DOI: https://doi.org/10.1109/twc.2024.3435023
تاريخ النشر: 2024-08-05
المؤلف: Fenghao Zhu وآخرون
الموضوع الرئيسي: معالجة الصوت والكلام
نظرة عامة
تناقش هذه الفقرة التحديات والتقدم في أنظمة الاتصالات المدعومة بأسطح ذكية قابلة لإعادة التكوين (RIS)، مع التركيز بشكل خاص على تحسين مصفوفة الترميز المسبق في محطة القاعدة (BS) ومصفوفة تغيير الطور لعناصر RIS في الوقت نفسه. تنشأ الصعوبة الرئيسية من الطبيعة غير المحدبة لمشكلة التحسين وتغير بيئات الاتصال، والتي تكافح الطرق التقليدية للتحسين للتعامل معها بسبب تعقيدها. كما أن الأساليب الحالية للتعلم العميق تعاني من نقص في القوة عبر سيناريوهات مختلفة.
للتغلب على هذه التحديات، يقترح المؤلفون طريقة جديدة قائمة على التدرج للتعلم الميتا على المنحنيات (GMML) تعمل بدون تدريب مسبق وتظهر قوة محسنة في اتصالات RIS. تدمج هذه الطريقة التعلم الميتا والتعلم على المنحنيات لتعزيز الكفاءة الطيفية مع تقليل الحمل المرتبط بمعالجة الإشارات عالية الأبعاد. على عكس طرق التعلم العميق التقليدية التي تستخدم معلومات حالة القناة مباشرة، تقوم GMML بإدخال التدرجات لكل من مصفوفات الترميز المسبق وتغيير الطور إلى الشبكات العصبية. بالإضافة إلى ذلك، تم تصميم منظم تفاضلي لتقييد مصفوفة تغيير الطور لـ RIS. تشير المحاكاة العددية إلى أن GMML يمكن أن تعزز الكفاءة الطيفية بنسبة تصل إلى 7.31% وتحقق التقارب أسرع بـ 23 مرة من الطرق التقليدية، مما يظهر قوة كبيرة وقابلية للتكيف في بيئات الاتصال الديناميكية.
مقدمة
تناقش مقدمة ورقة البحث إمكانيات الأسطح الذكية القابلة لإعادة التكوين (RIS) كتكنولوجيا تحويلية للاتصالات اللاسلكية من الجيل السادس (6G)، مما يعزز التغطية والكفاءة الطيفية (SE) من خلال التلاعب السلبي بالطور لموجات الكهرومغناطيسية. بينما يمكن أن تحسن RIS بشكل كبير من الإنتاجية وكفاءة الطاقة، فإنها تقدم أيضًا تحديات، لا سيما في تحسين مصفوفات الترميز المسبق وتغيير الطور، وهي مشكلة غير محدبة وصعبة من نوع NP تؤدي إلى متطلبات حسابية عالية وإمكانية عدم الجدوى. أظهرت طرق التحسين الحالية، بما في ذلك البرمجة الكسرية والتحسين المتناوب، قيودًا في التكيف مع البيئات الديناميكية ومعلومات حالة القناة غير المثالية (CSI).
لمعالجة هذه التحديات، يقترح المؤلفون إطار عمل جديد خالٍ من التدريب المسبق يستخدم طريقة تعلم ميتا قائمة على التدرج والتعلم على المنحنيات لتحسين مصفوفة الترميز المسبق. لا تعزز هذه الطريقة فقط القوة وقابلية التكيف في بيئات متنوعة ولكنها أيضًا تقلل من الحمل الحسابي مقارنة بالطرق التقليدية. يظهر خوارزمية التعلم الميتا القائم على التدرج (GMML) أداءً متفوقًا، حيث تحقق تحسينًا يصل إلى 7.31% في SE وزيادة بمقدار 23 مرة في سرعة التقارب مقارنة بالخوارزميات التقليدية في كل من سيناريوهات CSI المثالية وغير المثالية. تهدف الورقة إلى المساهمة في هذا المجال من خلال تقديم حل للتصميم المشترك الأمثل في أنظمة الاتصالات المدعومة بـ RIS، مع توفير الشيفرة المصدرية لإمكانية التكرار.
