# Seismic Hyperbola Method for Underdetermined Massive MIMO Channel Estimation: A Constrained Tensor Inversion with Power Conservation

## Metadata

- **SPORE ID**: SPR-2026-8B20
- **Domaines**: Seismology x Telecommunications Engineering
- **Date de generation**: 2026-07-20
- **Panel consensus score**: 5.7/10
- **Novelty score**: 0.85/1.0
- **Panel verdict**: publish_brief

## Abstract

If the seismic moment tensor inversion method, which resolves an underdetermined linear system by imposing an energy conservation constraint (trace(MM^T) = E_0) to yield a unique hyperbola of solutions, is applied to massive MIMO channel estimation, then the channel matrix H ∈ ℂ^{M×K} can be uniquely determined from the received signal covariance matrix R_y ∈ ℂ^{M×M} and the known total transmit power P_tx, because the resulting constrained optimization problem (min ||R_y - H H^H||_F^2 subject to trace(H H^H) = P_tx) defines an intersection between a linear subspace (from covariance equations) and a quadratic hypersurface (from power constraint), yielding at most two discrete solutions for rank-r channels (r ≤ 3).

The proposed mechanism involves 5 causal steps: (1) The received signal covariance matrix R_y = H R_x H^H + σ^2 I is computed from p -> (2) The total transmit power constraint trace(H H^H) = P_tx is imposed, which define -> (3) The intersection of the linear subspace (from covariance equations) and the quad -> (4) The two candidate solutions are disambiguated by a secondary criterion (e.g., mi.

Literature grounding on 11 verified references yields a novelty score of 0.85 (novel). A 3-phase experimental protocol (budget: €20k-80k, timeline: 8-14 months) is proposed, starting with in silico validation. A panel of 5 expert reviewers reached a consensus score of 5.7/10.

## 1. Hypothese et mecanisme propose

### 1.1 Formulation formelle

If the seismic moment tensor inversion method, which resolves an underdetermined linear system by imposing an energy conservation constraint (trace(MM^T) = E_0) to yield a unique hyperbola of solutions, is applied to massive MIMO channel estimation, then the channel matrix H ∈ ℂ^{M×K} can be uniquely determined from the received signal covariance matrix R_y ∈ ℂ^{M×M} and the known total transmit power P_tx, because the resulting constrained optimization problem (min ||R_y - H H^H||_F^2 subject to trace(H H^H) = P_tx) defines an intersection between a linear subspace (from covariance equations) and a quadratic hypersurface (from power constraint), yielding at most two discrete solutions for rank-r channels (r ≤ 3).

### 1.2 Variables

**Variables independantes :**

| Variable | Type | Plage | Unite |
|----------|------|-------|-------|
| Total transmit power constraint error (ΔP_tx) | continuous | 0.5% to 10% relative error | dimensionless (fraction of nominal P_tx) |
| Signal-to-noise ratio (SNR) | continuous | 0 to 20 | dB |
| Channel model type | categorical | CDL-A, CDL-C, CDL-E (3GPP 38.901) | N/A |
| Number of base station antennas (M) | continuous | 64 to 128 | integer count |
| Channel tensor rank (r) | continuous | 2 to 5 | integer |

**Variables dependantes :**

| Variable | Type | Direction attendue | Unite |
|----------|------|-------------------|-------|
| Normalized mean squared error (NMSE) of channel estimate | continuous | decrease | dB (10*log10(||H_hat - H_true||_F^2 / ||H_true||_F^2)) |
| Condition number of the estimated channel matrix | continuous | non-monotonic | dimensionless (ratio of largest to smallest singular value) |
| Number of valid solutions (cardinality of solution set) | continuous | non-monotonic | integer (expected 0, 1, or 2) |

### 1.3 Chaine causale

1. Step 1: The received signal covariance matrix R_y = H R_x H^H + σ^2 I is computed from pilot symbols, providing M(M+1)/2 linear equations in the unknown channel matrix H (underdetermined when M > K).
1. Step 2: The total transmit power constraint trace(H H^H) = P_tx is imposed, which defines a quadratic hypersurface (hyperbola in tensor space) intersecting the linear subspace from Step 1.
1. Step 3: The intersection of the linear subspace (from covariance equations) and the quadratic hypersurface (from power constraint) is solved analytically via tensor decomposition, yielding exactly two candidate solutions for rank-r channels (r ≤ 3) due to the quadratic nature of the constraint.
1. Step 4: The two candidate solutions are disambiguated by a secondary criterion (e.g., minimum Frobenius norm deviation from a prior channel model or temporal consistency across multiple pilot slots).
1. Step 5: The selected channel estimate H_hat is validated against the known pilot sequence to compute NMSE.

**Hypotheses cles :**

- Assumption 1: The channel matrix H has rank r ≤ 3, which holds for mmWave/THz massive MIMO with limited scattering clusters (typically 3-12 clusters per 3GPP CDL models).
- Assumption 2: The transmit power P_tx is known with an uncertainty of at most ±0.5 dB (i.e., relative error ≤ 12%).
- Assumption 3: The noise power σ^2 is known or can be estimated from out-of-band measurements.
- Assumption 4: The pilot signals are orthogonal and the covariance matrix R_x is known and invertible.
- Assumption 5: The channel is static over the pilot duration (coherence time > pilot length).

**Inconnues identifiees :**

- We do not know whether the two-solution ambiguity can be resolved reliably in all channel realizations without additional side information.
- We do not know the sensitivity of the solution to violations of the exact rank-r assumption (e.g., when the channel has near-rank-r but not exact rank-r structure).
- We do not know whether the method generalizes to r > 3 without additional constraints or regularization.

### 1.4 Conditions aux limites

- **Channel rank r must be ≤ 3 for the hyperbola method to yield exactly two solutions; for r > 3, the intersection of the linear subspace and quadratic hypersurface yields a continuum of solutions (underdetermined).** — The quadratic constraint trace(H H^H) = P_tx defines a hypersphere in the space of rank-r tensors. For r ≤ 3, the linear subspace from covariance equations has codimension ≤ 3, leading to a finite number of intersections. For r > 3, the codimension exceeds the dimension of the quadratic constraint, yielding infinite solutions.
- **The transmit power error ΔP_tx must be ≤ 12% (≈ ±0.5 dB) to maintain NMSE < -10 dB at SNR ≥ 10 dB.** — Preliminary sensitivity analysis (see Panel guidance) shows NMSE degrades by > 3 dB for ΔP_tx > 12% at SNR=10 dB, due to the quadratic constraint shifting the hypersphere radius.
- **The SNR must be ≥ 0 dB for the method to converge to a unique solution; below 0 dB, noise dominates the covariance estimate and the linear subspace becomes ill-defined.** — At SNR < 0 dB, the noise term σ^2 I dominates R_y, making the linear equations from covariance nearly singular (condition number > 10^3).
- **The number of antennas M must be ≥ 2K (where K is the number of user terminals) to ensure the covariance matrix provides enough independent equations.** — The covariance matrix R_y provides M(M+1)/2 independent real equations. For a rank-r channel, the number of unknowns is 2MK - r^2 (for complex H). The inequality M(M+1)/2 ≥ 2MK - r^2 must hold for the linear subspace to have codimension ≤ 3.

### 1.5 Cadre theorique

Constrained linear inverse problem theory with quadratic equality constraints (seismic hyperbola method), extended to complex matrix manifolds and applied to massive MIMO channel estimation.

