Phase Selection and Analysis for Multi-frequency Multi-user RIS Systems Employing Subsurfaces in Correlated Ricean and Rayleigh Environments

Este artigo propõe um método prático de seleção de fases para superfícies inteligentes reconfiguráveis (RIS) em sistemas multiusuário, que divide a RIS em subsuperfícies dedicadas a usuários individuais em faixas de frequência distintas, derivando expressões fechadas para a relação sinal-ruído em ambientes Ricean e Rayleigh correlacionados e introduzindo processos iterativos que reduzem significativamente a complexidade computacional enquanto mantêm desempenho competitivo e maior robustez em cenários com forte linha de visada.

O essencial

Imagine que você está em um grande estádio lotado (o ambiente de comunicação) e precisa enviar mensagens para várias pessoas diferentes ao mesmo tempo. O problema é que o estádio tem muitos obstáculos, e o sinal do seu celular está fraco ou bloqueado.

Aqui entra a RIS (Superfície Inteligente Reconfigurável). Pense na RIS como uma parede gigante de espelhos mágicos que pode ser instalada no estádio. Cada "espelho" (elemento) pode girar para refletir a luz (o sinal) exatamente para onde você quer.

O grande desafio, no entanto, é: como girar milhões desses espelhos para que todos os milhares de pessoas no estádio recebam suas mensagens com clareza, sem que uma mensagem atrapalhe a outra?

A maioria dos cientistas tenta resolver isso usando supercomputadores para calcular a posição perfeita de cada espelho, o que demora muito e gasta muita energia.

Este artigo apresenta uma solução mais simples e inteligente, chamada Design de Subsuperfícies (SD). Vamos explicar como funciona usando uma analogia de uma orquestra:

1. A Ideia Principal: Dividir para Conquistar

Em vez de tentar fazer todos os espelhos trabalharem juntos para todos os usuários ao mesmo tempo (o que é um caos matemático), os autores propõem dividir a parede de espelhos em grupos menores, chamados de "subsuperfícies".

• A Analogia da Orquestra: Imagine que a RIS é uma orquestra gigante. Em vez de tentar tocar uma única sinfonia complexa para todos, você divide a orquestra em seções.
  • A seção de violinos é dedicada apenas a tocar para o "Usuário A".
  • A seção de trompetes é dedicada apenas ao "Usuário B".
  • E assim por diante.

Cada grupo de espelhos (subsuperfície) é configurado especificamente para um único usuário. Como cada usuário está ouvindo em uma "frequência" (canal de rádio) diferente, não há confusão entre eles. É como se cada usuário tivesse sua própria rádio FM exclusiva.

2. O Que Acontece com os Outros Espelhos?

Você pode pensar: "Mas e os espelhos que não estão ajudando o Usuário A? Eles vão atrapalhar?"

Na verdade, os espelhos que estão configurados para o Usuário B, quando olhados pelo Usuário A, agem como reflexos aleatórios (como um espelho quebrado jogando luz para todos os lados). Surpreendentemente, isso pode até ajudar! Em ambientes onde o sinal direto é bloqueado, esses reflexos aleatórios podem preencher os "buracos" de sinal, ajudando o Usuário A a receber uma mensagem mais forte, mesmo sem ser o alvo principal daquele grupo de espelhos.

3. A Evolução: De Simples para "Iterativo"

Os autores não pararam na ideia básica. Eles criaram duas versões mais inteligentes:

• SD (Design Simples): Você configura o grupo 1 para o Usuário 1, depois o grupo 2 para o Usuário 2, e pronto. É rápido e fácil.
• ISD (Design Iterativo): Aqui, a orquestra é mais esperta. O maestro configura o grupo 1, e depois olha para o que foi feito e ajusta o grupo 2 para aproveitar melhor o que o grupo 1 já fez. Eles fazem isso em sequência, do usuário mais fraco para o mais forte.
• CISD (Design Convergente): Eles repetem esse processo várias vezes, ajustando os espelhos até que o sinal não melhore mais. É como afinar um instrumento repetidamente até que a nota esteja perfeita.

