Energy-Efficient Resource Allocation for PA Distortion-Aware M-MIMO OFDM System

Resumo Técnico: Alocação de Recursos Eficiente em Energia para Sistemas M-MIMO OFDM Conscientes de Distorção de Amplificadores de Potência

Enunciado do Problema
O artigo aborda o desafio de maximizar a Eficiência Energética (EE) em sistemas de enlace descendente multi-usuário (MU) com múltiplas entradas e múltiplas saídas massivas (M-MIMO) que empregam Multiplexação por Divisão de Frequência Ortogonal (OFDM). Embora o M-MIMO seja uma pedra angular do 5G e além, seu consumo de energia é impulsionado fortemente por componentes de hardware, particularmente Amplificadores de Potência (PAs), que podem representar até 65% do consumo total de energia de uma estação rádio-base (BS).

Estratégias existentes de alocação de recursos frequentemente falham em modelar com precisão a distorção não linear introduzida por PAs práticos. A maioria dos trabalhos anteriores assume PAs lineares ideais ou modela imperfeições de hardware como distorção gaussiana aditiva com uma Razão Sinal-Distorção (SDR) constante. Essas simplificações são válidas apenas em faixas de potência limitadas e falham em capturar as interações complexas entre potência de transmissão, distorção não linear e consumo de energia, especialmente próximo à região de saturação do PA. Consequentemente, esses modelos frequentemente exigem restrições de potência de transmissão impostas externamente e produzem projetos de EE subótimos. O artigo identifica uma lacuna na otimização conjunta da potência de transmissão, alocação de potência por usuário e número de antenas ativas sob modelos de PA não lineares realistas e de ampla faixa para sistemas M-MIMO OFDM de banda larga.

Metodologia
Os autores propõem um modelo de sistema para um sistema M-MIMO OFDM de enlace descendente MU usando precificação Zero-Forcing (ZF) sobre canais de desvanecimento Rayleigh independentes. Escolhas chave de modelagem incluem:

• Modelo de PA: Adota-se um modelo de limitador suave para representar o PA. Este modelo amplifica linearmente sinais abaixo de uma potência de saturação ($P_{max}$) e os corta caso contrário. Ele captura a dependência tanto da distorção do sinal quanto do consumo de energia em relação ao Recuo de Entrada (IBO).
• Consumo de Energia: O consumo total de energia da BS ($P_{tot}$) inclui potência estática, potência da cadeia de RF por antena e potência do PA. A potência do PA é modelada para arquiteturas "Classe B" (prática) e "Perfeita" (idealizada), mostrando como o consumo escala com o IBO.
• Métrica de Desempenho: A Razão Sinal-Ruído-Distorção (SNDR) é derivada usando a decomposição de Bussgang, tratando a distorção não linear como interferência semelhante a ruído. A EE é definida como a razão entre a taxa de soma alcançável e a potência total consumida.

Framework de Otimização
Os autores formulam um problema de maximização de EE que otimiza conjuntamente a potência total de transmissão ($P$), as frações de alocação de potência por usuário ($\omega$) e o número de antenas ativas ($M$). Isso resulta em um problema de otimização fracionária mista-inteira não convexa. Para resolvê-lo, eles desenvolvem um framework de Otimização Alternada (AO) denominado DEEP-DEAL (Alocação de Potência e Alocação de Antenas Eficiente em Energia e Consciente de Distorção):