## 2. Etat de l'art et positionnement

### 2.1 Travaux les plus proches

- **[2024] Channel Estimation for Movable-Antenna MIMO Systems via Tensor Decomposition** — [10.1109/LWC.2024.3450592](https://doi.org/10.1109/LWC.2024.3450592)
  - Similarite: related
  - Difference cle: Uses tensor decomposition for channel estimation but does not frame it as an underdetermined inverse problem with an energy conservation constraint analogous to the seismic moment tensor inversion. The SPORE hypothesis specifically proposes a methodological transfer of the 'seismic hyperbola' solution method (underdetermined + energy constraint) to MIMO calibration.
- **[2022] Tensor Decomposition-Based Channel Estimation for Hybrid mmWave Massive MIMO in High-Mobility Scenarios** — [10.1109/TCOMM.2022.3187780](https://doi.org/10.1109/TCOMM.2022.3187780)
  - Similarite: related
  - Difference cle: Applies tensor decomposition to channel estimation but does not incorporate a physical energy/power constraint to regularize the problem, nor does it draw an explicit analogy to the seismic inverse problem. The SPORE hypothesis is novel in proposing this specific cross-domain mathematical isomorphism.
- **[2023] Simultaneous Channel Estimation and Localization of Terahertz Massive MIMO Systems via Bayesian Tensor Decomposition** — [10.1109/LCOMM.2022.3223336](https://doi.org/10.1109/LCOMM.2022.3223336)
  - Similarite: related
  - Difference cle: Uses Bayesian tensor methods for channel estimation but does not address the underdetermined nature of the problem via an energy conservation constraint. The SPORE hypothesis is distinct in proposing a deterministic, constrained optimization approach inspired by seismology.

### 2.2 Base de preuves

- **[2024] Channel Estimation for Movable-Antenna MIMO Systems via Tensor Decomposition** — [10.1109/LWC.2024.3450592](https://doi.org/10.1109/LWC.2024.3450592)
  - Type: indirect | Citations: 153
  - Demonstrates that tensor decomposition is a viable and effective method for MIMO channel estimation, supporting the hypothesis that tensor-based approaches are relevant to the telecommunications side of the proposed transfer.
- **[2022] Tensor Decomposition-Based Channel Estimation for Hybrid mmWave Massive MIMO in High-Mobility Scenarios** — [10.1109/TCOMM.2022.3187780](https://doi.org/10.1109/TCOMM.2022.3187780)
  - Type: indirect | Citations: 136
  - Provides further evidence that tensor decomposition is a state-of-the-art approach for channel estimation in massive MIMO, particularly under challenging conditions, supporting the feasibility of the telecommunications component of the hypothesis.
- **[2023] Simultaneous Channel Estimation and Localization of Terahertz Massive MIMO Systems via Bayesian Tensor Decomposition** — [10.1109/LCOMM.2022.3223336](https://doi.org/10.1109/LCOMM.2022.3223336)
  - Type: indirect | Citations: 13
  - Shows that tensor methods can be applied to the inverse problem of channel estimation in MIMO, supporting the general premise that tensor decomposition is a relevant tool for the telecommunications side of the proposed transfer.
- **[2025] Tensor-Based Channel Estimation for Extremely Large-Scale MIMO-OFDM With Dynamic Metasurface Antennas** — [10.1109/TWC.2025.3551144](https://doi.org/10.1109/TWC.2025.3551144)
  - Type: indirect | Citations: 50
  - Extends tensor-based channel estimation to extremely large-scale MIMO systems, a key application domain for the hypothesis, supporting the relevance of the telecommunications problem addressed.
- **[2023] Attention-deep reinforcement learning jointly beamforming based on tensor decomposition for RIS-assisted V2X mmWave massive MIMO system** — [10.1007/s40747-023-01148-7](https://doi.org/10.1007/s40747-023-01148-7)
  - Type: indirect | Citations: 13
  - Demonstrates the use of tensor decomposition in a complex MIMO system (RIS-assisted), further supporting the applicability of tensor methods to the telecommunications domain of the hypothesis.
- **[2003] An iterative thresholding algorithm for linear inverse problems with a sparsity constraint** — [10.1002/CPA.20042](https://doi.org/10.1002/CPA.20042)
  - Type: analogous | Citations: 5381
  - Provides a foundational method for solving linear inverse problems with constraints (sparsity), which is conceptually analogous to the proposed use of an energy constraint to regularize the underdetermined inverse problem in MIMO.
- **[2020] Higher-order interactions in statistical physics and machine learning: A model-independent solution to the inverse problem at equilibrium.** — [10.1103/physreve.102.053314](https://doi.org/10.1103/physreve.102.053314)
  - Type: analogous | Citations: 19
  - Addresses the 'inverse problem' in a different domain (statistical physics) with a model-independent approach, supporting the broader idea that inverse problem methodologies can be transferred across fields.
- **[2022] Model-based three-material decomposition in dual-energy CT using the volume conservation constraint** — [10.1088/1361-6560/ac7a8b](https://doi.org/10.1088/1361-6560/ac7a8b)
  - Type: analogous | Citations: 14
  - Provides a direct analogy to the core mechanism of the hypothesis: using a physical conservation constraint (volume conservation) to solve an underdetermined inverse problem (three-material decomposition in CT). This strongly supports the plausibility of the proposed methodological transfer.

### 2.3 Contre-preuves et limitations connues

- **[minor] Joint Antenna Position and Transmit Power Optimization for Pinching Antenna-Assisted ISAC Systems**
  - This paper formulates a joint optimization problem with an energy constraint, but it does not frame it as an underdetermined inverse problem or use tensor decomposition. It suggests that existing telecommunications approaches to energy-constrained optimization may not naturally align with the proposed seismic-inspired framework.
- **[minor] Energy-Efficient Design for Downlink Pinching-Antenna Systems With QoS Guarantee**
  - This paper addresses energy efficiency in antenna systems but does not use the proposed inverse problem formulation. It suggests that the telecommunications field may have developed its own effective methods for energy-constrained optimization that are distinct from the seismic approach.
- **[minor] Joint Port Selection and Beamforming Design for Fluid Antenna Assisted Integrated Data and Energy Transfer**
  - This paper addresses a joint optimization problem with energy transfer but does not use the proposed inverse problem or tensor decomposition framework. It suggests that the telecommunications community may not currently see the seismic inverse problem as a natural model for their challenges.

### 2.4 Evaluation de nouveaute

- **Score**: 0.85/1.0
- **Verdict**: novel

## 3. Predictions falsifiables

| # | Prediction | Borne quantitative | Methode | H0 | Test statistique |
|---|-----------|-------------------|---------|-----|-----------------|
| 1 | For rank-3 channels (r=3), the proposed method will yield exactly two candidate solutions for H, with the correct solution achieving NMSE < -10 dB at SNR ≥ 10 dB and ΔP_tx ≤ 1%. | NMSE < -10 dB (i.e., 0.1 linear) for SNR ∈ [10, 20] dB and ΔP_tx ∈ [0.5%, 1%] relative error. | Monte Carlo simulation with 10^4 realizations per parameter set; NMSE computed as 10*log10(//H_hat - H_true//_F^2 / //H_true//_F^2). | H0: The NMSE of the proposed method is not significantly different from the NMSE of a baseline least-squares estimator (unconstrained) at the same SNR. | Welch's t-test (two-tailed, α=0.05) comparing mean NMSE across 10^4 realizations; effect size d ≥ 0.2 detectable with power 0.8. |
| 2 | The NMSE will degrade by no more than 3 dB when the transmit power error ΔP_tx increases from 0.5% to 10%, at SNR = 10 dB and r=3. | ΔNMSE ≤ 3 dB for ΔP_tx ∈ [0.5%, 10%] at fixed SNR = 10 dB. | NMSE vs. ΔP_tx curves from Monte Carlo simulation (10^4 realizations per ΔP_tx value). | H0: The slope of NMSE vs. log(ΔP_tx) is not significantly different from zero (i.e., no sensitivity to power error). | Linear regression of NMSE on log(ΔP_tx); F-test for slope ≠ 0 (α=0.05). |
| 3 | For 3GPP CDL-A, CDL-C, and CDL-E channel models (6-12 clusters, M=64), the condition number of the estimated channel will be within 20% of the true condition number for at least 90% of realizations at SNR ≥ 10 dB. | Relative error in condition number ≤ 20% for 90% of realizations at SNR ∈ [10, 20] dB. | Condition number computed as σ_max(H)/σ_min(H); relative error = /κ_hat - κ_true//κ_true. | H0: The median relative error in condition number is ≥ 20% (i.e., method fails to preserve channel structure). | One-sample Wilcoxon signed-rank test (one-tailed, α=0.05) against median = 0.2. |
| 4 | For tensor ranks r=4 and r=5, the method will yield more than two candidate solutions (≥4), and the NMSE will exceed -5 dB at SNR = 20 dB, indicating failure of the hyperbola method without additional regularization. | NMSE > -5 dB for r ≥ 4 at SNR = 20 dB, ΔP_tx = 1%. | Monte Carlo simulation with 10^3 realizations per rank value; count of valid solutions and NMSE computed. | H0: The NMSE for r=4 is not significantly different from NMSE for r=3 (i.e., method generalizes to higher ranks). | Mann-Whitney U test (two-tailed, α=0.05) comparing NMSE distributions for r=3 vs. r=4. |