4. Por Que Isso é Tão Bom? (Os Resultados)

O artigo mostra que essa abordagem simples é surpreendentemente poderosa:

• Menos Computação: Enquanto os métodos antigos precisam de supercomputadores para calcular tudo de uma vez, o método deles é leve e rápido. É como usar uma calculadora de bolso em vez de um supercomputador para resolver um problema.
• Melhor em Cenários "Soleiros": Em ambientes onde há uma linha de visão direta muito forte (como um dia de sol sem nuvens, ou um corredor reto), os métodos complexos antigos tendem a falhar porque ficam confusos. O método deles brilha nesses casos.
• Resistente a Multidões: Se as pessoas estiverem agrupadas (como em um show), os métodos antigos perdem eficiência. O método deles, no entanto, funciona muito bem porque não depende de separar as pessoas no espaço, mas sim em separá-las nas frequências de rádio.

Resumo Final

Os autores descobriram que, em vez de tentar ser um gênio matemático tentando controlar milhões de variáveis de uma vez, é melhor ser um organizador prático: dividir o problema em partes menores, resolver cada parte para um único usuário e deixar o resto do sistema ajudar de forma natural.

Isso torna a tecnologia de "paredes inteligentes" (RIS) muito mais viável para ser usada no mundo real, em nossos celulares do futuro (6G), pois consome menos energia e é mais fácil de implementar.

Resumo técnico

Resumo Técnico: Seleção de Fase e Análise para Sistemas RIS Multi-frequência Multi-usuário Empregando Subsuperfícies em Ambientes Riceanos e Rayleigh Correlacionados

1. Problema Investigado

O artigo aborda o desafio crítico de projetar esquemas de seleção de fase para Superfícies Inteligentes Reconfiguráveis (RIS) em sistemas de comunicação móvel multi-usuário (MU).

• Complexidade Computacional: Soluções ótimas fechadas para sistemas MU são consideradas intratáveis analiticamente. Os métodos existentes, embora ofereçam desempenho próximo ao ótimo, dependem fortemente de otimização iterativa e operações matriciais complexas, resultando em alta sobrecarga computacional.
• Desafios de Implementação: A alta complexidade é particularmente problemática para RIS passivos, que carecem de capacidade de processamento a bordo e têm dificuldades em estimar canais e processar feedback à medida que o número de usuários aumenta.
• Cenários Realistas: A maioria das análises anteriores foca em cenários ideais. Há uma lacuna na compreensão do desempenho de métodos de baixa complexidade em cenários mais realistas, envolvendo canais com componentes de Linha de Visão (LoS) e não-Linha de Visão (NLoS) correlacionados (desvanecimento Riceano).

2. Metodologia Proposta

Os autores propõem uma abordagem prática baseada na divisão do RIS em subsuperfícies, onde cada subsuperfície é dedicada a um único usuário operando em sua própria banda de frequência (sistema OFDM).

• Conceito de Subsuperfície (SD - Subsurface Design):

  • O RIS com $N$ elementos é dividido em $K$ subsuperfícies (uma para cada um dos $K$ usuários).
  • Cada subsuperfície é projetada para maximizar o canal do usuário específico usando o método ótimo de seleção de fase para usuário único (SU).
  • Os elementos das outras subsuperfícies atuam como espalhamento não controlado para o usuário em questão, o que pode ser benéfico em ambientes com pouco espalhamento natural.
  • Vantagem: Elimina a interferência inter-usuário (IUI) através do uso de filtragem combinada (Matched Filtering - MF) e reduz drasticamente a necessidade de estimativa de canal (apenas $N/K$ elementos por usuário, em vez de $N$).

• Extensões Iterativas:

  • ISD (Iterative Subsurface Design): As subsuperfícies são projetadas sequencialmente (da conexão UE-RIS mais fraca para a mais forte). As fases já definidas para usuários anteriores são tratadas como parte do canal fixo para os usuários subsequentes, permitindo um ajuste iterativo.
  • CISD (Converged ISD): O processo ISD é repetido até que o aumento do SNR seja inferior a uma tolerância especificada, garantindo convergência.

