⚡ electrical engineering

On Pareto-Optimal Estimation-Information Performance Limits of MIMO Integrated Sensing and Communications Systems

Este artigo investiga os limites fundamentais de estimativa conjunta e de desempenho de informação de sistemas MIMO de integração de sensoriamento e comunicações, caracterizando especificamente seus compromissos de Pareto-otimalidade.

Autores originais: Zi-Jie Wang, Xudong Wang, Giuseppe Caire

Publicado 2026-07-21

📖 7 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Zi-Jie Wang, Xudong Wang, Giuseppe Caire

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você esteja tentando enviar uma mensagem secreta para um amigo enquanto tira, simultaneamente, uma foto de alta resolução de um carro em movimento. No mundo das redes sem fio de próxima geração (frequentemente chamadas de 6G), os engenheiros estão tentando construir dispositivos que façam as duas coisas ao mesmo tempo usando as mesmas ondas de rádio. Isso é chamado de "Sensoriamento e Comunicação Integrados" (ISAC). Pense nisso como uma única lanterna que precisa ser brilhante o suficiente para ler um livro (comunicação), mas também nítida o suficiente para revelar a textura de uma parede (sensoriamento). Por décadas, cientistas tentaram descobrir a melhor forma de fazer isso: "Qual é o formato de sinal perfeito que maximiza ambas as tarefas?"

Para entender o desafio, você precisa saber de duas coisas. Primeiro, em chamadas telefônicas comuns, o melhor sinal é geralmente um "estático" suave e aleatório (matematicamente chamado de distribuição Gaussiana) porque ele carrega o máximo de informação. Segundo, para tirar uma foto clara (sensoriamento), você geralmente quer um sinal muito previsível e constante para que possa medir exatamente como ele rebate nas coisas. A grande questão tem sido: pode um único sinal ser perfeitamente aleatório para conversar e perfeitamente constante para o sensoriamento? Este artigo mergulha na matemática profunda dessa questão para encontrar o "limite de velocidade" teórico de quão bem esses sistemas de dupla finalidade podem realmente funcionar.

A Grande Metamorfose do Formato do Sinal

Neste artigo, os autores, Zi-Jie Wang, Xudong Wang e Giuseppe Caire, enfrentam o enigma supremo do mundo ISAC: encontrar o "formato" perfeito das ondas de rádio que carregam tanto dados quanto informações de sensoriamento. Eles tratam o sinal não apenas como uma onda, mas como um personagem com uma personalidade — uma distribuição de probabilidade que decide a probabilidade de o sinal ser forte, fraco ou algo entre o dois.

Os pesquisadores montaram um laboratório virtual com um sistema MIMO (Multiple-Input Multiple-Output). Imagine um transmissor com múltiplas antenas emitindo um sinal que viaja para dois lugares diferentes: um receptor de comunicação (seu telefone) e um receptor de sensoriamento (um radar procurando alvos). O objetivo é encontrar a fronteira "Pareto-ótima". Pense nesta fronteira como uma caminhada na corda bamba. Se você se inclinar demais para tornar o sinal perfeito para conversar, sua imagem de radar ficará borrada. Se você se inclinar demais para torná-lo perfeito para o radar, sua conexão de telefone ficará lenta. O artigo mapeia cada ponto individual nessa corda bamba para ver como é o melhor desempenho absoluto.

A Descoberta Chocante: O Sinal "Perfeito" Não Existe (Ainda)

É aqui que a história fica intrigante. Os autores usaram matemática avançada (cálculo variacional) para perguntar: "Qual é o formato da distribuição de sinal perfeita?" Eles encontraram uma resposta surpreendente que quebra as regras da engenharia padrão.

Para o caso extremo em que você só se importa com a conversa (comunicação), o sinal perfeito é, de fato, o ruído "estático" suave e aleatório que todos esperam. No entanto, para qualquer outro ponto na corda bamba — onde você quer algum sensoriamento e alguma conversa — a matemática diz que o sinal perfeito não pode ser uma onda suave e contínua.