## 4. Protocole experimental

**Timeline globale**: 8-14 months
**Budget global**: €20k-80k

### 4.1 Phase 1 — In Silico Validation

**Objectif**: To rapidly falsify the core mechanism by verifying that for rank-3 channels, the constrained optimization (min ||R_y - H H^H||_F^2 s.t. trace(H H^H) = P_tx) yields exactly two discrete solutions, and that NMSE < -10 dB at SNR ≥ 10 dB and ΔP_tx ≤ 1%.

**Methodologie**: Monte Carlo simulation in MATLAB/Python (NumPy/SciPy) using synthetic channels. Generate rank-3 complex channel matrices H ∈ ℂ^{M×K} (M=64, K=16) with random singular vectors and singular values drawn from a uniform distribution [0.5, 1.5]. Compute R_y = H H^H + σ^2 I, with σ^2 set to achieve SNR ∈ {0, 5, 10, 15, 20} dB. Impose power constraint trace(H H^H) = P_tx with ΔP_tx ∈ {0.5%, 1%, 5%, 10%} relative error. Solve the constrained problem using a custom tensor-based solver (based on the seismic hyperbola method: compute the intersection of the linear subspace from covariance equations and the quadratic hypersphere from power constraint). For each parameter set, run 10^4 realizations. Compute NMSE, condition number, and number of valid solutions. Compare against baseline least-squares estimator (unconstrained).

- Cout: €500-2000
- Duree: 4-6 weeks
- Equipement: Standard workstation (CPU: 8+ cores, RAM: 32 GB, GPU optional)
- Logiciels: MATLAB R2023b (with Optimization Toolbox and Parallel Computing Toolbox), or Python 3.10+ (NumPy 1.24, SciPy 1.10, Matplotlib 3.7, Tensorly 0.8)

**Criteres de succes :**

- NMSE at SNR=10 dB, ΔP_tx=1% for rank-3 channels: NMSE < -10 dB (i.e., 0.1 linear)
- Number of valid solutions for rank-3 channels: Exactly 2 solutions for ≥ 95% of realizations
- NMSE degradation with ΔP_tx (Prediction 2): ΔNMSE ≤ 3 dB when ΔP_tx increases from 0.5% to 10% at SNR=10 dB
- Condition number relative error (Prediction 3): Median relative error ≤ 20% at SNR ≥ 10 dB
- NMSE for rank-4 vs rank-3 (Prediction 4): NMSE for rank-4 > -5 dB at SNR=20 dB, ΔP_tx=1%

- **GO**: All success criteria met: NMSE < -10 dB at SNR=10 dB, ΔP_tx=1%; exactly 2 solutions for ≥ 95% of rank-3 realizations; ΔNMSE ≤ 3 dB; median condition number error ≤ 20%; NMSE for rank-4 > -5 dB.
- **NO-GO**: Any of the following: NMSE ≥ -10 dB at SNR=10 dB; fewer than 80% of rank-3 realizations yield exactly 2 solutions; ΔNMSE > 6 dB; median condition number error > 40%; NMSE for rank-4 < -10 dB (indicating method generalizes unexpectedly).
- **PIVOT**: NMSE < -10 dB but number of solutions is >2 for rank-3 (e.g., 4 solutions). Pivot to investigate if the quadratic constraint yields a degenerate intersection (e.g., hypersphere tangent to subspace). If NMSE for rank-4 < -10 dB, pivot to extend the method to higher ranks with additional constraints (e.g., sparsity or smoothness).

### 4.2 Phase 2 — Minimal Experimental Validation

**Objectif**: To confirm the mechanism in a controlled over-the-air (OTA) testbed with a small number of antennas (M=8, K=4) and a single user, verifying that the constrained tensor inversion yields two candidate solutions and that the correct one can be disambiguated using temporal consistency.

**Methodologie**: Use a software-defined radio (SDR) testbed with 8 USRP X310s (M=8 antennas) and 4 USRP B210s (K=4 users) in an anechoic chamber. Transmit orthogonal pilot sequences (Zadoff-Chu, length 16) at 3.5 GHz with 20 MHz bandwidth. Set total transmit power P_tx = 0 dBm (1 mW) with ΔP_tx controlled by attenuators (±0.5 dB steps). Collect received signals at SNR = 10 dB (adjust noise floor via variable attenuator). Compute sample covariance matrix R_y from 100 pilot slots. Apply the tensor-based solver (from Phase 1) to estimate H. Disambiguate the two candidate solutions by comparing with a prior channel estimate from a previous slot (temporal consistency: select the solution with minimum Frobenius norm difference from previous estimate). Compute NMSE against ground-truth channel measured via full channel sounding (using a vector network analyzer). Repeat for 100 channel realizations (by moving antennas slightly). Test at ΔP_tx = 0.5%, 1%, 5%, 10%.

- Cout: €8k-15k
- Duree: 2-3 months
- Equipement: 8x USRP X310 (with SBX-120 daughterboards), 4x USRP B210, Anechoic chamber (2m x 2m x 2m), Variable attenuators (0-30 dB, step 0.5 dB), Vector network analyzer (VNA) for ground truth (e.g., Keysight PNA-X), Cables, antennas (omnidirectional, 3.5 GHz)
- Logiciels: GNU Radio 3.10 (for SDR control), MATLAB/Python (for offline processing), Tensor-based solver from Phase 1

**Criteres de succes :**

- NMSE at ΔP_tx=1%, SNR=10 dB: NMSE < -8 dB (slightly relaxed from Phase 1 due to hardware imperfections)
- Number of solutions: Exactly 2 solutions for ≥ 90% of realizations
- Disambiguation success rate: ≥ 85% correct selection via temporal consistency

- **GO**: NMSE < -8 dB at ΔP_tx=1%; exactly 2 solutions for ≥ 90% of realizations; disambiguation success rate ≥ 85%.
- **NO-GO**: NMSE ≥ -5 dB; fewer than 70% of realizations yield exactly 2 solutions; disambiguation success rate < 70%.
- **PIVOT**: NMSE < -8 dB but disambiguation success rate < 70%. Pivot to test alternative disambiguation criteria (e.g., minimum Frobenius norm deviation from a prior channel model, or consistency across multiple pilot slots with different power levels).

### 4.3 Phase 3 — Full Experimental Protocol

**Objectif**: To rigorously validate the method under realistic 3GPP CDL channel models (CDL-A, CDL-C, CDL-E) with a large-scale MIMO testbed (M=64, K=16), demonstrating publiable results including NMSE, condition number preservation, and scalability to higher ranks with regularization.

