Geometry-Informed Optimization of Binary RIS Configurations for Communication and Sensing

Technische Zusammenfassung: Geometrie-informierte Optimierung von binären RIS-Konfigurationen

Problemstellung
Praktische rekonfigurierbare intelligente Oberflächen (RIS) verwenden häufig Phasenverschieber mit niedriger Auflösung, die typischerweise auf 1-Bit beschränkt sind (zwei diskrete Zustände: $0^\circ$ und $180^\circ$). Für ein RIS mit $N$ Elementen besteht der Konfigurationsraum aus $2^N$ binären Zuständen. Eine direkte Optimierung zur Maximierung von Leistungsmetriken (wie der empfangenen Signalstärke oder der Sensorikgenauigkeit) mittels erschöpfender Suche ist aufgrund dieses exponentiellen Wachstums rechnerisch nicht praktikabel. Während die bestehende Literatur oft kontinuierliche Phasenverschiebungen annimmt und die Quantisierung erst nach der Optimierung anwendet, führt dieser Ansatz häufig zu einer signifikanten Leistungsdegradierung, wenn die Phasenauflösung niedrig ist. Umgekehrt verlassen sich direkte diskrete Suchmethoden oft auf heuristische oder unstrukturierte Exploration und versäumen es, die inhärente Struktur des optimalen Lösungsraums auszunutzen.

Methodik
Die Autoren schlagen ein Framework vor, das das 1-Bit-RIS-Phasenoptimierungsproblem als geometrisches Problem umformuliert. Anstatt den binären Raum als unstrukturiert zu behandeln, zeigt die Arbeit auf, dass global optimale Konfigurationen eine spezifische geometrische Eigenschaft teilen.

1. Mathematische Umformulierung:
   Das Problem der Maximierung des empfangenen Signal-Rausch-Verhältnisses (SNR) wird in die Maximierung der Norm einer gewichteten Summe kanalabhängiger Vektoren transformiert. Konkret besteht das Ziel darin, einen binären Vektor $\mathbf{x} \in \{+1, -1\}^K$ zu finden, der $\|\sum_{k} x_k \mathbf{a}_k\|$ maximiert, wobei $\mathbf{a}_k$ Vektoren sind, die aus der Kanalkonstanten (CSI) und dem Direktlink abgeleitet wurden.

2. Geometrische Charakterisierung (Lemma 1):
   Der zentrale theoretische Beitrag ist der Beweis, dass jede global optimale Konfiguration $\mathbf{x}^*$ durch die Vorzeichen der Projektionen der Vektoren $\mathbf{a}_k$ auf einen gemeinsamen Richtungsvektor $\mathbf{v}$ induziert wird. Mathematisch gilt $x_k^* = \text{sgn}(\mathbf{a}_k \cdot \mathbf{v})$. Dies impliziert, dass die Menge der potenziell optimalen Konfigurationen auf jene beschränkt ist, die durch Variation des Richtungsvektors $\mathbf{v}$ im Signalsraum erzeugt werden.

3. Algorithmische Ansätze:

• Allgemeiner MIMO-Fall (Geometrie-informiertes Sampling): Für hochdimensionale Signalräume schlagen die Autoren einen Algorithmus vor, der Richtungsvektoren $\mathbf{v}$ aus einer Verteilung sampelt und binäre Konfigurationen mittels der Projektionsregel konstruiert. Dies beschränkt das Suchbudget ausschließlich auf „strukturell zulässige“ Kandidaten und vermeidet die überwiegende Mehrheit suboptimaler Konfigurationen.
• SISO-Fall (Exakte Polynomialzeit-Lösung): In Single-Input-Single-Output-Systemen liegen die Vektoren in einem 2D-Echtraum ($\mathbb{R}^2$). Die Autoren zeigen, dass die optimalen Konfigurationen den Sektoren entsprechen, die durch Linien orthogonal zu den Vektoren $\mathbf{a}_k$ gebildet werden. Durch Enumeration dieser Sektoren (höchstens $N+1$ distinkte Konfigurationen) kann das globale Optimum exakt in Polynomialzeit ($O(K^2)$ oder $O(K \log K)$ mit Parallelisierung) gefunden werden, anstatt durch zufälliges Sampling.

