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

यहाँ शोध पत्र "Flexible RISs: Learning-based Array Manifold Estimation and Phase-shift Optimization" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

पुनर्गठनीय इंटेलिजेंट सरफेस (RISs) अगली पीढ़ी के वायरलेस नेटवर्क के लिए महत्वपूर्ण हैं, जो सिग्नल प्रसार पर प्रोग्रामेबल नियंत्रण प्रदान करते हैं। हालाँकि, अधिकांश मौजूदा शोध यह मान लेते हैं कि RISs समतल (planar/flat) सतहों पर लगे होते हैं। व्यावहारिक तैनाती में, RISs अक्सर गैर-समतल संरचनाओं जैसे कि घुमावदार भवन के अग्रभाग (facades), संरचनात्मक स्तंभों, या वाहनों के शरीर पर स्थापित किए जाते हैं।

• मुख्य चुनौती: यदि एक RIS भौतिक रूप से घुमावदार है लेकिन इसके फेज शिफ्ट (phase shifts) को समतल धारणा के आधार पर अनुकूलित किया जाता है, तो ज्यामितीय बेमेल (geometric mismatch) महत्वपूर्ण प्रदर्शन गिरावट (जैसे, डेटा दर में कमी और सेंसिंग सटीकता में कमी) का कारण बनता है।
• मौजूदा समाधानों की सीमाएँ:
  • घुमावदार RISs के लिए विश्लेषणात्मक समाधान मौजूद हैं, लेकिन वे आमतौर पर विशिष्ट, पूर्व-निर्धारित ज्यामिति (जैसे, केवल बेलनाकार या केवल परवलयिक) तक सीमित हैं।
  • ज्यामिति अनुमान को एक गैर-रेखीय, गैर-कन्वेक्स (non-convex) अनुकूलन समस्या के रूप में मानना वास्तविक समय के कार्यान्वयन के लिए अत्यधिक गणनात्मक रूप से कठिन है।
  • मौजूदा "फ्लेक्सिबल RIS" साहित्य अक्सर यह मान लेता है कि तत्वों (elements) के स्थान ज्ञात और नियंत्रणीय हैं, जबकि यह शोध पत्र उन परिदृश्यों को संबोधित करता है जहाँ RIS एक स्थिर लेकिन अज्ञात सतह के अनुरूप (conformal) है।

2. कार्यप्रणाली (Methodology)

लेखक एक डीप लर्निंग (DL) ढांचे का प्रस्ताव करते हैं जो केवल विरल प्राप्त शक्ति मापन (sparse received power measurements) का उपयोग करके अज्ञात सतह की ज्यामिति का अनुमान लगाता है और फेज शिफ्ट को अनुकूलित करता है, जिससे जटिल चैनल स्टेट इंफॉर्मेशन (CSI) या फेज सिंक्रोनाइज़ेशन की आवश्यकता नहीं होती है।

A. पैरामीट्रिक सतह मॉडलिंग (Parametric Surface Modeling)

ज्यामिति अनुमान को सुलभ बनाने के लिए, लेखक टेलर सीरीज़ सन्निकटन (Taylor series approximation) पर आधारित एक निम्न-आयामी पैरामीट्रिक मॉडल पेश करते हैं।

• प्रत्येक RIS तत्व के निर्देशांकों ($N$ चर) का अनुमान लगाने के बजाय, सतह की वक्रता को $y$ और $z$ निर्देशांकों के एक द्विघात फलन (quadratic function) के रूप में मॉडल किया जाता है:
  $$x = g(y, z) \approx a_{yy}y^2 + a_{zz}z^2 + a_{yz}yz + a_y y + a_z z$$
• यह अनुमान समस्या को $N$ आयामों से घटाकर केवल 5 अज्ञात गुणांकों ($a_{yy}, a_{zz}, a_{yz}, a_y, a_z$) तक सीमित कर देता है।

B. डेटा संग्रह रणनीति (Data Collection Strategy)

यह प्रणाली एक बेस स्टेशन (BS), एक गैर-समतल RIS, और $K$ मोबाइल उपयोगकर्ताओं (MUs) के साथ डाउनलिंक परिदृश्य में कार्य करती है।

