Tensor-based modeling/estimation of static channels in IRS-assisted MIMO systems

Resumo Técnico: Modelagem e Estimação Baseada em Tensores de Canais Estáticos em Sistemas MIMO Assistidos por IRS

Enunciado do Problema
O artigo aborda o desafio da estimação de canais em sistemas de Entrada e Saída Múltipla (MIMO) assistidos por Superfície Inteligente Reflexiva (IRS). Em tais redes, o receptor deve estimar o canal em cascata (Equipamento do Usuário para IRS para Estação Base) utilizando sinais piloto refletidos pelo IRS. Os métodos existentes são frequentemente categorizados em técnicas estruturadas (explorando modelos geométricos paramétricos) e técnicas não estruturadas. Embora trabalhos anteriores tenham utilizado abordagens tensoriais para cenários específicos (por exemplo, sistemas mmWave ou detecção de dados semi-cega), há uma necessidade de frameworks robustos que explorem a estrutura geométrica específica de canais estáticos assistidos por IRS para melhorar a precisão da estimação sem incorrer em custos computacionais proibitivos.

Metodologia
Os autores propõem um novo framework de modelagem de sinal que formula o problema de estimação de canais como um modelo tensor de Tucker de terceira ordem. O núcleo da metodologia envolve as seguintes etapas:

1. Modelo do Sistema: O sistema considera um cenário de enlace ascendente com uma Estação Base (BS) equipada com $M$ antenas, um Equipamento do Usuário (UE) com $Q$ antenas e um IRS com $N$ elementos passivos. Os canais (BS-IRS e IRS-UE) são modelados utilizando um modelo geométrico de múltiplos percursos que inclui componentes de Linha de Visada (LOS) e Sem Linha de Visada (NLOS), caracterizados por vetores de direção e coeficientes de perda de caminho/desvanecimento.
2. Formulação Tensorial: Ao vetorizar os sinais piloto recebidos e utilizar propriedades dos produtos de Kronecker e Khatri-Rao, os autores derivam uma relação linear entre o sinal recebido e os parâmetros concatenados do canal. Essa relação é reestruturada em um modelo tensor de Tucker de terceira ordem:
   $$\mathcal{R} \approx \mathcal{F} \times_1 \mathbf{A}_{rx} \times_2 \mathbf{A}^*_{tx} \times_3 \mathbf{P}_B$$
   Aqui, $\mathcal{R}$ representa o tensor de dados recebido, $\mathbf{A}_{rx}$ e $\mathbf{A}_{tx}$ são as matrizes de direção para a BS e o UE, $\mathbf{P}_B$ contém informações da geometria do IRS, e $\mathcal{F}$ é o tensor núcleo representando os coeficientes dos percursos.
3. Algoritmos Propostos: Dois algoritmos são derivados para resolver o problema de estimação de parâmetros (recuperar as matrizes fator e o tensor núcleo):
   • Tucker-ALS (Mínimos Quadrados Alternados): Um algoritmo iterativo que atualiza alternadamente as estimativas de $\mathbf{A}_{rx}$, $\mathbf{A}_{tx}$, $\mathbf{P}_B$ e o vetor do tensor núcleo $\mathbf{f}$ resolvendo subproblemas de mínimos quadrados até a convergência.
   • Tucker-HOSVD (Decomposição em Valores Singulares de Alta Ordem): Uma solução de forma fechada que computa as matrizes fator realizando SVDs truncadas nas desdobramentos por modo do tensor recebido, seguidos por um passo de pseudo-inversa para estimar o tensor núcleo.

Principais Contribuições

• Modelo de Sinal Novel: O artigo introduz um modelo tensor de Tucker de 3ª ordem especificamente adaptado para canais MIMO estáticos assistidos por IRS, explorando explicitamente a estrutura geométrica do canal em cascata.
• Abordagem Algorítmica Dual: Os autores fornecem duas soluções distintas: um método ALS iterativo e um método HOSVD não iterativo, oferecendo flexibilidade na implementação baseada em requisitos de convergência versus velocidade computacional.
• Análise de Complexidade: O estudo inclui uma análise detalhada da complexidade computacional comparando os métodos propostos com os clássicos Mínimos Quadrados (LS) e o algoritmo de Fatoração Khatri-Rao (KRF) de última geração.

Resultados de Simulação
Simulações numéricas avaliam o desempenho utilizando o Erro Quadrático Médio Normalizado (NMSE) do canal concatenado estimado:

• Ganho de Desempenho: Os métodos baseados em tensores propostos (tanto ALS quanto HOSVD) superam significativamente o LS clássico e a referência KRF. Especificamente, os métodos propostos alcançam uma melhoria de aproximadamente 10 dB sobre o LS e 5 dB sobre o KRF.
• Comparação de Algoritmos: O algoritmo iterativo ALS demonstra desempenho ligeiramente superior (ganho de aprox. 1 dB) em comparação com o HOSVD de forma fechada, embora ambos sejam superiores às referências.
• Comportamento de Convergência: O algoritmo ALS requer mais iterações em regiões de baixa Relação Sinal-Ruído (SNR) ou quando o número de percursos de propagação aumenta. Por outro lado, aumentar o número de elementos do IRS ($N$) reduz o número de iterações necessárias para a convergência.
• Custo Computacional: Apesar dos ganhos de desempenho, a complexidade computacional dos esquemas ALS e HOSVD propostos é comparável à dos algoritmos de referência LS e KRF. Os autores observam que o custo dominante em todos os esquemas permanece o passo inicial de LS ou as operações de SVD/pseudo-inversa, que escalonam de forma similar entre os métodos.

Significado e Alegações
O artigo alega que, ao explorar a estrutura algébrica tensorial do canal combinado, os métodos propostos alcançam precisão de estimação superior sem aumentar a complexidade computacional em relação às técnicas existentes de última geração. Os autores posicionam este trabalho como um passo em direção à estimação de canais eficiente para redes além do 5G (B5G) e 6G, onde a implantação de IRS é esperada ser crítica. O trabalho não alega resolver questões de canais variantes no tempo (referenciando seu trabalho anterior para isso), mas foca em otimizar a estimação de canais estáticos para permitir uma configuração eficaz do deslocamento de fase do IRS.