1. DEEP (Alocação de Potência): Para um número fixo de antenas, o problema é desacoplado em:
   • Otimização de Potência Total: Um problema não convexo de variável única. Os autores provam a existência de um ponto estacionário analisando o comportamento assintótico da derivada da EE. Eles empregam um algoritmo de busca de raiz baseado em bisseção com uma busca de ponto de partida específica da função para encontrar a potência total ótima.
   • Distribuição de Potência por Usuário: Um problema de múltiplas variáveis mostrado ser côncavo. A solução ótima segue uma estrutura de preenchimento de água (water-filling), solucionável via métodos padrão de bisseção na variável dual de Lagrange.
2. DEAL (Alocação de Antenas): Para potência e frações de usuário fixas, o número de antenas ativas ($M$) é otimizado. Embora $M$ seja um inteiro, os autores relaxam-no para uma variável contínua. Eles provam a existência de uma raiz única para a derivada da EE em relação a $M$ e usam uma busca por bisseção para encontrar o ótimo contínuo. A solução inteira ótima é então selecionada avaliando a EE no piso e no teto da raiz contínua.
3. Convergência: O algoritmo itera entre esses blocos. Os autores provam que a sequência de valores de EE é monotonicamente não decrescente e converge para um ponto estacionário. A complexidade computacional escala linearmente com o número de usuários e logaritmicamente com a precisão numérica.

Principais Contribuições

• Modelagem Realista: O artigo introduz uma formulação de maximização de EE que utiliza um modelo de PA de limitador suave, capturando a relação não linear entre potência de transmissão, distorção e consumo de energia em toda a faixa de operação, eliminando a necessidade de restrições de potência externas arbitrárias.
• Otimização Conjunta: É o primeiro trabalho a otimizar conjuntamente a potência total de transmissão, frações de potência por usuário e o número de antenas ativas para sistemas M-MIMO OFDM de banda larga sob distorção de PA não linear.
• Solução Algorítmica: Os autores propõem o framework DEEP-DEAL, que decompõe o complexo problema não convexo misto-inteiro em subproblemas tratáveis solucionáveis via técnicas eficientes de bisseção e preenchimento de água, evitando a alta complexidade de procedimentos iterativos aninhados como o método de Dinkelbach combinado com Aproximação Convexa Sucessiva (SCA).
• Garantias Teóricas: O artigo fornece provas rigorosas para a existência de pontos estacionários para os subproblemas de potência e antenas e estabelece as propriedades de convergência do algoritmo AO geral.

Resultados de Simulação
Simulações numéricas comparam o framework DEEP-DEAL proposto contra bases de referência incluindo IBO fixo (REF-E), modelos SDR fixos (FixedSDR) e otimização apenas de potência (DEEP).

• Melhorias de EE: Em cenários multi-usuário grandes (por exemplo, 60 usuários), o DEEP-DEAL alcança melhorias medianas de EE de até 3× comparado a bases de referência de alocação fixa de potência e antenas.
• Pontos de Operação: Os resultados demonstram que o ponto de operação ótimo de EE frequentemente ocorre em potência de transmissão finita e um número finito de antenas ativas. Operar PAs próximos à saturação (baixo IBO) combinado com escalonamento de antenas mostra-se ótimo em EE, particularmente em condições de alto desvanecimento de caminho.
• Canais Heterogêneos: Em cenários com desvanecimentos de caminho heterogêneos, o framework aloca dinamicamente mais potência para usuários com canais mais fortes e ajusta a contagem de antenas e o IBO de acordo, superando aproximações de SDR fixo em até 2× em casos de assimetria extrema.
• Convergência: O algoritmo exibe convergência empírica rápida, estabilizando tipicamente dentro de 5 iterações externas.

Significado
O artigo afirma que suas descobertas sublinham a necessidade de equilibrar o controle de potência consciente de distorção com o escalonamento de antenas para maximizar a EE em sistemas M-MIMO. Ao ir além de modelos lineares simplificados ou de SDR constante, o trabalho fornece uma metodologia de projeto mais precisa e eficiente para futuras redes sem fio sustentáveis. Os autores observam que a estratégia ótima frequentemente envolve operar PAs mais próximos da saturação enquanto ajusta dinamicamente o número de antenas ativas, uma compensação que modelos tradicionais falham em capturar. O estudo sugere que ignorar a natureza não linear dos PAs leva a uma subotimalidade significativa em projetos de redes com restrições de energia.