Technische Samenvatting: Leergestuurde Signaalreconstructie in Nietlineaire Systemen met Spectraal Gescheiden Interferentie

1. Probleemstelling

Het artikel behandelt de uitdaging van het reconstrueren van een gewenst signaal in Upper Mid-Band (FR3, 7–24 GHz) 6G-ontvangers die opereren in spectraal dichte omgevingen. In dergelijke scenario's zijn sterke naburige-band (out-of-band, OOB) interferenten onvermijdelijk. Hoewel conventionele lineaire ontvangers vertrouwen op frequentiespecifieke filtering om disjoint-band interferentie te onderdrukken, veroorzaken praktische hardwarebeperkingen—met name de nonlineariteit van de front-end (bijv. verzadiging van de versterker) en eindige resolutie kwantisatie—spectrale lekkage.

Wanneer een sterke OOB-interferent de ontvanger in een nietlineair regime dwingt, genereert dit in-band distortie die klassieke lineaire filtering ineffectief maakt. Het kernprobleem is het schatten van het gewenste signaal $x_0$ uit de ontvangerobservaties $y$ (of gekwantiseerde $y_q$) die corrupt zijn door:

1. Sterke OOB-interferentie: Bezet een disjointe frequentieband.
2. Nietlineaire Verzadiging: Gemodelleerd als een gladde, geheugenloze nonlineariteit (soft-thresholding).
3. Kwantisatie: Optionele grove kwantisatie door de Analoog-Digitaal Converter (ADC).

2. Methodologie

Systeemmodel

De auteurs hanteren een discrete-tijd signaalmodel waarbij het ontvangen vector $r$ de inverse DFT is van frequentiedomein bronnen $x_\ell$ die disjointe banden $B_\ell$ bezetten. De front-end van de ontvanger wordt gemodelleerd als een geheugenloze nietlineaire functie $\Phi(\cdot)$ gevolgd door additieve ruis en optionele kwantisatie:
$$y = \Phi(r, w)$$
Specifiek wordt een soft saturation model gebruikt, waarbij de amplitude wordt gecomprimeerd via een $\tanh$-functie terwijl de fase behouden blijft, gevolgd door additieve ruis en een uniforme kwantizer.

Voorgesteld Algoritme: Learned ML-VAMP

Het artikel stelt een Learned Multi-Layer Vector Approximate Message Passing (LMLVAMP) algoritme voor. Deze aanpak integreert model-gebaseerde Bayesiaanse inferentie met data-gestuurde adaptiviteit.

• Structuur: Het algoritme behandelt het systeem als een twee-laags netwerk:
  1. Laag 1 (Frequentiedomein): Brengt het signaal in het frequentiedomein $x$ over naar het tijddomein signaal $r$ via de IDFT-matrix.
  2. Laag 2 (Tijddomein): Brengt $r$ over naar de nietlineaire observatie $y$.
• Iteratieve Inferentie: Het algoritme werkt de schattingen $\hat{x}$ en $\hat{r}$ iteratief bij met behulp van twee denoising-functies:
  1. Spectrale Denoiser ($G_0$): Werkt in het frequentiedomein. Voor het gewenste signaal is dit een lineaire MMSE-schatter gebaseerd op bekende spectrale priors (gemiddelde $\mu$ en variantie $S$).
  2. Nietlineaire Denoiser ($G_1$): Werkt in het tijddomein om de nietlineaire distortie te inverteren.
• Leercomponent:
  • In klassieke ML-VAMP vereist de nietlineaire denoiser $G_1$ complexe multidimensionale numerieke integratie, wat computationeel onhaalbaar is.
  • De voorgestelde geleerde aanpak vervangt de onhandelbare analytische denoisers door compacte, trainbare neurale netwerken ($f_0$ en $f_1$).
  • Deze netwerken worden end-to-end getraind op gesimuleerde data om optimale MMSE denoisers te benaderen. Ze nemen inputs zoals de huidige schatting, ruisvariantie en systeemparameters (bijv. verzadigingsvermogen $P_{sat}$) en geven verfijnde schattingen en precisieparameters terug.
• Trainingsdoelstelling: Het model wordt getraind met een samengestelde loss-functie die de fout in het frequentiedomein bestraft bij tussenliggende iteraties (om convergentie te sturen) en bij de laatste iteratie (om nauwkeurigheid te waarborgen).

