Electromagnetic Digital Twin-Enabled Closed-Loop Beam Management in ISAC Systems

Definição do Problema

O artigo aborda o desafio de transicionar os Gêmeos Digitais (DTs) de ferramentas descritivas offline para agentes ativos em malha fechada (in-the-loop) em sistemas de Integração de Sensoriamento e Comunicação (ISAC) de 6G. Embora avanços recentes em métodos de espalhamento eletromagnético (EM) permitam a reconstrução de espalhadores ambientais diretamente de sinais de comunicação (evitando sensores extras como LiDAR), os estudos existentes focam primariamente na construção do DT, e não no controle de malha fechada.

Dois hiatos críticos são identificados:

1. Falta de Mecanismos de Malha Fechada: Trabalhos existentes frequentemente param na reconstrução, carecendo de mecanismos para traduzir os estados do DT em ações de controle sem fio com restrição de latência (ex: formação de feixe/beamforming).
2. Desajuste da Geometria do Array: Trabalhos anteriores tipicamente assumem geometrias de arranjos de antenas conhecidas e perfeitas. Na realidade, desajustes no array (devido a erros de fabricação ou deslocamentos de implantação) distorcem o operador de espalhamento e o manufoldo do array. Isso enviesa a reconstrução do DT e degrada a confiabilidade do subsequente controle de malha fechada, embora poucos métodos abordem a reconstrução conjunta do ambiente e a calibração do array.

Metodologia

Os autores propõem uma estrutura unificada de Rede de Gêmeo Digital (DTN) baseada em EM-ISAC. O sistema opera em um ciclo de dois estágios, fortemente acoplado:

1. Reconstrução de DT Unificada Baseada em GaBP
A estrutura recupera conjuntamente o ambiente físico (contraste do material do espalhador, $\chi$) e o estado da geometria do arranjo de antenas ($\theta$).

• Modelo de Sistema: O sistema utiliza um modelo de sensoriamento EM de magnetismo transversal 2D (TMz) baseado na equação de Lippmann–Schwinger. O sinal recebido é modelado como uma função não linear do contraste devido ao espalhamento múltiplo.
• Linearização: Para tornar a inferência tratável, os autores empregam um esquema de iteração de Born externo. Isso lineariza o modelo de propagação em torno da estimativa atual, tratando a não linearidade como um termo de ruído efetivo.
• Mecanismo de Inferência Conjunta: Um algoritmo de Propagação de Crença Gaussiana (GaBP) é utilizado como um motor de passagem de mensagens bayesiano de baixa complexidade. O algoritmo alterna entre dois passos:
  • Passo-$\chi$ (Inferência de Contraste): Com a geometria do array fixa, o algoritmo infere o contraste de material complexo dos espalhadores.
  • Passo-$\theta$ (Calibração de Array): Com o contraste fixo, o algoritmo atualiza as coordenadas dos elementos da antena (raio e ângulo). Ele utiliza uma aproximação de bloco diagonal da matriz de informação global para desacoplar os parâmetros da antena, permitindo uma calibração escalável.
• Propagação de Incerteza: A estrutura propaga explicitamente as incertezas posteriores da estimativa de contraste para o domínio da observação para ponderar o passo de calibração do array, garantindo robustez contra o desajuste do modelo.

2. Gestão de Feixe em Malha Fechada Baseada em DT
Uma vez reconstruído o DT, ele guia o processo de gestão de feixe para reduzir o overhead de treinamento:

• Pré-seleção de Codebook Guiada por DT: Em vez de uma varredura exaustiva de feixes, o sistema identifica aglomerados (clusters) de espalhadores dominantes a partir do DT reconstruído. Ele calcula os ângulos de partida geométricos desses aglusterações e seleciona um pequeno subconjunto de feixes candidatos de um codebook predefinido que melhor se ajustem a esses ângulos.
• Formação de Feixe (BF) Consciente de Incerteza: O formador de feixe final é otimizado dentro do subespaço de baixa dimensão gerado pelos feixes candidatos pré-selecionados. A otimização considera as incertezas induzidas pelo DT (em parâmetros de aglomerados e geometria) ao maximizar uma função de utilidade sensível ao risco (SNR média menos uma penalidade para a variância), garantindo que o design seja robusto a erros de estimativa.