النتائج
في هذا القسم، يقدم المؤلفون نتائج عددية تقيم أداء طريقتهم المقترحة في سيناريو اتصالات MISO المدعوم بـ RIS. تتضمن إعدادات المحاكاة محطة قاعدة تقع في (0 م، 0 م) تتواصل مع أربعة مستخدمين موضوعة عشوائيًا ضمن دائرة نصف قطرها 5 أمتار مركزها (100 م، 15 م). نظرًا لوجود عوائق تعيق الاتصال المباشر، يعتمد المستخدمون على الانعكاسات السلبية من RIS يقع في (100 م، 0 م). يتم نمذجة فقدان المسار وفقًا لمعيار بيئة انتشار 3GPP، مع القنوات بين RIS والمستخدمين، وكذلك بين RIS ومحطة القاعدة، تتبع تلاشي ريسيان.
يقارن المؤلفون طريقتهم مع عدة خوارزميات أساسية، بما في ذلك تهيئة الطور العشوائي، التعلم الميتا القائم على التدرج (GML)، التعلم الميتا (ML)، نموذج التعلم العميق، وطريقة تحسين تقليدية. تم تفصيل معلمات المحاكاة في الجدول II، مع تخصيص قيم محددة للمتغيرات مثل عدد عينات القناة المستقلة وخصائص فقدان المسار. تم إجراء المحاكاة باستخدام إعداد حوسبة عالية الأداء، وتم تلخيص التعقيدات الحسابية لمختلف الخوارزميات في الجدول III. تظهر النتائج فعالية الطريقة المقترحة مقارنة بالأساسيات، مما يبرز إمكانياتها في تحسين أداء الاتصالات في البيئات الصعبة.
نقاش
في هذا القسم، يناقش المؤلفون إطار عمل GMML المقترح لتحسين نظام اتصالات متعدد المدخلات ومخرج واحد (MISO) مع سطح ذكي قابل لإعادة التكوين (RIS). يتضمن نموذج النظام محطة قاعدة (BS) بها $M$ هوائيات، وRIS به $N$ عناصر عاكسة، و$K$ مستخدمين بهوائي واحد. يقوم المؤلفون بصياغة مشكلة تعظيم الكفاءة الطيفية (SE) من خلال تحسين مصفوفة تغيير الطور لـ RIS $\Theta$ ومصفوفة الترميز المسبق $W$، مع مراعاة قيود الطاقة. يتم اشتقاق نسبة الإشارة إلى التداخل زائد الضوضاء (SINR) لكل مستخدم، ويتم التعبير عن مشكلة التحسين رياضيًا. كما يتناول المؤلفون تحديات تقدير معلومات حالة القناة (CSI)، مع تسليط الضوء على طريقتين: الاستشعار المضغوط والأساليب القائمة على الموتر.
يستفيد إطار عمل GMML من التعلم على المنحنيات لتقليل أبعاد مشكلة تحسين مصفوفة الترميز المسبق، مما يبسط مساحة البحث من $M \times K$ إلى $K \times K$. هذه التخفيض، جنبًا إلى جنب مع نهج التعلم الميتا القائم على التدرج، يتجنب الانقلاب المكثف للمصفوفات الذي يتطلب عادةً في طرق التحسين التقليدية. يظهر تعقيد خوارزمية GMML أنه أقل بكثير من طرق التحسين الحالية، خاصة مع زيادة عدد الهوائيات وعناصر RIS. يقدم المؤلفون نتائج المحاكاة التي تظهر أن GMML تتفوق على الطرق الأساسية من حيث SE، والقوة ضد CSI غير المثالي، وسرعة التقارب، مما يؤكد فعاليتها في أنظمة الاتصالات المدعومة بـ RIS.
DOI: https://doi.org/10.1109/twc.2024.3435023
Publication Date: 2024-08-05
Author(s): Fenghao Zhu et al.
Primary Topic: Speech and Audio Processing
Overview
The section discusses the challenges and advancements in Reconfigurable Intelligent Surface (RIS)-aided communication systems, particularly focusing on the simultaneous optimization of the precoding matrix at the base station (BS) and the phase shifting matrix of the RIS elements. The primary difficulty arises from the non-convex nature of the optimization problem and the variability of communication environments, which traditional optimization methods struggle to address due to their complexity. Existing deep learning approaches also fall short in robustness across different scenarios.
