⚡ electrical engineering

Channel Estimation for Movable Intelligent Surface

यह शोध पत्र मूवेबल इंटेलिजेंट सर्फेस द्वारा सहायता प्राप्त अपलिंक MIMO सिस्टम के लिए एक टेंसर-आधारित चैनल अनुमान फ्रेमवर्क का प्रस्ताव करता है, जो मूवेबल लेयर के फेज रिस्पॉन्स के पूर्व ज्ञान की आवश्यकता के बिना, व्यक्तिगत चैनलों और स्थिति-निर्भर प्रतिक्रियाओं का संयुक्त रूप से अनुमान लगाने के लिए चौथे-क्रम के PARAFAC मॉडल का उपयोग करता है।

मूल लेखक: Daniel C. Alcantara, Josué V. de Araújo, Gilderlan T. de Araújo, André L. F. de Almeida

प्रकाशित 2026-06-02

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Daniel C. Alcantara, Josué V. de Araújo, Gilderlan T. de Araújo, 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 शोर भरे, भीड़भाड़ वाले कमरे में अपने एक दोस्त के साथ स्पष्ट बातचीत करने की कोशिश कर रहे हैं। भविष्य के वायरलेस नेटवर्क की दुनिया में, यह "कमरा" जटिल बाधाओं से भरा है, और आपकी "बातचीत" आपका डेटा है जो आपके फोन से सेल टॉवर तक जा रहा है।

इस बातचीत को अधिक स्पष्ट बनाने के लिए, इंजीनियर एक विशेष उपकरण का उपयोग करते हैं जिसे मूवेबल इंटेलिजेंट सरफेस (MIS) कहा जाता है। इस सतह को एक एकल ठोस दीवार के रूप में नहीं, बल्कि एक दो-परतीय खिड़की के रूप में सोचें:

लेयर 1 (फिक्स्ड फ्रेम): छोटे दर्पणों (मेटासरफेस) का एक बड़ा, स्थिर ग्रिड जो एक ही जगह रहता है।
लेयर 2 (स्लाइडिंग पैनल): छोटे दर्पणों का एक छोटा, चलने वाला पैनल जो पहले लेयर के ऊपर आगे-पीछे खिसक सकता है।

समस्या: "अंधा" खिड़की

आमतौर पर, कनेक्शन को ठीक करने के लिए, सेल टॉवर को यह जानने की आवश्यकता होती है कि सिग्नल इन दर्पणों से कैसे टकराकर परावर्तित (bounce) होता है। लेकिन ये दर्पण "पैसिव" (निष्क्रिय) हैं—इनमें अपने स्वयं के माइक्रोफोन या दिमाग नहीं होते जो टॉवर को बता सकें कि वे क्या कर रहे हैं। यह एक रेडियो को ट्यून करने की कोशिश करने जैसा है बिना यह जाने कि आप वर्तमान में किस स्टेशन पर हैं।

इस नए मूवेबल डिज़ाइन के साथ स्थिति और भी जटिल हो जाती है। क्योंकि दूसरा लेयर स्लाइड करता है, इसलिए सिग्नल जिस तरह से टकराता है वह इस बात पर निर्भर करता है कि स्लाइडिंग पैनल कहाँ है। टॉवर को यह नहीं पता होता कि स्लाइडिंग पैनल की सटीक स्थिति क्या है या वह सिग्नल को कैसे प्रभावित कर रहा है। यह एक दोहरी पहेली है: "सिग्नल का रास्ता क्या है, और स्लाइडिंग पैनल अभी कहाँ है?"

