Deep Learning-Assisted Multicast Subgrouping in Massive MIMO

Sintesi Tecnica: Subgrouping Multicast assistito da Deep Learning in Massive MIMO

Problematica
La consegna efficiente di contenuti in sistemi multicast massive multiple-input multiple-output (mMIMO) è limitata da due fattori primari: l'overhead dei piloti e l'effetto del "peggior utente" (worst-user effect). Nel multicast convenzionale, un singolo tasso di trasmissione deve servire tutti gli utenti, limitando le prestazioni all'utente con le peggiori condizioni di canale. Inoltre, l'assegnazione di piloti ortogonali a ogni utente (unicast) crea un overhead proibitivo in sistemi su larga scala. Sebbene il subgrouping multicast—ovvero la partizione degli utenti in sottoinsiemi con statistiche di canale spaziale simili per applicare precodificatori distinti—offra una soluzione, determinare il numero ottimale di sottogruppi ($G$) rimane un problema complesso e in gran parte irrisolto. I metodi euristici esistenti (ad esempio, K-means con $G$ fisso) o il clustering basato sulla densità (ad esempio, DBSCAN) spesso non riescono ad adattarsi a distribuzioni di utenti eterogenee o richiedono una ricerca esaustiva per trovare il valore di $G$ che massimizza l'efficienza spettrale (SE) totale.

Metodologia
Il documento propone un framework assistito da deep learning per inferire il numero ottimale di sottogruppi multicast direttamente dalle statistiche del canale spaziale degli utenti (matrici di covarianza) senza richiedere l'informazione sullo stato del canale (CSI) istantanea. L'approccio opera sotto un modello di acquisizione CSI scalabile in cui un singolo pilota viene riutilizzato per ogni sottogruppo.

La metodologia principale consiste in tre fasi principali:

1. Pre-elaborazione dell'input (PCA specifica per snapshot): Poiché il numero di utenti ($K$) varia tra i diversi scenari, gli autori impiegano una Principal Component Analysis (PCA) per ogni snapshot. Questo trasforma matrici di covarianza spaziale di dimensioni variabili in una rappresentazione a lunghezza fissa di punteggi delle Componenti Principali (PC). Se il numero di utenti è inferiore alla capacità massima del sistema ($K_{max}$), i vettori di input vengono sottoposti a zero-padding per mantenere una dimensione costante per la rete neurale.
2. Codifica Sequenziale (LSTM): Una rete Long Short-Term Memory (LSTM) elabora la sequenza di punteggi PC degli utenti. L'architettura LSTM è stata scelta per la sua capacità di gestire sequenze di lunghezza variabile e di catturare dipendenze spaziali latenti tra gli utenti. L'architettura include un potenziamento di "replicazione dei dati" in cui i dati di input vengono replicati per riempire sempre $K_{max}$ step temporali, raffinando lo stato interno del modello e migliorandone la robustezza rispetto al numero variabile di utenti.
3. Output e Transfer Learning (TL):
   • Modello Base: Il modello iniziale tratta l'inferenza del sottogruppo come un compito di classificazione multi-output. Esso predice la distribuzione di probabilità del numero di sottogruppi ($G$) per sottoinsiemi di utenti progressivamente più ampi all'interno di un singolo passaggio in avanti (forward pass).
   • Estensione del Transfer Learning (LSTM-TL-SE): Per ottimizzare ulteriormente le prestazioni, viene introdotto un approccio di transfer learning. L'encoder LSTM pre-addestrato (congelato) estrae le caratteristiche spaziali, mentre una testa densa leggera viene perfezionata (fine-tuned) per predire direttamente la SE spettrale totale normalizzata per diversi conteggi di sottogruppi candidati. L'ottimale $G$ viene quindi selezionato come quello che massimizza la SE predetta, evitando la necessità di una ricerca esaustiva.

