⚡ engenharia elétrica

Parallax-aware and MAB-empowered Beam Training for Modular XL-MIMO Systems

Este artigo propõe um esquema de treinamento de feixe consciente de paralaxe e capacitado por bandit de múltiplas braços para sistemas XL-MIMO modulares que combina sinergicamente atualizações adaptativas de codebook com uma estratégia de amostragem de Thompson exponencial gulosa para comprimir dinamicamente o espaço de ação e otimizar a seleção de feixes, alcançando assim ganhos substanciais de eficiência espectral efetiva com overhead de treinamento significativamente reduzido em ambientes híbridos de campo próximo e distante.

Autores originais: Chuanpeng Xu, Huibin Liang, Yunchao Song, Chen Liu, Yusong Wang

Publicado 2026-10-27

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Chuanpeng Xu, Huibin Liang, Yunchao Song, Chen Liu, Yusong Wang

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Na corrida para construir a próxima geração de redes sem fio, os engenheiros estão impulsionando as antenas para se tornarem maiores e mais potentes do que nunca. Imagine uma parede de antenas de rádio estendendo-se por metros, repleta de centenas de pequenos elementos. Essa escala massiva permite que os sinais viajem mais longe e transportem mais dados, mas cria um problema complicado: o ambiente ao redor dessas antenas não é uniforme. Alguns sinais ricocheteiam em objetos próximos, comportando-se como ondulações que se espalham a partir de uma pedra lançada em um lago, enquanto outros viajam de longe, chegando como ondas planas e paralelas. Como a parede de antenas é tão larga, ela vê esses dois tipos de ondas ao mesmo tempo, e a melhor maneira de captar um sinal muda dependendo de exatamente onde o usuário está posicionado. Se o sistema tentar adivinhar a direção correta testando cada possibilidade individual, ele desperdiça tanto tempo e energia que a transmissão real de dados desacelera até quase parar.

Para resolver isso, pesquisadores da Universidade de Postagem e Telecomunicações de Nanjing desenvolveram uma maneira mais inteligente de encontrar o melhor caminho de sinal sem perder tempo com becos sem saída. Eles criaram um sistema que atua como um guia experiente que aprende o terreno conforme caminha. Em vez de verificar cegamente cada canto da parede de antenas, o sistema primeiro constrói um mapa baseado no layout físico do hardware. Ele entende que, como a parede de antenas é muito grande, o ângulo necessário para atingir um objeto próximo parece diferente de uma extremidade da parede para a outra, um fenômeno conhecido como paralaxe. Ao levar em conta esse deslocamento, o sistema cria uma lista inicial de direções prováveis que cobre a área sem deixar lacunas.

Assim que este mapa inicial está pronto, o sistema começa a aprender. Ele testa algumas direções e ouve o feedback do dispositivo do usuário. Se uma direção produz um sinal forte, o sistema a memoriza. Se uma direção é apenas ruído, ele a marca como inútil. Os pesquisadores usaram um método de aprendizado inspirado na forma como um jogador poderia escolher em qual máquina caça-níqueis jogar, equilibrando a necessidade de tentar novas opções com o desejo de manter o que já se sabe que funciona bem. À medida que o sistema reúne mais dados, ele detecta quando encontrou um padrão estável. Nesse ponto, ele realiza um truque inteligente: ele pega as direções bem-sucedidas encontradas em uma parte da parede de antenas e as projeta nas outras partes, ajustando-as de acordo com a distância física entre elas. Isso permite que o sistema saiba instantaneamente quais direções são promissoras para toda a parede, em vez de testá-las uma por uma.