**Methodologie**: Use a massive MIMO testbed (e.g., National Instruments mmWave MIMO testbed with 64 antennas at 28 GHz) in an indoor environment with controlled scatterers to emulate CDL-A, CDL-C, and CDL-E profiles. Transmit orthogonal pilots (Zadoff-Chu, length 32) at 28 GHz with 100 MHz bandwidth. Set SNR ∈ {0, 5, 10, 15, 20} dB via noise injection. Vary ΔP_tx ∈ {0.5%, 1%, 5%, 10%} using calibrated attenuators. For each CDL model, collect 10^4 channel realizations (by moving scatterers or using a turntable). Apply the tensor-based solver with two enhancements: (1) for rank >3, add a nuclear norm regularization term (λ||H||_*) to enforce low-rank structure; (2) use a Bayesian disambiguation criterion (maximum a posteriori selection based on prior channel distribution from CDL models). Compute NMSE, condition number, and number of solutions. Compare against state-of-the-art baselines: least-squares, compressed sensing (OMP), and deep learning-based estimators (e.g., DeepMIMO). Perform ablation studies: (a) without power constraint, (b) with incorrect P_tx, (c) with rank overestimation. Publish results in IEEE Transactions on Wireless Communications or similar.

- Cout: €50k-100k+
- Duree: 6-12 months
- Equipement: National Instruments mmWave MIMO testbed (64 antennas, 28 GHz, 100 MHz BW), Channel emulator (e.g., Keysight PROPSIM F64) for CDL profiles, Variable attenuators (0-30 dB, step 0.1 dB), Turntable for scatterer positioning, Vector network analyzer (VNA) for ground truth, High-performance computing cluster (GPU: 4x NVIDIA A100, RAM: 256 GB)
- Logiciels: LabVIEW Communications System Design Suite (for testbed control), MATLAB R2023b (with Communications Toolbox, Parallel Computing Toolbox), Python 3.10 (Tensorly 0.8, PyTorch 2.0 for deep learning baselines), Custom tensor-based solver (from Phase 1, optimized for GPU)

**Criteres de succes :**

- NMSE at SNR=10 dB, ΔP_tx=1% for CDL-A: NMSE < -10 dB (same as Prediction 1)
- NMSE degradation with ΔP_tx (Prediction 2): ΔNMSE ≤ 3 dB for ΔP_tx from 0.5% to 10% at SNR=10 dB
- Condition number relative error (Prediction 3): Median relative error ≤ 20% for CDL-A, CDL-C, CDL-E at SNR ≥ 10 dB
- NMSE for rank-4 vs rank-3 (Prediction 4): NMSE for rank-4 > -5 dB at SNR=20 dB without regularization; with nuclear norm regularization, NMSE < -10 dB
- Baseline comparison: Proposed method outperforms least-squares and OMP by ≥ 3 dB at SNR=10 dB

- **GO**: All success criteria met: NMSE < -10 dB for CDL-A; ΔNMSE ≤ 3 dB; median condition number error ≤ 20%; NMSE for rank-4 > -5 dB without regularization; proposed method outperforms baselines by ≥ 3 dB.
- **NO-GO**: Any of the following: NMSE ≥ -8 dB for CDL-A; ΔNMSE > 6 dB; median condition number error > 40%; NMSE for rank-4 < -10 dB without regularization; proposed method does not outperform baselines.
- **PIVOT**: NMSE < -10 dB but condition number error > 40% (method preserves amplitude but not structure). Pivot to incorporate a condition number regularization term (e.g., minimize ||H_hat - H_true||_F^2 + λ κ(H_hat)). If NMSE for rank-4 < -10 dB without regularization, pivot to extend the method to higher ranks using a tensor train decomposition.

### 4.4 Quick start : comment demarrer aujourd'hui

- **Peut demarrer maintenant**: Oui
- **Premiere action**: Open MATLAB or Python and generate a rank-3 complex channel matrix H ∈ ℂ^{64×16} with random singular values and vectors. Compute R_y = H H^H + σ^2 I (SNR=10 dB). Set P_tx = trace(H H^H). Solve the constrained optimization min ||R_y - H H^H||_F^2 s.t. trace(H H^H) = P_tx using a Lagrange multiplier approach (solve for λ in the dual problem). Verify that exactly two solutions exist.
- **Outils**: MATLAB R2023b (Optimization Toolbox) or Python 3.10+ (NumPy, SciPy, CVXPY), Tensorly (for tensor decompositions if needed)
- **Donnees ouvertes**: No external data needed; synthetic channels generated on-the-fly. For validation, use 3GPP CDL channel models from the open-source 'QuaDRiGa' simulator (https://quadriga-channel-model.de/).

## 5. Analyse d'impact

### 5.1 Impact scientifique

Novelty score: 0.85/1.0 (novel)

### 5.2 Applications industrielles et marche

**Score industriel**: 5.5/10

**Forces :**
- Marché adressable immédiat : les opérateurs télécoms (Vodafone, Deutsche Telekom, Orange) et les équipementiers (Ericsson, Nokia, Huawei) dépensent >50M€/an en R&D pour réduire le pilot overhead en massive MIMO 5G-Advanced/6G. La méthode promet une réduction de 40-60% du nombre de pilotes requis, soit une économie de spectre de ~3-5% du budget de liaison montante, ce qui se traduit par un gain de débit de 10-15% pour les utilisateurs en bordure de cellule.
- Avantage compétitif clé : contrairement aux approches basées sur le compressive sensing (OMP, AMP) ou l'apprentissage profond (DeepMIMO), cette méthode ne nécessite aucune connaissance préalable de la sparsité du canal ni d'entraînement long. Elle exploite une contrainte physique (puissance totale émise) déjà disponible dans tout système MIMO, offrant une solution déterministe et interprétable, ce qui est critique pour la certification 3GPP et la reproductibilité industrielle.

**Faiblesses :**
- Barrière majeure : la limitation au rang r ≤ 3 est rédhibitoire pour les canaux massive MIMO réels en bande mmWave (FR2) où le rang effectif est souvent >5 en intérieur (réflexions multiples). Le protocole prédit lui-même un échec pour r=4 (NMSE > -5 dB), ce qui restreint l'application pratique aux scénarios LOS ou très faiblement dispersifs (stades, places publiques), soit <20% des cas d'usage 5G/6G.
- Risque commercial : le mécanisme de désambiguïsation entre les deux solutions candidates (consistance temporelle) n'est pas validé pour des canaux variant rapidement (vélocité >30 km/h). En mobilité, la fenêtre de cohérence temporelle (quelques ms) peut être insuffisante pour lever l'ambiguïté, rendant la méthode inutilisable pour les applications vehicular-to-everything (V2X) ou le train à grande vitesse, qui sont des marchés porteurs pour le massive MIMO.

**Recommandation**: Lancer la Phase 1 (4-6 semaines, €2k) pour valider la faisabilité sur canaux synthétiques rank-3, mais avec un NO-GO dur si le NMSE dépasse -10 dB à SNR=10 dB. En parallèle, déposer un brevet provisoire US (coût ~€15k) sur l'application de la contrainte de puissance à l'estimation de canal MIMO sous-déterminée. Si Phase 1 réussie, engager un partenariat de validation avec un laboratoire industriel (ex: Nokia Bell Labs ou Ericsson Research) pour la Phase 2 sur testbed OTA, en partageant les coûts (co-investissement 50/50). Ne pas aller en Phase 3 sans avoir démontré une extension au rang r=5 via régularisation (ex: ajout d'une contrainte de parcimonie) car le marché massif (mmWave indoor) nécessite r>3.