4. Anwendung auf ISAC:
   Das Framework wird auf Integrated Sensing and Communication (ISAC)-Szenarien erweitert. Die RIS-Elemente werden in Mengen für Kommunikation und Sensorik aufgeteilt. Die Autoren demonstrieren, dass die Teilprobleme zur Verbesserung von Kommunikationssignalen und zur Beleuchtung von Zielen für die Lokalisierung beide auf dasselbe zugrunde liegende Problem der Maximierung gewichteter Vektoren zurückzuführen sind, wodurch dieselben Optimierungsalgorithmen für beide Funktionalitäten angewendet werden können.

Wesentliche Beiträge

• Geometrischer Beweis: Bewiesen, dass jede global optimale 1-Bit-RIS-Konfiguration durch die Vorzeichen der Projektionen von Kanalvektoren auf eine gemeinsame Richtung induziert wird.
• Effizienter MIMO-Algorithmus: Entwicklung einer geometrie-informierten Sampling-Methode, die den Suchraum für allgemeine MIMO-Systeme erheblich reduziert, indem sie sich nur auf strukturell gültige Konfigurationen konzentriert.
• Exakter SISO-Algorithmus: Ableitung eines exakten Polynomialzeit-Algorithmus für SISO-Systeme durch die Charakterisierung des vollständigen Satzes an Kandidatenkonfigurationen mittels 2D-Winkelpartitionierung.
• Vereinheitlichtes ISAC-Framework: Nachweis, dass die Kommunikationverbesserung und die Ziellokalisierung in ISAC dieselbe diskrete Optimierungsstruktur teilen, was einen einheitlichen Designansatz ermöglicht.

Simulationsergebnisse
Die Autoren evaluieren die vorgeschlagenen Methoden durch numerische Simulationen in einer 3D-Umgebung:

• LOS-Maximierung: Die geometrie-informierte Sampling-Methode wurde mit uninformiertem direktem binärem Sampling und einem idealen kontinuierlichen Phasen-Benchmark verglichen. Mit einem festen Sampling-Budget von 1.000 Kandidaten erzielte die vorgeschlagene Methode Gewinne von mindestens 5,36 dB gegenüber dem direkten Sampling. Sie näherte sich der Leistung eines idealen kontinuierlichen Phasen-RIS innerhalb von 3,12 dB an, was zeigt, dass eine effektive Exploration des binären Raums einen erheblichen Teil der kontinuierlichen Phasenleistung wiederherstellen kann.
• ISAC-Trade-offs: In ISAC-Szenarien, in denen die RIS-Elemente zwischen Kommunikation und Sensorik aufgeteilt sind, zeigten die Ergebnisse einen nicht-linearen Trade-off. Eine Erhöhung des Anteils der Elemente, die der Kommunikation gewidmet sind, verbesserte die empfangene Leistung stetig, verschlechterte die Sensorik-Leistung (Lokalisierungsfehler und Miss Rate) jedoch nicht sofort, bis ein kritischer Schwellenwert erreicht wurde. Dies deutet auf einen Betriebsbereich hin, in dem die Kommunikation mit minimalen Auswirkungen auf die Sensorik verbessert werden kann.

Bedeutung
Die Arbeit behauptet, dass die diskrete Natur praktischer RIS-Hardware die Phasenoptimierung nicht unlösbar macht. Stattdessen offenbaren die diskreten Beschränkungen eine nutzbare geometrische Struktur. Durch die Nutzung dieser Struktur bietet das vorgeschlagene Framework einen einheitlichen Ansatz zur Optimierung praktischer 1-Bit-RIS-Konfigurationen für sowohl Kommunikations- als auch Sensorikfunktionalitäten und bietet eine recheneffiziente Alternative zur erschöpfenden Suche oder zu kontinuierlichen Phasenapproximationen.