AI 使能 RIS 波束赋形

eefocus_3952551

AI 使能 RIS 波束赋形
现有关于 RIS 的研究大多是遵循传统的模型驱动的波束赋形设计方案，高度依赖信道信息的准确性和实时性。但是在实际工程部署中，无论从复杂度、开销和对协议的兼容性的角度看，对 RIS 辅助通信系统进行信道获取是相当困难的。已有研究从规避信道估计带来的实现困难出发，提出了不依赖信道信息的盲波束赋形方案。基于一些将神经网络应用于RIS 的信道估计或波束赋形的研究，已有研究提出将二者合并直接学习如何基于接收信号进行波束赋形，这种结合的深度学习方法能够从原始数据中提取更多的相关信息。还有研究利用接收信号的统计特性设计波束赋形算法，其基本思想是通过给出足够多的反射相位的随机样本，利用接收信号功率的条件样本平均值设计波束赋形算法，该方法已被证明能适用于多块 RIS 的协同部署以及长期大尺度衰落信道。这类方案适用于信道估计困难且 RIS 只进简单的离线操作的补盲场景。

RIS 通信最重要的增益来自波束赋形，波束赋形可以控制信号向期望方向的反射并提高传输质量。这可以通过连续调谐 RIS 单元的相移和反射幅度来实现。然而，高精度调整将导致巨大的硬件成本和控制电路实现的巨大挑战。这里，我们将介绍三种场景下典型的基于AI 的波束形成设计策略，即全无源 RIS、混合无源/有源 RIS 和高移动性情况。

对于无源 RIS 的波束赋形设计，针对室内通信场景提出了一种基于 DL 的方法来实现 RIS 配置，其中深度神经网络（Deep Neural Network，DNN）被训练以精确地映射用户的位置和 RIS 单元的配置。然后，可以通过最大化用户侧的接收信号强度来获得最优 RIS波束赋形矩阵。然而，这种基于监督学习的方法需要大量数据集，并且需要很长的训练时间。基于深度强化学习（Deep Reinforcement Learning，DRL）的算法，其中一个代理将随着时间的推移通过与环境的试错交互逐渐得出其最佳行为，然后生成最佳波束赋形矩阵。该算法不仅可以从环境中学习并逐渐调整其行为，而且可以获得与加权 MMSE和基于迫零波束赋形的分数规划相媲美的性能。还有一些关于基于 RIS 的混合预编码架构的工作，其中 BS 处基于相控阵的模拟预编码被 RIS 波束赋形所取代。由于离散相移的非凸约束，系统和速率的最大化问题很难解决。基于并行 DNN 的分类问题，并提出了一种基于 DL 的多离散分类（DL based Multiple Discrete Classification，DL-MDC）混合预编码方案。在该结构中，使用多个 DNN，并且每个 DNN 的输出对应于基于 RIS 的模拟波束赋形矩阵的对角元素。与交叉熵优化相比，基于 DL-MDC 的方案可以显著减少运行时间，性能损失可以忽略不计，并且在 Saleh Valenzuela 信道模型和实际的 3GPP 信道模型中都能很好地工作。

对于混合无源/有源 RIS 情况，RIS 只能从激活单元获得和处理采样子信道信息。与被动波束赋形设计相比，由于 RIS 只能从有限的激活反射单元获取有效信号，用于波束赋形设计的 NN 的输入数据将受到限制，这将损害中基于连续优化的方案的性能。借助 DFT 矩阵构造了有限波束赋形码本，从码本中选择最佳波束赋形可以看作是一个分类问题。然后，作者设计了基于全连接神经网络（Fully-connected Neural Network，FNN）的分类网络，以联合获得混合无源/有源 RIS 的最优激活反射单元模式和搜索的波束赋形矩阵。对于高移动性场景，RIS 波束赋形设计的主要挑战是精确匹配时变特性。考虑了 THz 无人机网络，其中移动用户由 BS 和飞行 RIS 服务。基于波束轨迹的先验观测，提出了一种 DL 算法来主动预测最优 RIS 波束赋形。由于无人机的移动性，基于门控递归单元（Gated Recurrent Unit，GRU）的网络结构用于捕获频谱数据内的时间相关性并学习序列相关性。此外， ODE 结构和 LSTM 框架的启发，可引入另一种结合信道和波束跟踪的可行方案。首先，可以通过关闭/激活部分 RIS 单元对 RIS 辅助信道进行采样。类似于基于 LSTM 的时域信道外推，可以构建基于 ODE 的时变信道模型，获取时域采样子信道，然后通过 LSTM 实现信道跟踪。利用在任何预期时间获取的天线域采样子信道，可以通过分类网络选择相应时间的最佳波束赋形矩阵。

要想实现新一代电磁无线通信中接近 Shannon 香农定理给定的通信速率上限，首先需要对通信大数据的信息熵进行基带数字编码；然后需要对根据实际电磁环境对电磁信道的自由度进行智能调控，以实现动态的最优 MIMO/RIS 波束赋形。为了对通信大数据进行最优的压缩编码，需要对其进行数据特征挖掘、特征提取和去相关。自 2020 年始，中山大学与美国伊州理工大学的廖少林团队研发了高效的字典学习压缩感知神经网络（Dictionary Leaningbased Compressed Sensing Neural Network，DL-CSNet），把大数据的字典学习和压缩感知技术有机地结合起来，使得图像复原的信噪比提升了 3 个数量级以上。对近场下 RIS 的码本训练所需的导频开销量剧增的问题，提出了一种基于深度学习的近场 RIS 波束训练方案。首先，适用于近场信道的 RIS 码本被设计出来，其中每个码字由用户相对 RIS 的角度和距离共同决定。在波束训练期间，仅部分近场码字被测试，测试所得的接收信号被作为神经网络的输入。训练好的神经网络根据接收信号输出近场 RIS码本中的最优码字的索引，从而有效地减少了导频开销。

阅读全文