O artigo prova que a distribuição de sinal ideal é "singular". Para usar uma analogia: se um sinal normal é como um rio suave e fluido, o sinal ISAC perfeito é mais como uma coleção de cubos de gelo distintos e congelados flutuando nesse rio. Não é uma curva suave; é uma forma irregular e quebrada que vive em um subconjeto de possibilidades muito específico e minúsculo. Os autores mostram que, se você tentar forçar o sinal a ser suave e contínuo (como as ondas Gaussianas padrão usadas na maioria das pesquisas atuais), você nunca alcançará o verdadeiro limite teórico. Você estará sempre um pouco fora. O verdadeiro limite é um "supremo" — um teto que você pode se aproximar infinitamente, mas que nunca poderá tocar totalmente com sinais suaves e padrão.

Os Dois Grandes Trade-offs

O artigo identifica duas principais batalhas de "cabo de guerra" que ditam como o sinal se comporta:

O Trade-off do Preenchimento de Água (Water-Filling): Imagine despejar água em uma paisagem acidentada. Na comunicação, você despeja mais água (potência) nos vales profundos (caminhos de sinal fortes) para obter o máximo de dados. No sensoriamento, você também quer despejar potência em caminhos específicos para obter o melhor reflexo. O artigo mostra que você não pode preencher os vales perfeitamente para ambas as tarefas ao mesmo tempo. Você tem que escolher quais "vales" preencher, equilibrando a potência entre os dois objetivos.
O Trade-off da Incerteza da Forma de Onda: Esta é a mudança de personalidade. Quando você quer conversar, o sinal precisa ser caótico e aleatório (alta incerteza) para carregar segredos. Quando você quer realizar o sensoriamento, o sinal precisa ser previsível e constante (baixa incerteza) para medir reflexões com precisão. O artigo descobre que, conforme você se move do "sensoriamento puro" para a "conversa pura", a personalidade do sinal se transforma de uma estrutura rígida e determinística (como uma forma geométrica perfeita) em uma nuvem Gaussian pura e selvagem. A parte mais interessante é que, para o meio-termo, o sinal tem que ser uma criatura híbrida estranha, que não é totalmente aleatória nem totalmente constante.

Como Eles Resolveram o Irresolvível

Como o sinal perfeito é tão estranho (uma forma singular e irregular) que você não consegue escrever uma fórmula simples para ele, os autores não puderam simplesmente resolvê-lo com lápis e papel. Em vez disso, eles construíram um "robô" digital chamado algoritmo do tipo Blahut-Arimoto.

Pense neste algoritmo como um escultor que começa com um bloco de argila (um sinal padrão) e vai esculpindo pequenos pedaços repetidamente. A cada golpe de cinzel, o sinal se aproxima daquela forma teórica perfeita e irregular. O artigo prova que este robô converge para o limite real. Eles usaram este método para simular os resultados em um computador, mostrando exatamente como a forma do sinal muda conforme você ajusta o equilíbrio entre sensoriamento e conversa.

O Que os Números Dizem

Os autores não ficaram apenas na teoria; eles realizaram simulações para mostrar o que acontece em cenários do mundo real.

Em um sistema SISO (Single-Input Single-Output) simples, eles mostraram que, à medida que você muda do sensoriamento para a conversa, a distribuição do sinal se transforma de uma forma "binária" (como um cara ou coroa, ou alto ou baixo) em uma curva de sino Gaussiana suave.
Em um sistema MIMO (com múltiplas antenas), eles descobriram que, em altas taxas de relação sinal-ruído (sinais muito fortes), a lacuna entre o melhor desempenho de sensoriamento e o melhor desempenho de comunicação aumenta. Isso significa que o trade-off do "Preenchimento de Água" torna-se ainda mais crítico; você tem que fazer escolhas mais difíceis sobre onde colocar sua potência.

A Conclusão

Este artigo não fornece apenas uma nova fórmula; ele muda a forma como pensamos no design desses sinais. Ele nos diz que os sinais "padrão" suaves que usamos hoje provavelmente não são as melhores ferramentas possíveis para o ISAC. Para alcançar os limites reais do 6G, podemos precisar projetar formas de onda "singulares" ou "não padronizadas" — sinais que parecem cubos de gelo irregulares em vez de rios suaves. Embora o sinal perfeito possa ser matematicamente impossível de alcançar exatamente com ondas contínuas padrão, este trabalho fornece o mapa para chegar o mais próximo possível, guiando os engenheiros sobre como esculpir a próxima geração de sinais sem fio.