• इनपुट डेटा: सिस्टम $K$ अलग-अलग उपयोगकर्ता स्थानों पर प्राप्त सिग्नल पावर मापन ($P_{k,m}$) एकत्र करता है। प्रत्येक स्थान के लिए, RIS $M$ विभिन्न फेज कॉन्फ़िगरेशनों के माध्यम से चक्रित होता है।
• मापन का प्रकार: यह विधि विशेष रूप से प्राप्त शक्ति (magnitude squared) पर निर्भर करती है न कि फेज सूचना पर। पावर मापन का चयन इसलिए किया गया है क्योंकि फेज मापन की तुलना में पावर मापन अधिक मजबूत होते हैं और इनके लिए जटिल सिंक्रोनाइज़ेशन हार्डवेयर की आवश्यकता नहीं होती है।
• सैंपलिंग घनत्व: पेपर में सुनिश्चित करने के लिए कि स्थानिक जानकारी विशिष्ट है, sinc फ़ंक्शन बीम पैटर्न के क्षय (decay) के आधार पर मापन बिंदुओं के बीच न्यूनतम रिक्ति का एक ह्यूरिस्टिक (heuristic) व्युत्पन्न किया गया है।

C. न्यूरल नेटवर्क आर्किटेक्चर (Neural Network Architecture)

एक फीड-फॉरवर्ड मल्टी-लेयर पर्सेप्ट्रॉन (MLP) को निम्नलिखित मैपिंग करने के लिए प्रशिक्षित किया जाता है:

• इनपुट: विभिन्न उपयोगकर्ता स्थानों और RIS कॉन्फ़िगरेशनों के अनुरूप प्राप्त पावर मापन का एक वेक्टर।
• आउटपुट: 5 ज्यामितीय गुणांक ($a_{yy}, a_{zz}, a_{yz}, a_y, a_z$) जो सतह की वक्रता को परिभाषित करते हैं।
• प्रशिक्षण: नेटवर्क को सिमुलेशन (नॉन-लीनियर लीस्ट स्क्वायर्स ऑप्टिमाइज़ेशन) के माध्यम से उत्पन्न डेटासेट का उपयोग करके प्रशिक्षित किया जाता है ताकि वास्तविक गुणांकों और अनुमानित गुणांकों के बीच माध्य वर्ग त्रुटि (MSE) को कम किया जा सके।
• अनुमान (Inference): एक बार प्रशिक्षित होने के बाद, NN वास्तविक समय में अनुमान (inference) करता है। एक बार गुणांकों का अनुमान लग जाने के बाद, "ज्ञात" ज्यामिति किसी भी लक्षित उपयोगकर्ता स्थान के लिए इष्टतम फेज शिफ्ट की विश्लेषणात्मक गणना की अनुमति देती है।

3. मुख्य योगदान (Key Contributions)

1. सामान्य पैरामीट्रिक मॉडल: टेलर-सीरीज़-आधारित मॉडल का परिचय जो किसी भी सतह की वक्रता (बेलनाकार, परवलयिक, आदि) को कैप्चर करता है, जबकि अनुमान समस्या के आयाम को काफी कम कर देता है।
2. DL-आधारित ज्यामिति अनुमान: एक नवीन न्यूरल नेटवर्क दृष्टिकोण जो विरल प्राप्त पावर मापन से सतह की ज्यामिति मापदंडों के बीच के मैपिंग को अंतर्निहित रूप से सीखता है, जिससे रनटाइम के दौरान जटिल पुनरावृत्ति संख्यात्मक अनुकूलन (iterative numerical optimization) की आवश्यकता समाप्त हो जाती है।
3. अज्ञात ज्यामिति के प्रति मजबूती: यह ढांचा गैर-समतल सतहों पर स्थित RISs के लिए वास्तविक समय के फेज-शिफ्ट अनुकूलन को सक्षम बनाता है, जो एक ऐसा परिदृश्य है जिसे NNs का उपयोग करके पहले संबोधित नहीं किया गया था।
4. प्रदर्शन विश्लेषण: एल्गोरिदम के अभिसरण (convergence), प्लानर डिज़ाइनों पर प्रदर्शन लाभ, और उपयोगकर्ता स्थान अनुमान त्रुटियों के विरुद्ध इसकी मजबूती का व्यापक मूल्यांकन।

