Generative Site-Specific Beamforming for UPAs via Decoupled Channel Sensing

Riepilogo Tecnico: Beamforming Generativo Site-Specific per UPAs tramite Sensing Decoupled

Problema

Nei sistemi con Array Planari Uniformi (UPA), in particolare per le comunicazioni mmWave, un allineamento del fascio accurato è fondamentale per ottenere un'elevata efficienza spettrale e l'affidabilità del link. Tuttavia, i metodi tradizionali di allineamento del fascio affrontano un compromesso fondamentale tra la fedeltità del beamforming e l'overhead di sensing online:

• Il beamforming dipendente dal canale richiede una conoscenza accurata dello Stato del Canale (CSI), portando a un overhead proibitivo di training dei piloti e feedback nei sistemi con antenne su larga scala.
• La scansione Grid-of-beams (ad esempio, ricerca esaustiva nel codebook DFT 2D) evita l'acquisizione esplicita della CSI, ma comporta una complessità moltiplicativa ($M_\phi \times M_\theta$) all'aumentare della risoluzione angolare dei fasci di prova.
• Il Site-Specific Beamforming (SSBF) tenta di apprendere le regolarità ambientali per inferire i fasci da misurazioni limitate. Tuttavia, gli approoli di SSBF generativi esistenti spesso si affidano a un sensing 2D completo o a misurazioni di codebook generici, fallendo nel affrontare le sfide specifiche del sensing decouplato nelle UPAs.

Quando i domini di azimut ed elevazione vengono sondati indipendentemente per ridurre l'overhead a una complessità lineare ($M_\phi + M_\theta$), le osservazioni della potenza ricevuta del segnale di riferimento (RSRP) risultanti soffrono di:

1. Perdita di Informazione: Il naturale accoppiamento congiunto azimut-elevazione del canale viene perso; vengono preservate solo le distribuzioni di potenza marginali.
2. Disallineamento dei Lobi (Lobe Mismatch): I lobi di azimut ed elevazione più forti potrebbero non corrispondere allo stesso percorso fisico, portando a direzioni angolari virtuali che non esistono.
3. Ambiguità di Fase: Il feedback RSRP basato solo sulla potenza scarta l'informazione di fase, rendendo la mappatura dalle osservazioni separate al beamformer non univoca e altamente ambigua.

Metodologia

Il documento propone un framework di Cross-Fused Generative Site-Specific Beamforming (GenSSBF) progettato per generare candidati di beam ad alta fedeltà da un sensing decouplato a basso overhead.

1. Decoupled Channel Sensing

La Base Station (BS) sonda indipendentemente i domini di azimut ed elevazione utilizzando codebook separati.

• Sensing di Azimut: Sonda diversi settori di azimut con una copertura di elevazione ampia.
• Sensing di Elevazione: Sonda diversi settori di elevazione con una copertura di azimut ampia.
• Output: Due vettori RSRP a bassa dimensionalità, $r_\phi$ e $r_\theta$, riducendo l'overhead online da una complessità moltiplicativa a una lineare.

2. Architettura Cross-Fused GenSSBF

Per recuperare l'informazione angolare congiunta persa, il framework impiega un modello generativo con tre componenti principali:

• Codifica del Canale nel Dominio Angolare: Il beamformer target è rappresentato nel dominio angolare (base DFT). Per evitare problemi di phase-wrapping durante il training, i coefficienti complessi del canale sono codificati come ampiezza e una coppia coseno-seno ($\rho, \cos\phi, \sin\phi$).
• Encoder Bidirezionale con Cross-Attention: Questo modulo affronta la perdita di informazione del sensing decouplato.
  • MLP separati codificano $r_\phi$ e $r_\theta$ in token di feature.
  • Un meccanismo di cross-attention bidirezionale permette alla branca di azimut di interrogare le feature di elevazione (e viceversa) per estrarre le dipendenze latenti.
  • Le feature raffinate vengono fuse in un singolo vettore di condizione $c$ che riassume la struttura angolare 2D specifica del sito.
• Generatore a Flusso di Normalizzazione Condizionale (Conditional Normalizing Flow):
  • Invece di un predittore deterministico (che medierebbe le molteplici soluzioni plausibili), il modello utilizza un flusso di normalizzazione condizionale per mappare una variabile latente gaussiana semplice $z$ in una distribuzione complessa di candidati di beam condizionata da $c$.
  • Questo generatore stocastico produce un set di $K$ candidati di beamformer, gestendo la natura multimodale della mappatura da osservazioni decouplate a direzioni di beam.

