Symbol Error Analysis of Linear Receivers in Terahertz Channels under Channel-Noise Dependence

Sintesi Tecnica: Analisi dell'Errore di Simbolo di Ricevitori Lineari in Canali Terahertz sotto Dipendenza Canale-Rumore

Definizione del Problema
La banda terahertz (THz) (da 100 GHz a 10 THz) è fondamentale per il raggiungimento di velocità di trasmissione dati nell'ordine dei terabit al secondo nei futuri sistemi wireless. Tuttavia, il pieno potenziale della tecnologia THz è ostacolato da sfide di propagazione, tra cui l'attenuazione severa, l'assorbimento molecolare e le imperfezioni hardware. Una lacuna significativa nei modelli di analisi delle prestazioni esistenti è l'assunzione di indipendenza tra il canale e il rumore additivo. Nei sistemi THz pratici, questa assunzione spesso viene meno a causa del rumore da assorbimento molecolare indotto dal canale e delle imperfezioni hardware (ad esempio, distorsioni del trasmettitore e del ricevitore), che creano una dipendenza statistica tra lo stato del canale e il rumore. I modelli tradizionali che ignorano tale correlazione non riescono a prevedere accuratamente le prestazioni dei detector lineari, in particolare negli scenari di deep-fading. Inoltre, sebbene i detector Zero-Forcing (ZF) e Minimum Mean-Square Error (MMSE) siano standard, l'impatto specifico della dipendenza canale-rumore sulla loro Symbol Error Rate (SER), specialmente riguardo al bias inerente introdotto dall'MMSE nelle modulazioni di ordine superiore, rimane poco esplorato attraverso i diversi modelli di fading THz.

Metodologia
Il documento sviluppa un quadro analitico completo per valutare la SER di detector lineari (ZF e MMSE) in sistemi SISO THz. La metodologia prevede i seguenti componenti chiave:

1. Modellazione del Sistema e del Canale:

   • Modelli di Fading: Lo studio considera tre distinti ambienti di fading: Rayleigh (riferimento), la distribuzione $\alpha-\mu$ per scenari THz indoor, e la distribuzione Mixture-Gamma (MG) per scenari THz outdoor.
   • Correlazione del Rumore: Il framework modella esplicitamente la dipendenza tra il canale ($h$) e il rumore ($n$). Vengono utilizzati due approcci:
     • Correlazione Statistica Diretta: Utilizzando un coefficiente di correlazione complesso ($\lambda$) per canali gaussiani.
     • Modellazione Basata su Copula: Impiegando le copule Farlie-Gumbel-Morgenstern (FGM) e Frank per catturare strutture di dipendenza complesse tra le ampiezze del canale non gaussiane e il rumore.
   • Imperfezioni Hardware: Un modello di sistema THz specifico incorpora il rumore di distorsione dai trasmettitori e dai ricevitori, dove la varianza del rumore è proporzionale alla potenza del canale ($|h|^2$).

2. Derivazione Analitica:

   • Detector ZF: Il rumore effettivo è modellato come il rapporto tra variabili dipendenti (rumore su canale). Il documento deriva la Funzione di Densità di Probabilità (PDF) di questo rapporto per canali distribuiti MG utilizzando le funzioni Meijer G.
   • Detector MMSE: L'analisi deriva la PDF del segnale ricevuto post-filtraggio. Fondamentalmente, affronta il problema del "mismatch": l'MMSE introduce un bias di scala che sposta i confini decisionali rispetto alle regioni standard dello ZF. Il documento deriva le espressioni SER per l'MMSE operante sotto regioni decisionali standard dello ZF, che è un'ipotesi pratica comune.
   • Analisi Asintotica: Vengono derivate approssimazioni ad alto SNR per caratterizzare la relazione funzionale tra SER e Signal-to-Noise Ratio (SNR), concentrandosi sugli eventi di deep-fade.

3. Validazione:

   • Le espressioni teoriche sono validate tramite estese simulazioni Monte Carlo ($N = 5 \times 10^6$ prove) utilizzando MATLAB.
   • Le simulazioni coprono vari schemi di modulazione (4-QAM e 16-QAM) e diverse intensità di correlazione.