4. सिमुलेशन परिणाम (Simulation Results)

लेखकों ने $40 \times 10$ RIS तत्व ऐरे के साथ 28 GHz mmWave सिस्टम का उपयोग करके प्रस्तावित विधि का मूल्यांकन किया।

• अभिसरण (Convergence): NN प्रशिक्षण सुचारू रूप से अभिसरित हुआ, जिसमें 500 युगों (epochs) में प्रशिक्षण और सत्यापन दोनों लॉस (loss) लगातार घटते गए।
• वक्रता भिन्नता ($\sigma$) बनाम प्रदर्शन:
  • कम भिन्नता ($\sigma \leq 0.25$): पारंपरिक प्लानर डिज़ाइन थोड़ा बेहतर या तुलनीय प्रदर्शन करता है, क्योंकि सतह लगभग समतल है।
  • उच्च भिन्नता ($\sigma > 0.25$): प्लानर डिज़ाइन का प्रदर्शन काफी गिर जाता है। प्रस्तावित DL-आधारित विधि उच्च प्रदर्शन बनाए रखती है, जो प्लानर धारणा की तुलना में सिग्नल-टू-नॉइज़ रेशियो (SNR) में पर्याप्त लाभ प्रदर्शित करती है।
  • सामान्यीकरण (Generalization): एल्गोरिदम ने प्रशिक्षण वितरण (अनदेखे डेटा रेंज) के बाहर वक्रता भिन्नता के परीक्षण के बावजूद मजबूती दिखाई, हालांकि प्रदर्शन में क्रमिक गिरावट देखी गई।
• स्थान त्रुटि के प्रति मजबूती (Robustness to Location Error):
  • प्रस्तावित विधि प्लानर डिज़ाइन की तुलना में बेहतर प्रदर्शन करती है, भले ही मोबाइल उपयोगकर्ता के स्थान में अनुमान त्रुटियां ($\epsilon$) हों।
  • दिलचस्प बात यह है कि प्लानर डिज़ाइन स्थान त्रुटियों के प्रति कम संवेदनशील है क्योंकि इसकी बीम ज्यामितीय बेमेल के कारण पहले से ही गलत संरेखित (misaligned) है; अतः, स्थान त्रुटियां पहले से ही खराब प्राप्त शक्ति को बहुत अधिक नहीं बदलती हैं।

5. महत्व और निष्कर्ष (Significance and Conclusion)

यह शोध पत्र सैद्धांतिक RIS मॉडल और व्यावहारिक तैनाती की वास्तविकताओं के बीच एक महत्वपूर्ण अंतर को संबोधित करता है। कठोर प्लानर धारणाओं से लर्निंग-आधारित दृष्टिकोण (flexible, non-planar RISs के लिए) की ओर बढ़कर, लेखक यह सिद्ध करते हैं कि:

• सटीक बीमफॉर्मिंग संभव है, भले ही भौतिक सतह की ज्यामिति अज्ञात हो।
• डीप लर्निंग वास्तविक समय के RIS कॉन्फ़िगरेशन के लिए गणनात्मक रूप से महंगे पुनरावृत्ति अनुकूलन (iterative optimization) को प्रभावी ढंग से प्रतिस्थापित कर सकता है।
• प्रस्तावित विधि घुमावदार वास्तुशिल्प तत्वों वाले परिदृश्यों में सिस्टम विश्वसनीयता और डेटा दरों को महत्वपूर्ण रूप से बढ़ाती है, जिससे जटिल शहरी और वाहन परिवेश में RIS के एकीकरण का मार्ग प्रशस्त होता है।

यह कार्य इस बात की पुष्टि करता है कि विरल पावर मापन का डेटा-संचालित दृष्टिकोण अगली पीढ़ी के वायरलेस नेटवर्क में "एरे मैनिफोल्ड अनुमान" (array manifold estimation) समस्या के लिए एक व्यवहार्य और मजबूत समाधान है।