Contributi Chiave

• Meccanismo di Subgrouping assistito da LSTM: Un framework innovativo che inferisce il numero di sottogruppi multicast dalle strutture di covarianza spaziale, adattandosi a dimensioni variabili di set di utenti senza assunzioni euristiche.
• Pipeline PCA specifica per Snapshot: Una tecnica di pre-elaborazione che converte matrici di covarianza di dimensioni variabili in rappresentazioni di caratteristiche a lunghezza fissa, personalizzate per ogni specifico snapshot della distribuzione degli utenti.
• Transfer Learning per la stima della SE: Un'estensione che riutilizza l'estrattore di caratteristiche spaziali per predire direttamente l'efficienza spettrale totale, consentendo una selezione del sottogruppo quasi ottimale senza valutazione esaustiva.
• Strategia di Subgrouping Intra-Servizio: Un metodo che preserva la semantica multicast (singolo flusso di contenuto) migliorando al contempo l'efficienza del livello fisico attraverso molteplici precodificatori adattati a sottoinsiemi statisticamente omogenei.
• Valutazione Completa: Simulazioni estese che validano l'approccio rispetto a benchmark che includono unicast, multicast convenzionale, subgrouping casuale e clustering DBSCAN in distribuzioni di utenti sia raggruppate (clustered) che sparse.

Risultati
I risultati delle simulazioni in uno scenario mMIMO a cella singola (64 antenne, fino a 120 utenti) dimostrano quanto segue:

• Prestazioni: Il modello proposto (LSTM TL-SE) raggiunge fino all'85,2% della massima efficienza spettrale totale teorica (il limite superiore trovato tramite ricerca esaustiva). Questo supera il miglior benchmark pratico, DBSCAN (79,2%), e supera significativamente l'unicast (67,2%) e il multicast convenzionale (71,4%) in diversi scenari.
• Robustezza: Il modello mantiene alte prestazioni sia in scenari raggruppati (dove il subgrouping è vantaggioso) sia in scenari sparsi (dove ritorna naturalmente a un comportamento simile all'unicast, $G \approx K$).
• CSI Imperfetta: Sotto l'effetto di informazioni di covarianza perturbate (che simulano errori di stima), il modello di transfer learning mostra la maggiore resilienza, mantenendo circa l'80,1% delle prestazioni del limite superiore anche con un disallineamento significativo ($\alpha=0,5$), superando DBSCAN in queste condizioni.
• Generalizzazione: Quando applicati a scenari Cell-Free (CF-mMIMO) senza riaddestramento, i modelli addestrati su dati a cella singola mantengono piccole deviazioni dalla configurazione ottimale del sottogruppo, indicando che l'inferenza della struttura spaziale appresa si generalizza attraverso diverse architetture di rete.
• Complessità: Il metodo proposto scala polinomialmente con il numero di utenti e antenne, offrendo un'alternativa computazionalmente efficiente ai metodi di beamforming basati sull'ottimizzazione che richiedono l'intera CSI istantanea.

Significatività e Rivendicazioni
L'articolo sostiene di presentare il primo framework che combina congiuntamente la riduzione della dimensionalità specifica per snapshot, la modellazione sequenziale delle strutture di covarianza degli utenti e il transfer learning per la predizione dell'efficienza spettrale nel subgrouping multicast.

Gli autori sottolineano che il loro approccio è progettato specificamente per il regime mMIMO limitato dai piloti, dove la CSI istantanea completa per ogni utente non è disponibile o troppo costosa da acquisire. Inferendo la struttura del sottogruppo dalle statistiche spaziali su larga scala, il metodo consente configurazioni di sottogruppi adattive che mitigano l'effetto del peggior utente senza incorrere in un overhead lineare dei piloti. Il lavoro evidenzia come il modello apprenda la struttura spaziale sottostante che governa il subgrouping, permettendogli di identificare correttamente quando il subgrouping è vantaggioso (utenti raggruppati) e quando non lo è (utenti sparsi), fornendo una soluzione robusta per topologie di utenti dinamiche e imprevedibili. Gli autori notano con modestia che, sebbene il framework si generalizzi bene strutturalmente, la mappatura dalla configurazione del sottogruppo alla specifica efficienza spettrale rimane dipendente dal sistema, e il lavoro futuro dovrebbe esplorare campagne di misurazione reali e interferenza multi-cella.