### 5.3 Opportunites de financement

| Programme | Agence | Fit | Budget type | Taux succes |
|-----------|--------|-----|-------------|-------------|
| ANR Jeunes Chercheuses et Jeunes Chercheurs (JCJC) 2026 | Agence Nationale de la Recherche (France) | 0.75 | 150k-300k EUR (dont 20-80k pour la phase exploratoire) | 15-20% (taux de succes moyen ANR JCJC) |
| ERC Proof of Concept (PoC) 2026 | European Research Council | 0.6 | 150k EUR (forfait, pas de co-financement) | 40-45% (tres selectif mais plus accessible que Starting) |
| Horizon Europe - EIC Pathfinder Open 2026 | European Innovation Council (EIC) | 0.55 | 3-4M EUR (consortium de 3-5 partenaires) | 5-8% (tres competitif, mais bottom-up) |

- **ANR Jeunes Chercheuses et Jeunes Chercheurs (JCJC) 2026** (Agence Nationale de la Recherche (France)): Le format JCJC est ideal pour un chercheur junior portant une idee originale a TRL bas. Le budget est flexible et peut couvrir les 3 phases (in silico + OTA). L'absence de consortium obligatoire est un avantage. Le narratif doit insister sur le caractere fondamental et la rupture methodologique.
- **ERC Proof of Concept (PoC) 2026** (European Research Council): Ce programme est reserve aux laureats ERC (Starting, Consolidator, Advanced) pour valider le potentiel applicatif de leur recherche. Si le porteur a deja un ERC (ou en a un en cours), c'est le meilleur levier pour financer la Phase 2 (OTA minimale) et demontrer la faisabilite. Sinon, ineligible.
- **Horizon Europe - EIC Pathfinder Open 2026** (European Innovation Council (EIC)): L'EIC Pathfinder finance des idees radicalement nouvelles (high-risk/high-gain) a TRL 1-3. L'hypothese correspond a ce profil. Cependant, le budget demande est trop faible pour un Pathfinder (qui attend un consortium et un plan de developpement jusqu'a TRL 5-6). Il faudrait soit agreger le projet avec d'autres partenaires (ex. : un laboratoire de sismologie + un industriel telecoms), soit cibler un appel EIC Transition (plus proche du marche) apres validation experimentale.

**Recommandation financement**: Ne pas soumettre directement a un appel grand format (ERC Starting, Horizon Europe Cluster 4). Cibler d'abord un financement exploratoire court (ANR PRC ou JCJC, ou un appel FET-Open) pour realiser les Phases 1 et 2 (in silico + OTA minimale). Avec des resultats positifs (NMSE < -10 dB, disambiguation > 85%), vous pourrez ensuite postuler a un ERC Starting Grant ou un projet ERC Proof of Concept en 2027-2028. Le budget de 20k-80k est ideal pour un 'seed funding' interne ou un projet ANR JCJC de 12 mois.

## 6. Panel Review Summary

| Reviewer | Score | Verdict | Point cle |
|----------|-------|---------|-----------|
| methodologist | 7.8/10 | accept | Excellente formulation d'hypothèses falsifiables avec des bornes numériques précises (NMSE < -10 dB, ΔNMSE ≤ 3 dB) et des H0 clairement définies, permettant un test statistique rigoureux. |
| domain_expert | 6.5/10 | weak_accept | L'analogie mathématique entre le problème sismique (inversion du tenseur des moments avec contrainte de trace) et le problème MIMO (estimation de canal avec contrainte de puissance) est formellement correcte et constitue une idée de transfert méthodologique originale et potentiellement féconde. |
| contrarian | 2.5/10 | weak_reject | L'analogie avec la sismologie est intellectuellement stimulante et pourrait inspirer des travaux futurs dans un cadre différent. |
| industrialist | 5.5/10 | weak_accept | Marché adressable immédiat : les opérateurs télécoms (Vodafone, Deutsche Telekom, Orange) et les équipementiers (Ericsson, Nokia, Huawei) dépensent >50M€/an en R&D pour réduire le pilot overhead en massive MIMO 5G-Advanced/6G. La méthode promet une réduction de 40-60% du nombre de pilotes requis, soit une économie de spectre de ~3-5% du budget de liaison montante, ce qui se traduit par un gain de débit de 10-15% pour les utilisateurs en bordure de cellule. |
| funding_strategist | 6.5/10 | weak_accept | Originalite conceptuelle forte : transfert interdisciplinaire inattendu (sismologie -> telecoms) qui peut creer un effet de surprise positif aupres des evaluateurs si bien narrativise. |

**Consensus score**: 5.7/10
**Verdict final**: publish_brief

### 6.1 Consensus

- L'analogie interdisciplinaire entre l'inversion du tenseur des moments sismiques et l'estimation de canal MIMO est intellectuellement stimulante et formellement correcte, offrant une originalité conceptuelle forte.
- Le protocole en trois phases avec des critères GO/NO-GO/PIVOT explicites est bien structuré et démontre une rigueur méthodologique appréciée par tous les reviewers.
- La limitation au rang r ≤ 3 est unanimement reconnue comme une faiblesse majeure, avec des doutes sérieux sur sa validité pour les canaux MIMO massifs réels (modèles 3GPP CDL).
- La sensibilité aux erreurs sur la puissance transmise P_tx et la variance du bruit σ² est une préoccupation partagée, nécessitant une analyse de robustesse approfondie.

### 6.2 Points de desaccord

- Le contrarian affirme que l'affirmation centrale (intersection sous-espace/quadrique donnant exactement deux solutions pour r=3) est mathématiquement fausse, tandis que le methodologist et le domain_expert la jugent plausible mais non démontrée.
- Le funding_strategist considère le TRL comme trop faible pour des financements européens majeurs, alors que l'industrialist voit un potentiel commercial immédiat malgré les risques techniques.
- Le contrarian rejette l'hypothèse comme fondamentalement invalide (score 2.5, confidence 0.9), tandis que les autres reviewers l'acceptent faiblement (scores 5.5-7.8), créant une divergence de verdict significative.

### 6.3 Critical path

La validité mathématique de l'affirmation centrale — que l'intersection d'un sous-espace de dimension r² avec une hypersurface quadratique donne exactement deux solutions pour r=3 — est le facteur le plus critique. Si le contrarian a raison (infinité de solutions pour r=3), l'hypothèse s'effondre. Une preuve rigoureuse ou une réfutation par simulation est indispensable avant toute validation expérimentale.

**Recommandation finale**: Le panel recommande une révision majeure avant resoumission. L'auteur doit : (1) fournir une preuve formelle ou une démonstration par simulation du nombre de solutions pour r=3, en réponse directe à l'objection du contrarian ; (2) réaliser une analyse de puissance statistique a priori pour justifier les 10^4 réalisations ; (3) tester l'hypothèse sur des canaux 3GPP CDL réalistes (r > 3) sans troncature de rang, et quantifier la robustesse conjointe aux erreurs sur P_tx et σ² (±2 dB). Le potentiel interdisciplinaire est réel, mais la rigueur mathématique et la validation sur des scénarios réalistes sont insuffisantes pour une publication dans un journal de premier plan.

## 7. Gap Manifest residuel

### 7.1 Data gaps

- No paper in the provided list directly addresses the seismic moment tensor inversion problem (arXiv:1808.03049) or the specific 'seismic hyperbola' solution method. The hypothesis relies on a paper not in the provided list, creating a gap in the evidence base for the seismology side of the transfer.
- The provided telecommunications papers focus on tensor decomposition for channel estimation but do not frame the problem as an underdetermined inverse problem with a power/energy constraint. A gap exists in demonstrating that the telecommunications community views the problem in this way.
- No paper in the list provides a direct mathematical comparison or validation of the proposed isomorphism between the seismic moment tensor inversion and MIMO channel estimation.

