⚡ electrical engineering

PARAFAC-Based Channel Estimation for Beyond Diagonal Reconfigurable Surfaces

यह शोध पत्र ग्रुप-कनेक्टेड बियॉन्ड डायगोनल रीकॉन्फ़िगरेबल इंटेलिजेंट सरफेसेस (BD-RIS) के लिए एक पायलट-असिस्टेड टेंसर फ्रेमवर्क और एक PARAFAC-आधारित अल्टरनेटिंग लीस्ट-स्क्वेयर्स (PALS) रिसीवर प्रस्तावित करता है जो पारंपरिक विधियों की तुलना में बेहतर सटीकता के साथ व्यावहारिक, कम-जटिलता वाले चैनल अनुमान को सक्षम करने के लिए एक निश्चित इंटरकनेक्शन टोपोलॉजी बनाए रखता है।

मूल लेखक: Gilderlan Tavares de Araújo, Bruno Sokal, André L. F. de Almeida

प्रकाशित 2026-03-30

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Gilderlan Tavares de Araújo, Bruno Sokal, André L. F. de Almeida

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक विशाल, शोर वाले स्टेडियम में अपने एक दोस्त से बातचीत करने की कोशिश कर रहे हैं। आप सीधे चिल्ला नहीं सकते क्योंकि भीड़ बहुत शोर कर रही है, इसलिए आप अपनी आवाज़ को बाधाओं के चारों ओर उछालकर अपने दोस्त तक पहुँचाने के लिए दर्पणों (mirrors) की एक टीम का उपयोग करते हैं (जिसे रीकॉन्फ़िगर करने योग्य इंटेलिजेंट सरफेस या RIS कहा जाता है)।

पुराने समय में, ये दर्पण सरल थे: वे केवल प्रकाश को एक दिशा में परावर्तित करने के लिए थोड़ा झुक सकते थे, जैसे कि एक साधारण बाथरूम का दर्पण। लेकिन नई तकनीक, जिसे BD-RIS (बियॉन्ड डायगोनल RIS) कहा जाता है, एक ऐसी दर्पण टीम की तरह है जो आपस में भी बात कर सकती है। वे संकेतों को एक-दूसरे के बीच पास कर सकते हैं, जिससे आपकी आवाज़ के लिए एक बहुत समृद्ध और शक्तिशाली मार्ग बन जाता है। यह गति और स्पष्टता के लिए अद्भुत है, लेकिन यह एक बड़ी समस्या पैदा करता है: आप यह कैसे पता लगाएंगे कि आपकी आवाज़ ठीक किस तरह से उछल रही है?

यह "चैनल एस्टीमेशन" (Channel Estimation) की समस्या है। इन उन्नत दर्पणों को काम करने के योग्य बनाने के लिए, आपको पहले उन्हें "प्रशिक्षित" (train) करना होगा, जिसके लिए टेस्ट सिग्नल (पायलट) भेजे जाते हैं और परिणाम को मापा जाता है।

समस्या: "रीकॉन्फ़िगरिंग नाइटमेयर" (पुनर्गठन का दुःस्वप्न)

इन उन्नत दर्पण टीमों को प्रशिक्षित करने के के पुराने तरीके ऐसे थे जैसे कि आप एक ऐसे पहेली को हल करने की कोशिश कर रहे हों जहाँ आपको हर एक टेस्ट सिग्नल भेजने के साथ पूरे दर्पण की दीवार को पूरी तरह से फिर से बनाना पड़ता है।

कल्पना कीजिए कि आपके पास 100 दर्पण हैं। उन्हें प्रशिक्षित करने के लिए, आपको पहले टेस्ट सिग्नल के लिए उनके कनेक्शन को भौतिक रूप से बदलना होगा, फिर दूसरे टेस्ट के लिए फिर से बदलना होगा, और फिर तीसरे के लिए भी।
यह धीमा, महंगा और वास्तविक जीवन में बनाना लगभग असंभव है। यह रेडियो स्टेशन बदलने के लिए हर बार पूरा रेडियो बदलने जैसा है।

समाधान: "फिक्स्ड स्केलेटन, मूविंग स्किन" (स्थिर ढांचा, गतिशील त्वचा)

