Site-Specific Beamforming for Full-Duplex Massive MIMO Systems via Implicit Channel Estimation

Resumo Técnico: Formação de Feixe Específica do Local para Sistemas MIMO Massivos em Duplex Completo via Estimação Implícita de Canal

Declaração do Problema
A operação em duplex completo (FD) em estações rádio-base MIMO (multiple-input multiple-output) massivas promete ganhos significativos em throughput, latência e eficiência espectral ao permitir transmissão e recepção simultâneas na mesma frequência. No entanto, essa capacidade é severamente prejudicada pela auto-interferência (SI), onde o transmissor da estação rádio-base acopla em seu próprio receptor. A formação de feixe eficaz para cancelar essa SI geralmente requer conhecimento da matriz de canal de SI de alta dimensão, $\mathbf{H}$. Na prática, estimar explicitamente $\mathbf{H}$ é proibitivamente caro; para um sistema com $N_t$ antenas transmissoras e $N_r$ antenas receptoras, o sobrecarga de medição escala como $O(N_t N_r)$. Em ambientes de desvanecimento rápido ou com grandes arrays de antenas, essa sobrecarga consome uma porção significativa do tempo de coerência, corroendo os ganhos potenciais da operação em FD. Soluções existentes assumem informações de estado de canal (CSI) perfeitas ou dependem de buscas heurísticas que não escalam bem com múltiplos usuários ou falham em explorar os graus de liberdade espaciais completos.

Metodologia
Os autores propõem um novo framework que projeta feixes de transmissão e recepção em FD usando conhecimento implícito de canal coletado de um pequeno número de medições, em vez da estimação explícita da matriz completa $\mathbf{H}$. A abordagem é estruturada em torno de três etapas principais:

1. Aquisição de Usuário: O sistema assume que mecanismos existentes (por exemplo, alinhamento de feixe) fornecem conhecimento dos canais de usuário de enlace descendente e ascendente.
2. Sondagem Implícita de SI: Um modelo de aprendizado profundo, especificamente uma arquitetura baseada em transformer, projeta um conjunto de $M$ pares de feixes de sondagem. Esses feixes são varridos pela estação rádio-base para coletar $M$ medições do canal de auto-interferência. Crucialmente, esses feixes de sondagem são adaptados ao ambiente de implantação específico e ao grupo de $K$ pares de usuários sendo atendidos. O modelo aprende a sondar apenas as porções de $\mathbf{H}$ mais relevantes para os usuários específicos, aproveitando correlações entre o grupo de usuários.
3. Síntese de Feixes de Atendimento: Usando as $M$ medições de sondagem e as informações do canal do usuário, o modelo sintetiza os feixes de transmissão e recepção finais. Esses feixes são projetados para maximizar a eficiência espectral soma (SSE) enquanto minimizam o acoplamento de SI.

A solução é treinada de maneira específica do local usando aprendizado não supervisionado de ponta a ponta. O modelo é treinado em dados de canal (derivados de simulações de rastreamento de raios neste trabalho) específicos de um ambiente particular (por exemplo, uma praça de campus). Isso permite que o modelo aprenda a estrutura subjacente do ambiente (espalhadores, bloqueios) e como ela influencia tanto os canais dos usuários quanto a SI, permitindo que ele generalize efetivamente sem CSI explícita.

Principais Contribuições

• Framework de Estimação Implícita: O artigo introduz um método para projetar feixes em FD sem estimar explicitamente a matriz completa de SI $\mathbf{H}$, contornando o gargalo de medição de $O(N_t N_r)$.
• Aprendizado Profundo Baseado em Transformer: Os autores desenvolvem um modelo transformer multi-módulo (Codificador de Usuário, Sintetizador de Feixe de Sondagem, Sintetizador de Feixe de Atendimento) que otimiza conjuntamente a estratégia de sondagem e a política final de formação de feixe.
• Escalabilidade Multiusuário: Ao contrário de métodos anteriores de busca heurística que exigem re-sondagem para cada par de usuários, esta abordagem permite que um único conjunto de $M$ medições de sondagem atenda a um grupo coerente de $K$ pares de usuários, aproveitando correlações de canal para uma escalabilidade favorável.
• Adaptação Específica do Local: O modelo é adaptado para implantações ambientais específicas, explorando características de propagação locais para reduzir o número necessário de medições.

Resultados
Simulações usando dados de rastreamento de raios em um cenário MIMO massivo de 28 GHz (Praça Westwood da UCLA) demonstram o seguinte:

• Desempenho vs. Sobrecarga: O esquema proposto alcança maior eficiência espectral soma efetiva (considerando a sobrecarga de medição) em comparação com linhas de base, incluindo estimação de Erro Quadrático Médio Linear Mínimo (LMMSE) e esquemas que assumem CSI perfeita (CSI Vetorial/Matriz).
• Eficiência de Medição: Em cenários com 16 antenas transmissoras e 16 antenas receptoras, o método proposto pode entregar mais de 80% da capacidade em duplex completo para oito pares de usuários usando apenas $M=16$ medições de sondagem. Em contraste, as linhas de base de estimação explícita exigem significativamente mais medições (por exemplo, 256 para CSI Matriz) e frequentemente resultam em desempenho efetivo inferior devido à sobrecarga.
• Escalabilidade: A abordagem escala graciosamente para arrays de antenas maiores (até 16x16). Enquanto o desempenho das linhas de base degrada à medida que o número de antenas aumenta devido ao crescimento quadrático na sobrecarga de medição, o método proposto mantém ou melhora o desempenho à medida que os graus de liberdade adicionais são utilizados sem aumentar os custos de medição.
• Robustez: O método desempenha bem através de fatores Rician variáveis ($\kappa$), adaptando sua estratégia de sondagem com base no determinismo do componente de linha de visada (LOS).

Significado e Alegações
O artigo alega que esta abordagem oferece um caminho prático para a realização de sistemas MIMO massivos em duplex completo, particularmente para 6G, ao resolver o trade-off entre cancelamento de auto-interferência e sobrecarga de medição. Os autores afirmam que, ao aproveitar o aprendizado profundo para aprender implicitamente a estrutura do canal a partir de um conjunto esparsos de medições adaptadas, o sistema pode superar o desempenho "melhor possível" de esquemas de estimação explícita quando a sobrecarga é considerada. O trabalho destaca que o treinamento específico do local permite que o sistema explore características ambientais para minimizar o orçamento de sondagem, tornando a operação em FD viável mesmo com grandes arrays de antenas onde a estimação tradicional é intratável. Os autores observam que trabalhos futuros poderiam estender isso para canais seletivos em frequência ou aplicações de Sensoriamento e Comunicação Integrados (ISAC).