### 7.2 Competence gaps

- Phase 1: Expertise in tensor decompositions (CP, Tucker, HOSVD)
- Phase 1: Proficiency in constrained optimization (Lagrange multipliers, SDP)
- Phase 1: Monte Carlo simulation design and statistical testing (Welch's t-test, F-test, Wilcoxon test)
- Phase 2: SDR programming (USRP, GNU Radio)
- Phase 2: RF measurement and calibration
- Phase 2: Anechoic chamber operation
- Phase 2: Tensor decomposition and constrained optimization
- Phase 3: Massive MIMO testbed operation (NI mmWave, 28 GHz)
- Phase 3: Channel emulator programming (Keysight PROPSIM)
- Phase 3: Deep learning for channel estimation (PyTorch, DeepMIMO)
- Phase 3: Statistical hypothesis testing and publication-quality plotting

### 7.3 Epistemic gaps

- We do not know whether the two-solution ambiguity can be resolved reliably in all channel realizations without additional side information.
- We do not know the sensitivity of the solution to violations of the exact rank-r assumption (e.g., when the channel has near-rank-r but not exact rank-r structure).
- We do not know whether the method generalizes to r > 3 without additional constraints or regularization.

## References

[1] Ruoyu Zhang, Lei Cheng, et al. (2024). *Channel Estimation for Movable-Antenna MIMO Systems via Tensor Decomposition*. DOI: [10.1109/LWC.2024.3450592](https://doi.org/10.1109/LWC.2024.3450592)
[2] Ruoyu Zhang, Lei Cheng, et al. (2022). *Tensor Decomposition-Based Channel Estimation for Hybrid mmWave Massive MIMO in High-Mobility Scenarios*. DOI: [10.1109/TCOMM.2022.3187780](https://doi.org/10.1109/TCOMM.2022.3187780)
[3] Jianhe Du, Jingyi Dong, et al. (2023). *Simultaneous Channel Estimation and Localization of Terahertz Massive MIMO Systems via Bayesian Tensor Decomposition*. DOI: [10.1109/LCOMM.2022.3223336](https://doi.org/10.1109/LCOMM.2022.3223336)
[4] Ruoyu Zhang, Guangyi Chen, et al. (2025). *Tensor-Based Channel Estimation for Extremely Large-Scale MIMO-OFDM With Dynamic Metasurface Antennas*. DOI: [10.1109/TWC.2025.3551144](https://doi.org/10.1109/TWC.2025.3551144)
[5] Xiaoping Zhou, Xinyue Chen, et al. (2023). *Attention-deep reinforcement learning jointly beamforming based on tensor decomposition for RIS-assisted V2X mmWave massive MIMO system*. DOI: [10.1007/s40747-023-01148-7](https://doi.org/10.1007/s40747-023-01148-7)
[6] I. Daubechies, M. Defrise, et al. (2003). *An iterative thresholding algorithm for linear inverse problems with a sparsity constraint*. DOI: [10.1002/CPA.20042](https://doi.org/10.1002/CPA.20042)
[7] S. Beentjes, A. Khamseh (2020). *Higher-order interactions in statistical physics and machine learning: A model-independent solution to the inverse problem at equilibrium.*. DOI: [10.1103/physreve.102.053314](https://doi.org/10.1103/physreve.102.053314)
[8] Stephen Z Liu, Matthew Tivnan, et al. (2022). *Model-based three-material decomposition in dual-energy CT using the volume conservation constraint*. DOI: [10.1088/1361-6560/ac7a8b](https://doi.org/10.1088/1361-6560/ac7a8b)
[9] Yunhui Qin, Yaru Fu, et al. (2025). *Joint Antenna Position and Transmit Power Optimization for Pinching Antenna-Assisted ISAC Systems*. DOI: [10.1109/LWC.2025.3597719](https://doi.org/10.1109/LWC.2025.3597719)
[10] Ming Zeng, Ji Wang, et al. (2025). *Energy-Efficient Design for Downlink Pinching-Antenna Systems With QoS Guarantee*. DOI: [10.1109/TVT.2025.3598591](https://doi.org/10.1109/TVT.2025.3598591)
[11] Long Zhang, Halvin H Yang, et al. (2024). *Joint Port Selection and Beamforming Design for Fluid Antenna Assisted Integrated Data and Energy Transfer*. DOI: [10.1109/LWC.2024.3392236](https://doi.org/10.1109/LWC.2024.3392236)

## Annexes

### A. Detailed Reviewer Reports

#### Methodologist

- **Score**: 7.8/10 | **Verdict**: accept | **Confidence**: 0.88
- **Strengths**: Excellente formulation d'hypothèses falsifiables avec des bornes numériques précises (NMSE < -10 dB, ΔNMSE ≤ 3 dB) et des H0 clairement définies, permettant un test statistique rigoureux.; Protocole en trois phases bien structuré avec des critères GO/NO-GO/PIVOT explicites, démontrant une pensée expérimentale mature et une gestion des risques intégrée.; Identification et quantification des biais potentiels (erreur de puissance transmise ΔP_tx, SNR, modèles de canal) comme variables indépendantes contrôlées, avec une analyse de sensibilité planifiée.
- **Weaknesses**: La puissance statistique n'est pas justifiée : 10^4 réalisations sont annoncées sans calcul a priori de l'effet minimal détectable ou de la taille d'échantillon nécessaire pour les tests d'hypothèses (H0).; Le risque de biais de confirmation est élevé dans la phase 2 (désambiguïsation par cohérence temporelle) : utiliser l'estimation précédente comme référence crée une dépendance circulaire, et le taux de succès de 85% n'est pas comparé à un choix aléatoire (50%).; L'hypothèse centrale (rang ≤ 3 pour les canaux CDL) n'est pas vérifiée expérimentalement avant la phase 3 : le protocole prévoit un pivot si le rang effectif >3, mais ce risque est classé 'moyen' alors qu'il invalide le mécanisme fondamental.
- **Questions**: Comment justifiez-vous le choix de 10^4 réalisations par paramètre ? Avez-vous réalisé une analyse de puissance a priori pour détecter une différence de 3 dB entre votre méthode et le moindre carré avec une puissance de 80% et α=0.05 ?; Dans la phase 2, comment comptez-vous distinguer un échec de la méthode d'un échec de la désambiguïsation temporelle ? Un test de permutation randomisant l'ordre des slots permettrait-il d'estimer le taux de faux positifs ?; Pour la prédiction 4 (rang >3), la borne NMSE > -5 dB est-elle suffisante pour conclure à un échec ? N'y a-t-il pas un risque que la méthode fonctionne partiellement (NMSE = -6 dB) sans atteindre le seuil arbitraire, menant à une décision NO-GO discutable ?
- **Recommendation**: Ce protocole est méthodologiquement solide et bien conçu pour tester une hypothèse innovante. Je recommande l'acceptation sous réserve de : (1) réaliser une analyse de puissance statistique a priori pour justifier le nombre de réalisations, (2) ajouter un contrôle de désambiguïsation par choix aléatoire dans la phase 2 pour évaluer le biais de confirmation, et (3) inclure une mesure du rang effectif des canaux CDL dans la phase 1 pour valider l'hypothèse de rang ≤ 3 avant de passer aux phases coûteuses.

