Near-Field Multiuser Beam Training for XL-MIMO: An End-to-End Interference-Aware Approach with Pilot Limitations

Este artigo propõe o framework DL-IABT, uma abordagem de treinamento de feixe multiusuário baseada em aprendizado profundo que, ao prever diretamente os índices de feixes analógicos a partir de medições de sensoriamento limitadas e incorporar interferência de forma integrada, supera os custos proibitivos do treinamento convencional em sistemas XL-MIMO de campo próximo, alcançando desempenho próximo ao ótimo com menor sobrecarga de pilotos.

O essencial

Imagine que você está organizando uma grande festa em um estádio (o sistema de comunicação) e precisa entregar mensagens específicas para 8 amigos diferentes (os usuários) que estão espalhados pelo local.

O problema é que o estádio é gigantesco e cheio de obstáculos (como paredes e pessoas), e as mensagens viajam como ondas de rádio. Além disso, você tem um tempo muito curto para descobrir onde cada amigo está e como enviar a mensagem sem que ela se misture com a dos outros.

Aqui está a explicação do artigo, traduzida para uma linguagem simples e cheia de analogias:

1. O Problema: O Labirinto Gigante

Antes, as torres de celular eram como "lanternas" que giravam para encontrar pessoas. Mas agora, com a tecnologia XL-MIMO (antenas supergrandes), a torre é como um muro inteiro de lanternas.

• O Desafio: Em distâncias curtas (perto da torre), as ondas não são mais retas; elas são curvas (como ondas na água perto de uma pedra). Isso cria um "labirinto" de possibilidades. Para encontrar o caminho certo para cada amigo, a torre teria que testar milhões de combinações de luzes.
• O Gargalo: Testar tudo isso leva muito tempo e consome muita energia (pilotos). Se você gastar todo o tempo testando, não sobra tempo para enviar a mensagem real. É como tentar achar a chave certa em um maço de 10.000 chaves antes de abrir a porta: você chega atrasado na festa.

2. A Solução Antiga: O "Sistema de Perguntas"

Os métodos tradicionais funcionam como um jogo de "Quente ou Frio". A torre pergunta: "Está na esquerda?", "Está na direita?", "Mais perto?", "Mais longe?".

• O Erro: Em sistemas com muitos usuários, o que é bom para o "Amigo A" pode atrapalhar o "Amigo B". O sistema antigo escolhe a melhor luz para cada um individualmente, mas não percebe que as luzes estão se cruzando e criando interferência (barulho) entre eles.

3. A Solução Proposta: O "Mestre de Cerimônias com Intuição" (DL-IABT)

Os autores criaram um sistema baseado em Inteligência Artificial (Deep Learning) que age como um Mestre de Cerimônias experiente. Em vez de perguntar e testar milhões de vezes, ele adivinha o melhor caminho de uma só vez.

Aqui estão os "superpoderes" desse sistema:

A. O Mapa Simplificado (Aproximação de Subconjuntos)

A torre é dividida em pequenos grupos de antenas (subconjuntos).

• A Analogia: Em vez de tentar mapear a curvatura exata de cada onda para cada antena individual (o que é impossível de calcular rápido), o sistema olha para cada grupo de antenas como se fosse uma única "lanterna" distante. Isso simplifica o mapa, tornando o problema muito mais fácil de resolver, sem perder muita precisão.

B. O Cérebro que "Vê" o Futuro (Aprendizado de Máquina)

O sistema usa uma rede neural (um cérebro digital) treinada para olhar para um pouco de ruído e sinais fracos que chegam dos usuários e, instantaneamente, dizer: "Ah, o Amigo 1 está ali, e o Amigo 2 está aqui, e se eu apontar a luz X para o 1 e a luz Y para o 2, ninguém vai se atrapalhar".

• O Diferencial: Ele não olha apenas para um usuário de cada vez. Ele olha para todos ao mesmo tempo. É como um maestro de orquestra que, ao ver o violinista, já sabe como ajustar o trompetista para que a música fique perfeita para todos, evitando que um instrumento cubra o outro.

C. A "Regra de Ouro" (Perda Variante-MSE)

Para treinar esse cérebro, os autores inventaram uma fórmula matemática especial.

• A Analogia: Em vez de dizer ao cérebro "aponte para o amigo", eles disseram: "Tente minimizar o erro e o barulho entre todos os amigos". O cérebro aprende sozinho a escolher as luzes que, juntas, criam a melhor experiência para o grupo todo, sem precisar calcular manualmente o ajuste fino de cada luz.

