GD4: Graph-based Discrete Denoising Diffusion for MIMO Detection

1. Definição do Problema

O artigo aborda o problema da detecção em Sistemas de Múltiplas Entradas e Múltiplas Saídas (MIMO), que envolve recuperar o vetor de sinal transmitido $\mathbf{x}^*$ a partir do sinal recebido $\mathbf{y}$, dado um matriz de canal conhecida $\mathbf{H}$ e ruído.

• Formulação Matemática: O problema é modelado como um problema de Mínimos Quadrados Inteiros (ILS): $\min_{\mathbf{x}} \|\mathbf{y} - \mathbf{H}\mathbf{x}\|^2_2$, onde $\mathbf{x}$ pertence a um conjunto de constelação discreta (por exemplo, QAM).
• Complexidade: Resolver para a solução ótima é NP-difícil.
• Desafio Específico: O problema é particularmente difícil em sistemas subdeterminados (onde o número de antenas transmissoras $N_t$ excede o número de antenas receptoras $N_r$). Nestes cenários, os métodos tradicionais lutam para encontrar soluções subótimas de alta qualidade com um compromisso favorável entre desempenho e complexidade.
• Limitações das Abordagens de ML Existentes: Detectores recentes baseados em difusão (por exemplo, ALD, ADD) operam em um espaço relaxado contínuo. Eles exigem iterações extensas de amostragem sequencial (centenas ou milhares de passos) durante a inferência, levando a alta latência. Além disso, seu desempenho degrada-se significativamente em configurações subdeterminadas.

2. Metodologia: O Framework GD4

Os autores propõem o GD4, um framework inovador que aplica Difusão Discreta de Remoção de Ruído diretamente ao espaço de símbolos discretos, acoplado a uma rede de Passagem de Mensagens em Grafos com Portão (Gated Graph Message Passing).

A. Processo de Difusão Discreta

Ao contrário dos modelos de difusão contínua, o GD4 opera diretamente no conjunto de constelação discreto $\mathcal{X}_k$.

• Processo Forward: Um processo de Markov predefinido corrompe gradualmente o sinal de verdade fundamental $\mathbf{x}_0$ adicionando ruído multinomial até que a distribuição se torne uniforme. Este processo é independente da instância específica do problema.
• Processo Reverse: Uma rede neural aprendível remove o ruído do sinal passo a passo para recuperar $\mathbf{x}_0$. A rede modela a distribuição condicional reversa $P_\theta(\mathbf{x}_{t-1} | \mathbf{x}_t, \mathbf{y})$.

B. Rede de Passagem de Mensagens em Grafos com Portão

Para capturar as dependências complexas entre os símbolos induzidas pela matriz de canal $\mathbf{H}$, o GD4 modela o problema de detecção MIMO como um grafo totalmente conectado:

• Nós: Representam símbolos transmitidos individuais.
• Arestas: Representam interações em pares entre símbolos.
• Características:
  • Características de Nó: Codificam evidências locais (por exemplo, $y_i, h_i, \sigma_n$).
  • Características de Aresta: Codificam interações em pares derivadas da matriz de canal (por exemplo, $-h_i^T h_j$).
  • Embeddings de Estado: O estado atual do símbolo ruidoso e o passo de tempo de difusão são incorporados usando funções sinusoidais e injetados no grafo.
• Arquitetura: A rede utiliza Passagem de Mensagens em Grafos com Portão. Ela calcula embeddings relacionais para determinar quão fortemente um nó influencia outro, agrega informações por meio de um mecanismo de portão (usando funções sigmóide) e atualiza embeddings de nós/arestas com conexões residuais.
• Saída: A rede prevê uma distribuição de probabilidade sobre o conjunto de constelação para cada símbolo, modelada via uma distribuição logística truncada discretizada para respeitar a natureza ordinal dos símbolos.

