Subarray based Wideband Beamforming and Variational Sparse CSI Estimation for Low-Resolution MU THz MIMO Systems

Resumo Técnico: Beamforming de Banda Larga Baseado em Subarrays e Estimativa de CSI Esparsa Variacional para Sistemas MU THz MIMO de Baixa Resolução

Definição do Problema
O artigo aborda os desafios inerentes aos sistemas MIMO Terahertz (THz) que operam na banda de 0,3–10 THz. Esses sistemas enfrentam um problema de "banda larga dupla" caracterizado tanto por efeitos de propagação dependentes da frequência (como absorção molecular e perda de percurso seletiva em frequência) quanto por efeitos espaciais de banda larga (atrasos diferenciais através de grandes aberturas de antena). Esses fatores levam ao efeito de "beam-squint" (desvio de feixe), onde o ângulo efetivo de chegada/partida varia entre as subportadoras, causando desalinhamento de feixe em beamformers convencionais baseados em deslocadores de fase. Além disso, sistemas THz práticos são limitados por restrições de hardware, especificamente o uso de Conversores Analógico-Digitais (ADCs) de baixa resolução para gerenciar o consumo de energia, o que introduz distorções de quantização não lineares. As técnicas de recuperação esparsa existentes frequentemente falham em abordar conjuntamente a natureza de banda larga dupla, o domínio angular fora da grade (off-grid) e as não linearidades introduzidas pela quantização de baixa resolução.

Metodologia
Os autores propõem um framework unificado que integra estimativa de canal e design de beamforming dentro de um paradigma de Inferência Bayesiana Variacional (VBI).

1. Modelagem de Sistema e de Canal:

   • Um modelo de canal de banda larga dupla é formulado para uma arquitetura de subarray parcialmente conectada, incorporando modelagem de pulso Root Raised Cosine (RRC) para considerar a transmissão limitada em banda.
   • O modelo inclui explicitamente vetores de direção de array dependentes da frequência para capturar o efeito de beam-squint.
   • Para lidar com ADCs de baixa resolução, o processo de quantização não linear é linearizado usando a decomposição de Bussgang, assumindo que a entrada para o quantizador segue uma distribuição Gaussiana (justificada pelo Teorema do Limite Central devido à superposição de múltiplos sinais de usuários e ruído).

2. Estimativa de Canal Esparsa:

   • O problema de estimativa de canal é formulado como uma tarefa de compressão de sensores (compressive sensing) explorando a esparsidade angular.
   • Para superar o "desajuste de base" (basis mismatch) causado por ângulos fora da grade, os autores empregam um dicionário de super-resolução baseado em série de Taylor (TBsD). Este aproxima o vetor de direção contínuo usando uma expansão de Taylor de primeira ordem em torno de pontos da grade, permitindo maior resolução sem o custo computacional de uma grade excessivamente fina.
   • Um algoritmo de Inferência Bayesiana Variacional é desenvolvido para estimar os coeficientes esparsos do canal. Esta abordagem utiliza uma prior Gaussiana-Gamma hierárquica para promover a esparsidade e aproxima a distribuição posterior intratável com uma distribuição variacional tratável. O algoritmo atualiza iterativamente a média e a covariância das estimativas do canal e os hiperparâmetros da prior.

3. Beamforming e Mitigação de Beam-Squint:

   • O canal estimado no domínio do feixe (beamspace) é utilizado diretamente para extrair pares dominantes de Ângulo de Chegada (AoA) e Ângulo de Partida (AoD).
   • Esses ângulos configuram um transceptor híbrido baseado em True Time Delay (TTD). Diferente dos deslocadores de fase convencionais, os elementos TTD introduzem atrasos dependentes da frequência que compensam inerentemente o efeito de beam-squint, garantindo o alinhamento consistente do feixe em todas as subportadoras.
   • O design leva em conta impedimentos práticos de hardware, incluindo a perda de inserção nos elementos TTD e a quantização dos valores de atraso.

