Lorentzian-Constrained Holographic Beamforming Optimization in Multi-user Networks with Dynamic Metasurface Antennas

Resumo Técnico: Otimização de Beamforming Holográfico com Restrição Lorentziana em Redes Multiusuário com Antenas de Metasuperfície Dinâmicas

Definição do Problema
As Antenas de Metasuperfície Dinâmicas (DMAs) oferecem uma alternativa promissora às arquiteturas totalmente digitais (FD), utilizando metasuperfícies reconfiguráveis de baixo custo para alcançar beamforming híbrido. No entanto, as arquiteturas DMA enfrentam um compromisso fundamental: embora reduzam significativamente o número de cadeias de Radiofrequência (RF) necessárias e a complexidade do hardware, elas impõem restrições físicas estritas aos pesos de beamforming. Especificamente, os elementos DMA comportam-se como ressonadores Lorentzianos, onde amplitude e fase são intrinsecamente acopladas em vez de serem ajustáveis de forma independente. Esta "restrição Lorentziana" restringe os pesos disponíveis a uma curva específica (o círculo Lorentziano) no plano complexo, diferentemente do círculo de módulo constante assumido em arrays convencionais.

Em redes MISO (Multiple-Input Single-Output) multiusuário, essa restrição complica a alocação de recursos. O problema central abordado é a minimização da potência total de transmissão enquanto se satisfazem as restrições de Relação Sinal-Interferência mais Ruído (SINR) para múltiplos usuários. A literatura existente frequentemente emprega métodos de projeção específicos para mapear pesos de beamforming ideais e não restritos sobre o círculo Lorentziano, mas esses métodos são tipicamente estudados isoladamente. Há uma falta de comparação sistemática entre diferentes estratégias de mapeamento (por exemplo, variando o centro de mapeamento) e uma necessidade de algoritmos que possam melhor navegar no compromisso entre a redução de cadeias de RF e o desempenho de beamforming, particularmente à medida que o número de usuários aumenta.

Metodologia
Os autores propõem um framework unificado para otimizar os pesos da DMA e os precoders digitais usando uma abordagem de Otimização Alternada (AO) combinada com Relaxação Semidefinida (SDR). O processo de solução envolve dois subestágios principais:

1. Otimização do Precoder Digital: Com os pesos da DMA fixos, o problema é reformulado como um problema convexo de SDR para otimizar os vetores de precodificação digital.
2. Otimização do Peso da DMA: Com os precoders digitais fixos, o problema é novamente relaxado via SDR para encontrar os pesos ideais não restritos. Esses pesos ideais são então projetados no círculo Lorentziano fisicamente viável.

O artigo introduz e formaliza o Método Generalizado de Holografia com Restrição Lorentziana (GMLCH). Este framework padroniza o processo de projeção ao parametrizar o centro de mapeamento $(x_c, y_c)$ no círculo Lorentziano. Ele permite a avaliação sistemática de três estratégias de mapeamento existentes:

• LCPH (Holograma de Fase com Restrição Lorentziana): Centro de mapeamento em $(0, 0)$.
• LCEH (Holograma Euclidiano com Restrição Lorentziana): Centro de mapeamento em $(0, 0.5)$.
• LCUSH (Holograma de Deslocamento Unitário com Restrição Lorentziana): Centro de mapeamento em $(0, 1.0)$.

Com base no GMLCH, os autores propõem um novo algoritmo: Holografia com Restrição Lorentziana de Raio Adaptativo (ARLCH). Diferente dos métodos anteriores que aderem estritamente a um diâmetro de círculo Lorentziano unitário, o ARLCH introduz um grau de liberdade adicional ao ajustar dinamicamente o diâmetro (raio) do círculo Lorentziano durante o processo de otimização. Isso permite que o algoritmo encontre um centro e um diâmetro de mapeamento ideais que minimizem a distância entre os pesos ideais não restritos e os pesos fisicamente restritos antes de normalizar de volta para a condição unitária.