D. O Truque de Velocidade (Gumbel-Softmax)

Escolher a luz certa é como escolher uma cor de uma paleta com milhões de cores. Fazer isso matematicamente é lento.

• O Truque: Eles usaram um "truque" matemático (Gumbel-Softmax) que permite ao cérebro fazer essa escolha de forma suave e rápida, como se estivesse deslizando para a cor certa, em vez de pular de uma cor para outra de forma brusca. Isso torna o sistema super rápido e escalável.

4. O Resultado: Mais Festa, Menos Preparação

Os testes mostraram que:

1. Velocidade: O sistema novo é quase tão bom quanto o "perfeito" (que sabe tudo de antemão), mas muito melhor do que os métodos antigos.
2. Eficiência: Como ele não precisa gastar tempo testando milhões de combinações, ele gasta muito menos tempo se preparando e muito mais tempo transmitindo dados.
3. Escalabilidade: Mesmo que você aumente o número de opções de luzes (o código), o sistema novo continua rápido. Os sistemas antigos ficam lentos e travam quando o número de opções cresce.

Resumo Final

Imagine que você precisa entregar 8 pacotes em uma cidade grande e cheia de trânsito.

• O jeito antigo: Você envia um carro para cada rua possível, verifica se está livre, e só então entrega. Leva horas.
• O jeito novo (DL-IABT): Você tem um GPS inteligente que olha o trânsito em tempo real, prevê onde os carros vão se cruzar e traça, num piscar de olhos, a rota perfeita para todos os 8 carros ao mesmo tempo, evitando engarrafamentos.

O artigo mostra que, usando Inteligência Artificial para "adivinhar" as melhores antenas de forma inteligente e coletiva, podemos fazer as redes de próxima geração (6G) serem muito mais rápidas e eficientes, mesmo com recursos limitados.

Resumo técnico

Resumo Técnico: Treinamento de Feixe Multiusuário em Campo Próximo para XL-MIMO

1. Problema Abordado

O artigo aborda os desafios do treinamento de feixe (Beam Training - BT) em sistemas MIMO de escala extremamente grande (XL-MIMO) operando em regimes de campo próximo e campo distante mistos.

• Complexidade do Espaço de Busca: No campo próximo, a propagação esférica exige a caracterização do canal em duas dimensões (ângulo e alcance), expandindo exponencialmente o espaço de busca do treinamento de feixe em comparação com o campo distante.
• Limitação de Pilotos e Arquitetura: Em arquiteturas híbridas sub-conectadas (comuns para reduzir complexidade de hardware), o número de combinações de feixes viáveis cresce exponencialmente com o número de subconjuntos de antenas. Métodos convencionais baseados em varredura de código (codebook-based) tornam-se proibitivamente caros em termos de recursos de piloto e latência.
• Interferência Multiusuário (MUI): Estratégias tradicionais de treinamento de feixe frequentemente otimizam o ganho de feixe para um único usuário na primeira etapa (analógico), ignorando a interferência entre usuários. Isso pode levar a uma seleção de feixes analógicos que restringe a capacidade de mitigação de interferência do pré-codificador digital subsequente, reduzindo a taxa de soma do sistema.
• Ineficiência de Pilotos: Métodos existentes muitas vezes não consideram adequadamente a otimização "end-to-end" (E2E) sob restrições severas de pilotos, especialmente em arquiteturas sub-conectadas.

2. Metodologia Proposta (DL-IABT)

Os autores propõem uma nova estrutura baseada em aprendizado profundo chamada DL-IABT (Deep-Learning-based Interference-Aware Multiuser Beam Training). A abordagem é totalmente orientada a tarefas e opera de ponta a ponta (E2E).

