Utilizing Improper Gaussian Signaling for Downlink Rate-Splitting Multiple Access with Imperfect Successive Interference Cancellation

Título: Utilização de Sinalização Gaussiana Imprópria para Acesso Múltiplo com Divisão de Taxa (RSMA) em Downlink com Cancelamento de Interferência Sucessiva Imperfeito

1. Problema Investigado

O artigo aborda um desafio crítico nas redes de próxima geração: a degradação do desempenho do Acesso Múltiplo com Divisão de Taxa (RSMA) devido ao Cancelamento de Interferência Sucessiva (SIC) imperfeito.

• Contexto: O RSMA divide a mensagem do usuário em partes comuns e privadas para gerenciar interferência. No entanto, na prática, o SIC sofre de limitações de hardware, erros de estimação de canal e efeitos de comprimento de bloco finito, resultando em interferência residual.
• Limitação Atual: A maioria das soluções existentes para mitigar essa interferência (como controle de potência ou superfícies inteligentes reconfiguráveis - RIS) atua fora do domínio de sinalização, não abordando a rigidez estatística dos sinais Gaussianos Próprios (PGS), que ignoram metade dos graus de liberdade de segunda ordem disponíveis.
• Objetivo: Explorar a Sinalização Gaussiana Imprópria (IGS) como uma ferramenta intrínseca para combater a interferência residual causada pelo SIC imperfeito, sem exigir hardware adicional ou recursos de espectro.

2. Metodologia

Os autores propõem um framework analítico e numérico para integrar a IGS em um sistema RSMA de downlink com configuração SISO (Single-Input Single-Output) e dois usuários.

• Modelo de Sinalização:
  • O fluxo de dados comum (decodificado por todos os usuários) utiliza IGS, permitindo o controle do coeficiente de circularidade ($\kappa$).
  • Os fluxos de dados privados (decodificados individualmente) utilizam a tradicional PGS.
  • O SIC imperfeito é modelado por um parâmetro $\lambda \in [0, 1]$, onde valores maiores indicam maior interferência residual.
• Análise Teórica:
  • Derivação de expressões de taxa para fluxos privados e comuns, considerando a estrutura de covariância completa dos sinais impróprios.
  • Maximização de Taxa Privada: Demonstração de que a taxa privada aumenta monotonicamente com o grau de impropriedade.
  • Maximização de Taxa Comum: Análise das condições de monotonicidade para encontrar o $\kappa$ ótimo, considerando restrições de taxa mínima e poder de transmissão.
  • Maximização da Taxa Soma: Devido à não convexidade do problema de otimização conjunta de potência e $\kappa$, os autores desenvolveram um algoritmo baseado em Aprendizado por Reforço (Soft Actor-Critic - SAC).
• Algoritmo SAC: O problema é modelado como um Processo de Decisão de Markov (MDP), onde o agente aprende a política de alocação de potência e o coeficiente de circularidade ótimo para maximizar a taxa soma, penalizando violações de restrições de taxa mínima.

3. Principais Contribuições

1. Descoberta Fundamental: Demonstração de que a IGS, por si só, é eficaz para mitigar a interferência residual do SIC, sem a necessidade de compensar distorções de hardware (como desequilíbrio I/Q), diferindo de trabalhos anteriores.
2. Soluções de Forma Fechada:
   • Para a maximização da taxa privada, provou-se que o grau de impropriedade ótimo é máximo ($\kappa^* = 1$).
   • Para a maximização da taxa comum, foram derivadas expressões analíticas explícitas para o $\kappa$ ótimo, com condições rigorosas de monotonicidade.
3. Framework Analítico SISO: Ao contrário de estudos recentes que usam arquiteturas MIMO complexas e otimização numérica "opaca", este trabalho utiliza um framework SISO para obter insights analíticos transparentes sobre como o coeficiente de circularidade molda cada componente de taxa.
4. Algoritmo de Otimização: Desenvolvimento de um algoritmo SAC eficiente para resolver o problema de maximização da taxa soma não convexo.

4. Resultados Numéricos

As simulações realizadas no MATLAB confirmam as teorias e destacam os seguintes pontos:

• Superioridade da IGS: A IGS supera consistentemente a PGS em todos os cenários.
• Impacto do SIC Imperfeito: O ganho de desempenho da IGS sobre a PGS aumenta significativamente à medida que a imperfeição do SIC ($\lambda$) aumenta. Em cenários de alta SNR e SIC muito imperfeito, a vantagem é substancial.
• Comportamento do $\kappa$ Ótimo:
  • Para taxas privadas, o sistema sempre beneficia-se de $\kappa = 1$.
  • Para taxas comuns e soma, o $\kappa$ ótimo depende das restrições de taxa mínima e do nível de imperfeição do SIC. Geralmente, um $\lambda$ mais alto exige um $\kappa$ maior para compensar a interferência residual.
• Eficácia do SAC: O algoritmo SAC convergiu para soluções que superam as abordagens convencionais, especialmente em regimes de alta SNR e com requisitos de taxa mínima mais baixos.

5. Significado e Conclusão

O trabalho estabelece que a impropriedade do sinal deve ser considerada uma dimensão de design fundamental nas arquiteturas de transceptores RSMA futuros.

• Robustez Inerente: A IGS oferece robustez contra interferência residual "gratuitamente", apenas moldando a estatística de segunda ordem do sinal, sem custo de energia ou hardware extra.
• Aplicabilidade Prática: Os resultados sugerem que, em implantações práticas onde o cancelamento de interferência perfeito é inatingível, a adoção de IGS pode recuperar significativamente a eficiência espectral e a justiça entre usuários.
• Contribuição Teórica: A obtenção de soluções analíticas de forma fechada para um problema complexo de otimização em RSMA preenche uma lacuna importante, oferecendo uma base sólida para o desenvolvimento de protocolos de comunicação mais robustos.