Channel Estimation for Movable Intelligent Surface

Resumo Técnico: Estimativa de Canal para Superfície Inteligente Móvel

Definição do Problema
O artigo aborda o desafio da estimativa de canal em sistemas MIMO de uplink assistidos por uma Superfície Inteligente Móvel (MIS - Movable Intelligent Surface). Embora as Superfícies Inteligentes Reconfiguráveis (RIS) ofereçam ambientes de rádio programáveis, as arquiteturas RIS de camada única convencionais dependem de Informação de Estado de Canal (CSI) precisa e beamforming passivo. As arquiteturas existentes, como as RIS Ativas ou as Metasuperfícies Empilhadas (SIMs), introduzem complexidade ou consumo de energia. A arquitetura MIS, proposta em trabalho anterior [7], oferece um meio-termo ao combinar uma camada transmissiva fixa (MS1) com uma camada móvel menor (MS2). O deslocamento mecânico da MS2 em relação à MS1 cria perfis de fase efetivos distintos sem a necessidade de ajuste eletrônico rápido de elementos individuais.

No entanto, esta arquitetura introduz um gargalo significativo de estimativa. Semelhante às RIS convencionais, a natureza passiva da superfície impede a observação direta da banda base. Além disso, a camada móvel introduz uma resposta dependente da posição que deve ser estimada conjuntamente com os canais sem fio. Crucialmente, em cenários práticos, a resposta de fase efetiva da camada móvel pode ser desconhecida ou imperfeitamente calibrada no receptor. Os métodos de estimativa de canal baseados em tensores existentes para RIS não abordam diretamente este grau de liberdade mecânico adicional ou a natureza desconhecida da matriz de fase da camada móvel.

Metodologia
Os autores propõem um framework baseado em tensores que modela os sinais de piloto recebidos como um tensor PARAFAC (Fator Paralelo) de quarta ordem. O sistema opera explorando conjuntamente duas dimensões de treinamento:

1. Padrões de fase da camada fixa: A camada fixa (MS1) aplica $S$ padrões de deslocamento de fase predefinidos.
2. Posições da camada móvel: A camada móvel (MS2) explora $U$ posições mecânicas discretas sobre a grade fixa.

O sinal recebido na Estação Base (BS) é filtrado e estruturado em um tensor $\mathcal{Y} \in \mathbb{C}^{N_r \times N_t \times S \times U}$, onde $N_r$ e $N_t$ são o número de antenas da BS e do Terminal de Usuário (UT), respectivamente. O tensor segue o modelo:
$$\mathcal{Y} = \mathcal{I}_{4,M} \times_1 G \times_2 H \times_3 \Phi_f \times_4 \Phi_m$$
Aqui, $G$ e $H$ representam os canais MIS-BS e UT-MIS, $\Phi_f$ representa os deslocamentos de fase conhecidos da camada fixa e $\Phi_m$ representa a resposta de fase dependente da posição e desconhecida da camada móvel.

Para estimar os fatores desconhecidos, o artigo deriva um receptor de Mínimos Quadrados Alternados Trilineares (TALS). Diferente das abordagens convencionais que assumem conhecimento total da matriz de treinamento, este receptor trata a matriz de fase da camada móvel ($D$, correspondente a $\Phi_m$) como um fator desconhecido a ser estimado. O algoritmo atualiza iterativamente as estimativas das matrizes de canal ($G$, $H^T$) e da resposta da camada móvel ($D$) resolvendo subproblemas de mínimos quadrados condicionais baseados nos desdobramentos (unfoldings) de modo-$n$ do tensor recebido.

Principais Contribuições
O artigo delineia três contribuições primárias:

1. Protocolo de Treinamento e Modelagem de Tensor: Os autores propõem um protocolo de treinamento bidimensional combinando deslocamentos de fase da camada fixa e posições da camada móvel, modelando o sinal recebido como um tensor PARAFAC de quarta ordem.
2. Receptor TALS-PARAFAC: Um receptor é derivado que estima o canal UT-MIS, o canal MIS-BS e a resposta da camada móvel dependente da posição simultaneamente. Uma característica crítica é que o receptor opera sem conhecimento prévio da matriz de fase da camada móvel, estimando-a diretamente a partir da estrutura do tensor.
3. Análise de Identificabilidade e Complexidade: O artigo discute as condições necessárias para a identificabilidade dos fatores de canal (especificamente em relação ao rank dos produtos de Khatri-Rao envolvendo slots de treinamento $S$, posições $U$ e contagem de antenas) e analisa a complexidade computacional, que escala linearmente com o número de iterações e posições.

Resultados de Simulação
O desempenho foi avaliado utilizando o Erro Quadrático Médio Normalizado (NMSE) dos fatores estimados e do canal cascateado reconstruído.

• Comparação com BALS: O receptor TALS proposto foi comparado contra um benchmark convencional de Mínimos Quadrados Alternados Bilineares (BALS). O benchmark BALS alcançou um NMSE menor, mas dependia da suposição de conhecimento perfeito da matriz de treinamento da camada móvel. O receptor TALS, operando sob a suposição mais desafiadora de fases da camada móvel desconhecidas, demonstrou convergência bem-sucedida e estimativa precisa.
• Impacto do Comprimento do Treinamento: Os resultados de simulação indicaram que aumentar o número de slots de treinamento ($S$) melhora significativamente o NMSE. Observou-se uma transição onde um comprimento de treinamento insuficiente levou a um NMSE alto devido ao condicionamento pobre da fatoração do tensor, enquanto um comprimento suficiente ($S=64$) resultou em uma diminuição acentuada do erro.
• Estimativa Conjunta: Os resultados confirmaram que aumentar o comprimento do treinamento melhora a precisão da estimativa tanto da resposta da camada móvel ($D$) quanto do canal cascateado, validando a capacidade do modelo de recuperar a matriz de fase desconhecida a partir dos dados recebidos.

Significância e Alegações
O artigo afirma ser o primeiro trabalho a abordar o problema de estimativa de canal para arquiteturas MIMO assistidas por MIS na literatura. A principal significância reside na vantagem prática da formulação proposta: ela elimina a necessidade de calibração prévia ou conhecimento da resposta de fase da camada móvel. Ao tratar a resposta mecânica desconhecida como um fator de tensor estimável, o método permite uma estimativa de canal flexível em cenários onde o estado físico da superfície móvel não é perfeitamente conhecido pelo receptor. Os autores concluem que o framework proposto explora com sucesso a dimensão estruturada adicional fornecida pelo deslocamento mecânico para desacoplar e estimar conjuntamente os canais cascateados e a resposta da camada móvel.