TenSIM: Tensor-Based Channel Estimation for MIMO Systems with Stacked Intelligent Metasurfaces

Resumo Técnico: TenSIM: Estimativa de Canal Baseada em Tensores para Sistemas MIMO com Metassuperfícies Inteligentes Empilhadas

Problema
As Metassuperfícies Inteligentes Empilhadas (SIMs) representam uma arquitetura promissora para o 6G e além, oferecendo uma manipulação de ondas eletromagnéticas mais rica do que as metassuperfícies de camada única convencional por meio do acoplamento em cascata entre as camadas. No entanto, realizar esses ganhos requer uma estimativa de canal precisa e escalável. A resposta de ponta a ponta de um sistema MIMO assistido por SIM envolve um problema inverso multifatorial altamente acoplado, compreendendo os canais transmissor-para-SIM, SIM-para-receptor, matrizes de acoplamento entre camadas e perfis de fase dependentes da camada.

Os métodos existentes de estimativa de canal enfrentam desafios significativos:

1. Alta Dimensionalidade e Ambiguidade: A estimativa direta com designs de pilotos ingênuos leva a ambiguidades bilineares/multilineares de alta dimensão e baixa identificabilidade.
2. Sobrecarga de Treinamento (Overhead): Tratar o canal composto como uma matriz não estruturada resulta em uma sobrecarga de treinamento proporcional ao quadrado da abertura da SIM ($N^2$), o que é impraticável para implantações de larga escala.
3. Ignorância Estrutural: As abordagens atuais frequentemente falham em explorar a estrutura algébrica específica induzida pela cascata SIM, particularmente a distinção entre números ímpares e pares de camadas.
4. Escalabilidade e Robustez: Métodos baseados em aprendizado sofrem com altas demandas de dados/computação, enquanto estimadores estruturados existentes muitas vezes dependem de suposições restritivas (por exemplo, esparsidade forte de canal) ou falham em abordar as condições específicas de identificabilidade das cascata SIM.

Metodologia
O artigo propõe o TenSIM, um framework unificado de estimativa de canal baseado em tensores que aproveita as propriedades estruturais das cascata SIM. A metodologia central envolve:

1. Protocolo de Treinamento Dependente de Paridade: Os autores introduzem uma estratégia de treinamento de complexidade reduzida onde apenas as camadas centrais mais informativas são reconfiguradas através dos blocos de pilotos, enquanto as camadas externas permanecem fixas.

   • SIM de Camadas Ímpares ($L = 2M + 1$): Apenas a única camada central ($M+1$) é variada.
   • SIM de Camadas Pares ($L = 2M$): As duas camadas centrais ($M$ e $M+1$) são variadas conjuntamente.

2. Modelagem de Tensor: Com base no protocolo de treinamento, os sinais de piloto recebidos são modelados como tensores de terceira ordem. O framework deriva duas decomposições de tensor distintas baseadas na paridade da contagem de camadas:

   • Caso de Camadas Ímpares: A cascata induz um modelo PARAFAC (Parallel Factor). O tensor recebido é decomposto em fatores de canal transmissor-SIM e SIM-receptor efetivos e uma matriz de configuração de fase programável, com um tensor núcleo identidade.
   • Caso de Camadas Pares: A cascata induz um modelo Tucker. O tensor recebido é decomposto nos mesmos fatores de canal e matriz de treinamento, mas acoplados através de um tensor núcleo conhecido determinado pela matriz de propagação intercamada central ($W_{M+1}$).

3. Algoritmos de Estimativa: Os autores desenvolvem estimadores de Mínimos Quadrados Alternados (ALS) adaptados para cada modelo:

   • TenSIM-PARAFAC: Atualiza iterativamente os fatores de canal efetivos usando estruturas de produto Khatri-Rao.
   • TenSIM-Tucker: Atualiza iterativamente os fatores usando estruturas de produto de Kronecker envolvendo as desdobramentos (unfoldings) do tensor núcleo conhecido.
   • Treinamento Cego/Imperfeito: O framework é estendido para estimar conjuntamente a matriz de treinamento quando esta é desconhecida ou imperfeita no receptor, ciclando através das atualizações dos fatores de canal e de treinamento.

4. Análise de Identificabilidade: O artigo estabelece condições baseadas em rank para identificabilidade única. Demonstra-se que, sob condições de diversidade brandas (número suficiente de blocos de pilotos $K$ e designs de treinamento de posto total), os fatores de canal são identificáveis até ambiguidades de escala trivial (escala diagonal para PARAFAC, escalar global para Tucker).

