Attention-Based SINR Estimation in User-Centric Non-Terrestrial Networks

Título: Estimativa de SINR Baseada em Atenção em Redes Não Terrestres Centradas no Usuário

1. Problema e Motivação

O Razão Sinal-Interferência-Ruído (SINR) é uma métrica fundamental para a otimização de desempenho em sistemas de comunicações via satélite, especificamente em Redes Não Terrestres (NTN) com feixes centrados no usuário (user-centric beamforming).

• Desafio Atual: A avaliação precisa do SINR tradicionalmente depende do cálculo da matriz de formação de feixes (beamforming) utilizando formulações baseadas no Erro Quadrático Médio Mínimo (MMSE).
• Limitações: O cálculo do MMSE introduz uma sobrecarga computacional significativa, especialmente em cenários dinâmicos onde múltiplos grupos de usuários candidatos precisam ser avaliados para seleção ótima. Além disso, em satélites (GEO ou LEO), atrasos de propagação ou movimento orbital podem tornar os relatórios de qualidade de enlace desatualizados, dificultando decisões de agendamento em tempo real.
• Necessidade: É necessário um método de estimativa de SINR de baixa complexidade computacional que possa ser integrado aos algoritmos de agendamento para avaliar rapidamente vários grupos de usuários e selecionar aquele com a maior capacidade.

2. Metodologia Proposta

Os autores propõem um framework de estimativa de SINR baseado em Deep Learning (DL), especificamente utilizando uma arquitetura de Dupla Atenção Múltipla-Cabeça (DMHSA - Dual Multi-Headed Self-Attention).

• Arquitetura DMHSA:

  • O modelo utiliza o mecanismo de Auto-Atenção (Self-Attention) para extrair características de interferência entre usuários diretamente dos dados de entrada, sem calcular explicitamente a matriz MMSE.
  • Mecanismo Dual: O modelo possui dois módulos de atenção paralelos:
    1. Módulo SNR: Usa uma máscara de atenção completa para capturar todas as interações (sinal + interferência).
    2. Módulo INR: Usa uma máscara que exclui a auto-interferência, focando apenas nas contribuições de interferência entre usuários distintos.
  • A saída final é a diferença entre as saídas desses dois módulos, estimando o SINR em dB.

• Duas Configurações de Entrada:

  1. Baseada em CSI (Channel State Information): Utiliza os vetores de canal estimados (fases normalizadas e magnitude média quadrática) e a razão entre usuários agendados e feixes disponíveis.
  2. Baseada em Localização (GEO): Utiliza apenas as coordenadas geográficas (latitude/longitude ou sistema u,v) dos usuários e a razão de agendamento. Esta abordagem aproveita a menor dimensionalidade dos dados de localização.

• Treinamento: Os modelos foram treinados com dados simulados de uma passagem de satélite LEO, utilizando o SINR calculado via MMSE como "ground truth" (rótulo) para supervisionar o aprendizado.

3. Contribuições Principais

• Redução de Complexidade Computacional:
  • A abordagem baseada em CSI reduz a complexidade computacional em um fator de 3 em comparação com o cálculo MMSE tradicional.
  • A abordagem baseada em Localização reduz a complexidade em duas ordens de grandeza (fator de ~100), devido à eliminação da dependência do número de elementos de antena ($N_R$) na entrada do modelo.
• Precisão com Baixo Custo: O modelo mantém alta precisão de estimativa, com erro quadrático médio raiz (RMSE) tipicamente abaixo de 1 dB em cenários de agendamento realistas.
• Integração com Agendamento: O método permite a avaliação rápida de múltiplos grupos candidatos de usuários, facilitando a seleção do grupo que maximiza a capacidade total do sistema.

4. Resultados Experimentais

Os resultados foram validados em dois cenários de agendamento:

• Agendador Aleatório: O modelo demonstrou capacidade de estimar o SINR com boa precisão, embora erros maiores ocorressem em casos de agendamento "pobre" (usuários geograficamente próximos com vetores de canal altamente correlacionados).
• Agendador de Fila de Prioridade (PQS): Ao utilizar um algoritmo de agendamento mais sofisticado (PQS), que considera requisitos de capacidade e visibilidade residual:
  • Ambos os modelos (CSI e GEO) alcançaram um erro absoluto mediano inferior a 0,7 dB.
  • O RMSE permaneceu abaixo de 1 dB na maioria dos cenários testados (exceto em casos específicos de baixa demanda de capacidade com o modelo GEO).
  • O modelo baseado em localização mostrou desempenho ligeiramente superior nos percentis mais altos de erro, enquanto o baseado em CSI foi superior nos percentis mais baixos em certas configurações.

5. Significado e Impacto

Este trabalho representa um avanço significativo para a implementação prática de NTNs centradas no usuário em satélites de órbita baixa (LEO) e média (MEO).

• Viabilidade Operacional: Ao reduzir drasticamente a complexidade computacional, o método torna viável a execução de algoritmos de agendamento mais inteligentes e iterativos diretamente no satélite (ou em unidades de processamento a bordo), onde recursos de computação são limitados.
• Otimização de Capacidade: A capacidade de estimar o SINR de vários grupos de usuários rapidamente permite que o sistema selecione dinamicamente a combinação ótima de usuários, maximizando a taxa de dados agregada e a eficiência espectral.
• Futuro: Os autores sugerem que esses estimadores podem ser a base para futuros agendadores assistidos por estimativa de SINR e que o aprendizado online poderá ser investigado para adaptação a condições de canal dinâmicas.

Em resumo, o artigo demonstra que técnicas de Deep Learning baseadas em Atenção podem substituir cálculos matemáticos pesados (MMSE) por inferências rápidas e precisas, habilitando uma nova geração de redes satelitais mais eficientes e responsivas.