Resumen - Un Modelo de Fundación para la Precodificación de MIMO Masivo con un Arreglo Adaptativo de Comercio de Tasa-Energía por Usuario

Un Modelo de Fundación para la Precodificación de MIMO Masivo con un Arreglo Adaptativo de Comercio de Tasa-Energía por Usuario

2025-07-24 17:10:06

{"Jérôme Emery","Ali Hasanzadeh Karkan","Jean-François Frigon","François Leduc-Primeau"}

{eess.SP,cs.AI}

Este documento propone un modelo de base para el precodificador de MIMO masivo (mMIMO) que tiene como objetivo minimizar el consumo de energía mientras se adapta dinámicamente a los requisitos de tasa por usuario. El modelo utiliza técnicas de aprendizaje profundo (DL) para aprender el mapeo entre la información del estado del canal (CSI) y los vectores de precodificación, reduciendo significativamente la complejidad computacional en comparación con los métodos de optimización tradicionales. El modelo de base propuesto consta de una arquitectura de transformer-encoder con un extractor de características compartido y capas de salida específicas del entorno. El extractor de características aprende representaciones robustas de la CSI, permitiendo que el modelo generalice en diferentes sitios de despliegue. Las capas de salida predicen la matriz de precodificación, el vector de selección de antenas y el factor de escalado de potencia para cada entorno. El modelo se entrena utilizando una función de pérdida multiobjetivo que minimiza el consumo de energía mientras satisface los requisitos de tasa del usuario. El proceso de entrenamiento implica dos fases: preentrenamiento y entrenamiento multiobjetivo. Durante el preentrenamiento, el modelo se entrena para maximizar la suma de tasas, mientras que durante el entrenamiento multiobjetivo, aprende a equilibrar el consumo de energía y la satisfacción de las tasas del usuario. El modelo de base propuesto demuestra un excelente rendimiento en varios escenarios de despliegue, incluyendo configuraciones de cero y pocas vistas. Supera a los algoritmos de línea de base tradicionales como el forcing cero (ZF) y el error cuadrático medio ponderado (WMMSE) en términos de suma de tasas y eficiencia energética. Además, el modelo muestra fuertes capacidades de generalización, alcanzando un rendimiento cercano al óptimo en entornos de despliegue no vistos. El documento también introduce un método de augmentación de datos para abordar el desafío de los datos de entrenamiento limitados. Este método encuentra entornos de entrenamiento similares al sitio de despliegue mediante el cálculo de un métrico de similitud sobre las salidas del extractor de características. Al aprovechar esta técnica de augmentación de datos, el modelo puede adaptarse efectivamente a nuevos sitios de despliegue con mínimos datos de entrenamiento. En conclusión, el modelo de base propuesto para el precodificador mMIMO ofrece una solución prometedora para sistemas de comunicación inalámbrica eficientes en energía y robustos. Su capacidad para aprender representaciones robustas y adaptarse a nuevos sitios de despliegue con mínimos datos de entrenamiento lo convierten en una herramienta valiosa para habilitar tecnologías avanzadas de mMIMO en la práctica.