इस शोध पत्र के लेखक PARAFAC नामक एक गणितीय अवधारणा (जो सुनने में डरावनी लग सकती है, लेकिन इसे एक "लेगो ब्लूप्रिंट" की तरह समझें) का उपयोग करके इन दर्पणों को प्रशिक्षित करने का एक चतुर तरीका प्रस्तावित करते हैं।

दर्पणों को हर बार पूरी तरह से बदलने के बजाय, वे एक दो-समय-पैमाने वाला (two-timescale) दृष्टिकोण प्रस्तावित करते हैं:

कंकाल या ढांचा (Skeleton - Fixed): दर्पण आपस में कैसे जुड़े हुए हैं (टोपोलॉजी), वह पूरे प्रशिक्षण सत्र के दौरान बिल्कुल समान रहता है। इसे एक कठपुतली के धातु के ढांचे की तरह समझें। यह कभी नहीं बदलता।
त्वचा (Skin - Moving): केवल "फेज शिफ्ट्स" (परावर्तन का कोण या समय) ही प्रत्येक टेस्ट के लिए बदलते हैं। इसे एक कठपुतली की त्वचा या कपड़ों की तरह समझें जो रंग बदलते रहते हैं, जबकि उनके नीचे की हड्डियां स्थिर रहती हैं।

इस "कंकाल" को स्थिर रखकर, आपको महंगे रीवायरिंग (तार जोड़ने) की आवश्यकता नहीं है। आप बस मौजूदा हार्डवेयर पर सेटिंग्स को थोड़ा बदल सकते हैं।

जादुई ट्रिक: "अनफोल्डिंग पज़ल" (खुलने वाली पहेली)

यदि वे कनेक्शन नहीं बदल रहे हैं, तो वे चैनल का पता कैसे लगाएंगे? वे टेन्सर डिकम्पोजिशन (Tensor Decomposition) नामक एक गणितीय ट्रिक का उपयोग करते हैं।

एक 3D डेटा ब्लॉक की कल्पना करें (समय × स्थान × सिग्नल)।

पुराने तरीके इस डेटा ब्लॉक को एक विशाल, अस्त-व्यst ढेर के रूप में देखते थे।
नया तरीका यह पहचान लेता है कि इस डेटा में एक छिपा हुआ, व्यवस्थित ढांचा है (जैसे कि एक जैसे लेगो ब्रिक्स का ढेर)।
वे PALS (PARAFAC अल्टरनेटिंग लीस्ट स्क्वायर्स) नामक एक एल्गोरिदम का उपयोग करते हैं। आप PALS को एक स्मार्ट रोबोट के रूप में देख सकते हैं जो अव्यवस्थित डेटा को देखता है और कहता है, "आह! मुझे एक पैटर्न दिख रहा है। यदि मैं 'समय' वाले हिस्से को 'स्थान' वाले हिस्से से अलग कर दूँ, तो मैं ठीक से पता लगा सकता हूँ कि सिग्नल ट्रांसमीटर से दर्पणों तक और फिर दर्पणों से रिसीवर तक कैसे यात्रा किया।"

यह क्यों महत्वपूर्ण है (परिणाम)

यह शोध पत्र तीन मुख्य बातें सिद्ध करता है:

यह सटीक है: भले ही वे दर्पणों को लगातार रीवायर नहीं कर रहे हैं, फिर भी नया तरीका जटिल और महंगे तरीकों की तरह ही सिग्नल पथ खोजने में सक्षम है। यह "स्टेट-ऑफ-द-आर्ट" प्रदर्शन से मेल खाता है।
यह सस्ता है: क्योंकि हार्डवेयर कनेक्शन स्थिर रहते हैं, इसलिए यह सिस्टम बनाना और नियंत्रित करना बहुत आसान है। यह दर्पणों को चलाने के लिए आवश्यक "ब्रेन पावर" को कम करता है।
यह व्यावहारिक है: यह उन सबसे बड़ी बाधाओं को हल करता है जो इन उन्नत दर्पणों को वास्तविक 6G नेटवर्क में उपयोग करने से रोक रही हैं।