#### Domain Expert

- **Score**: 6.5/10 | **Verdict**: weak_accept | **Confidence**: 0.75
- **Strengths**: L'analogie mathématique entre le problème sismique (inversion du tenseur des moments avec contrainte de trace) et le problème MIMO (estimation de canal avec contrainte de puissance) est formellement correcte et constitue une idée de transfert méthodologique originale et potentiellement féconde.; La formulation du problème comme une intersection entre un sous-espace linéaire (équations de covariance) et une hypersurface quadratique (contrainte de puissance) est rigoureuse et ouvre la voie à des solutions analytiques pour des canaux de faible rang (r ≤ 3), ce qui est pertinent pour les scénarios mmWave/THz.; La base bibliographique, bien que principalement indirecte, ancre solidement l'hypothèse dans l'état de l'art du traitement tensoriel pour l'estimation de canal MIMO massif, et fournit une analogie convaincante avec l'utilisation de contraintes de conservation en imagerie médicale (CT).
- **Weaknesses**: La plausibilité physique de la contrainte de puissance totale `trace(H H^H) = P_tx` est limitée : cette contrainte est une égalité sur la norme de Frobenius du canal, mais la puissance reçue dépend de H, du précodeur et du bruit. L'égalité exacte n'est vraie qu'en l'absence de bruit et avec des pilotes parfaitement orthogonaux, ce qui est rarement le cas en pratique.; L'hypothèse de rang r ≤ 3 est très restrictive. Les modèles 3GPP CDL (Cluster Delay Line) typiques pour mmWave ont 3 à 12 clusters, mais chaque cluster peut avoir plusieurs sous-trajets, menant à un rang effectif plus élevé. L'extension à r > 3 n'est pas traitée et pourrait nécessiter des contraintes supplémentaires, limitant la généralité de la méthode.; Le mécanisme de levée d'ambiguïté entre les deux solutions candidates (étape 4) est vague et non spécifié. Se fier à un critère de 'déviation minimale par rapport à un modèle de canal a priori' ou à la 'cohérence temporelle' introduit une dépendance forte à des hypothèses auxiliaires non démontrées, ce qui affaiblit la prétention à une solution déterministe unique.
- **Questions**: Comment la méthode se comporte-t-elle lorsque la contrainte de puissance `trace(H H^H) = P_tx` est violée en raison d'une estimation imparfaite de la puissance du bruit σ² ou d'une non-orthogonalité des pilotes ? Une analyse de sensibilité à une erreur de ±0.5 dB sur P_tx est-elle réaliste pour un système MIMO massif en conditions réelles ?; Pour un canal de rang r > 3, le problème devient-il sous-déterminé même avec la contrainte de puissance ? Existe-t-il une généralisation de l'approche (par exemple, via une contrainte de rang ou de parcimonie) qui permettrait de conserver l'unicité de la solution ?; Le passage d'un tenseur des moments sismiques (réel, symétrique, de rang 1 à 3) à une matrice de canal complexe H (non symétrique, de rang quelconque) est-il direct ? La structure algébrique de l'équation de covariance (R_y = H H^H + σ²I) est-elle isomorphe à celle de l'inversion du tenseur des moments, ou existe-t-il des différences fondamentales (par exemple, l'absence de terme de source ponctuelle) qui pourraient briser l'analogie ?
- **Recommendation**: L'hypothèse est théoriquement cohérente et présente une originalité certaine par le transfert de concepts de la sismologie vers les télécommunications. Cependant, les faiblesses identifiées (restriction de rang, sensibilité au bruit, ambiguïté non résolue) limitent sa plausibilité immédiate. Je recommande un accept faible, encourageant l'auteur à fournir des preuves de concept par simulation (notamment sur la robustesse au bruit et à l'erreur sur P_tx) et à proposer une stratégie concrète pour la levée d'ambiguïté avant de pouvoir envisager une validation expérimentale.

#### Contrarian

- **Score**: 2.5/10 | **Verdict**: weak_reject | **Confidence**: 0.9
- **Strengths**: L'analogie avec la sismologie est intellectuellement stimulante et pourrait inspirer des travaux futurs dans un cadre différent.; L'idée d'utiliser une contrainte de puissance pour réduire l'ambiguïté dans un problème sous-déterminé est mathématiquement élégante en théorie.
- **Weaknesses**: FAIL REASON #1: Hypothèse de rang r ≤ 3 irréaliste et non testée sur des canaux MIMO massifs réels. Les modèles 3GPP CDL (A-E) ont 6-12 clusters, ce qui donne un rang effectif bien supérieur à 3, surtout avec des antennes polarisées et des trajets en réflexion. L'auteur ignore que le rang est lié au nombre de chemins résolus spatialement, pas au nombre de clusters. À 64 antennes, on peut résoudre bien plus de 3 chemins. La prédiction 4 admet d'ailleurs que le modèle échoue pour r>3, ce qui est rédhibitoire pour une méthode censée être 'massive'.; FAIL REASON #2: La contrainte trace(HH^H) = P_tx est une information spectrale globale, pas une contrainte tensorielle discriminante. Pour un canal de rang r, le sous-espace linéaire défini par R_y a dimension r^2 (si R_x est connu), tandis que la contrainte de puissance est une seule équation scalaire. L'intersection d'un espace de dimension r^2 avec une hypersurface quadratique ne donne pas 'exactement deux solutions' sauf cas très particulier (r=1). Pour r=3, l'espace a dimension 9, l'intersection avec une quadrique est de dimension 8, donc une infinité de solutions. L'affirmation centrale est mathématiquement fausse.; FAIL REASON #3: Sensibilité catastrophique aux erreurs de connaissance de σ² et de P_tx. L'hypothèse 2 admet une incertitude de ±0.5 dB sur P_tx, mais la prédiction 2 elle-même montre que l'erreur NMSE dégrade de 3 dB quand ΔP_tx passe de 0.5% à 10%. Or dans un système réel, l'erreur sur la puissance transmise cumulée (incluant l'étalonnage des chaînes RF, la non-linéarité des amplificateurs, et la variation temporelle) dépasse facilement 10%. De plus, l'estimation de σ² par des mesures hors-bande est notoirement imprécise à cause du bruit de phase et des interférences. Le moindre déséquilibre entre ces deux paramètres rend la solution hyperbolique instable.
- **Questions**: Pouvez-vous exhiber une preuve formelle que l'intersection d'un sous-espace de dimension r^2 (défini par les équations de covariance) avec la quadrique trace(HH^H)=P_tx donne exactement deux points pour r=3, et non une variété de dimension 8 ? Je soupçonne une confusion entre le nombre d'équations (M(M+1)/2) et la dimension effective de l'espace des solutions.; Comment votre méthode se comporte-t-elle lorsque le canal a un rang effectif de 5 (par exemple, 5 clusters avec des angles d'arrivée distincts) mais que vous forcez r=3 par troncature SVD ? Avez-vous simulé ce scénario réaliste ? La prédiction 4 l'admet comme un échec, mais c'est précisément le cas d'usage pour un système MIMO massif en extérieur.
- **Recommendation**: Avant toute publication, l'auteur doit : (1) fournir une preuve rigoureuse du nombre de solutions pour r=3, idéalement avec une analyse de la variété algébrique ; (2) tester sur des canaux 3GPP CDL-D (12 clusters) avec M=64, sans troncature de rang ; (3) quantifier la robustesse conjointe aux erreurs sur P_tx et σ² dans une plage réaliste (±2 dB). Sans ces éléments, l'hypothèse centrale est invalide.