समाधान: एक "टेन्सर" पहेली

इस शोध के लेखकों ने इस रहस्य को बिना दर्पणों पर अतिरिक्त सेंसर लगाए हल करने के लिए एक चतुर तरीका प्रस्तावित किया है। वे इस समस्या को एक विशाल, बहु-आयामी पहेली (जिसे वे टेन्सर कहते हैं) की तरह देखते हैं।

यहाँ उपमा (analogy) दी गई है:
कल्पना कीजिए कि आप एक सूप की रेसिपी समझने की कोशिश कर रहे हैं, लेकिन आप सीधे सामग्री का स्वाद नहीं ले सकते।

फिक्स्ड लेयर अलग-अलग समय पर अलग-अलग मसालों (फेज पैटर्न) को जोड़ने जैसा है।
मूवेबल लेयर चूल्हे पर अलग-अलग जगहों पर बर्तन को खिसकाने जैसा है (स्थितियाँ)।

विभिन्न मसाला-और-चूल्हा संयोजनों के बाद अंत में "सूप" (सिग्गल) का स्वाद कैसा है, इसे देखकर, आप गणितीय रूप से पीछे की ओर काम करके यह पता लगा सकते हैं कि:

मूल सामग्रियाँ क्या थीं (वायरलेस चैनल)।
स्लाइडिंग पैनल क्या कर रहा था (स्थिति-निर्भर प्रतिक्रिया)।

उन्होंने यह कैसे किया (द "TALS" रिसीवर)

शोधकर्ताओं ने एक विशेष गणितीय रेसिपी बनाई जिसे TALS रिसीवर कहा जाता है। इसे एक स्मार्ट जासूस के रूप में समझें जो इन विभिन्न मसाला-और-चूल्हा संयोजनों से एकत्र किए गए सभी डेटा का विश्लेषण करता है।

अनुमान लगाने के बजाय, जासूस "अल्टरनेटिंग लीस्ट स्क्वायर्स" (alternating least squares) नामक एक प्रक्रिया का उपयोग करता है। कल्पना कीजिए कि आप एक रूबिक क्यूब (Rubik's Cube) को हल करने की कोशिश कर रहे हैं जहाँ आपको चेहरों के रंग नहीं पता हैं। आप एक तरफ को घुमाते हैं, देखते हैं कि रंग कैसे बदलते हैं, फिर दूसरी तरफ घुमाते हैं, और ऐसा तब तक करते रहते हैं जब तक कि पूरा क्यूब समझ में न आ जाए।

इस पेपर में, "जासूस" साथ-साथ यह पता लगाता है कि:

आपके फोन से स्लाइडिंग पैनल तक का रास्ता।
स्लाइडिंग पैनल से टॉवर तक का रास्ता।
महत्वपूर्ण रूप से: यह "स्लाइडिंग पैनल के व्यवहार" को यह जाने बिना कि वह क्या है, खुद ही समझ लेता है। यह प्राप्त डेटा में पैटर्न को देखकर पैनल के प्रभाव का अनुमान लगा लेता है।

उन्होंने क्या पाया

पेपर ने इस विचार का परीक्षण करने के लिए कंप्यूटर सिमुलेशन चलाए। उन्होंने पाया कि:

अधिक अभ्यास मदद करता है: ठीक वैसे ही जैसे खेल का अभ्यास करने से आप बेहतर बनते हैं, अधिक "ट्रेनिंग सिग्नल" (अधिक मसाला संयोजन आज़माना) भेजने से "जासूस" बहुत अधिक सटीक हो गया।
यह बिना मैनुअल के काम करता है: यह सिस्टम तब भी काम कर गया जब टॉवर को स्लाइडिंग पैनल की सटीक सेटिंग्स का पता नहीं था। इसने इसे अपने आप समझ लिया।
समझौता (Trade-off): एक सरल विधि जो यह मान लेती है कि उसे पैनल की सेटिंग्स पता हैं, वह थोड़ा बेहतर काम करती है, लेकिन वास्तविक दुनिया में यह अवास्तविक है। नया तरीका थोड़ा कम सटीक हो सकता है, लेकिन यह बहुत अधिक व्यावहारिक है क्योंकि इसे उस असंभव "परफेक्ट नॉलेज" की आवश्यकता नहीं है।

