ISTA-Based Joint Dictionary Learning and Channel Estimation for XL-MIMO Systems

Sintesi Tecnica: DL-ISTA per la stima del canale XL-MIMO

Problema
La stima accurata del canale nei sistemi Extra-Large Multiple-Input Multiple-Output (XL-MIMO) è ostacolata dagli effetti di propagazione in campo vicino (near-field). A differenza degli scenari in campo lontano (far-field), dove le risposte dell'array dipendono solo dall'angolo, le onde in campo vicino presentano una curvatura sferica, rendendo la risposta dipendente sia dall'angolo di arrivo che dalla distanza del percorso di propagazione. I metodi esistenti si affidano tipicamente alla discretizzazione di questo spazio continuo angolo-distanza in griglie fisse. Questo approccio introduce errori di "disallineamento della griglia" (grid mismatch) quando i parametri reali del percorso non coincidono con i punti della griglia. Sebbene i metodi di raffinamento multistadio (ad esempio, P-OMP seguito da P-SIGW) tentino di mitigare questo problema, essi aumentano la complessità computazionale. Al contrario, gli approcci basati sui dati richiedono spesso estesi set di addestramento. È necessario un metodo che operi direttamente nello spazio dei parametri continui per evitare errori di discretizzazione mantenendo l'efficienza computazionale.

Metodologia
Il documento propone DL-ISTA (Dictionary-Learning Iterative Soft-Thresholding Algorithm), un framework per il apprendimento simultaneo del dizionario (dictionary learning) e la stima del canale in campo vicino. L'innovazione principale è la stima simultanea dei coefficienti sparsi del canale e dei parametri continui di angolo e distanza, bypassando la necessità di griglie fisse.

Il metodo formula il compito di stima come un problema di ottimizzazione non convesso regolarizzato $\ell_1$:
$$\min_{G, \phi, r} \|A(\phi, r)GP - Y\|_F^2 + \alpha \|G\|_{1,1}$$
dove $G$ rappresenta i guadagni sparsi dei percorsi, e $\phi$ (coseno dell'angolo) e $r$ (distanza) sono i parametri continui del dizionario.

La soluzione impiega una strategia di ottimizzazione alternata:

1. Aggiornamento dei coefficienti sparsi: Con i parametri fissi, il problema si riduce a un problema convesso di minimi quadrati regolarizzato $\ell_1$, risolto tramite un singolo step dell'algoritmo Iterative Soft-Thresholding Algorithm (ISTA).
2. Apprendimento del dizionario (Aggiornamento dei parametri): Con i coefficienti fissi, i parametri continui di angolo e distanza vengono raffinati per minimizzare l'errore di ricostruzione. Ciò viene ottenuto tramite uno schema Gauss-Newton diagonale. Per evitare l'elevato costo dell'inversione di una matrice Hessiana completa, il metodo aggiorna ogni parametro indipendentemente utilizzando solo l'elemento diagonale corrispondente della matrice Hessiana approssimata.
3. Inizializzazione: Data la natura non convessa del problema, gli autori inizializzano le coppie angolo-distanza utilizzando sequenze di Sobol. Queste sequenze a bassa discrepanza forniscono una copertura deterministica e uniforme dello spazio dei parametri, promuovendo una convergenza robusta verso un ottimo locale favorevole rispetto al campionamento pseudo-casuale.

Contributi Chiave

• Framework di Ottimizzazione Congiunta: Il documento introduce DL-ISTA, che unifica la stima del canale e il dictionary learning in un unico ciclo di ottimizzazione, eliminando gli errori di discretizzazione inerenti agli approcci a griglia fissa e la perdita di prestazioni associata ai metodi di raffinamento a due stadi.
• Inizializzazione Robusta: L'applicazione delle sequenze di Sobol per l'inizializzazione dei parametri continui è evidenziata come un fattore critico per garantire la convergenza in un panorama di ottimizzazione altamente non convesso.
• Efficienza vs. Prestazioni: Il metodo proposto raggiunge un'accuratezza allo stato dell'arte comparabile agli approcci complessi di Sparse Bayesian Learning (CP-SBL), ma con una complessità computazionale significativamente ridotta.

Risultati Numerici
Le simulazioni sono state condotte in scenari XL-MIMO con variabili SNR, numero di antenne ($M$), lunghezza dei piloti ($N$) e percorsi di propagazione ($L$). Le prestazioni sono state misurate utilizzando l'Errore Quadratico Medio Normalizzato (NMSE).

• Accuratezza: DL-ISTA ha costantemente ottenuto il NMSE più basso in tutti gli intervalli di SNR testati. Ha superato il baseline a due stadi P-OMP+P-SIGW di circa il 40% a 20 dB di SNR.
• Confronto con CP-SBL: DL-ISTA ha eguagliato o leggermente superato l'accuratezza di stima del benchmark CP-SBL.
• Complessità Computazionale: La complessità di DL-ISTA scala quadraticamente con il numero di antenne ($O(M^2)$), similmente a P-OMP+P-SIGW. Al contrario, CP-SBL scala cubicamente ($O(M^3)$). Gli autori osservano che DL-ISTA raggiunge un'accuratezza comparabile a CP-SBL con un costo computazionale di circa un ordine di grandezza inferiore.
• Scalabilità: Il vantaggio di prestazioni di DL-ISA rispetto ai metodi basati su griglia è diventato più marcato all'aumentare del numero di percorsi di propagazione ($L$), indicando la sua efficacia in ambienti multipath complessi.

Significatività e Rivendicazioni
Il documento afferma che DL-ISTA offre un equilibrio attraente tra accuratezza di stima ed efficienza computazionale per la stima del canale in campo vicino nei sistemi XL-MIMO. Operando direttamente nello spazio dei parametri continui, evita i limiti fondamentali del disallineamento della griglia senza incorrere nell'oneroso carico computazionale dell'apprendimento bayesiano iterativo o nel sovraccarico di addestramento dei metodi basati sui dati. Gli autori concludono che il metodo è particolarmente adatto per scenari che richiedono alta accuratezza con risorse computazionali gestibili. Il lavoro futuro suggerito si concentra sulla selezione automatica del parametro di regolarizzazione per migliorarne l'applicabilità pratica.