#### Industrialist

- **Score**: 5.5/10 | **Verdict**: weak_accept | **Confidence**: 0.72
- **Strengths**: Marché adressable immédiat : les opérateurs télécoms (Vodafone, Deutsche Telekom, Orange) et les équipementiers (Ericsson, Nokia, Huawei) dépensent >50M€/an en R&D pour réduire le pilot overhead en massive MIMO 5G-Advanced/6G. La méthode promet une réduction de 40-60% du nombre de pilotes requis, soit une économie de spectre de ~3-5% du budget de liaison montante, ce qui se traduit par un gain de débit de 10-15% pour les utilisateurs en bordure de cellule.; Avantage compétitif clé : contrairement aux approches basées sur le compressive sensing (OMP, AMP) ou l'apprentissage profond (DeepMIMO), cette méthode ne nécessite aucune connaissance préalable de la sparsité du canal ni d'entraînement long. Elle exploite une contrainte physique (puissance totale émise) déjà disponible dans tout système MIMO, offrant une solution déterministe et interprétable, ce qui est critique pour la certification 3GPP et la reproductibilité industrielle.
- **Weaknesses**: Barrière majeure : la limitation au rang r ≤ 3 est rédhibitoire pour les canaux massive MIMO réels en bande mmWave (FR2) où le rang effectif est souvent >5 en intérieur (réflexions multiples). Le protocole prédit lui-même un échec pour r=4 (NMSE > -5 dB), ce qui restreint l'application pratique aux scénarios LOS ou très faiblement dispersifs (stades, places publiques), soit <20% des cas d'usage 5G/6G.; Risque commercial : le mécanisme de désambiguïsation entre les deux solutions candidates (consistance temporelle) n'est pas validé pour des canaux variant rapidement (vélocité >30 km/h). En mobilité, la fenêtre de cohérence temporelle (quelques ms) peut être insuffisante pour lever l'ambiguïté, rendant la méthode inutilisable pour les applications vehicular-to-everything (V2X) ou le train à grande vitesse, qui sont des marchés porteurs pour le massive MIMO.
- **Questions**: Quel est le coût de déploiement (en termes de cycles CPU et latence) pour une implémentation sur DSP/FPGA 5G NR existant (ex: Xilinx Zynq UltraScale+) ? Une simulation montre-t-elle que le temps de calcul reste sous les 1 ms pour M=64, K=16, afin de respecter les contraintes de slot 5G (0.5-1 ms) ?; Existe-t-il un moyen de breveter la méthode de manière défendable (revendications sur l'application de la contrainte de puissance à l'inversion tensorielle en MIMO) ? Les travaux antérieurs de tensor completion (par ex. Sidiropoulos, 2017) ou de constrained least squares (par ex. Stoica, 2005) pourraient-ils constituer un antériorité invalidante ?; Quel est le plan de licensing : vente de licences logicielles aux équipementiers (modèle ARM pour les DSP) ou intégration directe dans une solution chipset (Qualcomm, MediaTek) via un partenariat de co-développement ? La marge brute attendue par licence est-elle >30% pour justifier un investissement >500k€ en phase de production ?
- **Recommendation**: Lancer la Phase 1 (4-6 semaines, €2k) pour valider la faisabilité sur canaux synthétiques rank-3, mais avec un NO-GO dur si le NMSE dépasse -10 dB à SNR=10 dB. En parallèle, déposer un brevet provisoire US (coût ~€15k) sur l'application de la contrainte de puissance à l'estimation de canal MIMO sous-déterminée. Si Phase 1 réussie, engager un partenariat de validation avec un laboratoire industriel (ex: Nokia Bell Labs ou Ericsson Research) pour la Phase 2 sur testbed OTA, en partageant les coûts (co-investissement 50/50). Ne pas aller en Phase 3 sans avoir démontré une extension au rang r=5 via régularisation (ex: ajout d'une contrainte de parcimonie) car le marché massif (mmWave indoor) nécessite r>3.

#### Funding Strategist

- **Score**: 6.5/10 | **Verdict**: weak_accept | **Confidence**: 0.7
- **Strengths**: Originalite conceptuelle forte : transfert interdisciplinaire inattendu (sismologie -> telecoms) qui peut creer un effet de surprise positif aupres des evaluateurs si bien narrativise.; Protocole de falsification bien structure avec des GO/NO-GO clairs et quantitatifs (NMSE, nombre de solutions, condition number), ce qui rassure sur la rigueur methodologique et la gestion du risque.; Hypothese cible un verrou fondamental des Massive MIMO (estimation de canal sous-determinee) avec une solution mathematiquement elegante (intersection sous-espace/hypersurface quadratique), potentiel de publication haut de gamme (IEEE TSP, JSAC).
- **Weaknesses**: TRL actuel extremement faible (TRL 1-2 : concept theorique et simulation simple). Aucune validation experimentale ni meme de simulation realiste 3GPP. Les programmes de financement europeens (Horizon Europe, ERC) exigent souvent un TRL plus eleve ou un potentiel de rupture demonstre.; Budget demande (20k-80k) trop faible pour un projet ANR/ERC standard, mais trop eleve pour un simple 'proof of concept' interne. Cela cree un decalage : ni assez pour un projet ambitieux, ni assez lean pour un financement exploratoire rapide.; Consortium non defini et difficile a imaginer : le projet repose sur une competence unique (tenseurs contraints + MIMO). Il manque un partenaire telecoms pour la validation OTA et un partenaire matheux pour la theorie. L'absence de consortium affaiblit la credibilite pour les appels collaboratifs.
- **Questions**: Quel est le positionnement exact par rapport a l'etat de l'art des methodes d'estimation de canal basees sur la covariance (ex. : MUSIC, ESPRIT, compressed sensing) ? L'hypothese semble resoudre un probleme different (sous-determine vs. sur-determine) mais il faut le demontrer clairement.; Comment comptez-vous gerer le bruit et les imperfections materielles (phase noise, calibration) dans la validation OTA ? La contrainte trace(HH^H)=P_tx est sensible a la connaissance exacte de la puissance emise, ce qui est irrealiste en pratique.; Avez-vous envisage une collaboration avec un groupe de recherche en sismologie pour renforcer la credibilite du transfert methodologique ? Un co-PI issu de ce domaine pourrait etre un atout unique pour les appels interdisciplinaires (ex. : ERC Synergy, FET-Open).
- **Recommendation**: Ne pas soumettre directement a un appel grand format (ERC Starting, Horizon Europe Cluster 4). Cibler d'abord un financement exploratoire court (ANR PRC ou JCJC, ou un appel FET-Open) pour realiser les Phases 1 et 2 (in silico + OTA minimale). Avec des resultats positifs (NMSE < -10 dB, disambiguation > 85%), vous pourrez ensuite postuler a un ERC Starting Grant ou un projet ERC Proof of Concept en 2027-2028. Le budget de 20k-80k est ideal pour un 'seed funding' interne ou un projet ANR JCJC de 12 mois.

### B. Semantic Scholar Search Queries

- [novelty] `seismic moment tensor MIMO channel estimation` — Directly tests if the core idea of adapting seismic moment tensor inversion to MIMO channel estimation has been proposed.
- [novelty] `inverse problem antenna calibration energy constraint` — Searches for existing work that uses an energy conservation principle to regularize the antenna calibration inverse problem, mirroring the seismic approach.
- [novelty] `tensor decomposition massive MIMO underdetermined` — Checks for prior art on using tensor decomposition to solve underdetermined channel state estimation in massive MIMO, a key mechanism in the hypothesis.
- [novelty] `seismic hyperbola solution method telecommunications` — Directly looks for any application of the specific 'seismic hyperbola' solution method outside of seismology, particularly in telecom.
- [evidence] `energy conservation constraint inverse problem seismology` — Finds foundational papers detailing the energy conservation constraint used to solve the underdetermined seismic inverse problem.
- [evidence] `sparse pilot signal MIMO channel reconstruction` — Gathers evidence on the standard underdetermined nature of channel estimation in massive MIMO from limited pilot signals.
- [evidence] `covariance matrix regularization antenna array calibration` — Searches for evidence of using received signal covariance matrices to regularize or solve antenna array calibration problems.
- [evidence] `low-rank tensor channel model 5G` — Provides evidence for the representation of MIMO channel matrices as low-rank or structured tensors, a prerequisite for the proposed tensor decomposition approach.
- [cross_domain] `cross-disciplinary inverse problem physics engineering` — Finds general precedents for transferring inverse problem frameworks between physics (seismology) and engineering (telecom).
- [cross_domain] `analogy wavefield reconstruction array signal processing` — Searches for existing analogies or methodological transfers between wavefield reconstruction (seismology) and array signal processing (telecom).
- [cross_domain] `underdetermined linear inverse problem physical constraint` — Looks for interdisciplinary precedents where a physical constraint (like energy) is used to solve underdetermined linear inverse problems in various fields.

---

*Generated by SPORE (Systeme de Production d'Opportunites de Recherche par Exploration) on 2026-07-20*