Distributed MoE-based Uplink Detection for Cell-Free Communication Systems

Riepilogo Tecnico: Rilevamento Uplink basato su MoE Distribuito per Sistemi di Comunicazione Cell-Free

Problema
Il Cell-free Massive MIMO è una tecnologia fondamentale per le reti oltre il 5G, che utilizza access point (AP) distribuiti per servire congiuntamente gli utenti (UE) e mitigare l'interferenza inter-cella. Tuttavia, l'efficace rilevamento del segnale in uplink in questi sistemi affronta un compromesso fondamentale. I metodi di rilevamento lineare convenzionali, come il Minimum Mean Square Error (MMSE) e lo Zero Forcing (ZF), offrono un equilibrio pratico tra prestazioni e carico del fronthaul, ma sono intrinsecamente limitati dai vincoli dell'elaborazione lineare. Al contrario, l'elaborazione completamente centralizzata, che inoltra tutti i segnali ricevuti a una Central Processing Unit (CPU), raggiunge prestazioni ottimali ma comporta un overhead del fronthaul e una latenza proibitivi. Gli schemi distribuiti esistenti, come il Large-Scale Fading Decoding (LSFD), tentano di colmare questo divario utilizzando l'informazione del canale per la combinazione pesata; tuttavia, la loro dipendenza da processi di expectation-maximization e assunzioni statistiche del canale porta spesso a un degrado delle prestazioni in condizioni di canale deterministiche complesse.

Metodologia: DMoE-DetNet
Per affrontare queste limitazioni, gli autori propongono DMoE-DetNet (Distributed Mixture of Experts Detection Network), un framework basato sul deep learning che sfrutta una divisione del lavoro tra l'informazione del canale istantanea e quella statistica. L'architettura opera come segue:

1. Reti di Esperti Locali (AP): Ogni AP agisce come un "esperto locale". Inve combinazione lineare semplice, ogni AP impiega una Rete Neurale Convoluzionale (CNN) per eseguire l'estrazione di caratteristiche non lineari. Queste reti utilizzano l'Informazione dello Stato del Canale Istantanea (ICSI) e i segnali ricevuti per generare risultati di rilevamento locale preliminari e rappresentazioni di caratteristiche fuse.
2. Central Processing Unit (CPU) - Fusione delle Caratteristiche: La CPU riceve i risultati del rilevamento locale e i vettori di caratteristiche da tutti gli AP. Viene impiegato un encoder basato su Transformer per catturare le complesse dipendenze spazio-temporali tra gli utenti, raffinando la rappresentazione globale delle caratteristiche.
3. Rete di Gating Intelligente: Una rete di gating alla CPU pesa dinamicamente i contributi provenienti dai diversi AP. A differenza del convenzionale LSFD che si basa su aspettative statistiche statiche, questa rete di gating utilizza l'Informazione dello Stato del Canale Statistica (SCSI) (ad esempio, matrici di correlazione spaziale) per calcolare pesi di fusione adattivi. Ciò consente al sistema di dare priorità agli AP con condizioni di canale a lungo termine favorevoli.
4. Rilevamento Finale: La fusione pesata degli output degli esperti viene passata attraverso un rilevatore lineare per emettere le probabilità dei simboli.

Fondamentalmente, il framework addestrato opera utilizzando solo i segnali rilevati dagli AP e la SCSI (che può essere acquisita tramite mappe di conoscenza pregressa), evitando la necessità di trasmettere i segnali ricevuti grezzi o la piena ICSI alla CPU.

Contributi Chiave

• Architettura Innovativa: L'introduzione di un framework di Mixture of Experts (MoE) distribuito specificamente progettato per il rilevamento uplink cell-free, distinguendo tra elaborazione locale non lineare (guidata da ICSI) e fusione globale adattiva (guidata da SCSI).
• Elaborazione Non Lineare: Superamento dei vincoli lineari di MMSE e LSFD attraverso l'utilizzo di CNN per l'estrazione locale delle caratteristiche e di Transformer per la modellazione delle dipendenze globali.
• Gating Adattivo: Sostituzione dei pesi di combinazione statici basati sull'aspettativa con una rete di gating apprendibile che si adatta dinamicamente alle statistiche del canale, offrendo una soluzione più robusta per gli ambienti di canale deterministici.
• Efficienza: Il design mantiene un basso overhead del fronthaul trasmettendo solo stime locali elaborate e parametri statistici anziché dati di segnale grezzi.

Risultati della Simulazione
Sono state condotte estese simulazioni confrontando DMoE-DetNet con l'elaborazione completamente centralizzata, l'elaborazione locale con media e l'elaborazione locale con combinazione LSFD.

• Symbol Error Rate (SER): DMoE-DetNet supera significativamente i metodi di rilevamento distribuiti lineari convenzionali (LSFD e media) attraverso vari livelli di Rapporto Segnale-Rumore (SNR).
• Gap di Prestazione: Sebbene l'elaborazione completamente centralizzata rimanga il limite teorico superiore, DMoO-DetNet si avvicina strettamente a questo limite di prestazione richiedendo al contempo una interazione del fronthaul sostanzialmente inferiore.
• Robustezza: Il metodo proposto dimostra prestazioni superiori in condizioni di canale eterogenee e con numeri variabili di UE e AP, validando la sua capacità di apprendere strategie non lineari efficaci che i metodi statistici statici non possono catturare.

Significato e Rivendicazioni
L'articolo sostiene che DMoE-DetNet rappresenti un avanzamento significativo nei sistemi di comunicazione abilitati dall'IA. Integrando con successo il paradigma Mixture of Experts con le architetture cell-free, il framework supera il soffitto delle prestazioni dei rilevatori distribuiti lineari senza incorrere nell'overhead di un'elaborazione completamente centralizzata. Gli autori affermano che questo approccio dimostra il potenziale del deep learning per realizzare il pieno potenziale dell'elaborazione distribuita nelle reti oltre il 5G, offrendo una via pratica verso un rilevamento quasi ottimale con una complessità di implementazione gestibile.