Resumo Técnico: Beamforming Generativo Específico de Local via Sensoriamento Desacoplado para UPAs

Declaração do Problema

Em sistemas de Arrays Planos Uniformes (UPA), particularmente para comunicações mmWave, o alinhamento preciso de feixes é crítico para alcançar alta eficiência espectral e confiabilidade do link. No entanto, os métodos tradicionais de alinhamento de feixe enfrentam um compromisso fundamental entre a fidelidade do beamforming e o overhead de sensoriamento online:

• Beamforming dependente de canal: Requer Informação de Estado de Canal (CSI) precisa, levando a um overhead proibitivo de treinamento de pilotos e feedback em sistemas de antenas de grande escala.
• Varredura de grade de feixes (Grid-of-beams sweeping): (ex: busca exaustiva de códigobook DFT 2D) evita a aquisição explícita de CSI, mas incorre em complexidade multiplicativa ($M_\phi \times M_\theta$) conforme o número de feixes de sondagem aumenta com a resolução angular.
• Beamforming Específico de Local (SSBF): Tenta aprender regularidades ambientais para inferir feixes a partir de medições limitadas. No entanto, as abordagens de SSBF generativas existentes frequentemente dependem de sensoriamento 2D completo ou medições de códigobook genéricas, falhando em abordar os desafios específicos de sensoriamento desacoplado em UPAs.

Quando os domínios de azimute e elevação são sondados independentemente para reduzir o overhead para complexidade linear ($M_\phi + M_\theta$), as observações de Potência Recebida do Sinal de Referência (RSRP) resultantes sofrem de:

1. Perda de Informação: O acoplamento conjunto azimute-elevação explícito do canal é perdido; apenas as distribuições marginais de potência são preservadas.
2. Desajuste de Lóbulo (Lobe Mismatch): Os lóbulos de azimute e elevação mais fortes podem não corresponder ao mesmo caminho físico, levando a direções angulares virtuais que não existem.
3. Ambiguidade de Fase: O feedback de RSRP baseado apenas em potência descarta a informação de fase, tornando o mapeamento das observações separadas para um beamformer não único e altamente ambíguo.

Metodologia

O artigo propõe um framework de Beamforming Específico de Local Generativo com Fusão Cruzada (GenSSBF) projetado para gerar candidatos de feixe de alta fidelidade a partir de sensoriamento desacoplado de baixo overhead.

1. Sensoriamento de Canal Desacoplado

A Estação Base (BS) sonda independentemente os domínios de azimute e elevação usando codebooks separados.

• Sensoriamento de Azimute: Sonda diferentes setores de azimute com ampla cobertura de elevação.
• Sensoriamento de Elevação: Sonda diferentes setores de elevação com ampla cobertura de azimute.
• Saída: Dois vetores de RSRP de baixa dimensão, $r_\phi$ e $r_\theta$, reduzindo o overhead online de complexidade multiplicativa para linear.

2. Arquitetura Cross-Fused GenSSBF

Para recuperar a informação angular conjunta perdida, o framework emprega um modelo generativo com três componentes principais:

• Codificação de Canal no Domínio Angular: O beamformer alvo é representado no domínio angular (base DFT). Para evitar problemas de fase (phase-wrapping) durante o treinamento, os coeficientes complexos do canal são codificados como amplitude e um par cosseno-seno ($\rho, \cos\phi, \sin\phi$).
• Encoder de Atenção Cruzada Bidirecional: Este módulo aborda a perda de informação do sensoriamento desacoplado.
  • MLPs separadas codificam $r_\phi$ e $r_\theta$ em tokens de características.
  • Um mecanismo de atenção cruzada bidirecional permite que o ramo de azimute consulte as características de elevação (e vice-versa) para extrair dependências latentes.
  • As características refinadas são fundidas em um único vetor de condição $c$ que resume a estrutura angular 2D específica do local.
• Gerador de Fluxo de Normalização Condicional (Conditional Normalizing Flow):
  • Em vez de um preditor determinístico (que neutralizaria múltiplas soluções plausíveis), o fluxo de normalização condicional mapeia uma variável latente Gaussiana simples $z$ para uma distribuição complexa de candidatos de feixe condicionada por $c$.
  • Este gerador estocástico produz um conjunto de $K$ candidatos de beamformer, lidando com a natureza multimodal do mapeamento de RSRP desacoplado para direções de feixe.