Contributi Chiave
Il documento apporta i seguenti contributi tecnici:

• Framework Esteso: Estende il lavoro precedente sul rilevamento ZF in canali Rayleigh e canali THz indoor per includere gli ambienti THz esterni modellati dalla distribuzione MG e per includere il rilevamento MMSE.
• Modellazione della Correlazione: Fornisce una soluzione generalizzata per la dipendenza canale-rumore utilizzando sia la correlazione statistica diretta che i metodi basati su copula (FGM e Frank), derivando la PDF del rumore effettivo per questi scenari.
• Analisi del Bias MMSE: Analizza formalmente il degrado delle prestazioni dei detector MMSE quando utilizzano regioni decisionali basate su ZF. Il documento dimostra che, sebbene l'MMSE offra stabilità numerica, il bias inerente causa una perdita di prestazioni rispetto allo ZF nelle modulazioni di ordine superiore (ad esempio, 16-QAM) a causa dello spostamento dei confini decisionali.
• Espressioni in Forma Chiusa e Semi-Analitiche: Gli autori derivano nuove formulazioni semi-analitiche, soluzioni in forma chiusa e approssimazioni accurate per la SER attraverso canali Rayleigh, $\alpha-\mu$ e MG.

Risultati
I risultati delle simulazioni dimostrano un forte accordo con le espressioni teoriche derivate, validando l'accuratezza del framework. Le scoperte chiave includono:

• Impatto della Correlazione: La dipendenza canale-rumore influenza significativamente le prestazioni del ricevitore. Per una SER target di $10^{-3}$, una correlazione del 70% risulta in un degrado di circa 6,5 dB dell'SNR effettivo rispetto al caso indipendente.
• Prestazioni ZF vs. MMSE:
  • Per il 4-QAM, i detector ZF e MMSE mostrano prestazioni identiche, confermando le previsioni teoriche.
  • Per il 16-QAM, il detector MMSE (operante con regioni decisionali ZF) subisce una perdita di prestazioni di circa 1 dB rispetto allo ZF a un SNR di 5 dB. Questa perdita è attribuita al bias che sposta i confini decisionali.
  • Tuttavia, l'MMSE dimostra una robustezza superiore nelle condizioni di fading severo, dove lo ZF soffre di un'amplificazione incontrollata del rumore (inversione del canale).
• THz Outdoor: Il framework caratterizza con successo la SER per gli scenari esterni utilizzando la distribuzione MG, mostrando che le espressioni asintotiche corrispondono strettamente alle curve teoriche nelle regioni ad alto SNR.

Significatività e Rivendicazioni
Il documento sostiene di fornire una base analitica affidabile per valutare e ottimizzare i detector lineari nei futuri sistemi di comunicazione THz. La sua significatività risiede in:

1. Realismo: Incorporando la dipendenza canale-rumore e le imperfezioni hardware, il framework offre un'analisi più coerente con la realtà fisica rispetto ai modelli tradizionali di rumore indipendente.
2. Trade-off Pratici: L'analisi chiarisce il compromesso tra la stabilità numerica dell'MMSE (che previene l'amplificazione del rumore nei deep fade) e il mismatch dei confini decisionali che degrada le prestazioni nelle modulazioni di ordine superiore.
3. Guida alla Progettazione: I risultati suggeriscono che, sebbene lo ZF sia ottimale nei regimi ad alto SNR per il 4-QAM, l'MMSE rimane un'alternativa pratica e robusta per le modulazioni di ordine superiore in ambienti THz reali, a condizione che il gap di prestazioni (circa 1 dB) sia accettabile per i requisiti di affidabilità dell'applicazione.

Gli autori concludono che il loro framework è uno strumento prezioso per la progettazione di sistemi THz, in quanto può essere esteso ad altri modelli di canale e di rumore, e sottolineano la necessità di tenere conto della correlazione canale-rumore nella progettazione di reti di prossima generazione.