Learning During Detection: Continual Learning for Neural OFDM Receivers via DMRS

1. O Problema

Os receptores baseados em Redes Neurais Profundas (DNNs) para sistemas de multiplexação por divisão de frequência ortogonal (OFDM) demonstraram desempenho superior em cenários de canal complexos, superando métodos tradicionais como a estimativa de canal por mínimos quadrados (LS) e equalização LMMSE. No entanto, esses modelos sofrem de uma vulnerabilidade crítica: deslocamento de distribuição (distribution shift).

Quando as estatísticas do canal de comunicação mudam (devido a mobilidade do usuário, interferência ou variações nas características de desvanecimento) em relação aos dados usados no treinamento inicial, o desempenho do receptor neural degrada-se drasticamente. As soluções existentes para adaptação online apresentam limitações significativas:

• Sobrecarga de Pilotos: Métodos que alternam entre fases de treinamento e inferência exigem pilotos dedicados, reduzindo a eficiência espectral.
• Interrupção de Serviço: A necessidade de pausar a transmissão de dados para re-treinamento causa latência e interrupção no fluxo de dados.
• Incapacidade de Rastreamento Rápido: Métodos que atualizam o modelo apenas em intervalos longos não conseguem acompanhar variações rápidas do canal.

2. Metodologia Proposta

O artigo propõe um framework de aprendizado contínuo e online com sobrecarga zero (zero-overhead). A ideia central é redesenhar os pilotos de demodulação (DMRS) existentes para servirem a um duplo propósito: auxiliar na demodulação do sinal e fornecer rótulos para o ajuste fino (fine-tuning) do modelo neural, sem interromper a inferência.

A. Design de Pilotos

O trabalho introduz três esquemas de design de pilotos para suportar o aprendizado durante a detecção:

1. Pilotos Totalmente Aleatórios: Símbolos piloto são escolhidos aleatoriamente da constelação e espalhados aleatoriamente na grade de recursos. Eles imitam o comportamento de dados reais, permitindo que a rede os use tanto para demodulação quanto como rótulos de treinamento.
2. Pilotos Híbridos: Uma combinação onde um subconjunto de pilotos segue o design aleatório (para aprendizado) e o restante segue o padrão convencional.
3. Pilotos Adicionais: Símbolos extras são transmitidos junto com os pilotos padrão, utilizados para ambos os fins.

B. Arquiteturas de Receptor

Para explorar esses designs de pilotos, duas arquiteturas de receptor são desenvolvidas:

• Arquitetura I (Paralela): Utiliza dois caminhos paralelos. Um caminho de inferência processa a grade completa (com todos os pilotos) para gerar os bits suaves (LLRs). Em paralelo, um caminho de treinamento processa uma versão mascarada da grade (onde os símbolos dos pilotos de aprendizado são zerados) para calcular a perda e atualizar uma rede neural "clone". Após cada mini-lote, os pesos da clone são copiados para o modelo de inferência. Isso garante operação contínua sem interrupção, mas com maior custo computacional.
• Arquitetura II (Reutilização de Passagem Direta): Utiliza uma única rede neural. A passagem direta (forward pass) é executada uma vez para gerar LLRs tanto para dados quanto para pilotos mascarados. A retropropagação (backpropagation) ocorre diretamente na mesma rede após o mini-lote. Isso reduz a complexidade computacional, mas exige uma breve pausa na inferência durante a atualização dos pesos.

C. Análise de Latência

O artigo analisa o atraso introduzido pelas atualizações do modelo. Considera-se que a retropropagação é aproximadamente o dobro do custo da passagem direta. O sistema é classificado em três casos operacionais baseados na relação entre o atraso de transmissão/decodificação e o atraso de inferência/atualização, definindo a frequência máxima de atualização do modelo (ex: a cada 2º ou 3º mini-lote).

3. Principais Contribuições

• Estratégia de Aprendizado Online sem Sobrecarga: Redesenho dos pilotos de demodulação para permitir o ajuste fino contínuo sem adicionar pilotos extras ou interromper o serviço.
• Três Designs de Pilotos Flexíveis: Oferecem um equilíbrio entre compatibilidade com sistemas legados e flexibilidade para adaptação robusta.
• Duas Arquiteturas de Receptor: Soluções que permitem o aprendizado online durante a inferência, balanceando desempenho, latência e complexidade computacional.
• Análise de Latência: Caracterização detalhada de como as atualizações do modelo afetam a capacidade de rastreamento do receptor sob diferentes condições de canal.
• Validação em Cenários Dinâmicos: Demonstração de que o método rastreia variações lentas e rápidas do canal sem degradação catastrófica.

4. Resultados das Simulações

As simulações foram realizadas em um sistema de enlace ascendente OFDM (64 subportadoras, 64-QAM) utilizando a biblioteca Sionna. O modelo neural utilizado foi o CoNet (uma arquitetura leve e eficiente), pré-treinado offline e ajustado online.

• Resiliência ao Deslocamento de Distribuição: Enquanto receptores neurais fixos sofreram degradação severa de BER (Taxa de Erro de Bit) quando o atraso de propagação (delay spread) do canal mudou, o receptor com aprendizado online recuperou o desempenho original rapidamente.
• Rastreamento de Variações Lentas e Rápidas:
  • Em cenários de mudança gradual (a cada 1000 mini-lotes), o modelo adaptativo manteve o BER abaixo de $2 \times 10^{-3}$, enquanto o modelo fixo degradou-se para $5 \times 10^{-2}$.
  • Em cenários de mudança rápida (a cada 480 amostras), o método proposto continuou a rastrear as variações, prevenindo erros catastróficos.
• Eficiência: O método alcançou desempenho superior sem aumentar a sobrecarga de pilotos ou interromper a transmissão de dados, utilizando os mesmos recursos que um sistema tradicional.

5. Significado e Impacto

Este trabalho representa um avanço significativo na aplicação de inteligência artificial em comunicações sem fio. Ao resolver o problema da estabilidade do modelo em ambientes dinâmicos sem penalizar a eficiência espectral ou a latência, o framework proposto torna viável a implantação de receptores neurais em sistemas reais de 5G e além.

A capacidade de aprender continuamente "durante a detecção" (Learning During Detection) elimina a necessidade de re-treinamento offline massivo ou interrupções de serviço, garantindo que os receptores permaneçam robustos frente a mudanças imprevisíveis no ambiente de propagação, como mobilidade de alta velocidade e interferências variáveis. Isso abre caminho para sistemas de comunicação mais autônomos e adaptativos.