Low-Complexity Learning-Based Beamforming for Ultra-Massive MIMO THz Communications

Resumo Técnico: Beamforming de Baixa Complexidade Baseado em Aprendizado para Comunicações THz UM-MIMO

1. Problema e Contexto

O artigo aborda os desafios críticos enfrentados pelas comunicações na faixa de Terahertz (THz) em sistemas de entrada e saída múltiplas ultra-massivas (UM-MIMO).

• Desafios de Propagação: As frequências THz sofrem com perdas de propagação severas devido à absorção molecular, exigindo o uso de feixes altamente direcionais e ganhos de antena elevados.
• Limitações do Beamforming Digital/Híbrido: Embora o beamforming digital ofereça a melhor flexibilidade, a arquitetura necessária (múltiplas cadeias de RF) é proibitivamente cara e energeticamente ineficiente para arrays com milhares de elementos (UM-MIMO). O beamforming analógico é mais eficiente em custo e energia, mas carece de flexibilidade.
• O Dilema do Treinamento de Feixe (Beam Training): Para alinhar os feixes sem a necessidade de estimativa completa do Canal (CSI), utilizam-se esquemas baseados em codebooks.
  • A busca exaustiva testa todas as combinações possíveis, tornando-se computacionalmente inviável à medida que o número de antenas cresce exponencialmente.
  • A busca hierárquica (árvore) reduz a complexidade, mas ainda exige múltiplos estágios de feedback entre transmissor e receptor e um número significativo de medições, o que gera uma sobrecarga (overhead) significativa e atrasos na alinhamento, especialmente em cenários dinâmicos.

2. Metodologia Proposta

Os autores propõem uma nova arquitetura de rede neural artificial, denominada Incept-ResNet (uma combinação de redes Inception e Residual), projetada para realizar o treinamento de feixes analógicos com baixa complexidade.

• Abordagem de Aprendizado:
  • O modelo é treinado offline utilizando medições de potência recebida geradas a partir de codebooks hierárquicos predefinidos.
  • Entrada do Modelo: A rede recebe apenas os vetores de potência recebida correspondentes aos feixes mais largos (primeira camada) do codebook no transmissor (Tx) e no receptor (Rx).
  • Saída do Modelo: A rede prediz diretamente o par ótimo de codewords (feixes estreitos) para o transmissor ($w^*_T$) e o receptor ($w^*_R$), bem como a potência recebida correspondente.
• Arquitetura da Rede (Incept-ResNet):
  • Caminho Convolutivo (ConvPath): Utiliza blocos Inception para extrair características espaciais em múltiplas escalas, integrando convoluções de diferentes tamanhos de filtro.
  • Caminho Vetorial (VecPath): Processa entradas vetoriais através de camadas totalmente conectadas (FC) com normalização em lote (Batch Normalization).
  • Fusão Bidirecional: Um bloco especial funde as características dos dois caminhos para melhorar o contexto de previsão.
  • Conexões Residuais: Utilizadas para mitigar o problema do gradiente desaparecido, permitindo o treinamento de redes profundas de forma eficiente.
• Vantagem Operacional: Diferente dos métodos hierárquicos tradicionais que exigem uma busca iterativa em múltiplos níveis com feedback contínuo, o modelo proposto realiza a inferência em uma única etapa, eliminando a necessidade de troca de índices de feixe durante o processo de alinhamento.

3. Contribuições Principais

1. Redução drástica da Complexidade de Inferência: O método proposto reduz a complexidade computacional de $O(2M \log_M N)$ (busca hierárquica) para $O(2M)$, onde $N$ é o número de antenas e $M$ é o fator de ramificação da árvore. Isso elimina a dependência do tamanho do array na fase de inferência.
2. Eliminação de Feedback Contínuo: O sistema não requer um link de feedback constante entre Tx e Rx para o alinhamento de feixes, pois a rede neural prediz o par ótimo baseado apenas nas medições iniciais de feixes largos.
3. Desempenho Próximo ao Ótimo: O modelo alcança um desempenho de ganho de feixe comparável à busca exaustiva e à busca hierárquica tradicional, mas com custo computacional drasticamente menor.
4. Independência de CSI: A abordagem não requer a aquisição completa do Estado do Canal (CSI), tornando-a viável para sistemas THz onde a estimativa de canal é extremamente complexa.

4. Resultados Numéricos

Os autores validaram a proposta através de simulações em um cenário de comunicação ponto a ponto outdoor em 0,14 THz, com arrays de antenas variando de 64 a 256 elementos.

• Comparação de Complexidade: A Tabela II do artigo demonstra que o método baseado em IA requer apenas $2M$ operações de inferência, enquanto a busca exaustiva exige $N^2$ e a busca hierárquica $2M \log_M N$.
• Desempenho de Potência Recebida: A Figura 4 mostra que a potência média recebida pelo método proposto é praticamente idêntica à das técnicas de referência (busca exaustiva e hierárquica) para diferentes distâncias e tamanhos de antena.
• Robustez (CDF): A Figura 5 apresenta a Função de Distribuição Acumulada (CDF) da perda de ganho de beamforming. Os resultados indicam uma perda negligenciável em comparação com a busca exaustiva, confirmando que o modelo encontra soluções quase ótimas na grande maioria dos casos.
• Convergência: O modelo convergiu rapidamente (aproximadamente 40 épocas) com uma taxa de aprendizado de 0,001, demonstrando boa capacidade de generalização entre os dados de treinamento e teste.

5. Significado e Impacto

Este trabalho representa um avanço significativo para a viabilidade prática das comunicações 6G em THz. Ao substituir algoritmos de busca complexos e iterativos por uma inferência de rede neural leve, o artigo resolve um dos maiores gargalos na implementação de sistemas UM-MIMO: o tempo e a sobrecarga de sinalização necessários para alinhar feixes extremamente estreitos.
A proposta permite que sistemas com milhares de antenas operem com eficiência energética e baixa latência, tornando-se uma solução fundamental para a escalabilidade de redes sem fio de próxima geração que dependem de larguras de banda massivas na faixa de THz.