• Aproximação por Subconjunto: Utiliza-se uma aproximação no nível do subconjunto (subarray) para representar a resposta do canal de campo próximo usando um código de feixe de campo distante. Isso é válido quando o erro de fase entre os elementos de um subconjunto é pequeno, permitindo o uso de códigos de feixe existentes sem perda significativa de desempenho.
• Objetivo de Treinamento (Loss Function) e Decuplagem:
  • Maximizar diretamente a taxa de soma é difícil devido à natureza não convexa e às restrições discretas do código.
  • Para contornar isso, os autores derivam uma função de perda variante-MSE (Mean Squared Error).
  • Utilizando as condições KKT, eliminam-se o pré-codificador digital ($F_{BB}$) através de uma solução de MMSE (Minimum Mean Square Error) de forma fechada.
  • Isso permite que a rede neural aprenda apenas os índices dos feixes analógicos ($F_{RF}$), enquanto o pré-codificador digital é calculado implicitamente para minimizar o erro de reconstrução do sinal, levando em conta a interferência multiusuário.
• Arquitetura da Rede Neural:
  1. Front-end de Sensoriamento Complexo: Uma camada de convolução complexa sem viés (bias-free) que modela o processo de medição de pilotos de enlace de subida, permitindo a integração da interface física ao aprendizado E2E.
  2. Codificador de Características Compartilhado: Um MLP (Multi-Layer Perceptron) complexo compartilhado que extrai características latentes dos canais de cada usuário, preservando informações de fase.
  3. Preditor Multiusuário Baseado em Transformer: Utiliza camadas de autoatenção (Self-Attention) para capturar o acoplamento e a interferência entre os usuários. Diferente de métodos que tratam usuários isoladamente, o Transformer aprende seleções de feixe que otimizam o desempenho global do sistema.
  4. Cabeça de Seleção de Feixe Escalável (Gumbel-Softmax): Para lidar com a seleção discreta de feixes e permitir o backpropagation, utiliza-se a relaxação Gumbel-Softmax. Isso permite que a rede escolha os índices de feixe de forma diferenciável durante o treinamento, escalando linearmente com o número de usuários.

3. Contribuições Principais

1. Abordagem E2E Interference-Aware: Diferente de métodos em duas etapas (separar analógico e digital), o DL-IABT otimiza a seleção de feixes analógicos considerando explicitamente a mitigação de interferência multiusuário e o desempenho do sistema global.
2. Eficiência de Pilotos: A rede prevê índices de feixe diretamente a partir de um número reduzido de medições de enlace de subida, eliminando a necessidade de varreduras exaustivas ou hierárquicas que consomem muitos pilotos.
3. Solução para Arquiteturas Sub-conectadas: Adapta o aprendizado profundo para as restrições de matriz diagonal em bloco das arquiteturas sub-conectadas, algo que muitas soluções anteriores (focadas em totalmente digital ou totalmente conectado) não abordam.
4. Novo Objetivo de Perda: A derivação da função de perda variante-MSE baseada em MMSE fechado permite o treinamento E2E sem a necessidade de aprender simultaneamente as matrizes analógicas e digitais, reduzindo a complexidade do modelo.

4. Resultados de Simulação

Os resultados foram validados em um cenário de XL-MISO com 8 usuários e 32 antenas por subconjunto (frequência de 100 GHz).

• Taxa de Soma (Sum-Rate): O DL-IABT atinge um desempenho próximo ao limite superior teórico (Otimização Alternada com CSI Perfeito), superando significativamente métodos baseados em busca hierárquica (Radix-4) e preditores MLP simples. Em 20 dB de SNR, atingiu 46,33 bps/Hz (vs. 49,83 bps/Hz ideal).
• Taxa Efetiva (Effective Throughput): Ao considerar a sobrecarga de pilotos (overhead), o DL-IABT demonstra a maior taxa efetiva. Enquanto métodos tradicionais sofrem degradação severa devido ao tempo gasto na varredura de feixes, o DL-IABT mantém alta eficiência espectral.
• Escalabilidade: O método mantém desempenho estável mesmo com o aumento do tamanho do código (codebook size), ao contrário dos métodos baseados em busca que colapsam quando o overhead de treinamento excede o tempo de coerência do canal.

5. Significado e Impacto

Este trabalho é significativo para o desenvolvimento de sistemas de comunicação de próxima geração (6G) que utilizam XL-MIMO.

• Viabilidade do Campo Próximo: Oferece uma solução prática para o treinamento de feixe em campo próximo, onde a complexidade tradicional seria inviável.
• Otimização de Recursos: Resolve o dilema entre a necessidade de alta resolução de feixe e a escassez de recursos de piloto, essencial para comunicações de baixa latência e alta confiabilidade.
• Inteligência Artificial em RF: Demonstra como arquiteturas avançadas de IA (Transformers, Gumbel-Softmax) podem ser integradas diretamente ao processo de física de ondas (sensoriamento) para superar limitações de algoritmos clássicos de otimização.

Em suma, o DL-IABT representa um avanço crucial na transição de sistemas de beamforming baseados em busca exaustiva para sistemas inteligentes, adaptativos e eficientes em recursos para ambientes de campo próximo.