To overcome these challenges, the authors propose a novel gradient-based manifold meta learning method (GMML) that operates without pre-training and exhibits enhanced robustness for RIS communications. This method integrates meta learning and manifold learning to boost spectral efficiency while minimizing the overhead associated with high-dimensional signal processing. Unlike conventional deep learning methods that utilize channel state information directly, GMML inputs the gradients of both the precoding and phase shifting matrices into neural networks. Additionally, a differential regulator is designed to constrain the phase shifting matrix of the RIS. Numerical simulations indicate that GMML can enhance spectral efficiency by up to 7.31% and achieve convergence 23 times faster than traditional methods, demonstrating significant robustness and adaptability in dynamic communication environments.
Introduction
The introduction of the research paper discusses the potential of Reconfigurable Intelligent Surfaces (RIS) as a transformative technology for sixth-generation (6G) wireless communication, enhancing coverage and spectral efficiency (SE) through passive phase manipulation of electromagnetic waves. While RIS can significantly improve throughput and energy efficiency, it also presents challenges, particularly in optimizing the precoding and phase shifting matrices, which is a non-convex NP-hard problem leading to high computational demands and potential infeasibility. Existing optimization methods, including fractional programming and alternating optimization, have shown limitations in adaptability to dynamic environments and imperfect channel state information (CSI).
To address these challenges, the authors propose a novel pre-training free framework that employs a gradient-based meta-learning method and manifold learning to optimize the precoding matrix. This approach not only enhances robustness and adaptability in diverse environments but also reduces computational overhead compared to traditional methods. The proposed Gradient-based Meta Learning (GMML) algorithm demonstrates superior performance, achieving up to a 7.31% improvement in SE and a 23-fold increase in convergence speed over conventional algorithms in both perfect and imperfect CSI scenarios. The paper aims to contribute to the field by providing a solution for optimal joint design in RIS-aided communication systems, with the source code made available for reproducibility.
Results
In this section, the authors present numerical results that evaluate the performance of their proposed method in a RIS-aided MISO communication scenario. The simulation setup involves a base station located at (0 m, 0 m) communicating with four users positioned randomly within a 5-meter radius circle centered at (100 m, 15 m). Due to obstacles obstructing direct communication, users rely on passive reflections from a RIS situated at (100 m, 0 m). The path loss is modeled according to the 3GPP propagation environment standard, with the channels between the RIS and users, as well as the RIS and the base station, following Rician fading.
The authors compare their method against several baseline algorithms, including a random phase initialization, gradient-based meta-learning (GML), meta-learning (ML), a deep learning model, and a traditional optimization method. The simulation parameters are detailed in Table II, with specific values assigned to variables such as the number of independent channel samples and path loss characteristics. The simulations were conducted using a high-performance computing setup, and the computational complexities of the various algorithms are summarized in Table III. The results demonstrate the effectiveness of the proposed method relative to the baselines, highlighting its potential for improving communication performance in challenging environments.
Discussion
In this section, the authors discuss the proposed GMML framework for optimizing a multi-input single-output (MISO) communication system with a reconfigurable intelligent surface (RIS). The system model includes a base station (BS) with $M$ antennas, an RIS with $N$ reflective elements, and $K$ single-antenna users. The authors formulate the problem of maximizing the spectral efficiency (SE) by optimizing the RIS phase shifting matrix $\Theta$ and the precoding matrix $W$, subject to a power constraint. The signal-to-interference-plus-noise ratio (SINR) for each user is derived, and the optimization problem is expressed mathematically. The authors also address the challenges of channel state information (CSI) estimation, highlighting two methods: compressed sensing and tensor-based approaches.
The GMML framework leverages manifold learning to reduce the dimensionality of the precoding matrix optimization problem, thus simplifying the search space from $M \times K$ to $K \times K$. This reduction, combined with a gradient-based meta-learning approach, avoids the computationally intensive matrix inversion typically required in traditional optimization methods. The complexity of the GMML algorithm is shown to be significantly lower than that of existing methods, particularly as the number of antennas and RIS elements increases. The authors present simulation results demonstrating that GMML outperforms baseline methods in terms of SE, robustness to imperfect CSI, and convergence speed, thereby confirming its effectiveness for RIS-assisted communication systems.