एनालॉजी (उपमा) सारांश

पुराना तरीका: हर एक नोट बजाने के लिए पियानो के पूरे ढांचे और तारों को बदलने की कोशिश करना। (बहुत कठिन, बहुत धीमा)।
नया तरीका (यह शोध पत्र): पियानो के ढांचे को ठोस और स्थायी रखना, लेकिन बस हथौड़ों (फेज शिफ्ट्स) को समायोजित करना ताकि सही सुर बज सकें। आपको वही सुंदर संगीत मिलता है, लेकिन आपको हर बार पियानो को फिर से बनाने की जरूरत नहीं पड़ती।

संक्षेप में: यह शोध पत्र हमें भविष्य के वायरलेस नेटवर्क के लिए आपस में जुड़े स्मार्ट दर्पणों का उपयोग करने का एक ब्लूप्रिंट देता है, बिना असंभव हार्डवेयर की आवश्यकता के। यह एक "सॉफ्टवेयर को ठीक करें, हार्डवेयर को सरल रखें" वाला दृष्टिकोण है जो हाई-स्पीड 6G को वास्तविकता के बहुत करीब लाता है।

यहाँ शोध पत्र "PARAFAC-Based Channel Estimation for Beyond Diagonal Reconfigurable Surfaces" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

बियॉन्ड डायगोनल रीकॉन्फ़िगेबल इंटेलिजेंट सरफेस (BD-RIS) आधारित MIMO सिस्टम में, चैनल अनुमान (channel estimation) एक महत्वपूर्ण बाधा है। पारंपरिक डायगोनल RIS के विपरीत, BD-RIS में समृद्ध इंटर-एलिमेंट कपलिंग (ग्रुप-कनेक्टेड या फुली कनेक्टेड आर्किटेक्चर) होती है जो महत्वपूर्ण प्रदर्शन लाभ सक्षम करती है, लेकिन यह दो प्रमुख चुनौतियाँ भी पेश करती है:

उच्च आयामीता (High Dimensionality): कैस्केड चैनल संरचना में बड़ी संख्या में पैरामीटर शामिल हैं, जिससे पायलट डिज़ाइन और पैरामीटर रिकवरी कठिन हो जाती है।
हार्डवेयर जटिलता (Hardware Complexity): मौजूदा टेंसर-आधारित अनुमान विधियों के लिए अक्सर प्रत्येक ट्रेनिंग ब्लॉक पर संपूर्ण स्कैटरिंग मैट्रिक्स (इंटर-एलिमेंट कनेक्शन) को पुनर्गठित (reconfigure) करने की आवश्यकता होती है। यह बार-बार होने वाला हार्डवेयर पुनर्गठन महंगा है, लागू करने में कठिन है, और एक बड़ा नियंत्रण ओवरहेड (control overhead) पैदा करता है।

मुख्य समस्या कम प्रशिक्षण ओवरहेड के साथ व्यक्तिगत चैनल घटकों (Tx-RIS और RIS-Rx) का सटीक अनुमान प्राप्त करना है, जबकि हार्डवेयर व्यवहार्यता (अर्थात, BD-RIS टोपोलॉजी के पूर्ण पुनर्गठन से बचना) को बनाए रखना है।

2. कार्यप्रणाली (Methodology)

लेखक एक पायलट-असिस्टेड टेंसर फ्रेमवर्क का प्रस्ताव करते हैं जो टू-टाइमस्केल प्रोटोकॉल के तहत संचालित होता है। कार्यप्रणाली तीन मुख्य स्तंभों पर आधारित है:

A. स्ट्रक्चर्ड लो-रैंक PARAFAC मॉडलिंग

प्रत्येक ब्लॉक के लिए स्वतंत्र रूप से BD-RIS स्कैटरिंग टेंसर को डिजाइन करने के बजाय, लेखक एक PARAFAC (पैरेलल फैक्टर एनालिसिस) अपघटन का उपयोग करके प्रशिक्षण संरचना को मॉडल करते हैं।