Para garantir que não perca tempo com espaços vazios, o sistema também executa uma verificação estatística para confirmar se um sinal é real ou apenas estática aleatória. Se uma direção for confirmada como vazia, o sistema a remove de sua lista de opções inteiramente. Esse processo de poda a lista de possibilidades acontece continuamente, encolhendo o espaço de busca até que o sistema esteja olhando apenas para os caminhos mais promissores. Em simulações de computador, essa abordagem provou ser altamente eficiente. O sistema atingiu seu melhor desempenho muito mais rápido do que métodos antigos e manteve uma alta taxa de transferência de dados mesmo quando o sinal precisava viajar através de ambientes complexos com muitos caminhos de ricochete. Ao combinar uma compreensão física da forma da antena com um algoritmo de aprendizado que se adapta em tempo real, os pesquisadores mostraram que é possível obter todo o poder desses arranjos massivos de antenas sem o alto custo de uma busca exaustiva constante.

Resumo Técnico: Treinamento de Feixe Consciente de Paralaxe e Potencializado por MAB para Sistemas XL-MIMO Modulares

Definição do Problema
O artigo aborda o desafio do treinamento de feixe em sistemas Modular Extremely Large-Scale MIMO (XL-MIMO) operando em ambientes híbridos de campo próximo e distante. À medida que as aberturas das matrizes aumentam, a distância de Rayleigh estende-se significamente, fazendo com que usuários e espalhadores existam simultaneamente nas regiões de campo próximo (onda esférica) e de campo distante (onda plana). Essa propagação de campo híbrido introduz uma severa não-estacionaridade espacial e efeitos de paralaxe, onde as direções ideais dos feixes variam de forma não linear entre diferentes submatrizes.

O treinamento de feixe centralizado convencional depende da Informação de Estado do Canal (CSI) instantânea de dimensão total, o que resulta em um overhead de pilotos proibitivo e vulnerabilidade a flutuações de canal. Embora a CSI estatística (S-CSI) e as arquiteturas de submatriz parcialmente conectadas ofereçam alívio de hardware e complexidade, os métodos existentes frequentemente dependem de codebooks estáticos ou padrões de ativação predefinidos. Essas abordagens têm dificuldade em lidar com canais espacialmente não-estacionários e dinâmicos, levando a uma exploração cega prolongada e convergência lenta. Além disso, a aplicação direta de estruturas Multi-Armed Bandit (MAB) padrão ao XL-MIMO é dificultada pela "maldição da dimensionalidade", uma vez que espaços de ação estáticos impedem o descarte eficiente de setores compostos apenas por ruído.

Metodologia
Os autores propõem um framework de sinergia de malha fechada que integra um Mecanismo de Atualização de Codebook Adaptativo com aprendizado online potencializado por MAB. O esquema opera dentro de uma matriz Modular Extremely Large Aperture Array (M-ELAA) composta por $N$ submatrizes, cada uma com $M$ antenas.

Codebook Inicial Consciente de Paralaxe (PA):
Para abordar a não-estacionaridade espacial, os autores derivam uma definição matemática para a redundância do índice do feixe baseada no deslocamento da submatriz e na distância de potência uniforme. Isso permite a construção de um codebook inicial que garante cobertura espacial total ao adicionar uma sobreposição angular precisa entre submatrizes adjacentes, eliminando pontos cegos causados pelo efeito de paralaxe.
Detecção de Estado Estacionário e Atualização Dinâmica de Codebook:
O sistema monitora o processo de treinamento de feixe usando um critério de correlação Quantile-Quantile (Q-Q) empírico para detectar estados estacionários estatísticos. Uma vez alcançada a convergência, o sistema aciona uma projeção geométrica entre submatrizes.
- Projeção Geométrica: Feixes de alto ganho validados de uma submatriz são projetados em outras submatrizes usando gradientes de frequência-espacial. Isso leva em conta tanto os extremos de campo distante (planar) quanto de campo próximo (esférico) para definir um intervalo candidato.
- Poda por Razão de Verossimilhança (LR): Para evitar que o conjunto de candidatos se expanda com codewords de baixo ganho ou apenas ruído, um teste de Razão de Verossimilhança é aplicado para detecção de potência zero. Feixes identificados como puro ruído são podados, comprimindo dinamicamente o espaço de ação.
Treinamento de Feixe Potencializado por MAB (G-Exp-TS):
Dentro do espaço de ação comprimido e adaptativo, o processo de seleção de feixe é formulado como um problema MAB. O objetivo é maximizar a Eficiência Espectral Efetiva (ESE) de longo prazo.
- Modelagem de Recompensa: A potência do sinal recebido é modelada seguindo uma distribuição exponencial.
- Estratégia G-Exp-TS: Os autores propõem uma estratégia Greedy Exponential Thompson Sampling (G-Exp-TS). Esta abordagem equilibra exploração e explotação ao amostrar da distribuição posterior exponencial da potência recebida.
- Otimização: A seleção de feixe é formulada como um problema de programação inteira 0-1 para selecionar o subconjunto ideal de codewords (super braço) que maximiza a ESE média de longo prazo, sujeito a um orçamento de overhead de treinamento.

