Resumo Técnico: Recuperação de Sinais Baseada em Aprendizado em Sistemas Não Lineares com Interferência Espectralmente Separada

1. Definição do Problema

O artigo aborda o desafio de recuperar um sinal desejado em receptores 6G de Banda Intermediária Superior (FR3, 7–24 GHz) operando em ambientes espectralmente densos. Nesses cenários, interferentes fortes de banda adjacente (fora da banda, OOB) são inevitáveis. Embora os receptores lineares convencionais dependam de filtragem seletiva de frequência para suprimir interferências de bandas disjuntas, as limitações práticas de hardware — especificamente não linearidades na parte frontal (ex: saturação de amplificador) e quantização de resolução finita — causam vazamento espectral.

Quando um interferente OOB forte leva o receptor ao regime não linear, ele gera distorção dentro da banda que torna a filtragem linear clássica ineficaz. O problema central é estimar o sinal desejado $x_0$ a partir das observações do receptor $y$ (ou $y_q$ quantizado) que estão corrompidas por:

1. Interferência OOB Forte: Ocupando uma banda de frequência disjunta.
2. Saturação Não Linear: Modelada como uma não linearidade sem memória e suave (soft-thresholding).
3. Quantização: Quantização grosseira opcional pelo Conversor Analógico-Digital (ADC).

2. Metodologia

Modelo do Sistema

Os autores adotam um modelo de sinal em tempo discreto onde o vetor recebido $r$ é a IDFT de fontes no domínio da frequência $x_\ell$ ocupando bandas disjuntas $B_\ell$. O front-end do receptor é modelado como uma função não linear sem memória $\Phi(\cdot)$ seguida de ruído aditivo e quantização opcional:
$$y = \Phi(r, w)$$
Especificamente, um modelo de saturação suave é usado, onde a amplitude é comprimida via uma função $\tanh$ enquanto preserva a fase, seguido de ruído aditivo e um quantizador uniforme.

Algoritmo Proposto: Learned ML-VAMP

O artigo propõe um algoritmo de Aprendizado de VAMP Vetorial Multi-Camadas (LMLVAMP). Esta abordagem integra inferência Bayesiana baseada em modelo com adaptabilidade orientada por dados.

• Estrutura: O algoritmo trata o sistema como uma rede de duas camadas:
  1. Camada 1 (Domínio da Frequência): Mapeia o sinal no domínio da frequência $x$ para o sinal no domínio do tempo $r$ via matriz IDFT.
  2. Camada 2 (Domínio do Tempo): Mapeia $r$ para a observação não linear $y$.
• Inferência Iterativa: O algoritmo atualiza iterativamente as estimativas $\hat{x}$ e $\hat{r}$ usando duas funções de denoising:
  1. Denoiser Espectral ($G_0$): Opera no domínio da frequência. Para o sinal desejado, este é um estimador MMSE linear baseado em priors espectrais conhecidos (média $\mu$ e variância $S$).
  2. Denoiser Não Linear ($G_1$): Opera no domínio do tempo para inverter a distorção não linear.
• Componente de Aprendizado:
  • No ML-VAMP clássico, o denoiser não linear $G_1$ requer integração numérica multidimensional complexa, o que é computacionalmente proibitivo.
  • A abordagem Aprendida proposta substitui os denoisers analíticos intratáveis por redes neurais compactas e treináveis ($f_0$ e $f_1$).
  • Essas redes são treinadas de ponta a ponta em dados simulados para aproximar os denoisers MMSE ideais. Elas recebem entradas como a estimativa atual, variância do ruído e parâmetros do sistema (ex: potência de saturação $P_{sat}$) e produzem estimativas refinadas e parâmetros de precisão.
• Objetivo de Treinamento: O modelo é treinado usando uma função de perda composta que penaliza o erro no domínio da frequência em iterações intermediárias (para guiar a convergência) e na iteração final (para garantir a precisão).

Vantagens de Complexidade

Ao contrário das abordagens de aprendizado profundo geral que podem exigir $O(N^2)$ parâmetros para entradas de dimensão $N$, o framework LMLVAMP utiliza redes neurais componente a componente. A complexidade não escala com a dimensão do sinal $N$, tornando-o adequado para sistemas de banda larga.

3. Principais Contribuições

1. Novo Framework: Introdução de um framework LML-VAMP projetado especificamente para recuperação de sinais na presença de interferência OOB forte, saturação do receptor e quantização.
2. Arquitetura Híbrida: Integração de priors espectrais (para a banda do sinal desejado) com denoising baseado em redes neurais para lidar com distorções não lineares sem exigir um modelo explícito da não linearidade do hardware.
   C. Interpretabilidade: Ao contrário das redes de aprendizado profundo de "caixa-preta", o método proposto retém a estrutura iterativa de passagem de mensagens, oferecendo interpretabilidade através de suas raízes de inferência Bayesiana.
3. Eficiência: Demonstração de que a substituição de denoisers analíticos por redes neurais leves evita o fardo computacional da integração de alta dimensão, mantendo a escalabilidade.

4. Resultados de Desempenho

Simulações foram conduzidas sob condições relevantes para FR3 (SNR 10–20 dB, INR 30–80 dB, quantização de 10 bits). O LMLVAMP proposto foi comparado com:

• LINEAR-K/U: Estimadores Wiener lineares no domínio da frequência (com e sem conhecimento do interferente).
• ORACLE: Um estimador idealizado com conhecimento perfeito do sistema (limite superior).

Principais Constatações:

• Robustez à Interferência: Os estimadores lineares degradam-se bruscamente quando a Razão Interferência-Ruído (INR) excede 50 dB devido ao vazamento espectral não linear. Em contraste, o LMLVAMP mantém um desempenho forte, alcançando taxas de transmissão significativamente maiores que as baselines lineares (lacunas superiores a 20 dB em alguns regimes).
• Convergência: O método proposto aproxima-se do desempenho do benchmark ORACLE em apenas duas iterações.
• Generalização: A variante "Desconhecida" (LMLVAMP-U), que não assume o conhecimento do sinal do interferente, supera significativamente as baselines lineares, demonstrando capacidade de generalização para condições de interferência desconhecidas.
• Resiliência à Quantização: O algoritmo retém uma vantagem substancial sobre as alternativas lineares mesmo sob quantização de 10 bits.

5. Significância e Alegações

O artigo afirma que o framework LMLVAMP proposto oferece uma solução viável para o design de receptores FR3 robustos e de baixo custo para futuros sistemas 6G. Ao modelar conjuntamente a não linearidade, o ruído e a quantização, o método supera as limitações da filtragem linear clássica em ambientes espectrais densos.

Os autores enfatizam que esta abordagem preenche a lacavra entre a inferência rigorosa baseada em modelos e a adaptabilidade dos métodos orientados por dados. Fornece uma alternativa prática ao modelamento polinomial complexo (difícil de estimar) e às redes neurais de caixa-preta (que carecem de interpretabilidade). Os resultados destacam que a inferência iterativa combinada com denoisers aprendidos é essencial para lidar com as severas distorções não lineares características dos cenários de coexistência de banda intermediária superior.

Trabalhos futuros, conforme observado pelos autores, incluem a extensão do framework para interferência variante no tempo, efeitos de memória e implementações de hardware em tempo real.