• Análise Matemática:

  • Derivação de uma expressão de fechamento exato para o SNR médio em ambientes com desvanecimento Riceano correlacionado para todos os enlaces (UE-BS, UE-RIS, RIS-BS).
  • Simplificação das expressões para casos especiais: canais puramente LoS no RIS-BS e canais Rayleigh correlacionados nos enlaces UE.

3. Principais Contribuições

1. Generalização Analítica: Extensão do trabalho preliminar para cenários de desvanecimento Riceano correlacionado (com componentes LoS e NLoS), fornecendo ferramentas analíticas versáteis que podem ser simplificadas para casos específicos.
2. Novos Algoritmos de Baixa Complexidade: Proposta e análise do ISD e CISD, que melhoram o desempenho do SD básico mantendo a complexidade computacional muito baixa, sem a necessidade de otimização conjunta complexa.
3. Comparação Justa e Abrangente: Avaliação detalhada comparando o método proposto (SD) com o método de referência de menor complexidade existente (otimização de TMSE - soma de erro quadrático médio) e com fases aleatórias.
4. Insights sobre Robustez: Demonstração de que o método SD é robusto a canais fortemente LoS e a usuários agrupados (clusterizados), cenários onde métodos de multiplexação espacial tradicionais (como TMSE) falham devido à perda de diversidade do canal.

4. Resultados Numéricos e Simulações

• Validação Analítica: As simulações confirmam a precisão das expressões de SNR médio derivadas, mostrando equivalência quase perfeita entre a teoria e a simulação para o método SD.
• Desempenho vs. Complexidade:
  • O SD oferece ganhos de desempenho competitivos com uma complexidade computacional significativamente menor (redução multiplicativa de fator $K + K^2$ em comparação com métodos TMSE).
  • O ISD e CISD fornecem melhorias adicionais de SNR, especialmente quando o número de elementos do RIS ($N$) é alto e a correlação entre elementos é baixa.
• Cenários LoS e Agrupamento:
  • Em cenários com alto fator K (canais dominados por LoS), o SD supera o método TMSE. Isso ocorre porque o TMSE depende da separabilidade espacial (multiplexação), que é degradada em canais LoS de baixo posto. O SD, ao não depender de multiplexação espacial, beneficia-se do alinhamento de fase.
  • O SD é mais robusto a usuários agrupados (clusters), onde a similaridade dos caminhos LoS permite que as subsuperfícies de outros usuários forneçam melhor realce de sinal.
• Correlação de Elementos:
  • Para o SD, menor espaçamento entre elementos do RIS (maior correlação) aumenta a taxa de soma, pois explora o termo quadrático de ganho.
  • Para o TMSE, menor espaçamento na estação base (BS) reduz o desempenho devido à perda de separabilidade dos canais.

5. Significado e Conclusão

O trabalho preenche uma lacuna crítica na pesquisa de RIS ao fornecer um método de seleção de fase multi-usuário que é praticamente viável para implementação real.

• Viabilidade Prática: A redução drástica na complexidade computacional e na necessidade de estimativa de canal torna o SD atraente para sistemas 6G e RIS passivos.
• Robustez Operacional: O método demonstra ser superior em cenários comuns e desafiadores (alta propagação LoS e alta densidade de usuários), onde as soluções de estado da arte mais complexas falham.
• Direção Futura: O estudo abre caminho para otimização da alocação de elementos do RIS entre usuários e a aplicação dos métodos em cenários de Downlink (DL) com estimativa de canal imperfeita.

Em suma, o artigo propõe que, em vez de buscar a complexidade extrema da otimização conjunta, uma abordagem modular baseada em subsuperfícies com processamento simples oferece um equilíbrio superior entre desempenho e complexidade para sistemas RIS multi-usuário.