Data Detection for Massive MIMO Systems with 1-Bit Quantized Dithered Linear Precoding

Sintesi Tecnica: Rilevamento dei Dati per Sistemi Massive MIMO con Precoding Lineare Dithered a Quantizzazione a 1 Bit

Definizione del Problema
L'implementazione di sistemi massive multiple-input multiple-output (MIMO) completamente digitali è limitata dall'elevato consumo di potenza e dalla complessità hardware dei convertitori analogico-digitali (ADC) e digitale-analogici (DAC). Sebbene l'adozione di DAC a 1 bit al trasmettitore riduca significativamente potenza e complessità, essa introduce una severa distorsione di quantizzazione che degrada l'integrità del segnale. Nonostante esista una vasta ricerca sul design del precoding per DAC a 1 bit, i metodi diretti di rilevamento dei dati al ricevitore che tengano esplicitamente conto della quantizzazione lato trasmissione in sistemi massive MIMO punto-punto rimangono inesplorati. I metodi di rilevamento esistenti sono principalmente progettati per sistemi multi-utente uplink con ADC a 1 bit al ricevitore, dove la quantizzazione avviene dopo la propagazione del canale, uno scenario fondamentalmente diverso dalla quantizzazione lato trasmissione qui considerata. Inoltre, i baseline standard spesso coinvolgono un approccio a due stadi (rilevando prima il segnale binario trasmesso, poi recuperando i dati), il che rischia la propagazione dell'errore.

Metodologia
Il documento investiga un sistema massive MIMO punto-punto in cui il trasmettitore impiega DAC a 1 bit con dithering gaussiano applicato prima della quantizzazione, e il ricevitore utilizza o ADC a piena risoluzione o a 1 bit. Lo studio assume che il vettore di dither sia noto al ricevitore, consentendo la rimozione del dither. La metodologia è strutturata attorno a due approcci principali di linearizzazione per i segnali quantizzati:

1. Linearizzazione Indipendente dal Simbolo (Decomposizione di Bussgang): Questo approccio tratta la distorsione di quantizzazione come rumore non correlato. Viene utilizzato per derivare metodi di rilevamento dei dati basati sulla stima soft. Gli autori propongono BLMMSE-DR (Bussgang Linear Minimum Mean Squared Error con Rimozione del Dither) per ADC a piena risoluzione e D-BLMMSE-DR (Doubly 1-bit quantized BLMMSE-DR) per ADC a 1 bit. Questi metodi sottraggono il bias indotto dal dither stimato dal segnale ricevuto prima della combinazione lineare.

2. Linearizzazione Dipendente dal Simbolo: Viene introdotto un approccio innovativo in cui il segnale trasmesso viene linearizzato condizionatamente al vettore del simbolo di dato specifico. Ciò consente la derivazione di metodi di rilevamento basati sulla Massima Verosimiglianza (ML) che recuperano direttamente il vettore del simbolo di dato senza uno step intermedio di stima soft.

   • Per gli ADC a piena risoluzione, gli autori derivano la funzione di verosimiglianza completa del segnale ricevuto. Propongono ML (senza rimozione del dither) e ML-DR (con rimozione del dither dipendente dal simbolo). Il metodo ML-DR semplifica la matrice di covarianza trascurando gli elementi fuori diagonale, riducendo significativamente la complessità pur mantenendo le prestazioni.
   • Per gli ADC a 1 bit, gli autori sviluppano D-ML (Doubly 1-bit quantized ML). Poiché la rimozione del dither dipendente dal simbolo non è direttamente applicabile al segnale ricevuto quantizzato a 1 bit, questo metodo sfrutta le statistiche del segnale ricevuto pre-quantizzato per approssimare la funzione di verosimiglianza dell'output a 1 bit.

Per affrontare la crescita esponenziale della complessità computazionale con il numero di flussi di dati ($K$) inerente alla ricerca esaustiva ML, sono proposte varianti a bassa complessità. Queste varianti restringono lo spazio di ricerca a un sottoinsieme di candidati identificati dai corrispondenti metodi di stima soft (ad esempio, BLMMSE-DR o D-BLMMSE-DR).

