TenSIM: Tensor-Based Channel Estimation for MIMO Systems with Stacked Intelligent Metasurfaces

Sintesi Tecnica: TenSIM: Stima del Canale Basata su Tensori per Sistemi MIMO con Superfici Intelligenti Metamateriali Impilate (SIM)

Definizione del Problema
Le Superfici Intelligenti Metamateriali Impilate (SIM) rappresentano un'architettura promettente per il 6G e oltre, offrendo una manipolazione delle onde elettromagnetiche più ricca rispetto alle convenzionali superfici metamateriali a singolo strato attraverso l'accoppiamento a cascata tra gli strati. Tuttavia, realizzare questi vantaggi richiede una stima del canale accurata e scalabile. La risposta end-to-end di un sistema MIMO assistito da SIM coinvolge un problema inverso multifattoriale altamente accoppiato, che comprende i canali trasmettitore-SIM, i canali SIM-ricevitore, le matrici di accoppiamento inter-strato e i profili di fase dipendenti dallo strato.

I metodi esistenti di stima del canale affrontano sfide significative:

1. Alta Dimensionalità e Ambiguità: La stima diretta con design di pilot ingenuo porta ad ambiguità bilineari/multilineari ad alta dimensione e una scarsa identificabilità.
2. Overhead di Addestramento: Trattare il canale composito come una matrice non strutturata comporta un overhead di addestramento proporzionale al quadrato dell'apertura della SIM ($N^2$), il che è impraticabile per implementazioni su larga scala.
3. Ignoranza Strutturale: Gli approcci attuali spesso non riescono a sfruttare la specifica struttura algebrica indotta dalla cascata SIM, in particolare la distinzione tra un numero dispari o pari di strati.
4. Scalabilità e Robustezza: I metodi basati sull'apprendimento soffrono di elevate richieste di dati/calcolo, mentre gli stimatori strutturati esistenti spesso si affidano ad assunzioni restrittive (ad esempio, forte sparsità del canale) o non affrontano le specifiche condizioni di identificabilità delle cascate SIM.

Metodologia
Il documento propone TenSIM, un quadro unificato per la stima del canale basato su tensori che sfrutta le proprietà strutturali delle cascate SIM. La metodologia principale prevede:

1. Protocollo di Addestramento Dipendente dalla Parità: Gli autori introducono una strategia di addestramento a complessità ridotta in cui solo gli strati centrali più informativi vengono riconfigurati attraverso i blocchi di pilot, mentre gli strati esterni rimangono fissi.

   • SIM a Strati Dispari ($L = 2M + 1$): Solo il singolo strato centrale ($M+1$) viene variato.
   • SIM a Strati Pari ($L = 2M$): I due strati centrali ($M$ e $M+1$) vengono variati congiuntamente.

2. Modellazione Tensoriale: Sulla base del protocollo di addestramento, i segnali pilota ricevuti sono modellati come tensori di terzo ordine. Il framework deriva due distinte decomposizioni tensoriali in base alla parità del numero di strati:

   • Caso a Strati Dispari: La cascata induce un modello PARAFAC (Parallel Factor). Il tensore ricevuto viene decomposto in fattori di canale trasmettitore-SIM ed effettivamente SIM-ricevitore e una matrice di configurazione di fase programmabile, con un tensore core identità.
   • Caso a Strati Pari: La cascata induce un modello Tucker. Il tensore ricevuto viene decomposto nei medesimi fattori di canale e matrice di addestramento, ma accoppiati attraverso un tensore core noto determinato dalla matrice di propagazione inter-strato centrale ($W_{M+1}$).

3. Algoritmi di Stima: Gli autori sviluppano stimatori a Minimi Quadrati Alternati (ALS) su misura per ciascun modello:

   • TenSIM-PARAFAC: Aggiorna iterativamente i fattori di canale effettivi utilizzando strutture di prodotto Khatri-Rao.
   • TenSIM-Tucker: Aggiorna iterativamente i fattori utilizzando strutture di prodotto di Kronecker che coinvolgono le scompattazioni del tensore core noto.
   • Addestramento Cieco/Imperfetto: Il framework è esteso per stimare congiuntamente la matrice di addestramento quando questa è sconosciuta o imperfetta al ricevitore, ciclando tra gli aggiornamenti dei fattori del canale e di addestramento.

4. Analisi dell'Identificabilità: Il documento stabilisce condizioni basate sul rango per una identificabilità univoca. Dimostra che, sotto condizioni di diversità moderate (sufficienti blocchi di pilot $K$ e design di addestramento a pieno rango), i fattori del canale sono identificabili fino ad ambiguità di scala banali (scaling diagonale per PARAFAC, scalare globale per Tucker).