मुख्य निष्कर्ष

यह पेपर दिखाता है कि भविष्य के 6G नेटवर्क को जटिल, चलती हुई सतहों के माध्यम से स्पष्ट रूप से बात करने में मदद करने का एक नया तरीका क्या है। डेटा को एक बहु-स्तरीय पहेली के रूप में मानकर, यह सिस्टम "स्वयं सीख" सकता है कि चलती हुई चीजें कनेक्शन को कैसे प्रभावित कर रही हैं, जिससे महंगे अतिरिक्त हार्डवेयर की आवश्यकता के बिना स्पष्ट कॉल और तेज़ इंटरनेट संभव हो पाता है।

तकनीकी सारांश: मूवेबल इंटेलिजेंट सरफेस के लिए चैनल अनुमान (Channel Estimation)

समस्या विवरण (Problem Statement)
यह शोध पत्र मूवेबल इंटेलिजेंट सरफेस (MIS) द्वारा समर्थित अपलिंक MIMO सिस्टम में चैनल अनुमान की चुनौती को संबोधित करता है। जबकि रीकॉन्फ़िगेरेबल इंटेलिजेंट सर्फेस (RIS) प्रोग्राम करने योग्य रेडियो वातावरण प्रदान करते हैं, पारंपरिक सिंगल-लेयर RIS सटीक चैनल स्टेट इंफॉर्मेशन (CSI) और पैसिव बीमफॉर्मिंग पर निर्भर करते हैं। मौजूदा आर्किटेक्चर जैसे कि एक्टिव RIS या स्टैक्ड इंटेलिजेंट मेटासरफेस (SIMs), जटिलता या बिजली की खपत बढ़ाते हैं। MIS आर्किटेक्चर, जिसे पूर्व कार्य [7] में प्रस्तावित किया गया था, एक समझौता पेश करता है जो एक फिक्स्ड ट्रांसमिसिव लेयर (MS1) को एक छोटी मूवेबल लेयर (MS2) के साथ जोड़ता है। MS2 का MS1 के सापेक्ष मैकेनिकल विस्थापन (mechanical displacement), व्यक्तिगत तत्वों के तेज़ इलेक्ट्रॉनिक ट्यूनिंग की आवश्यकता के बिना विशिष्ट प्रभावी फेज प्रोफाइल (phase profiles) बनाता है।

हालाँकि, यह आर्किटेक्चर एक महत्वपूर्ण अनुमान बाधा (estimation bottleneck) उत्पन्न करता है। पारंपरिक RIS के समान, सतह की पैसिव प्रकृति सीधे बेसबैंड अवलोकन को रोकती है। इसके अतिरिक्त, मूवेबल लेयर एक स्थिति-निर्भर प्रतिक्रिया (position-dependent response) पेश करती है जिसे वायरलेस चैनलों के साथ संयुक्त रूप से अनुमानित किया जाना चाहिए। महत्वपूर्ण रूप से, व्यावहारिक परिदृश्यों में, मूवेबल लेयर की प्रभावी फेज प्रतिक्रिया रिसीवर के लिए अज्ञात या अपूर्ण रूप से कैलिब्रेटेड हो सकती है। RIS के लिए मौजूदा टेंसर-आधारित चैनल अनुमान विधियाँ इस अतिरिक्त मैकेनिकल डिग्री ऑफ फ्रीडम या मूवेबल-लेयर फेज मैट्रिक्स की अज्ञात प्रकृति को सीधे संबोधित नहीं करती हैं।

कार्यप्रणाली (Methodology)
लेखक एक टेंसर-आधारित ढांचे का प्रस्ताव करते हैं जो प्राप्त पायलट सिग्नल्स को चौथे-क्रम के PARAFAC (Parallel Factor) टेंसर के रूप में मॉडल करता है। सिस्टम दो आयामों के प्रशिक्षण का संयुक्त रूप से लाभ उठाता है:

फिक्स्ड-लेयर फेज पैटर्न: फिक्स्ड लेयर (MS1) $S$ पूर्वनिर्धारित फेज-शिफ्ट पैटर्न लागू करती है।
मूवेबल-लेयर पोजीशंस: मूवेबल लेयर फिक्स्ड ग्रिड पर $U$ डिस्क्रीट मैकेनिकल पोजीशंस का अन्वेषण करती है।

बेस स्टेशन (BS) पर प्राप्त सिग्नल को फ़िल्टर किया जाता है और एक टेंसर $\mathcal{Y} \in \mathbb{C}^{N_r \times N_t \times S \times U}$ में संरचित किया जाता है, जहाँ $N_r$ और $N_t$ क्रमशः BS और यूजर टर्मिनल (UT) एंटेना की संख्या है। टेंसर निम्नलिखित मॉडल का पालन करता है:
$\mathcal{Y} = \mathcal{I}_{4,M} \times_1 G \times_2 H \times_3 \Phi_f \times_4 \Phi_m$
यहाँ, $G$ और $H$ क्रमशः MIS-BS और UT-MIS चैनलों का प्रतिनिधित्व करते हैं, $\Phi_f$ ज्ञात फिक्स्ड-लेयर फेज शिफ्ट्स को दर्शाता है, और $\Phi_m$ मूवेबल लेयर की अज्ञात स्थिति-निर्भर फेज प्रतिक्रिया को दर्शाता है।

अज्ञात कारकों का अनुमान लगाने के लिए, शोध पत्र एक ट्रिलिनियर अल्टरनेटिंग लीस्ट स्क्वायर्स (TALS) रिसीवर व्युत्पन्न करता है। पारंपरिक दृष्टिकोणों के विपरीत, जो पूर्ण ज्ञात ट्रेनिंग मैट्रिक्स मानते हैं, यह रिसीवर मूवेबल-लेयर फेज मैट्रिक्स ( $D$ , जो $\Phi_m$ के अनुरूप है) को एक अज्ञात कारक के रूप में मानता है जिसे अनुमानित किया जाना है। एल्गोरिदम प्राप्त टेंसर के $n$ -मोड अनफोल्डिंग्स (unfoldings) के आधार पर कंडीशनल लीस्ट-स्क्वायर्स सबप्रॉब्लम्स को हल करके चैनल मैट्रिसेस ( $G$ , $H^T$ ) और मूवेबल-लेयर रिस्पॉन्स ( $D$ ) के अनुमानों को पुनरावृत्ति (iteratively) के माध्यम से अपडेट करता है।

प्रमुख योगदान (Key Contributions)
शोध पत्र तीन प्राथमिक योगदानों को रेखांकित करता है:

ट्रेनिंग प्रोटोकॉल और टेंसर मॉडलिंग: लेखक फिक्स्ड-लेयर फेज शिफ्ट्स और मूवेबल-लेयर पोजीशंस को संयोजित करने वाला एक टू-डायमेंशनल ट्रेनिंग प्रोटोकॉल प्रस्तावित करते हैं, जो प्राप्त सिग्नल को चौथे-क्रम के PARAFक (PARAFAC) टेंसर के रूप में मॉडल करता है।
TALS-PARAFAC रिसीवर: एक रिसीवर व्युत्पन्न किया गया है जो UT-MIS चैनल, MIS-BS चैनल और स्थिति-निर्भर मूवेबल-लेयर रिस्पॉन्स का एक साथ अनुमान लगाता है। एक महत्वपूर्ण विशेषता यह है कि रिसीवर मूवेबल-लेयर फेज मैट्रिक्स के पूर्व ज्ञान के बिना कार्य करता है, और इसे सीधे टेंसर संरचना से अनुमानित करता है।
आइडेंटिफिएबिलिटी और कॉम्प्लेक्सिटी का विश्लेषण: शोध पत्र उन शर्तों पर चर्चा करता है जो चैनल कारकों की पहचान (विशेष रूप से ट्रेनिंग स्लॉट्स $S$ , पोजीशंस $U$ , और एंटेना काउंट वाले खात्री-राव उत्पादों के संबंध में) के लिए आवश्यक हैं और कम्प्यूटेशनल कॉम्प्लेक्सिटी का विश्लेषण करता है, जो इटरेशन्स और पोजीशंस की संख्या के साथ रैखिक रूप से स्केल करती है।