Principais Contribuições

• Framework Unificado: O trabalho apresenta um framework de estimativa de canal e design de beamforming conjunto que aborda simultaneamente os efeitos de banda larga dupla, a quantização de ADC de baixa resolução e a esparsidade angular fora da grade.
• Estimativa Bayesiana Variacional: Ao contrário de algoritmos gananciosos (ex: OMP) ou métodos de reponderação (ex: MFOCUSS), a abordagem VBI proposta fornece um framework probabilístico que quantifica a incerteza e evita o ajuste manual de parâmetros de regularização. Ela integra informações de verossimilhança para refinar a distribuição posterior.
• Dicionário de Série de Taylor: A introdução da formulação TBsD permite uma estimativa de canal esparsa precisa para ângulos fora da grade, melhorando a resolução e a robustez em comparação com dicionários convencionais sobre a grade.
• Beamforming Habilitado por TTD: O artigo propõe um método de baixa latência e eficiente em termos de pilotos para configurar elementos TTD diretamente do canal estimado no domínio do feixe, eliminando a necessidade de módulos separados de estimativa de ângulo.
• Limites Teóricos: O Multi-User Bayesian Cramér-Rao Lower Bound (BCRLB) é derivado para servir de benchmark para o desempenho do estimador proposto.

Resultados
Simulações extensas validam o framework proposto:

• Precisão de Estimativa: O estimador baseado em VBI proposto alcança um desempenho de Erro Quadrático Médio Normalizado (NMSE) que se aproxima significativamente do BCRLB derivado, superando consideravelmente o Least Squares (LS), Orthogonal Matching Pursuit (OMP) e MFOCUSS, particularmente em regimes de baixo SNR e com overhead de pilotos limitado.
• Robustez à Quantização: O sistema demonstra resiliência a ADCs de baixa resolução (1-bit a 4-bits). Embora os ADCs de 1-bit apresentem um patamar de erro (error flooring) em alto SNR, resoluções de 2-bits e superiores aproximam-se do desempenho de ADCs de resolução infinita, validando a eficácia da linearização baseada em Bussgang.
• Mitigação de Beam-Squint: O design de transceptor híbrido baseado em TTD alinha efetivamente os feixes entre as subportadoras, restaurando o ganho de array que seria perdido em designs convencionais de deslocadores de fase. Isso resulta em melhorias substanciais na Eficiência Espectral (SE) em comparação com esquemas de estado da arte como Delay-Phase Precoding (DPP) e SOMP, que não consideram totalmente as restrições de baixa resolução ou a estimativa conjunta.
• Convergência: O algoritmo de inferência variacional exibe convergência monotônica, atingindo tipicamente soluções estáveis dentro de 5 a 8 iterações.
• Trade-offs: Embora o método bayesiano proposto incorra em maior complexidade computacional e tempo de execução em comparação com algoritmos gananciosos, o artigo observa que este é um trade-off para uma precisão de estimativa e robustez superiores.

Significância
O artigo afirma que sua principal significância reside em preencher a lacuna entre modelos de canal de banda larga teóricos e restrições de hardware práticas em comunicações THz. Ao integrar o aprendizado Bayesiano Variacional com o beamforming baseado em TTD, o trabalho oferece uma solução robusta para sistemas MIMO THz de Múltiplos Usuários (MU) que são limitados por ADCs de baixa resolução e restritos em potência. O framework elimina a necessidade de estágios separados e complexos de estimativa de ângulo, fornecendo um design de ponta a ponta simplificado que mitiga o efeito crítico de beam-squint enquanto mantém alta eficiência espectral. Os resultados sugerem que esta abordagem é bem adequada para sistemas sem fio de próxima geração, onde a estimativa precisa do estado do canal e o alinhamento preciso do feixe são críticos para alcançar taxas de dados ultra-altas.