Principais Contribuições

1. Framework de Otimização Unificado: O artigo desenvolve um novo algoritmo baseado em SDP e AO que integra o GMLCH, permitindo a otimização conjunta de precoders digitais e pesos de DMA dentro de um único framework. Isso permite uma comparação direta e sistemática de diferentes estratégias de mapeamento Lorentziano (LCPH, LCEH, LCUSH) sob garantias de Qualidade de Serviço (QoS), uma lacuna não endereçada anteriormente na literatura.
2. Análise de Desempenho de Centros de Mapeamento: O estudo demonstra que a escolha do centro de mapeamento impacta significativamente o desempenho. Os resultados indicam que o LCEH supera o LCUSH e o LCPH, particularmente em cenários com maior contagem de usuários, desafiando a dependência comum do LCUSH em trabalhos anteriores.
3. Novo Algoritmo ARLCH: Os autores propõem o ARLCH, que utiliza a relaxação do diâmetro do círculo Lorentziano para alcançar um desempenho de beamforming aprimorado. Este método fornece um grau de liberdade adicional, permitindo o ajuste dinâmico do centro de mapeamento para alinhar melhor os pesos ideais com as restrições físicas.
4. Escalabilidade e Eficiência: O artigo fornece extensos resultados numéricos mostrando que o ARLCH reduz significativamente a potência de transmissão em comparação com os benchmarks, com o ganho de desempenho aumentando conforme o número de usuários cresce.

Resultados Numéricos
Simulações foram conduzidas em um cenário de downlink MISO multiusuário em campo próximo com um Array Planar Uniforme (UPA) de 16x16 e frequência de 28 GHz.

• Cenário de Usuário Único: O ARLCH reduziu a potência de transmissão significativamente em comparação com o LCUSH e um método baseline ADMM-SCA. Para um usuário em um ângulo amplo ($80^\circ$), o ARLCH exigiu aproximadamente metade da potência de transmissão do LCUSH para atingir a mesma SINR.
• Cenário Multiusuário: À medida que o número de usuários ($K$) aumentava, a diferença de desempenho entre as arquiteturas baseadas em DMA e as baseadas em FD se ampliava devido às limitações de graus de liberdade. No entanto, o ARLCH consistentemente estreitou essa lacuna. Comparado à variante de GMLCH com melhor desempenho (LCEH), o ARLCH alcançou uma redução de potência de transmissão de até 29,1% para $K=8$.
• Comparação de Estratégia de Mapeamento: O LCEH mostrou-se superior ao LCUSH (o método mais comum na literatura) em aproximadamente 17% para $K=8$. O LCPH teve o pior desempenho devido à sua tendência de cortar elementos no semiplano inferior.
• Espaçamento Denso: Os métodos propostos permaneceram robustos sob espaçamentos de elementos de antena mais densos ($\lambda/6$), com o ARLCH mantendo uma vantagem de potência de ~20% sobre outras variantes de GMLCH.

Significância e Alegações
O artigo alega que a principal significância deste trabalho reside em abordar o desajuste estrutural entre os requisitos ideais de beamforming e a sintonizabilidade física dos elementos DMA. Ao formalizar o processo de projeção através do GMLCH e introduzir a abordagem de raio adaptativo (ARLCH), os autores demonstram que a lacuna de desempenho entre arquiteturas DMA de baixa complexidade e sistemas de alta complexidade totalmente digitais pode ser significativamente reduzida.

Os autores observam modestamente que, embora sua abordagem de otimização seja computacionalmente mais intensiva do que alguns baselines devido à formulação SDP, ela oferece superior flexibilidade e desempenho. Eles enfatizam que os resultados destacam o papel crítico da seleção do centro de mapeamento apropriado e o potencial da otimização de raio adaptativo. O artigo conclui que o ARLCH fornece uma solução escalável para futuras redes multiusuário, embora reconheça que trabalhos futuros devam abordar impedimentos de hardware práticos, acoplamento mútuo e Informação de Estado de Canal (CSI) imperfeita antes da implementação física.