Data Detection for Massive MIMO Systems with 1-Bit Quantized Dithered Linear Precoding

Resumo Técnico: Detecção de Dados para Sistemas Massive MIMO com Precodificação Linear com Dithering e Quantização de 1 Bit

Definição do Problema
A implementação de sistemas massive multiple-input multiple-output (MIMO) totalmente digitais é limitada pelo alto consumo de energia e pela complexidade de hardware dos conversores analógico-digitais (ADCs) e conversores digital-analógicos (DACs). Embora a adoção de DACs de 1 bit no transmissor reduza significamente o consumo de energia e a complexidade, isso introduz uma distorção de quantização severa que degrada a integridade do sinal. Embora exista uma extensa pesquisa sobre o design de precodificação para DACs de 1 bit, métodos de detecção de dados direta no receptor que considerem explicitamente a quantização do lado do transmissor em sistemas massive MIMO ponto-a-ponto permanecem inexplorados. Os métodos de detecção existentes são primariamente adaptados para sistemas multiusuário de uplink com ADCs de 1 bit no receptor, onde a quantização ocorre após a propagação do canal, um cenário fundamentalmente diferente do cenário de quantização do lado do transmissor considerado aqui. Além disso, as linhas de base (baselines) padrão envolvem frequentemente uma abordagem de dois estágios (detectando primeiro o sinal binário transmitido e depois recuperando os dados), o que acarreta risco de propagação de erro.

Metodologia
O artigo investiga um sistema massive MIMO ponto-a-ponto onde o transmissor emprega DACs de 1 bit com dithering gaussiano aplicado antes da quantização, e o receptor utiliza ADCs de resolução total ou de 1 bit. O estudo assume que o vetor de dither é conhecido no receptor, permitindo a remoção do dither. A metodologia é estruturada em torno de duas abordagens principais de linearização para os sinais quantizados:

1. Linearização Independente de Símbolo (Decomposição de Bussgang): Esta abordagem trata a distorção de quantização como ruído não correlacionado. É utilizada para derivar métodos de detecção de dados baseados em estimativa suave (soft-estimation). Os autores propõem o BLMMSE-DR (Bussgang Linear Minimum Mean Squared Error com Remoção de Dither) para ADCs de resolução total e o D-BLMMSE-DR (Doubly 1-bit quantized BLMMSE-DR) para ADCs de 1 bit. Estes métodos subtraem o viés estimado induzido pelo dither do sinal recebido antes da combinação linear.

2. Linearização Dependente de Símbolo: Uma abordagem inovadora é introduzida onde o sinal transmitido é linearizado condicionado ao vetor de símbolo de dados específico. Isso permite a derivação de métodos de detecção baseados em Máxima Verossimilhança (ML) que recuperam diretamente o vetor de símbolos de dados sem um passo intermediário de estimativa suave.

   • Para ADCs de resolução total, os autores derivam a função de verossimilhança completa do sinal recebido. Eles propõem o ML (sem remoção de dither) e o ML-DR (com remoção de dither dependente de símbolo). O método ML-DR simplifica a matriz de covariância negligenciando elementos fora da diagonal, reduzindo significativamente a complexidade enquanto mantém o desempenho.
   • Para ADCs de 1 bit, os autores desenvolvem o D-ML (Doubly 1-bit quantized ML). Como a remoção de dither dependente de símbolo não é diretamente aplicável ao sinal recebido quantizado de 1 bit, este método explora as estatísticas do sinal pré-quantizado recebido para aproximar a função de verossimilhança da saída de 1 bit.

Para abordar o crescimento exponencial da complexidade computacional com o número de fluxos de dados ($K$) inerente à busca exaustiva de ML, variantes de baixa complexidade são propostas. Estas variantes restringem o espaço de busca a um subconjunto de candidatos identificados pelos métodos de estimativa suave correspondentes (ex: BLMMSE-DR ou D-BLMMSE-DR).

Principais Contribuições

• Novas Estruturas de Detecção: O artigo propõe os primeiros métodos de detecção de dados direta para massive MIMO ponto-a-ponto com DACs de 1 bit e dithering, cobrindo tanto arquiteturas de receptor de resolução total quanto de 1 bit.
• Técnicas de Remoção de Dither: Introduz estratégias específicas de remoção de dither para detecção baseada em estimativa suave (independente de símbolo) e baseada em ML (dependente de símbolo), demonstrando que a remoção do viés de dither conhecido melhora a precisão da detecção, particularmente em relações sinal-ruído (SNR) moderadas a altas.
• Linearização Dependente de Símbolo: Uma nova técnica de linearização é desenvolvida para o sinal quantizado de 1 bit transmitido, permitindo a derivação de detectores baseados em ML que mapeiam diretamente os sinais recebidos para os símbolos de dados.
• Redução de Complexidade: Variantes de baixa complexidade dos métodos baseados em ML são desenvolvidas, reduzindo o espaço de busca de $L^K$ (onde $L$ é o tamanho da constelação) para $\nu^K$ (onde $\nu \leq L$), tornando os métodos viáveis para contagens de fluxos práticas.

Resultados Numéricos
Avaliações numéricas utilizando a Taxa de Erro de Símbolo (SER) como métrica destacam que:

• Papel do Poder do Dither: Existe um poder de dither ideal. Para baixo poder de dither, os componentes de distorção de quantização permanecem altamente correlacionados; para alto poder, o dither domina. O desempenho ideal é geralmente observado em SNR moderada a alta.
• Ganhos de Desempenho: Os métodos baseados em ML propostos (ML-DR e D-ML) superam consistentemente os métodos baseados em estimativa suave e um método de baseline de otimização de homotopia de dois estágios (two-stage hoML).
  • Para ADCs de resolução total, o ML-DR alcança até duas ordens de magnitude de menor SER em comparação com os métodos de estimativa suave e supera significativamente o baseline de dois estágios hoML. A remoção de dither no ML-DR proporciona uma redução adicional de 2× na SER em comparação com o caso sem remoção em poderes de dither ideais.
  • Para ADCs de 1 bit, o método D-ML alcança uma redução de 10× na SER em relação a outros métodos, incluindo o baseline de dois estágios hoML, ao evitar a propagação de erro inerente à abordagem de dois estágios.
• Escalabilidade: As variantes de baixa complexidade (com espaço de busca reduzido, ex: $\nu=3$ ou $4$) alcançam desempenho quase indistinguível dos métodos ML de busca total, enquanto reduzem drasticamente a carga computacional.
• Robustez: Os métodos propostos mantêm a superioridade sobre o baseline mesmo sob Informação de Estado do Canal (CSI) imperfeita no receptor.

Significância e Alegações
O artigo afirma que os métodos de detecção baseados em ML propostos, particularmente quando combinados com remoção de dither e estratégias de busca de baixa complexidade, oferecem um avanço crítico no tratamento da severa distorção de quantização de DACs de 1 bit em sistemas massive MIMO. Ao modelar diretamente a quantização do lado do transmissor e os efeitos de dithering, estes métodos superam as limitações de baselines existentes que tratam o problema como uma tarefa padrão de detecção binária seguida de recuperação de símbolos. Os resultados demonstram que a recuperação precisa de dados é alcançável com hardware de baixa resolução, desde que o receptor empregue algoritmos de detecção especificamente projetados para explorar as propriedades estatísticas de sinais com dither e quantizados. O trabalho estabelece que o poder do dither é um parâmetro crítico do sistema e que as estruturas propostas fornecem um compromisso favorável entre desempenho e complexidade computacional para futuras aplicações de 6G e backhaul sem fio.