Principais Contribuições

Framework de Sinergia de Malha Fechada: O artigo introduz um framework que integra fundamentalmente a atualização adaptativa de codebook com aprendizado MAB. Diferente de abordagens estáticas, este esquema converte priors geométricos em regiões de busca de candidatos dinâmicos e utiliza feedback estatístico para podar o codebook em tempo real, evitando a exploração redundante em setores de ruído.
Inicialização Consciente de Paralaxe e Poda Dinâmica: Os autores derivam uma definição rigorosa para a redundância do índice de feixe para construir um codebook inicial PA. Eles também introduzem um mecanismo de detecção de estado estacionário baseado em correlação Q-Q e um método de projeção geométrica acoplado a um teste LR. Isso alcança uma redução substancial na dimensionalidade do codebook ao remover dinamicamente setores inválidos sem a necessidade de CSI explícita.
Otimização G-Exp-TS: O processo de treinamento de feixe é transformado em um problema de programação inteira 0-1. A estratégia G-Exp-TS proposta aproveita a distribuição posterior exponencial da potência do sinal para equilibrar otimamente a exploração e a explotação, maximizando a ESE de longo prazo.

Resultados de Simulação
Simulações numéricas foram conduzidas para um sistema com $N=8$ módulos, $M=32$ antenas por módulo, e uma frequência de portadora de 100 GHz. O esquema proposto (G-Exp-TS BT) foi comparado contra as linhas de base TH BT, Dual-UCB BT e Hybrid BT.

Convergência: O esquema proposto demonstrou uma convergência rápida para um estado estacionário estável. A ESE aumentou durante a fase de exploração e estabilizou-se rapidamente devido à poda eficaz de candidatos dominados por ruído.
Desempenho vs. SNR: Em vários níveis de Relação Sinal-Ruído (SNR) e números de clusters de espalhamento ( $L=1, 3$ ), o esquema proposto alcançou consistentemente uma ESE superior a todos os esquemas de linha de base.
Eficiência de Overhead: Ao contrário dos esquemas de linha de base que exibiram uma tendência em forma de U invertido (onde o excesso de overhead levava à degradação de desempenho devido à exploração excessiva), o esquema proposto alcançou o pico de ESE com um orçamento de overhead mínimo. A compressão dinâmica do codebook garantiu que, mesmo com um grande orçamento alocado, o overhead de treinamento real permanecesse limitado ao número de codewords válidos, evitando penalidades de fração de tempo.
Robustez: O esquema manteve um desempenho robusto através de diferentes condições de multipath e regimes de SNR, identificando efetivamente caminhos dominantes de campo híbrido.

Significância
O artigo afirma que o esquema proposto melhora fundamentalmente a eficiência do treinamento de feixe em sistemas modulares XL-MIMO. Ao sinergizar priors geométricos com aprendizado online, o método contorna o overhead proibitivo do varrimento exaustivo tradicional e a convergência lenta de abordagens MAB estáticas. A capacidade de comprimir dinamicamente o espaço de ação sem CSI explícita permite que o sistema reduza significativamente o overhead de pilotos enquanto maximiza a Eficiência Espectral Efetiva. Os autores concluem que esta abordagem fornece uma solução prática para os desafios de campo híbrido inerentes às futuras redes 6G, oferecendo uma alternativa robusta às estratégias de treinamento de feixe rígidas e predefinidas.

Mais como este