Flexible RISs: Learning-based Array Manifold Estimation and Phase-shift Optimization

إليك ملخص تقني مفصل للورقة البحثية بعنوان: "الأسطح الذكية القابلة لإعادة التشكيل المرنة (Flexible RISs): تقدير مصفوفة السطح القائم على التعلم وتحسين إزاحة الطور."

1. بيان المشكلة

تعد الأسطح الذكية القابلة لإعادة التشكيل (RISs) بالغة الأهمية لشبكات الجيل القادم اللاسلكية، حيث توفر تحكماً قابلاً للبرمجة في انتشار الإشارات. ومع ذلك، تفترض معظم الأبحاث الحالية أن هذه الأسطح مثبتة على أسطح مستوية (مسطحة). وفي عمليات النشر الواقعية، غالباً ما يتم تثبيت الـ RIS على هياكل غير مستوية مثل واجهات المباني المنحنية، أو الأعمدة الهيكلية، أو هياكل المركبات.

• التحدي الجوهري: إذا كان سطح الـ RIS منحنياً فيزيائياً بينما تم تحسين إزاحات الطور الخاصة به بناءً على افتراض سطحي مستوٍ، فإن عدم التطابق الهندسي سيؤدي إلى تدهور كبير في الأداء (مثل انخفاض معدلات البيانات ودقة الاستشعار).
• قصور الحلول الحالية:
  • توجد حلول تحليلية للأسطح المنحنية، لكنها عادة ما تكون مقيدة بأشكال هندسية محددة مسبقاً (مثل الأسطح الأسطوانية فقط أو المكافئة فقط).
  • إن معالجة تقدير الهندسة كمسألة تحسين غير خطية وغير محدبة (non-convex) هو أمر مكلف حاسوبياً ويستحيل تنفيذه في الوقت الفعلي.
  • غالباً ما تفترض أدبيات "الـ RIS المرنة" الحالية أن مواقع العناصر معروفة ويمكن التحكم فيها، بينما تعالج هذه الورقة سيناريوهات يكون فيها الـ RIS متوافقاً مع سطح ثابت ولكن مجهول.

2. المنهجية

يقترح المؤلفون إطار عمل يعتمد على التعلم العميق (DL) لتقدير هندسة السطح المجهولة وتحسين إزاحات الطور باستخدام قياسات قدرة مستلمة متفرقة فقط، مما يجنبنا الحاجة إلى معلومات حالة القناة (CSI) المعقدة أو مزامنة الطور.

أ. نمذجة السطح البارامتري

لجعل تقدير الهندسة قابلاً للتطبيق، قدم المؤلفون نموذجاً بارامترياً منخفض الأبعاد يعتمد على تقريب متسلسلة تايلور (Taylor series).

• بدلاً من تقدير إحداثيات كل عنصر من عناصر الـ RIS ($N$ من المتغيرات)، يتم نمذجة انحناء السطح كدالة تربيعية لإحداثيات $y$ و $z$:
  $$x = g(y, z) \approx a_{yy}y^2 + a_{zz}z^2 + a_{yz}yz + a_y y + a_z z$$
• يؤدي هذا إلى تقليص مسألة التقدير من $N$ من الأبعاد إلى 5 معاملات مجهولة فقط ($a_{yy}, a_{zz}, a_{yz}, a_y, a_z$).

ب. استراتيجية جمع البيانات

يعمل النظام في سيناريو الوصلة الهابطة (downlink) مع محطة قاعدة (BS)، و RIS غير مستوٍ، و $K$ من المستخدمين المتنقلين (MUs).

• البيانات المدخلة: يجمع النظام قياسات قدرة الإشارة المستلمة ($P_{k,m}$) في $K$ من مواقع المستخدمين المختلفة. لكل موقع، يقوم الـ RIS بالتبديل عبر $M$ من تكوينات الطور المختلفة.
• نوع القياس: تعتمد الطريقة حصرياً على القدرة المستلمة (مربع السعة) بدلاً من معلومات الطور. وقد اختيرت قياسات القدرة لأنها قوية ولا تتطلب أجهزة مزامنة معقدة، على عكس قياسات الطور.
• كثافة أخذ العينات: اشتق المؤلفون قاعدة استرشادية (heuristic) للحد الأدنى من المسافات بين نقاط القياس لضمان الحصول على معلومات مكانية متميزة، بناءً على اضمحلال نمط شعاع دالة الـ sinc.