C. Estratégias de Inferência

O GD4 introduz duas estratégias para alcançar inferência rápida, evitando a necessidade de milhares de passos de amostragem:

1. Inferência Cold-Start: Começa a partir de uma inicialização aleatória uniforme ($\mathbf{x}_T \sim \text{Uniforme}$). O modelo realiza um pequeno número de passos de remoção de ruído (por exemplo, 1, 3 ou 10) usando uma cadeia reversa "com passos pulados" para acelerar o processo.
2. Inferência Warm-Start: Começa a partir de uma solução subótima de alta qualidade, especificamente o ponto de Babai (um detector padrão ZF-SIC). O modelo de difusão realiza um único passo de remoção de ruído para refinar essa suposição inicial. Isso aproveita a capacidade do modelo de corrigir erros em detectores clássicos em vez de gerar uma solução do zero.

3. Principais Contribuições

1. Primeira Difusão Discreta para MIMO: Até onde os autores sabem, esta é a primeira aplicação de modelos de difusão discreta de remoção de ruído à detecção MIMO, evitando a perda de desempenho associada à relaxação contínua.
2. Arquitetura Baseada em Grafos: A introdução de uma rede de Passagem de Mensagens em Grafos com Portão captura efetivamente as dependências não lineares entre os símbolos no canal MIMO, superando as abordagens de difusão baseadas em MLP padrão.
3. Mecanismos de Inferência Rápida: O desenvolvimento de estratégias Warm-Start (refinamento de 1 passo do Babai) e Cold-Start (amostragem em poucos passos) reduz drasticamente a latência de inferência em comparação com métodos de difusão existentes (ALD, ADD), que exigem centenas de passos.
4. Robustez em Sistemas Subdeterminados: O método mantém alto desempenho mesmo quando $N_r < N_t$, um cenário onde muitos detectores baseados em ML existentes falham.

4. Resultados Experimentais

Os autores avaliaram o GD4 contra baselines clássicos (Babai, K-best Klein-Babai) e métodos de difusão de última geração (ALD, ADD) em sistemas 16-QAM.

• Desempenho:
  • GD4 Warm-Start: Alcança uma Taxa de Erro de Símbolo (SER) menor do que o ponto 10-best Klein-Babai e as bases de difusão (ALD, ADD), exigindo significativamente menos tempo de execução.
  • Configurações Subdeterminadas: Em cenários onde $N_t > N_r$ (por exemplo, $32 \times 28$), o desempenho de ALD e ADD degrada-se, enquanto o GD4 permanece robusto e superior.
  • Generalização: Um modelo treinado em um caso superdeterminado ($32 \times 32$) generaliza bem para casos subdeterminados ($32 \times 30, 32 \times 28$).
• Eficiência:
  • Tempo de Execução: O GD4 com Warm-Start (1 passo) leva $\approx 1,12 \times 10^{-3}$ segundos, o que é mais rápido que ALD ($2,03 \times 10^{-2}$ s) e ADD ($1,24 \times 10^{-2}$ s), e apenas ligeiramente mais lento que o K-best Klein-Babai ($1,87 \times 10^{-3}$ s), mas com muito melhor precisão.
  • Cold-Start: Mesmo com 10 passos, o GD4 permanece competitivo em tempo de execução enquanto oferece maior precisão.

5. Significância

O artigo demonstra que modelos de difusão discreta são uma alternativa superior aos métodos de relaxação contínua para problemas de otimização combinatória em comunicações sem fio. Ao operar diretamente no espaço discreto e utilizar redes neurais de grafos para modelar dependências de canal, o GD4 alcança um avanço no compromisso desempenho-latência.

Este trabalho sugere que modelos de difusão podem ser implantados praticamente em sistemas de comunicação em tempo real, particularmente em cenários subdeterminados desafiadores onde algoritmos tradicionais lutam. A estratégia "Warm-Start" é particularmente significativa, pois preenche a lacuna entre o processamento de sinal clássico (Babai) e a IA generativa moderna, oferecendo um caminho para detecção quase ótima com sobrecarga computacional mínima.