Definição do Problema

O artigo aborda os limites fundamentais de desempenho de sistemas MIMO (Multiple-Input-Multiple-Output) de Integração de Sensoriamento e Comunicações (ISAC). Diferente de trabalhos anteriores que frequentemente presumem formas de onda ISAC gaussianas ou aproximam limites combinando estratégias ótimas separadas para sensoriamento e comunicação, este estudo investiga o verdadeiro tradeoff de Pareto entre sensoriamento e comunicação.

O desafio central é que a distribuição ótima de uma forma de onda ISAC é desconhecida. Abordagens existentes que dependem de suposições gaussianas ou estatísticas de segunda ordem (matrizes de correlação) produzem limites frouxos porque não levam em conta a aleatoriedade da própria distribuição da forma de onda. O artigo busca caracterizar a fronteira de Pareto entre o Erro Quadrático Médio (MMSE) Médio para estimativa de canal de sensoriamento e a Taxa Coerente Ergodica para comunicação, tratando a distribuição da forma de onda como a variável de otimização.

Modelo de Sistema e Métricas

Os autores consideram uma configuração genérica de MIMO ISAC onde um sinal dual-funcional $X$ é transmitido para:

Comunicar: Transmitir informação através de um canal $H$ para um receptor de comunicação (Rx), gerando o sinal recebido $Y = HX + Z_c$ .
Sensoriar: Estimar o canal de sensoriamento $G$ (resposta do alvo) a partir do sinal de sensoriamento recebido $S = GX + Z_s$ .

As principais suposições incluem:

O canal de sensoriamento $G$ segue um modelo MIMO correlacionado com estatísticas conhecidas.
O canal de comunicação $H$ é conhecido no transmissor (CSIT).
O receptor de sensoriamento conhece a realização da forma de onda transmitida $X$ (atuando como um sinal de referência).
O desempenho é medido pelo MMSE Médio (expectativa de conjunto do erro de estimativa) e pela Taxa Ergodica.

Ambas as métricas são funcionais da distribuição da forma de onda de entrada $p_X(X)$ . O objetivo é resolver um problema de otimização funcional estocástica para encontrar o conjunto de distribuições de Pareto-ótimas.

Metodologia

O artigo emprega cálculo variacional para derivar as condições necessárias para as distribuições ótimas.

Condições de Euler-Lagrange: Os autores derivam uma equação convolucional de alta dimensão (Teorema 1) que qualquer distribuição ótima deve satisfazer. Esta equação equilibra o termo de informação mútua (comunicação) e o termo MMSE (sensoriamento).
Análise de Atingibilidade: Ao analisar a condição derivada, os autores provam que, para qualquer ponto na fronteira de Pareto exceto o ponto de comunicação-ótimo, a distribuição ótima não pode ser uma função de densidade de probabilidade (PDF) contínua padrão e de suporte total. Em vez disso, demonstra-se que as distribuições ótimas são singulares ou suportadas em um subconjunto próprio do espaço de sinais (ex: variedades/manifolds).
Algoritmo Numérico: Devido à intratabilidade de resolver analiticamente para essas distribuições singulares, os autores propõem um algoritmo do tipo Blahut-Arimoto (B-A) de versão contínua. Este algoritmo iterativo aproxima numericamente as distribuições de entrada ótimas e o desempenho MMSE-Taxa correspondente, com uma prova de convergência para o limite.
Análise de Forma Fechada: Para os dois pontos extremos da fronteira de Pareto — sensoriamento puro ( $\alpha=0$ ) e comunicação pura ( $\alpha=1$ ) — os autores derivam caracterizações de forma fechada para as formas de onda ótimas e o desempenho.