3. Treinamento Orientado à Tarefa e Verificação

• Objetivo de Treinamento: O modelo é treinado usando uma perda de ganho de beamforming normalizada. Em vez de ajustar toda a distribuição condicional (baseada em verossimilhança), o objetivo maximiza o ganho do melhor candidato entre os $K$ feixes gerados. Isso incentiva o gerador a atribuir massa de probabilidade às regiões de alto ganho.
• Verificação Online: A BS gera $K$ candidatos de feixe. O Equipamento do Usuário (UE) realiza medições de piloto leves nesses candidatos e fornece o índice do feixe com o maior RSRP para a transmissão final de dados.

Principais Contribuições

1. Sensoriamento Desacoplado de Baixo Overhead: O artigo formaliza uma estratégia de sensoriamento desacoplado para UPAs que reduz o overhead online de $O(M_\phi M_\theta)$ para $O(M_\phi + M_\theta)$, enquanto caracteriza explicitamente a perda resultante do acoplamento angular conjunto.
2. Framework Cross-Fused GenSSBF: Uma arquitetura inovadora que combina um encoder de atenção cruzada bidirecional para recuperar dependências latentes de azimute-elevação e um fluxo de normalização condicional para gerar múltiplos candidatos de feixe de alta fidelidade a partir de entradas ambíguas.
3. Perda de Treinamento Orientada à Tarefa: Um objetivo de treinamento que otimiza para a inclusão de pelo menos um feixe de alto ganho no conjunto de candidatos, em vez de minimizar o erro de reconstrução médio. O artigo fornece uma interpretação teórica mostrando que a probabilidade de sucesso aumenta com a massa de probabilidade do gerador na região de alto ganho e o número de candidatos.
4. Validação de Desempenho: Simulações extensas usando cenários DeepMIMO (bloqueio interno, externo e urbano mmWave) demonstram a eficácia do framework.

Resultados

Resultados de simulação baseados em cenários DeepMIMO (I2 28, O1B 28, Boston5G 28) mostram:

• Ganho de Beamforming: O GenSSBF proposto (com $K=8$ candidatos) supera consistentemente a predição baseada em MLP determinístico, o GenSSBF sem atenção cruzada e a busca convencional de codebook DFT exaustiva.
  • Comparado a uma busca DFT 2D completa de 1024 feixes, o método proposto alcançou melhorias de ganho de beamforming normalizado de 83,6% (I2 28), 74,6% (O1B 28) e 38,1% (Boston5G 28).
  • Ele alcança padrões de feixe significativamente mais próximos do limite superior de Transmissão de Razão Máxima (MRT) do que as buscas de codebook fixo.
• Redução de Overhead: O design de sensoriamento desacoplado reduz o overhead de varredura em 93,8% em comparação com a varredura DFT 2D completa.
• Robustez: O framework mantém desempenho superior em uma ampla gama de razões sinal-ruído (SNR) em comparação com os benchmarks, embora o desempenho degrade em SNR muito baixo (< -5 dB), onde o ruído de sensoriamento sobrecarrega o sinal.
• Estudos de Ablação: A remoção do módulo de atenção cruzada degrada significativamente o desempenho, confirmando sua necessidade para recuperar dependências latentes. A geração estocástica (GenSSBF) supera a predição determinística (MLP), validando a necessidade de geração de candidatos multimodais em cenários de sensoriamento ambíguos.

Significância

O artigo afirma que reduzir apenas o overhead de sensoriamento é insuficiente para um alinhamento de feixe de UPA confiável devido à ambiguidade inerente das observações desacopladas. A significância deste trabalho reside em demonstrar que a inteligência artificial generativa, especificamente quando combinada com fusão de domínios cruzados e geração estocástica orientada à tarefa, pode efetivamente inferir beamformers específicos de local de alta qualidade a partir de medições de potência marginal de baixa dimensão. Esta abordagem oferece um caminho viável para alcançar ganhos de beamforming próximos do ideal com custos de sensoriamento online drasticamente reduzidos, abordando um gargalo crítico para o deployment de sistemas UPA de grande escala em redes 5G/6G.