Contributi Chiave

• Nuovi Framework di Rilevamento: Il documento propone i primi metodi diretti di rilevamento dei dati per massive MIMO punto-punto con DAC a 1 bit e dithering, coprendo sia architetture di ricezione a piena risoluzione che a 1 bit.
• Tecniche di Rimozione del Dither: Introduce specifiche strategie di rimozione del dither sia per il rilevamento soft (indipendente dal simbolo) che per il rilevamento ML (dipendente dal simbolo), dimostrando che la rimozione del bias del dither noto migliora l'accuratezza del rilevamento, in particolare a rapporti segnale-rumore (SNR) medi o elevati.
• Linearizzazione Dipendente dal Simbolo: Una nuova tecnica di linearizzazione è stata sviluppata per il segnale trasmesso quantizzato a 1 bit, consentendo la derivazione di rilevatori basati su ML che mappano direttamente i segnali ricevuti ai simboli di dato.
• Riduzione della Complessità: Varianti a bassa complessità dei metodi basati su ML sono state sviluppate, riducendo lo spazio di ricerca da $L^K$ (dove $L$ è la dimensione della costellazione) a $\nu^K$ (dove $\nu \leq L$), rendendo i metodi fattibili per conteggi di flussi pratici.

Risultati Numerici
Le valutazioni numeriche utilizzando il Tasso di Errore di Simbolo (SER) come metrica evidenziano che:

• Ruolo della Potenza del Dither: Esiste una potenza di dither ottimale. Per una bassa potenza di dither, i componenti della distorsione di quantizzazione rimangono altamente correlati; per un'alta potenza, il dither domina. Le prestazioni ottimali si osservano generalmente a SNR moderati o elevati.
• Guadagni di Prestazioni: I metodi basati su ML proposti (ML-DR e D-ML) superano costantemente i metodi basati su stima soft e un metodo baseline ML a due stadi tramite ottimizzazione omo-topica (two-stage hoML).
  • Per gli ADC a piena risoluzione, ML-DR raggiunge un SER fino a due ordini di grandezza inferiore rispetto ai metodi di stima soft e supera significativamente il baseline a due stadi hoML. La rimozione del dither in ML-DR fornisce una riduzione del SER di ulteriori 2× rispetto al caso senza rimozione ai livelli ottimali di potenza del dither.
  • Per gli ADC a 1 bit, il metodo D-ML raggiunge una riduzione del SER di 10× rispetto agli altri metodi, incluso il baseline a due stadi hoML, evitando la propagazione dell'errore inerente all'approccio a due stadi.
• Scalabilità: Le varianti a bassa complessità (con spazio di ricerca ridotto, ad esempio $\nu=3$ o $4$) raggiungono prestazioni quasi indistinguibili dai metodi ML a ricerca completa, riducendo drasticamente il carico computazionale.
• Robustezza: I metodi proposti mantengono la superiorità rispetto al baseline anche in presenza di informazione sullo stato del canale (CSI) imperfetta al ricevitore.

Significatività e Rivendicazioni
Il documento afferma che i metodi di rilevamento basati su ML proposti, in particolare quando combinati con la rimozione del dither e strategie di ricerca a bassa complessità, offrono un avanzamento critico nella gestione della severa distorsione di quantizzazione dei DAC a 1 bit nei sistemi massive MIMO. Modellando direttamente la quantizzazione lato trasmissione e gli effetti del dithering, questi metodi superano i limiti dei baseline esistenti che trattano il problema come un compito standard di rilevamento binario seguito dal recupero del simbolo. I risultati dimostrano che un accurato recupero dei dati è ottenibile con hardware a bassa risoluzione, a condizione che il ricevitore impieghi algoritmi di rilevamento progettati specificamente per sfruttare le proprietà statistiche dei segnali dithered e quantizzati. Il lavoro stabilisce che la potenza del dither è un parametimento critico del sistema e che i framework proposti forniscono un favorevole compromesso tra prestazioni e complessità computazionale per le future applicazioni 6G e wireless backhaul.