Principais Contribuições e Resultados

1. Caracterização Estrutural das Distribuições Ótimas

Inatingibilidade de Distribuições Padrão: O artigo prova que, exceto no ponto de comunicação-ótimo (onde entradas gaussianas são ótimas), o limite de Pareto ISAC é um supremo teórico dentro da classe de distribuições contínuas de suporte total.
Natureza Singular: Para atingir o limite, a distribuição da forma de onda ótima deve ser descontínua, singular ou suportada em um subconjunto restrito (ex: exigindo uma matriz de correlação de amostra determinística para o sensoriamento). Isso implica que formas de onda convencionais (como Gaussianas) são subótimas para tradeoffs gerais de ISAC.

2. Pontos Ótimos de Forma Fechada

Ponto de Comunicação-Ótimo ( $P_c$ ): A forma de onda ótima é uma distribuição Gaussiana com alocação de potência determinada pela estratégia de water-filling sobre o autoespaço do canal de comunicação.
Ponto de Sensoriamento-Ótimo ( $P_s$ ): A forma de onda ótima é um "sinal isométrico" onde a matriz de correlação de amostra é determinística e única. A alocação de potência segue uma estratégia semelhante ao water-filling baseada nas estatísticas do canal de sensoriamento, mas a aleatoriedade é confinada a uma matriz semi-unitária usada para modulação.

3. Tradeoffs Fundamentais
A análise revela dois tradeoffs distintos que governam o desempenho ISAC:

Tradeoff de Water-Filling (WFT): Um conflito na alocação de potência entre os autoespaços dos canais de sensoriamento e comunicação. A potência do sinal não pode ser alocada simultaneamente de forma ótima para ambos os canais.
Tradeoff de Incerteza da Forma de Onda (WUT): Um tradeoff entre a previsibilidade exigida para o sensoriamento (baixa aleatoriedade) e a entropia exigida para a comunicação (alta aleatoriedade). À medida que o sistema se move de um domínio de sensoriamento para um de comunicação, a distribuição ótima desloca-se de estruturas singulares/isométricas para distribuições do tipo Gaussianas.

4. Validação Numérica e Limites

O algoritmo B-A proposto computa com sucesso a curva de limite MMSE-Taxa tanto para cenários SISO quanto MIMO.
Resultados numéricos demonstram que os limites de "compartilhamento de tempo" (time-sharing) padrão e os limites externos baseados em estatísticas de segunda ordem (assumindo entradas Gaussianas) são frouxos e falham em capturar o limite real, particularmente nas regiões de tradeoff intermediárias.
Os resultados confirmam que a lacuna de desempenho entre os ótimos de sensoriamento e comunicação aumenta em altas Razões Sinal-Ruído (SNR) devido à divergência das estratégias de alocação de potência ótima.

Significância e Alegações

O artigo afirma ser o primeiro trabalho a investigar os limites fundamentais de desempenho de estimativa-informação de sistemas MIMO ISAC ao nível da distribuição, considerando formas de onda ISAC gerais e aleatórias, em vez de restringir a análise a entradas Gaussianas ou estatísticas de segunda ordem.

A principal significância reside em:

Rigor Teórico: Fornecer uma condição necessária de otimalidade que revela a natureza singular das formas de onda ISAC ótimas, desafiando a suposição convencional de que entradas Gaussianas são suficientes.
Implicações de Design: Destacar que alcançar o desempenho ótimo de ISAC requer designs de formas de onda singulares ou não padronizados (ex: sinais com estruturas de correlação determinísticas) em vez de distribuições contínuas padrão.
Avanço Metodológico: Introduzir um algoritmo numérico convergente (tipo B-A) para aproximar esses limites onde soluções analíticas são intratáveis.
Visão sobre Tradeoffs: Caracterizar explicitamente o "Tradeoff de Incerteza da Forma de Onda", oferecendo uma compreensão estrutural de como a aleatoriedade deve ser projetada para equilibrar as tarefas de sensoriamento e comunicação.

Os autores concluem que, embora a caracterização analítica exata da fronteira de Pareto permaneça desafiadora, seu arcabouço fornece as implicações estruturais necessárias para projetar formas de onda ISAC de alto desempenho e motiva pesquisas adicionais em designs de sinais singulares.