Contributi Chiave

• Framework Unificato: Introduzione di TenSIM, che unifica la stima del canale per sistemi MIMO assistiti da SIM distinguendo tra architetture a strati dispari e pari.
• Sfruttamento Strutturale: Derivazione di modelli tensoriali dipendenti dalla parità (PARAFAC per gli strati dispari, Tucker per quelli pari) che disaccoppiano i fattori di canale Tx-SIM e SIM-Rx pur tenendo esplicitamente conto dell'accoppiamento d'onda inter-strato.
• Sviluppo Algoritmico: Progettazione di stimatori ALS pratici per entrambi i modelli, insieme a condizioni sufficienti costruttive per design di addestramento a pieno rango di colonna.
• Analisi di Complessità e Trade-off: Quantificazione della complessità computazionale, evidenziando come TenSIM-PARAFAC offra una minore complessità ($O(N^3)$) e una migliore scalabilità, mentre TenSIM-Tucker ($O(N^4)$) fornisca una modellazione più ricca a scapito di una maggiore complessità e sensibilità alla spaziatura inter-strato.
• Valutazione della Robustezza: Dimostrazione che il framework rimane efficace in scenari di addestramento SIM imperfetto o cieco, a condizione che sia disponibile una diversità di pilot aggiuntiva.

Risultati
Esperimenti numerici estesi validano il framework proposto:

• Performance rispetto ai Baseline: Sia TenSIM-PARAFAC che TenSIM-Tucker superano significativamente i baseline di Minimi Quadrati (LS) non strutturati sfruttando la struttura tensoriale. Raggiungono un errore quadratico medio normalizzato (NMSE) inferiore con significativamente meno blocchi di addestramento ($K \ll N^2$).
• SNR e Diversità: L'accuratezza della stima migliora monotonicamente con il rapporto segnale-rumore (SNR) e la diversità dell'addestramento ($K$).
• Confronto tra Architetture:
  • TenSIM-PARAFAC (Dispari): Dimostra una scalabilità superiore, una minore complessità computazionale e una maggiore robustezza alle variazioni della spaziatura inter-strato. Funziona bene anche quando l'accoppiamento è debole.
  • TenSIM-Tucker (Pari): Fornisce una ricostruzione del canale più accurata quando sono disponibili un addestramento sufficiente e un forte accoppiamento tra gli strati. Tuttavia, le sue prestazioni degradano all'aumentare della spaziatura inter-strato a causa del cattivo condizionamento della matrice di propagazione del core.
• Convergenza: TenSIM-Tucker mostra un comportamento di convergenza indipendente dall'SNR, mentre TenSIM-PARAFAC converge più rapidamente ad alti valori di SNR.
• Addestramento Imperfetto: Il framework gestisce con successo scenari in cui la matrice di addestramento SIM è conosciuta in modo imperfetto, a patro che venga utilizzata una diversità di pilot sufficiente per compensare l'incertezza.

Significato e Rivendicazioni
Il documento sostiene che TenSIM fornisce un approccio unificato e fisicamente interpretabile per la stima del canale in sistemi MIMO assistiti da SIM. Il suo significato primario risiede in:

1. Identificabilità Esplicita: Fornisce condizioni rigorose secondo le quali i fattori del canale a cascata possono essere recuperati in modo univoco, colmando una lacuna fondamentale nella letteratura attuale sulle SIM.
2. Interpretabilità Fisica: Il framework mappa la struttura fisica della SIM (strati dispari vs pari) direttamente su specifici modelli algebrici tensoriali, offrendo un chiaro collegamento tra il design elettromagnetico e l'elaborazione del segnale.
3. Trade-off Pratici: Caratterizza esplicitamente i compromessi tra accuratezza della stima, complessità computazionale e robustezza ai parametri fisici (come la spaziatura inter-strato), guidando i progettisti di sistemi nella scelta tra configurazioni a strati dispari o pari in base ai loro specifici vincoli di implementazione.
4. Scalabilità: Riducendo l'overhead di addestramento da $O(N^2)$ a un livello gestibile attraverso la decomposizione tensoriale strutturata, TenSIM rende più fattibile l'implementazione di SIM su larga scala.

Gli autori concludono che, sebbene l'approccio a strati pari (Tucker) offra un modello più ricco, l'approccio a strati dispari (PARAFAC) offre spesso un equilibrio più favorevole tra affidabilità della stima e costi di implementazione, in particolare per grandi aperture SIM o strati ampiamente spaziati. Il lavoro colma il divario tra la programmabilità degli strati elettromagnetici e i modelli identificabili del livello di comunicazione.