Universal Approximation with XL MIMO Systems: OTA Classification via Trainable Analog Combining

Título: Universal Approximation com Sistemas MIMO Extremamente Grandes (XL): Classificação OTA via Combinação Analógica Treinável

1. O Problema

As redes futuras (como as de 6G e dispositivos orientados a objetivos) necessitam não apenas de transmitir dados para armazenamento, mas de extrair características para guiar ações autônomas. Abordagens tradicionais apresentam dois gargalos principais:

• Transmissão de Dados Brutos: Envolver todos os dados do Transmissor (Tx) para o Receptor (Rx) exige taxas de dados elevadas.
• Processamento Local no Tx: Realizar a extração de características no Tx (especialmente em dispositivos de baixa potência) consome muita energia computacional.

A Inferência na Borda (Edge Inference - EI) e a Computação Over-The-Air (OTA) surgem como alternativas, tratando o canal de comunicação como parte de uma Rede Neural Artificial (ANN). No entanto, as soluções atuais de OTA ainda dependem parcialmente de processamento digital nos terminais, não exploram totalmente a teoria de aproximação universal dos canais de rádio e sofrem com tempos de treinamento longos quando as condições de desvanecimento (fading) mudam dinamicamente.

2. Metodologia Proposta: XL-MIMO-ELM

Os autores propõem um novo framework que transforma um sistema MIMO Extremamente Grande (XL-MIMO) em uma máquina de aprendizado de máquina, especificamente uma Máquina de Aprendizado Extremo (ELM), operando inteiramente no domínio da onda eletromagnética.

• Arquitetura do Sistema:

  • Transmissor (Tx): Envia sinais analógicos diretamente, sem processamento digital complexo. Os dados de entrada são mapeados para elementos de antena.
  • Canal de Rádio: Age como a camada oculta da rede neural. Os coeficientes de desvanecimento do canal (fading) são tratados como pesos aleatórios e não controláveis, análogos aos pesos de uma camada oculta em uma ELM.
  • Receptor (Rx): Utiliza uma grande matriz de antenas baseada em metamateriais.
    • Ativação Não Linear: Cada elemento da antena passa por uma função de ativação não linear fixa (implementada via circuitos RF, modelada pela função de Rapp com limiar suave/soft thresholding).
    • Combinação Analógica Treinável: Um combinador analógico ajusta pesos complexos (amplitude e fase) para somar os sinais, atuando como a camada de saída treinável da rede.

• Formulação Matemática:
  O sistema é modelado como uma Rede Neural Feedforward de Camada Única (SLFN).

  • A equação do sinal recebido passa por uma função de ativação não linear $g(\cdot)$ (Rapp).
  • A saída final é uma combinação linear $z = w^T g(Hr \cdot \tilde{x})$, onde $w$ são os pesos treináveis.
  • O treinamento consiste em resolver um problema de Mínimos Quadrados (Least Squares) para encontrar o vetor de pesos ótimo $w^*$, dado por $w^* = G^\dagger t$, onde $G$ é a matriz de saída da camada oculta e $t$ são os alvos.

• Adaptação Dinâmica:
  Para canais variantes no tempo, propõe-se uma política de re-treinamento leve. Utilizando um modelo autoregressivo (AR) para o canal, o sistema atualiza os pesos com base em mini-batches de dados, convergindo rapidamente (em poucos milissegundos) para a nova condição do canal.

3. Principais Contribuições

1. Prova de Aproximação Universal: Demonstra-se teoricamente que o sistema XL-MIMO com combinação analógica não linear satisfaz as propriedades de um aproximador universal de funções, equivalente a uma ELM, desde que o canal tenha características de espalhamento rico (Rayleigh/Riceano com baixo fator K).
2. Inferência OTA Pura: Elimina a necessidade de processamento digital no Tx e minimiza o processamento no Rx, realizando a computação diretamente no domínio da onda.
3. Treinamento Ultra-Rápido: O treinamento é feito em tempo fechado (closed-form) via pseudoinversa, permitindo tempos de treinamento na ordem de milissegundos, compatíveis com o tempo de coerência do canal em cenários de baixa mobilidade.
4. Funcionalidade de Hardware: Propõe o uso de funções de ativação implementadas em hardware RF (circuitos de ganho automático ou amplificadores com saturação), validando a viabilidade física da abordagem.

4. Resultados Numéricos

Os autores avaliaram o desempenho em quatro conjuntos de dados de classificação binária (Parkinson's, WBCD, MNIST e SECOM) e compararam com benchmarks digitais (ELM Digital, MLP, SVM).

• Precisão: O XL-MIMO-ELM atingiu precisões superiores a 90% em múltiplos conjuntos de dados, desempenho comparável ao ELM digital e MLP, superando frequentemente as SVMs.
• Latência: O tempo de treinamento foi de alguns milissegundos a ~100 ms, muito inferior aos segundos ou minutos necessários para treinar redes profundas (DNNs) convencionais.
• Robustez:
  • A função de ativação de Rapp (implementada em RF) mostrou-se robusta contra overfitting, comparável a funções de ativação digitais padrão (Sigmoid, ReLU).
  • O sistema mantém alta precisão em canais com SNR $\ge$ 20 dB.
  • Condições de espalhamento rico (baixo fator K de Ricean) são ideais para a classificação; a presença dominante de linha de visada (LoS) degrada o desempenho, mas o sistema ainda é viável.
• Adaptação a Canais Dinâmicos: O algoritmo de re-treinamento conseguiu re-ajustar os pesos para manter o desempenho original em poucos passos de iteração (aprox. 0,4 ms por atualização), mesmo com mudanças no canal.

5. Significado e Impacto

Este trabalho representa uma mudança de paradigma na visão dos sistemas MIMO massivos e extremos. Em vez de serem vistos apenas como meios de comunicação de alta capacidade, eles são redefinidos como Redes Neurais Artificiais OTA.

• Eficiência Energética: Permite que dispositivos de ultra-baixa potência (IoT) realizem tarefas de inferência complexas sem gastar energia em processamento digital local.
• Velocidade: A capacidade de treinar e adaptar-se em tempo real (dentro da janela de coerência do canal) torna viável a aplicação de IA em cenários de comunicação dinâmica e de baixa latência.
• Futuro 6G: Estabelece as bases teóricas e práticas para a "Computação na Borda via Onda", onde o próprio meio de propagação realiza parte significativa do processamento de inteligência artificial.