फिक्स्ड टोपोलॉजी (Fixed Topology): सभी ट्रेनिंग ब्लॉक्स में इंटरकनेक्शन टोपोलॉजी (स्पेशियल फैक्टर्स) को स्थिर (fixed) रखा जाता है।
डायनेमिक फैक्टर्स (Dynamic Factors): केवल लो-डायमेंशनल फेज कोएफिशिएंट्स (टाइम-डिपेंडेंट फैक्टर्स) को प्रति ब्लॉक अपडेट किया जाता है।
गणितीय सूत्रीकरण (Mathematical Formulation): प्राप्त सिग्नल टेंसर $\mathbf{Y}$ को फैक्टर मैट्रिसेस में विघटित किए गए ब्लॉक-डायगोनल कोर टेंसर के रूप में मॉडल किया गया है। विशेष रूप से, प्रत्येक समूह $q$ के लिए स्कैटरिंग टेंसर को इस प्रकार मॉडल किया गया है:
$\mathbf{S}^{(q)} = \mathbf{I}_{3, \bar{R}} \times_1 \bar{\mathbf{P}}_1 \times_2 \bar{\mathbf{P}}_2 \times_3 \mathbf{P}^{(q)}_3$
यहाँ, $\bar{\mathbf{P}}_1$ और $\bar{\mathbf{P}}_2$ फिक्स्ड स्पेशियल फैक्टर मैट्रिसेस (जैसे, ट्रंकेटेड DFT) हैं, जबकि $\mathbf{P}^{(q)}_3$ में ब्लॉक-विशिष्ट फेज शिफ्ट शामिल हैं।

B. PARAFAC अल्टरनेटिंग लीस्ट स्क्वेयर्स (PALS) रिसीवर

इस स्ट्रक्चर्ड मॉडल के आधार पर, लेखक व्यक्तिगत चैनल मैट्रिसेस ( $\mathbf{G}$ और $\mathbf{H}$ ) को अलग करने और अनुमान लगाने के लिए एक PALS रिसीवर व्युत्पन्न करते हैं।

एल्गोरिदम प्राप्त टेंसर के मोड-अनफोल्डिंग्स पर लीस्ट स्क्वेयर्स (LS) का उपयोग करके $\mathbf{G}$ और $\mathbf{H}$ के अनुमानों को अपडेट करने के बीच बारी-बारी से कार्य करता है।
अपडेट्स PARAFAC मॉडल में निहित Khatri-Rao प्रोडक्ट स्ट्रक्चर का उपयोग करते हैं ताकि चैनल फैक्टर्स को अलग किया जा सके।
यह प्रक्रिया अभिसरण (convergence) तक दोहराई जाती है, जिससे एक स्केलिंग अस्पष्टता (scaling ambiguity) तक व्यक्तिगत चैनल प्राप्त होते हैं (जो संयुक्त चैनल अनुकूलन को प्रभावित नहीं करता है)।

C. आइडेंटिफिएबिलिटी और कॉम्प्लेक्सिटी विश्लेषण

पेपर चैनल आइडेंटिफिएबिलिटी के लिए आवश्यक और पर्याप्त स्थितियाँ व्युत्पन्न करता है:

ट्रेनिंग ओवरहेड (Training Overhead): आवश्यक ब्लॉक्स की न्यूनतम संख्या $K$ है $K \geq \bar{N}Q / M_R$ । यह मौजूदा विधियों (जैसे BTALS या BTKF) की तुलना में काफी कम है, जिन्हें अक्सर $K \geq \bar{N}^2 Q$ की आवश्यकता होती है।
डिज़ाइन जटिलता (Design Complexity): समायोजित किए जाने वाले पैरामीटर्स की संख्या $\bar{N}^2 K$ (फुल टेंसर पुनर्गठन) से घटकर $(2\bar{N} + K)\bar{R}$ (फैक्टर मैट्रिक्स अपडेट्स) रह जाती है, जहाँ $\bar{R}$ PARAFAC रैंक है।

3. मुख्य योगदान (Key Contributions)

