potenza ottimali. Invece, la funzione di perdita è calcolata direttamente dall'utilità di comunicazione (equazioni SINR e SE) definita nel modello di sistema. La rete è addestrata offline per minimizzare un surrogato differenziabile soft-min dell'obiettivo MMF su mini-batch di realizzazioni della rete.
• Applicazione dei Vincoli: L'architettura soddisfa intrinsecamente i vincoli di potenza. Lo strato di output utilizza un'attivazione Softplus per garantire coefficienti di potenza positivi. Un successivo passo di normalizzazione scala le potenze previste per ogni AP per garantire che la somma non superi il budget di potenza dell'AP.
• Meccanismo di Scalabilità: Il modello riutilizza gli stessi parametri per tutti gli AP e le posizioni della sequenza. Accetta sequenze di input a lunghezza variabile, permettendogli di gestire numeri variabili di UE senza re-addestramento. Per raggiungere la piena scalabilità sia per AP che per utenti, il documento suggerisce di modificare le caratteristiche di input per aggregare le informazioni solo sulle vicinanze locali piuttosto che sull'intera rete.

Contributi Chiave

1. Framework Non Supervisionato: Il metodo elimina la necessità di etichette di supervisione ottimali e di informazioni sulla posizione degli UE, basandosi esclusivamente sulle statistiche di sfading su larga scala, che sono già disponibili per l'assegnazione dei piloti e l'associazione.
2. Scalabilità Intrinseca: La politica basata su BiLSTM scala linearmente con il numero di UE ($O(K)$) e può essere applicata a reti con diverse popolazioni di utenti senza re-addestramento.
3. Soddisfazione dei Vincoli: Il progetto garantisce i vincoli di potenza per AP attraverso una normalizzazione architetturale, una caratteristica spesso assente in altri approcci basati sull'apprendimento.
4. Prestazioni: L'approccio evita l'onere computazionale dell'ottimizzazione centralizzata iterativa, superando significativamente gli schemi distribuiti esistenti a bassa complessità.

Risultati delle Simulazioni
Le simulazioni numeriche sono state condotte in un'area di $500 \times 500$ m$^2$ con 16 AP e numeri variabili di UE (8, 10 e 15).

• Efficienza Spettrale: Il metodo proposto raddoppia quasi l'efficienza spettrale minima (utente peggiore) rispetto alle baseline scalabili come l'Allocazione Frazionaria della Potenza (FPA) e l'Allocazione della Potenza Uguale (EPA).
• Generalizzazione: Un modello addestrato con 8 UE è stato valutato con successo su scenari con 10 e 15 UE, dimostrando che la politica appresa generalizza efficacemente a condizioni operative più dense e precedentemente inedite.
• Complessità: La complessità di inferenza è lineare rispetto al numero di UE ($O(K)$), un miglioramento sostanziale rispetto agli algoritmi MMF basati sulla bisezione che scalano come $O(K^3)$. L'impronta di memoria è costante e indipendente dalle dimensioni della rete.

Significato e Affermazioni
Il documento afferma che questo framework offre una soluzione pratica al compromesso tra scalabilità ed equità nei sistemi CF-mMIMO. Sfruttando l'apprendimento non supervisionato e informato dalla fisica, il metodo raggiunge prestazioni di equità quasi ottimali senza il costo computazionale dell'ottimizzazione centralizzata o i requisiti di dati dell'apprendimento supervisionato. Gli autori sottolineano che l'approccio è robusto ai cambiamenti nella popolazione di utenti e nella topologia di rete, non richiedendo re-addestramento, e fornisce una via praticabile verso la gestione scalabile delle reti 6G. Il lavoro futuro è identificato nell'investigare caratteristiche di input pienamente scalabili (utilizzando vicinanze locali), obiettivi di equità alternativi e strategie di riuso dei piloti.