सिमुलेशन परिणाम (Simulation Results)
अनुमानित कारकों और पुनर्गठित कैस्केडेड चैनल के नॉर्मलाइज्ड मीन स्क्वायर एरर (NMSE) का उपयोग करके प्रदर्शन का मूल्यांकन किया गया।

BALS के साथ तुलना: प्रस्तावित TALS रिसीवर की तुलना एक पारंपरिक बाइनिलियर अल्टरनेटिंग लीस्ट स्क्वायर्स (BALS) बेंचमार्क से की गई। BALS बेंचमार्क ने कम NMSE प्राप्त किया लेकिन यह मूवेबल-लेयर ट्रेनिंग मैट्रिक्स के पूर्ण ज्ञान की धारणा पर निर्भर था। TALS रिसीवर, जो मूवेबल-लेयर फेजेस की अज्ञात धारणा के तहत काम करता है, सफल अभिसरण (convergence) और सटीक अनुमान प्रदर्शित करता है।
ट्रेनिंग लेंथ का प्रभाव: सिमुलेशन परिणामों ने संकेत दिया कि प्रशिक्षण स्लॉट्स ( $S$ ) की संख्या बढ़ाने से NMSE में काफी सुधार होता है। एक ट्रांजिशन देखा गया जहाँ अपर्याप्त ट्रेनिंग लेंथ के कारण खराब टेंसर फैक्टराइजेशन कंडीशनिंग के कारण उच्च NMSE हुआ, जबकि पर्याप्त लंबाई ( $S=64$ ) ने त्रुटि में भारी कमी दिखाई।
संयुक्त अनुमान (Joint Estimation): परिणामों ने पुष्टि की कि ट्रेनिंग लेंथ बढ़ाने से मूवेबल-लेयर रिस्पॉन्स ( $D$ ) और कैस्केडेड चैनल दोनों के अनुमान की सटीकता में सुधार होता है, जो अज्ञात फेज मैट्रिक्स को प्राप्त डेटा से रिकवर करने की मॉडल की क्षमता को प्रमाणित करता है।

महत्व और दावे (Significance and Claims)
शोध पत्र दावा करता है कि वह साहित्य में MIS-असिस्टेड MIMO आर्किटेक्चर के लिए चैनल अनुमान समस्या को संबोधित करने वाला पहला कार्य है। इसकी प्राथमिक महत्ता प्रस्तावित फॉर्मूलेशन के व्यावहारिक लाभ में निहित है: यह मूवेबल-लेयर फेज रिस्पॉन्स के पूर्व अंशांकन (calibration) या ज्ञान की आवश्यकता को समाप्त करता है। अज्ञात मैकेनिकल रिस्पॉन्स को एक अनुमानित टेंसर फैक्टर के रूप में मानकर, यह विधि उन परिदृश्यों में लचीला चैनल अनुमान सक्षम करती है जहाँ मूवेबल सरफेस की भौतिक स्थिति रिसीवर को पूरी तरह से ज्ञात नहीं होती है। लेखक निष्कर्ष निकालते हैं कि प्रस्तावित ढांचा सफलतापूर्वक मैकेनिकल डिस्प्लेसमेंट द्वारा प्रदान किए गए अतिरिक्त स्ट्रक्चर्ड डायमेंशन का लाभ उठाता है ताकि कैस्केडेड चैनलों और मूवेबल-लेयर रिस्पॉन्स को संयुक्त रूप से अलग (decouple) और अनुमानित किया जा सके।

समस्या: "अंधा" खिड़की

समाधान: एक "टेन्सर" पहेली

उन्होंने यह कैसे किया (द "TALS" रिसीवर)

उन्होंने क्या पाया

मुख्य निष्कर्ष

इसी तरह के और पेपर