Principais Contribuições

• Framework Unificado: Introdução do TenSIM, que unifica a estimência de canal para sistemas MIMO assistidos por SIM, distinguindo entre arquiteturas de camadas ímpares e pares.
• Exploração Estrutural: Derivação de modelos de tensor dependentes de paridade (PARAFAC para ímpares, Tucker para pares) que desacoplam os fatores de canal Tx-SIM e SIM-Rx enquanto contabilizam explicitamente o acoplamento de onda intercamada.
• Desenvolvimento Algorítmico: Design de estimadores ALS práticos para ambos os modelos, juntamente com condições suficientes construtivas para designs de treinamento de posto de coluna total.
• Análise de Complexidade e Trade-off: Quantificação da complexidade computacional, destacando que o TenSIM-PARAFAC oferece menor complexidade ($O(N^3)$) e melhor escalabilidade, enquanto o TenSIM-Tucker ($O(N^4)$) oferece uma modelagem mais rica ao custo de maior complexidade e sensibilidade ao espaçamento intercamada.
• Avaliação de Robustez: Demonstração de que o framework permanece eficaz sob condições de treinamento SIM imperfeito ou cego, desde que a diversidade adicional de pilotos esteja disponível.

Resultados
Experimentos numéricos extensivos validam o framework proposto:

• Desempenho vs. Baselines: Tanto o TenSIM-PARAFAC quanto o TenSIM-Tucker superam significativamente os baselines de Mínimos Quadrados (LS) não estruturados ao explorar a estrutura de tensor. Eles alcançam um erro quadrático médio normalizado (NMSE) menor com significativamente menos blocos de treinamento ($K \ll N^2$).
• SNR e Diversidade: A precisão da estimativa melhora monotonicamente com a Relação Sinal-Ruído (SNR) e a diversidade de treinamento ($K$).
• Comparação de Arquitetura:
  • TenSIM-PARAFAC (Ímpar): Demonstra escalabilidade superior, menor complexidade computacional e maior robustez a variações no espaçamento intercamada. Desempenha bem mesmo quando o acoplamento é fraco.
  • TenSIM-Tucker (Par): Fornece uma reconstrução de canal mais precisa quando treinamento suficiente e forte acoplamento de camada estão disponíveis. No entanto, seu desempenho degrada conforme o espaçamento intercamada aumenta devido ao mau condicionamento da matriz de propagação do núcleo.
• Convergência: O TenSIM-Tucker exibe comportamento de convergência independente de SNR, enquanto o TenSIM-PARAFAC converge mais rapidamente em SNRs mais altos.
• Treinamento Imperfeito: O framework lida com sucesso com cenários onde a matriz de treinamento da SIM é conhecida imperfeitamente, desde que a diversidade de pilotos suficiente seja usada para compensar a incerteza.

Significância e Alegações
O artigo afirma que o TenSIM fornece uma abordagem unificada e fisicamente interpretável para a estimativa de canal em sistemas MIMO assistidos por SIM. Sua principal significância reside em:

1. Identificabilidade Explícita: Fornece condições rigorosas sob as quais os fatores de canal em cascata podem ser recuperados de forma única, abordando uma lacuna fundamental na literatura atual de SIM.
2. Interpretabilidade Física: O framework mapeia a estrutura física da SIM (camadas ímpares vs. pares) diretamente para modelos de tensores algébricos específicos, oferecendo uma ligação clara entre o design eletromagnético e o processamento de sinais.
3. Trade-offs Práticos: Caracteriza explicitamente os compromissos entre precisão de estimativa, complexidade computacional e robustez a parâmetros físicos (como o espaçamento intercamada), orientando os projetistas de sistemas na escolha entre configurações de camadas pares ou ímpares com base em suas restrições específicas de implantação.
4. Escalabilidade: Ao reduzir a sobrecarga de treinamento de $O(N^2)$ para um nível gerenciável através da decomposição de tensor estruturada, o TenSIM torna a implantação de SIMs de larga escala mais viável.

Os autores concluem que, embora a abordagem de camadas pares (Tucker) ofereça um modelo mais rico, a abordagem de camadas ímpares (PARAFAC) oferece frequentemente um equilíbrio mais favorável entre confiabilidade de estimativa e custo de implementação, particularmente para grandes aberturas de SIM ou camadas amplamente espaçadas. O trabalho preenche a lacção entre a programabilidade de camadas eletromagnéticas e modelos de camada de comunicação identificáveis.