Complexiteitsvoordelen

In tegenstelling tot algemene deep learning-benaderingen die mogelijk $O(N^2)$ parameters vereisen voor $N$-dimensionale inputs, maakt het LMLVAMP-framework gebruik van component-wijze neurale netwerken. De complexiteit schaalt niet met de signaaldimensie $N$, wat het geschikt maakt voor breedbandige systemen.

3. Belangrijkste Bijdragen

1. Nieuw Framework: Introductie van een Learned ML-VAMP framework specifiek ontworpen voor signaalreconstructie in aanwezigheid van sterke OOB-interferentie, ontvangerverzadiging en kwantisatie.
2. Hybride Architectuur: Integratie van spectrale priors (voor de gewenste signaalband) met neurale netwerk-gebaseerde denoising om nietlineaire distorties aan te pakken zonder een expliciet analytisch model van de hardware-nonlineariteit nodig te hebben.
3. Interpreteerbaarheid: In tegenstelling tot "black-box" deep learning netwerken behoudt het voorgestelde methode de iteratieve structuur van message passing, wat interpreteerbaarheid biedt door de wortels in Bayesiaanse inferentie.
4. Efficiëntie: Demonstratie dat het vervangen van analytische denoisers door lichtgewicht neurale netwerken de computationele last van hoog-dimensionale integratie vermijdt terwijl de schaalbaarheid behouden blijft.

4. Prestatieresultaten

Simulaties werden uitgevoerd onder FR3-relevante condities (SNR 10–20 dB, INR 30–80 dB, 10-bit kwantisatie). De voorgestelde LMLVAMP werd vergeleken met:

• LINEAR-K/U: Lineaire Wiener-schatters in het frequentiedomein (met/zonder kennis van de interferent).
• ORACLE: Een geïdealiseerde schatter met perfecte systeemkennis (bovengrens).

Belangrijkste Bevindingen:

• Robuustheid tegen Interferentie: Lineaire schatters degraderen scherp wanneer de Interference-to-Noise Ratio (INR) de 50 dB overschrijdt door nietlineaire spectrale lekkage. In contrast hiermee behoudt LMLVAMP een sterke prestatie en bereikt het achievable rates die significant hoger zijn dan de lineaire baselines (verschillen van meer dan 20 dB in sommige regimes).
• Convergentie: De voorgestelde methode nadert de prestaties van de ORACLE-benchmark binnen twee iteraties.
• Generalisatie: De "Unknown" variant (LMLVAMP-U), die geen kennis aanneemt van het signaal van de interferent, presteert aanzienlijk beter dan de lineaire baselines, wat de capaciteit aantoont om te generaliseren naar onbekende interferentiecondities.
• Kwantisatie-resistentie: Het algoritme behoudt een aanzienlijk voordeel ten opzien van lineaire alternatieven, zelfs onder 10-bit kwantisatie.

5. Betekenis en Claims

Het artikel claimt dat het voorgestelde LMLVAMP-framework een levensvatbare oplossing biedt voor het ontwerpen van robuuste en kostenefficiënte FR3-ontvangers voor toekomstige 6G-systemen. Door nonlineariteit, ruis en kwantisatie gezamenlijk te modelleren, overwint de methode de beperkingen van klassieke lineaire filtering in spectraal dichte omgevingen.

De auteurs benadrukken dat deze aanpak de kloof overbrugt tussen rigoureuze model-gebaseerde inferentie en de adaptiviteit van data-gestuurde methoden. Het biedt een praktisch alternatief voor complexe polynoommodellering (die moeilijk te schatten is) en black-box neurale netwerken (die een gebrek aan interpreteerbaarheid hebben). De resultaten onderstrepen dat iteratieve inferentie gecombineerd met geleerde denoisers essentieel is voor het afhandelen van de ernstige nietlineaire distorties die kenmerkend zijn voor upper mid-band coexistentie-scenario's.

Toekomstig werk, zoals door de auteurs vermeld, omvat het uitbreiden van het framework naar tijd-variërende interferentie, geheugeneffecten en real-time hardware-implementaties.