Principais Contribuições

1. Estrutura de Inferência Unificada: O artigo propõe um pipeline impulsionado por GaBP que realiza conjuntamente a reconstrução do ambiente e a calibração do array. Isso melhora a confiabilidade da reconstrução física do DT sob condições de desajuste de modelo (geometria de array desconhecida).
2. Esquema de Gestão de Feixe em Malha Fechada: Um novo esquema é desenvolvido que integra a pré-seleção de codebook guiada por DT com a formação de feixe consciente de incerteza. Isso une a lacuna entre a reconstrução digital e o controle físico.
3. Realização de Dados Endógenos: Os autores demonstram que toda a arquitetura de DTN de malha fechada pode ser realizada utilizando apenas dados endógenos do sistema de comunicação (sinais ISAC), eliminando a necessidade de infraestrutura de sensoriamento externa.

Resultados Numéricos

Simulações foram conduzidas em uma região de sensoriamento 2D com vários formatos de espalhadores e um Arranjo Circular Uniforme (UCA) de 16 elementos com erros de posição intencionais.

• Reconstrução de Material: O método proposto com calibração de array recuperou com precisão as geometrias dos espalhadores e os parâmetros de material sob ruído de sensoriamento baixo (30 dB) e alto (5 dB). Em contraste, métodos sem calibração falharam completamente, produzindo artefatos espúrios devido ao desajuste do operador de propagação.
• Calibração de Array: O passo-$\theta$ reduziu o Erro Quadrático Médio Normalizado (NMSE) das posições das antenas em 5,29 dB (radial) e 11,76 dB (angular) em comparação com a configuração inicial com desajuste.
• Fidelidade de Canal: A calibração melhorou significativamente a precisão dos espectros de Ângulo de Chegada (AoA) e dos Perfis de Atraso de Potência (PDP), aproximando-se da verdade fundamental (ground truth) e suprimindo grandes erros observados em cenários não calibrados.
• Eficiência de Gestão de Feixe:
  • Redução de Overhead: Ao pré-selecionar apenas 5 feixes candidatos ($B=5$) de um codebook de 36 feixes com base nos priors do DT, o sistema alcançou uma redução de 86,11% no overhead de treinamento via rádio (um fator de redução de 7,2x).
  • Desempenho: A formação de feixe guiada por DT alcançou um desempenho de SNR quase idêntico ao de um array "verdadeiro" (perfeitamente conhecido) e superou significativamente a formação de feixe baseada em arrays não calibrados. As curvas de probabilidade de interrupção (outage probability) do sistema calibrado acompanharam de perto o sistema real, enquanto os sistemas não calibrados mostraram maiores probabilidades de interrupção em limiares de SNR elevados.

Significância e Alegações

O artigo alega que sua estrutura proposta estabelece um elo de malha fechada entre percepção de ambiente, construção de gêmeo digital e otimização de sistema sem fio.

• Realocação de Recursos: A principal significância reside no mecanismo de compensação (trade-off): o sistema troca recursos computacionais offline (para reconstrução EM e inferência de DT) por recursos via rádio (sinalização de piloto e tempo de busca de feixe).
• DTs Acionáveis: O trabalho move o conceito de Gêmeos Digitais além do monitoramento para o controle acionável, demonstrando que um DT fisicamente consistente pode diretamente permitir a gestão de feixe robusta e com latência limitada na presença de imperfeições de hardware.
• Robustez: O trabalho destaca que a reconstrução precisa do DT, que inclui a calibração do array, é essencial para fazer a ponte entre o sensoriamento eletromagnético e o controle de comunicação confiável, particularmente em cenários onde a geometria do array é desconhecida ou apresenta desajuste.