3. Training Orientato al Task e Verifica

• Obiettivo di Training: Il modello è addestrato utilizzando una perdita di guadagno di beamforming normalizzata. Invece di adattarsi all'intera distribuzione condizionale (basata sulla verosimiglianza), l'obiettivo è massimizzare il guadagno del miglior candidato tra i $K$ beam generati. Ciò incoraggia il generatore ad assegnare massa di probabilità alle regioni ad alto guadagno.
• Verifica Online: La BS genera $K$ candidati di beam. L'User Equipment (UE) esegue misurazioni di pilota leggere su questi candidati e fornisce il feedback dell'indice del beam con l'RSRP più elevato per la trasmissione finale dei dati.

Contributi Chiave

1. Sensing Decoupled a Basso Overhead: Il documento formalizza una strategia di sensing decouplato per le UPAs che riduce l'overhead online da $O(M_\phi M_\theta)$ a $O(M_\phi + M_\theta)$, caratterizzando esplicitamente la conseguente perdita di accoppiamento angolare congiunto.
2. Framework Cross-Fused GenSSBF: Un'architettura innovativa che combina un encoder con cross-attention bidirezionale per recuperare le dipendenze latenti azimut-elevazione e un flusso di normalizzazione condizionale per generare molteplici candidati di beam ad alta fedeltà da input ambigui.
3. Loss di Training Orientata al Task: Un obiettivo di training che ottimizza l'inclusione di almeno un beam ad alto guadagno nell'insieme dei candidati, piuttosto che minimizzare l'errore di ricostruzione medio. Il documento fornisce un'interpretazione teorica mostrando che la probabilità di successo aumenta con la massa di probabilità del generatore nella regione ad alto guadagno e con il numero di candidati.
4. Validazione delle Prestazioni: Simulazioni estese utilizzando scenari DeepMIMO (indoor, ostruzione outdoor e urban mmWave) dimostrano l'efficacia del framework.

Risultati

I risultati delle simulazioni basati su scenari DeepMIMO (I2 28, O1B 28, Boston5G 28) mostrano:

• Guadagno di Beamforming: Il proposto GenSSBF (con $K=8$ candidati) supera costantemente la predizione deterministica basata su MLP, il GenSSBF senza cross-attention e la convenzionale ricerca di codebook DFT esaustiva.
  • Rispetto a una ricerca DFT 2D completa a 1024 beam, il metodo proposto ha ottenuto miglioramenti del guadagno di beamforming normalizzato dell'83,6% (I2 28), del 74,6% (O1B 28) e del 38,1% (Boston5G 28).
  • Ottiene pattern di beam significativamente più vicini al limite superiore della Trasmissione a Rapporto Massimo (MRT) rispetto alle ricerche di codebook fissi.
• Riduzione dell'Overhead: Il design del sensing decouplato riduce l'overhead di sweeping del 93,8% rispetto allo sweeping DFT 2D completo.
• Robustezza: Il framework mantiene prestazioni superiori su un ampio intervallo di rapporti segnale-rumore (SNR) rispetto ai benchmark, sebbene le prestazioni degradino a SNR molto bassi (< -5 dB) dove il rumore di sensing sovrasta il segnale.
• Studi di Ablazione: La rimozione del modulo di cross-attention degrada significativamente le prestazioni, confermando la sua necessità per il recupero delle dipendenze latenti. La generazione stocastica (GenSSBF) supera la predizione deterministica (MLP), validando la necessità di una generazione di candidati multimodale in scenari di sensing ambigui.

Significato

Il documento sostiene che la sola riduzione dell'overhead di sensing sia insufficiente per un allineamento del beam affidabile nelle UPAs a causa dell'intrinseca ambiguità delle osservazioni decouplate. La rilevanza di questo lavoro risiede nel dimostrare che l'intelligenza artificiale generativa, in particolare quando combinata con la fusione cross-dominio e la generazione stocastica orientata al task, può efficacemente inferire beamformer site-specific di alta qualità da misurazioni di potenza marginali a bassa dimensionalità. Questo approccio offre una via percorribile per raggiungere guadagni di beamforming quasi ottimali con costi di sensing online drasticamente ridotti, affrontando un collo di bottiglia critico per il dispiegamento di sistemi UPA su larga scala nelle reti 5G/6G.