ج. بنية الشبكة العصبية

يتم تدريب شبكة عصبية أمامية متعددة الطبقات (MLP) للقيام بهذا الربط:

• المدخلات: متجه من قياسات القدرة المستلمة المقابلة لمواقع مستخدمين وتكوينات RIS مختلفة.
• المخرجات: المعاملات الخمسة الهندسية ($a_{yy}, a_{zz}, a_{yz}, a_y, a_z$) التي تحدد انحناء السطح.
• التدريب: يتم تدريب الشبكة باستخدام مجموعة بيانات تم إنشاؤها عبر المحاكاة (باستخدام طريقة المربعات الصغرى غير الخطية) لتقليل متوسط مربع الخطأ (MSE) بين المعاملات المتوقلة والحقيقية.
• الاستدلال (Inference): بمجرد التدريب، تقوم الشبكة العصبية بعملية الاستدلال في الوقت الفعلي. وبمجرد تقدير المعاملات، تسمح الهندسة "المعروفة" بالحساب التحليلي لإزاحات الطور المثلى لأي موقع مستخدم مستهدف.

3. المساهمات الرئيسية

1. نموذج بارامتري عام: تقديم نموذج قائم على متسلسلة تايلور يلتقط أي انحناءات للسطح (أسطوانية، مكافئة، إلخ) مع تقليل أبعاد مسألة التقدير بشكل كبير.
2. تقدير الهندسة القائم على التعلم العميق: نهج مبتكر للشبكة العصبية يتعلم ضمنياً الخريطة من قياسات القدرة المتفرقة إلى معاملات هندسة السطح، متجاوزاً الحاجة إلى التحسين العددي التكراري أثناء التشغيل.
3. المتانة تجاه الهندسة المجهولة: يتيح إطار العمل تحسين إزاحة الطور في الوقت الفعلي للأسطح غير المستوية الثابتة والمجهولة، وهو سيناريو لم يتم تناوله سابقاً في الأدبيات باستخدام الشبكات العصبية.
4. تحليل الأداء: تقييم شامل لتقارب الخوارزمية، ومكاسب الأداء مقارنة بالتصاميم المستوية، والمتانة تجاه أخطاء تقدير موقع المستخدم.

4. نتائج المحاكاة

قيم المؤلفون الطريقة المقترحة باستخدام نظام موجات مليمترية (mmWave) بتردد 28 جيجاهرتز مع مصفوفة RIS مكونة من $40 \times 10$ عناصر.

• التقارب: تقاربت عملية تدريب الشبكة العصبية بسلاسة، حيث انخفضت خسائر التدريب والتحقق بثبات على مدار 500 حقبة (epoch).
• الأداء مقابل تباين الانحناء ($\sigma$):
  • التباين المنخفض ($\sigma \leq 0.25$): يعمل التصميم المستوي التقليدي بشكل أفضل قليلاً أو بشكل مماثل، لأن السطح يكون شبه مستوٍ.
  • التباين العالي ($\sigma > 0.25$): يتدهور التصميم المستوي بشكل كبير. بينما يحافظ الأسلوب المقترح القائم على التعلم العميق على أداء عالٍ، مما يظهر مكسباً جوهرياً في نسبة الإشارة إلى الضجيج (SNR) مقارنة بالافتراض المستوي.
  • التعميم: أظهرت الخوارزمية متانة حتى عند اختبارها على تباينات انحناء خارج نطاق توزيع التدريب (بيانات غير مرئية)، وإن كان ذلك مع انخفاض تدريجي في الأداء.
• المتانة تجاه خطأ الموقع:
  • تتفوق الطريقة المقترحة على التصميم المستوي حتى عندما يكون هناك أخطاء في تقدير موقع المستخدم المتنقل ($\epsilon$).
  • ومن المثير للاهتمام، أن التصميم المستوي أقل حساسية لأخطاء الموقع لأن شعاعه يعاني بالفعل من سوء محاذاة بسبب عدم التطابق الهندسي؛ وبالتالي، فإن أخطاء الموقع الإضافية لا تغير القدرة المستلمة الضعيفة بشكل جذري.

5. الأهمية والخاتمة

تعالج هذه الورقة فجوة حرجة بين النماذج النظرية للـ RIS والواقع العملي للنشر. ومن خلال الانتقال من الافتراضات المستوية الجامدة إلى نهج قائم على التعلم للأسطح المرنة وغير المستوية، أثبت المؤلفون أن:

• تشكيل الشعاع الدقيق ممكن حتى عندما تكون هندسة السطح الفيزيائية مجهولة.
• يمكن للتعلم العميق أن يحل محل التحسين التكراري المكلف حاسوبياً لتكوين الـ RIS في الوقت الفعلي.
• تعزز الطريقة المقترحة بشكل كبير من موثوقية النظام ومعدلات البيانات في السيناريوهات التي تتضمن عناصر معمارية منحنية، مما يمهد الطريق لدمج الـ RIS في البيئات الحضرية والمركبات المعقدة.

تؤكد هذه الدراسة أن النهج القائم على البيانات باستخدام قياسات القدرة المتفرقة يعد حلاً فعالاً ومتيناً لمسألة "تقدير مصفوفة السطح" في شبكات الجيل القادم اللاسلكية.