人工智能(Artificial Intelligent,AI)使能 RIS 通信的关键思想是用基于 AI 技术解决RIS 通信中的关键信号处理问题,如信道获取、波束赋形设计和资源调度等,从而获得比传统技术更高的系统效率。通过对海量数据集的训练,信道获取可以更加准确。此外,AI 还可以帮助克服由硬件损伤和导频污染引起的非线性问题。另外,通过制定不同的 AI 学习策略,可以针对不同的目的配置波束赋形设计,还可以实现资源调度以构建更好的网络拓扑。因此,对于波束赋形设计和资源调度,人工智能将有助于增强总体设计的鲁棒性。
AI 使能 RIS 信道获取
为充分利用采集数据的信息或解决信道模型未知情况下的信道估计问题,可以将人工智能新方法用于信道估计。近年来发展迅速的人工智能为传统无线通信提供新的处理范式,为智能超表面无线通信信道估计带来了新的解决方案。人工智能真实数据的内在特征,以数据驱动的方式处理信号,适用于模型不匹配、资源不足、硬件损坏以及动态传输等非理想RIS 场景。
对于直接信道获取,直接估计 RIS 通信的级联信道,并将信道估计问题表述为去噪过程。然后采用深度残差学习(Deep Residual Learning,DReL)方法隐式学习残差噪声,以从基于噪声导频的观测中恢复信道系数。接下来,借助贝叶斯原理推导了基于深度残差网络的最小均方误差(Minimum Mean Square Error,MMSE)估计器。然而,在多用户情况下,由于所有用户的信道训练总是在基站集中实现,所以所有训练数据集都应该传输到 BS。因此,其传输开销将非常高。采用联邦学习(Federated Learning,FL)框架,其中神经网络将在用户而不是 BS 处进行训练。在这种情况下,基站和用户之间只需要相互传输更新的参数。