हार्डवेयर-फ्रेंडली ट्रेनिंग डिज़ाइन: यह पेपर एक अभिनव प्रशिक्षण रणनीति पेश करता है जहाँ BD-RIS इंटरकनेक्शन टोपोलॉजी ब्लॉक्स के दौरान स्थिर रहती है। केवल फेज शिफ्ट अपडेट किए जाते हैं, जो अत्याधुनिक विधियों की तुलना में हार्डवेयर नियंत्रण जटिलता और कार्यान्वयन लागत को नाटकीय रूप से कम करता है।
PALS रिसीवर: एक लो-कॉम्प्लेक्सिटी, इटरेटिव रिसीवर का विकास जो केवल कैस्केड चैनल के बजाय व्यक्तिगत चैनल फैक्टर्स ( $\mathbf{G}$ और $\mathbf{H}$ ) को रिकवर करने के लिए PARAFAC संरचना का लाभ उठाता है।
सैद्धांतिक गारंटी: लेखक अनूठी चैनल रिकवरी के लिए आवश्यक आइडेंटिफिएबिलिटी कंडीशंस प्रदान करते हैं और आवश्यक ब्लॉक्स की न्यूनतम संख्या व्युत्पन्न करते हैं, जो इस विशिष्ट सेटअप के लिए साहित्य में पहले मौजूद नहीं था।
जटिलता में कमी: कंट्रोल वेरिएबल्स की संख्या में गणितीय कमी प्रदर्शित करता है, जिससे RIS तत्वों की संख्या बढ़ने पर सिस्टम स्केलेबल बनता है।

4. संख्यात्मक परिणाम (Numerical Results)

सिमुलेशन प्रस्तावित PALS पद्धति की तुलना निम्नलिखित के विरुद्ध की गई थी:

LS (Least Squares): पारंपरिक अनुमान।
BTALS/BTKF: अत्याधुनिक टेंसर-आधारित विधियाँ जिनमें पूर्ण पुनर्गठन की आवश्यकता होती है।

प्रमुख निष्कर्ष:

सटीकता (Accuracy): PALS, BTALS/BTKF के तुलनीय नॉर्मलाइज्ड मीन स्क्वायर एरर (NMSE) प्रदर्शन प्राप्त करता है और पारंपरिक LS से काफी बेहतर प्रदर्शन करता है। यह उच्च निष्ठा (fidelity) के साथ दोनों व्यक्तिगत चैनल फैक्टर्स को सफलतापूर्वक रिकवर करता है।
स्केलेबिलिटी (Scalability): समूहों की संख्या बढ़ने के साथ प्रदर्शन में सुधार होता है (रैंक/विविधता लाभ के कारण)।
जटिलता ट्रेड-ऑफ (Complexity Trade-off): अत्याधुनिक सटीकता बनाए रखते हुए, PALS डिज़ाइन जटिलता को कई गुना कम कर देता है। पेपर का चित्र 1 दर्शाता है कि जैसे-जैसे ब्लॉक्स ( $K$ ) की संख्या बढ़ती है, PALS और प्रतिस्पर्धी विधियों के बीच जटिलता का अंतर PALS के पक्ष में काफी बढ़ जाता है।

5. महत्व (Significance)

यह कार्य BD-RIS सिस्टम में सैद्धांतिक प्रदर्शन और व्यावहारिक कार्यान्वयन के बीच के अंतर को पाटता है।

व्यावहारिकता: बार-बार, पूर्ण-टोपोलॉजी पुनर्गठन की आवश्यकता को समाप्त करके, प्रस्तावित विधि BD-RIS पर वास्तविक हार्डवेयर बाधाओं के तहत तैनाती को संभव बनाती है।
दक्षता: यह कम प्रशिक्षण ओवरहेड और नियंत्रण जटिलता के साथ उच्च अनुमान सटीकता प्राप्त करता है।
भविष्य का प्रभाव: यह फ्रेमवर्क इंटेलिजेंट सरफेस का उपयोग करने वाले अगली पीढ़ी के वायरलेस नेटवर्क (6G) के लिए एक स्केलेबल समाधान प्रदान करता है, जो अत्यधिक हार्डवेयर लागत के बिना उच्च-प्रदर्शन वाले BD-RIS को लागू करने का एक स्पष्ट मार्ग प्रदान करता है।

संक्षेप में, यह पेपर एक PARAFAC-आधारित फ्रेमवर्क का प्रस्ताव करता है जो BD-RIS चैनल अनुमान को एक हार्डवेयर-गहन समस्या से एक प्रबंधनीय, कम-जटिलता वाले कार्य में बदल देता है, बिना अनुमान सटीकता से समझौता किए।