End-to-End NOMA with Perfect and Quantized CSI Over Rayleigh Fading Channels

Título: NOMA de Ponta a Ponta com CSI Perfeito e Quantizado sobre Canais de Desvanecimento Rayleigh

1. Problema e Motivação

O Acesso Múltiplo Não Ortogonal (NOMA) é uma técnica promissora para a próxima geração de comunicações, permitindo que múltiplos usuários compartilhem o mesmo recurso tempo-frequência através de sobreposição de símbolos com diferentes fatores de alocação de potência. No entanto, existem desafios significativos na sua implementação prática:

• Desvanecimento Rayleigh: A maioria dos estudos existentes foca em canais com ruído branco gaussiano aditivo (AWGN). Em cenários reais de desvanecimento Rayleigh, a aleatoriedade do canal e a variação na ordem de potência dos usuários criam "super-constelações" sobrepostas, levando a uma degradação severa na Taxa de Erro de Bit (BER).
• Limitações do CSI: A maioria das soluções assume que o transmissor possui Condição de Canal (CSI) perfeita, o que é irrealista devido a limitações de largura de banda de feedback.
• Constelações Fixas: Esquemas tradicionais utilizam constelações pré-definidas (como QPSK) e cancelamento de interferência sucessiva (SIC), que podem não ser ótimos sob condições de canal variáveis e com interferência entre usuários.

O objetivo deste trabalho é desenvolver um framework de aprendizado de máquina que aprenda estratégias de sinalização robustas e adaptativas diretamente sobre canais de desvanecimento Rayleigh, considerando tanto CSI perfeito quanto CSI quantizado (feedback limitado).

2. Metodologia

Os autores propõem um sistema de Autoencoder (AE) de ponta a ponta que otimiza conjuntamente o transmissor (codificador) e os receptores (decodificadores).

• Arquitetura da Rede:
  • Codificador (Transmissor): Recebe os bits de entrada dos dois usuários ($s_1, s_2$) e o estado do canal (ou sua versão quantizada $\hat{h}_1, \hat{h}_2$). Ao contrário de sistemas tradicionais, o codificador aprende um mapeamento não linear para gerar símbolos complexos superpostos que se adaptam instantaneamente às condições do canal.
  • Decodificadores (Receptores): Cada usuário possui seu próprio decodificador que mapeia a observação ruidosa de volta para os bits estimados.
  • Estrutura: A rede utiliza camadas totalmente conectadas (FC) com funções de ativação tanh e sigmoid, incluindo conexões residuais para melhorar o aprendizado.
• Função de Perda e Treinamento:
  • O sistema é treinado para minimizar uma função de perda ponderada que considera a Taxa de Erro de Bit (BER) de ambos os usuários, garantindo justiça entre eles.
  • Adaptação ao Desvanecimento: O treinamento ocorre amostrando ganhos de canal distribuídos conforme Rayleigh, forçando o AE a aprender uma super-constelação que funcione bem em diversas condições de canal, não apenas em um ponto fixo.
  • Mitigação de "Floor" de BER: Para evitar que o desempenho estagne em altos SNR (devido ao SNR fixo de treinamento), os autores propõem uma nova estratégia de treinamento que utiliza múltiplos valores de SNR representativos por lote, ponderando a perda condicionalmente.
• Feedback de CSI Quantizado:
  • Para cenários práticos, o CSI é quantizado antes de ser enviado ao transmissor.
  • Dois esquemas são comparados: Quantização Uniforme e Quantização de Lloyd-Max. A quantização de Lloyd-Max é utilizada para minimizar o erro quadrático médio (MSQE), alocando maior resolução onde a densidade de probabilidade do canal é mais concentrada.

3. Principais Contribuições

1. Extensão para Desvanecimento Rayleigh: É o primeiro estudo a aplicar AE-NOMA em canais de desvanecimento Rayleigh, onde o codificador adapta dinamicamente a super-constelação para mitigar a interferência entre usuários, garantindo bom desempenho de BER em todos os ganhos de canal.
2. Framework com CSI Quantizado: Introduz o primeiro framework AE-NOMA que incorpora feedback de CSI quantizado (tanto uniforme quanto Lloyd-Max), tornando a solução mais viável para implementações reais.
3. Nova Estratégia de Treinamento: Propõe uma função de perda e método de treinamento inovadores para mitigar o "teto" (floor) de BER observado em altos SNR, melhorando a robustez do sistema sem sacrificar o desempenho em baixos SNR.
4. Constelações Aprendidas: O sistema descobre mapeamentos de símbolos não convencionais e adaptativos que superam as constelações fixas tradicionais (como QPSK rotacionado).

4. Resultados Numéricos

As simulações foram realizadas com dois usuários, comparando o AE proposto com limites teóricos e benchmarks existentes:

• Desempenho vs. Teórico: Com CSI perfeito, o AE proposto supera significativamente os esquemas analíticos NOMA tradicionais (baseados em QPSK) e os limites teóricos de BER. O AE aprende uma estrutura de constelação que se aproxima do limite inferior teórico (similar a uma 16-QAM para o usuário forte).
• Comparação com Benchmarks: O AE supera esquemas adaptativos anteriores (como PAR e PANOMA) em toda a faixa de SNR, pois não está restrito a constelações pré-definidas.
• Impacto da Quantização:
  • A quantização de Lloyd-Max apresenta desempenho superior (menor BER) em comparação com a quantização uniforme para o mesmo número de níveis.
  • Com níveis de quantização suficientes ($\ge 4$ bits), a diferença entre os métodos diminui, mas o Lloyd-Max mantém uma vantagem.
• Adaptabilidade: O sistema demonstra escalabilidade, mantendo alto desempenho quando o número de bits por usuário varia (ex: 2 bits vs 3 bits), sem necessidade de alterar a arquitetura da rede, apenas o tamanho da saída dos decodificadores.
• Mitigação de Floor: A nova estratégia de treinamento com múltiplos SNRs remove o piso de BER em altos SNR, aproximando o desempenho do sistema aos limites teóricos.

5. Significado e Conclusão

Este trabalho demonstra que os Autoencoders de ponta a ponta são ferramentas poderosas para o projeto de sistemas NOMA em ambientes de desvanecimento realistas.

• Inovação: Ao integrar o canal de desvanecimento diretamente no processo de treinamento e inferência, o sistema aprende estratégias de sinalização robustas que se adaptam à aleatoriedade do canal, superando as limitações dos esquemas baseados em SIC e constelações fixas.
• Viabilidade Prática: A inclusão de CSI quantizado e a otimização da função de perda mostram que o aprendizado profundo pode ser aplicado em cenários com restrições de feedback e hardware, aproximando-se de implementações reais.
• Futuro: O trabalho sugere que a otimização conjunta do quantizador e do AE (aprendizado de ponta a ponta do quantizador) pode fechar ainda mais a lacuna de desempenho em relação ao caso de CSI perfeito, reduzindo a complexidade e o overhead de feedback.

Em resumo, a proposta oferece um caminho promissor para a implantação de NOMA em ambientes de desvanecimento com restrições de CSI realistas, alcançando ganhos significativos de eficiência espectral e confiabilidade.