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

Resumen Técnico

1. Planteamiento del Problema

Las Superficies Inteligentes Reconfigurables (RIS) son una tecnología clave para las redes inalámbricas de próxima generación, permitiendo controlar el entorno de propagación mediante el ajuste de fases. Sin embargo, la literatura existente y los modelos teóricos asumen predominantemente que las RIS son superficies planas.

En escenarios prácticos, las RIS a menudo deben instalarse en superficies no planas (como columnas estructurales, carrocerías de vehículos o fachadas curvas de edificios). Cuando se aplican algoritmos de optimización de fase diseñados para superficies planas a RIS curvas, se produce un desajuste geométrico que degrada significativamente el rendimiento del sistema (tasa de datos, precisión de sensores, etc.). Además, las soluciones analíticas existentes para RIS curvas suelen estar limitadas a geometrías específicas y predefinidas, lo que las hace poco flexibles para configuraciones arbitrarias. Resolver la estimación de la geometría y la optimización de fases en tiempo real mediante métodos numéricos iterativos es computacionalmente prohibitivo.

2. Metodología Propuesta

El artículo propone un marco de trabajo basado en Aprendizaje Profundo (DL) para optimizar los desplazamientos de fase de RIS no planas con geometría de manifold desconocida. La metodología se divide en tres etapas principales:

• Modelado Paramétrico de la Superficie:
  Para reducir la dimensionalidad del problema (que pasaría de estimar la posición de cada uno de los $N$ elementos a un conjunto pequeño de variables), los autores introducen un modelo paramétrico general. Utilizan una aproximación de Taylor de segundo orden para describir la curvatura de la superficie. La coordenada de profundidad ($x$) de la superficie se modela como una función cuadrática de las coordenadas $y$ y $z$:
  $$x = g(y, z) \approx a_{yy}y^2 + a_{zz}z^2 + a_{yz}yz + a_y y + a_z z$$
  Esto reduce el problema de estimación a la identificación de solo 5 coeficientes geométricos desconocidos ($a_{yy}, a_{zz}, a_{yz}, a_y, a_z$).

• Recolección de Datos y Entrenamiento de la Red Neuronal (NN):
  Se utiliza un enfoque impulsado por datos. En lugar de requerir Información de Estado del Canal (CSI) completa (que es difícil de obtener y sincronizar), el sistema se basa en mediciones de potencia recibida.

  • Se recopilan datos de potencia en $K$ ubicaciones diferentes de usuarios móviles (MU) bajo $M$ configuraciones de fase distintas.
  • Se entrena una Red Neuronal de Perceptrón Multicapa (MLP) que toma como entrada el vector de potencias recibidas y las coordenadas de los usuarios, y como salida predice los 5 coeficientes geométricos de la superficie.
  • Una vez que la NN estima la geometría, se pueden calcular óptimamente los desplazamientos de fase para cualquier ubicación futura del usuario.

• Diseño de Fase:
  Una vez estimada la geometría, los desplazamientos de fase se optimizan para que las señales reflejadas coherentes se sumen en la ubicación objetivo del usuario, asumiendo un modelo de canal de línea de vista (LOS) dominante (fading Rician con alto factor K).

3. Contribuciones Clave

1. Modelo Paramétrico General: Introducción de un modelo matemático eficiente que captura el comportamiento de curvatura arbitraria de la RIS, reduciendo drásticamente la complejidad de la estimación.
2. Marco de Aprendizaje Profundo: Desarrollo de un método basado en NN que estima la geometría de la RIS curva y optimiza sus fases utilizando únicamente un conjunto disperso de mediciones de potencia recibida, evitando la necesidad de CSI completa.
3. Validación de Robustez: Evaluación exhaustiva del rendimiento frente a variaciones en la geometría y errores en la localización de los usuarios, demostrando la superioridad sobre los diseños convencionales.

4. Resultados de la Simulación

Los autores evaluaron el algoritmo mediante simulaciones en un escenario de enlace descendente de banda estrecha (28 GHz) con una RIS de $40 \times 10$ elementos:

• Convergencia: La red neuronal converge rápidamente, mostrando una disminución suave en la pérdida de error cuadrático medio (MSE) tanto en el conjunto de entrenamiento como en el de validación.
• Rendimiento vs. Variación Geométrica:
  • Para superficies casi planas (baja varianza en los coeficientes), el diseño planar convencional es suficiente.
  • A medida que aumenta la curvatura (varianza $\sigma \geq 0.25$), el diseño planar sufre una degradación severa.
  • El algoritmo propuesto supera significativamente al diseño planar en escenarios de alta curvatura, manteniendo un alto SNR (Relación Señal-Ruido).
  • El algoritmo demuestra robustez incluso cuando la geometría de prueba cae fuera del rango de datos de entrenamiento (generalización).
• Impacto del Error de Localización: El esquema propuesto es robusto ante errores en la ubicación del usuario. Aunque el SNR disminuye con el aumento del error, el rendimiento sigue siendo muy superior al del diseño planar, que ya falla por el desajuste geométrico inicial.

5. Significado e Impacto

Este trabajo es fundamental porque cierra la brecha entre la teoría idealizada de RIS planas y la realidad de las instalaciones físicas en entornos urbanos complejos.

• Viabilidad Práctica: Demuestra que es posible implementar RIS en superficies curvas sin necesidad de modelos geométricos precisos previos ni hardware de sincronización complejo.
• Eficiencia Computacional: Al reemplazar la optimización iterativa en tiempo real por una inferencia de red neuronal (una vez entrenada), se hace factible la implementación en tiempo real.
• Futuro de las Redes 6G: Proporciona una solución escalable para el despliegue de RIS en infraestructuras existentes (edificios, puentes, vehículos) donde la planitud no es una opción, mejorando la cobertura y la eficiencia espectral en redes de próxima generación.