⚡ electrical engineering

Iterative Optimization of Reconfigurable Intelligent Surface Aided Single-Carrier Spatial Modulation

यह शोध पत्र एक नवीन चक्रीय-प्रिफिक्स्ड (cyclic-prefixed) सिंगल-कैरियर ट्रांसमिशन योजना का प्रस्ताव और विश्लेषण करता है जो फ्रीक्वेंसी-सिलेक्टिव फेडिंग चैनलों में रिएन्फिगेरेबल इंटेलिजेंट सर्फेसेस (RIS) को स्पेशियल मॉड्यूलेशन के साथ जोड़ता है, जिसमें RIS फेज शिफ्ट्स को इटरेटिव रूप से अनुकूलित करने के लिए एक क्लोज्ड-फॉर्म ग्रेडिएंट-असेंट एल्गोरिदम का उपयोग किया गया है और यह पारंपरिक बेंचमार्क की तुलना में डिस्क्रीट-इनपुट कंटीन्यूअस-आउटपुट मेमरीलेस चैनल (DCMC) क्षमता को महत्वपूर्ण रूप से बढ़ाता है।

मूल लेखक: Kentaro Nagaya, Shinya Sugiura

प्रकाशित 2026-07-09

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Kentaro Nagaya, Shinya Sugiura

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, गूँजने वाली घाटी (canyon) में अपने एक दोस्त के साथ स्पष्ट बातचीत करने की कोशिश कर रहे हैं। आपके और आपके दोस्त के बीच का सीधा रास्ता एक विशाल चट्टान ने रोक रखा है, इसलिए आपकी आवाज़ सीधे उन तक नहीं पहुँच सकती।

इस समस्या को हल करने के लिए, आप स्मार्ट दर्पणों (जिसे Reconfigurable Intelligent Surface या RIS कहा जाता है) की एक टीम लेकर आते हैं। ये केवल साधारण दर्पण नहीं हैं; ये तुरंत अपना कोण (angle) और आकार बदल सकते हैं ताकि आपकी आवाज़ को पूरी तरह से आपके दोस्त तक पहुँचाया जा सके, और गूँज और शोर को काट दिया जाए।

यह शोध पत्र इन स्मार्ट दर्पणों का उपयोग करने का एक चतुर नया तरीका पेश करता है ताकि अधिक जानकारी, तेज़ी से और अधिक विश्वसनीय रूप से भेजी जा सके, भले ही वह "घाटी" (वायरलेस चैनल) भ्रमित करने वाली गूँज (frequency-selective fading) से भरी हो।

यहाँ सरल उपमाओं (analogies) का उपयोग करके इस शोध पत्र के विचारों का विवरण दिया गया है:

1. समस्या: "गूँजने वाली घाटी" (The "Echoey Canyon")

सामान्य वायरलेस संचार में, सिग्नल अक्सर इमारतों और पहाड़ियों से टकराकर वापस आते हैं, जिससे एक ही संदेश के कई संस्करण बनते हैं जो अलग-अलग समय पर पहुँचते हैं। यह एक घाटी में चिल्लाने जैसा है जहाँ आपकी आवाज़ दीवारों से टकराती है और आपके दोस्त के कान तक गूँज के एक उलझे हुए ढेर के रूप में पहुँचती है।

अधिकांश पिछले शोधों ने माना था कि घाटी "सपाट" (बिना गूँज के) है, जो वास्तविक नहीं है। यह शोध पत्र इसी उलझी हुई, गूँजने वाली वास्तविकता से निपटता है।

2. समाधान: स्मार्ट दर्पणों के साथ "स्पेशियल मॉड्यूलेशन" (Spatial Modulation)

लेखक Spatial Modulation (SM) नामक एक तकनीक का प्रस्ताव करते हैं। इसे अपनी आवाज़ के साथ "लुका-छिपी" (Hide and Seek) के खेल के रूप में समझें।

पुराना तरीका: आप अपने मुँह से एक शब्द (जैसे "Hello") चिल्लाते हैं।
नया तरीका (SM): आप "Hello" चिल्लाते हैं, लेकिन साथ ही आप यह भी चुनते हैं कि आपकी आवाज़ को उछालने के लिए आपके कौन से स्मार्ट दर्पण का उपयोग किया जाएगा।
- यदि आप दर्पण A का उपयोग करते हैं, तो इसका अर्थ है अक्षर "A"।
- यदि आप दर्पण B का उपयोग करते हैं, तो इसका अर्थ है अक्षर "B"।
- यदि आप दर्पण C का उपयोग करते हैं, तो इसका अर्थ है अक्षर "C"।

तो, एक ही क्षण में, आप एक साथ दो जानकारियां भेज रहे हैं: वह शब्द जो आपने चिल्लाया और वह विशिष्ट दर्पण जिसे आपने ध्वनि को उछालने के लिए चुना। यह बिना अधिक शक्ति (power) की आवश्यकता के दक्षता को दोगुना कर देता है।

3. चुनौती: प्रबंध करने के लिए बहुत अधिक दर्पण

स्मार्ट दर्पणों की टीम बहुत बड़ी है (उनके प्रयोग में 64 तत्व/elements हैं)। यदि आप हर एक छोटे दर्पण को व्यक्तिगत रूप से समायोजित करने की कोशिश करेंगे, तो इसमें बहुत समय लगेगा और एक सुपरकंप्यूटर की आवश्यकता होगी।

ट्रिक: लेखकों ने दर्पणों को 16 टीमों (समूहों) में विभाजित किया है। 64 दर्पणों को नियंत्रित करने के बजाय, वे 16 टीमों को नियंत्रित करते हैं। एक टीम के सभी दर्पण एक साथ चलते हैं। इससे गणित प्रबंधनीय हो जाता है।

4. "जादुई एल्गोरिदम": सही कोण खोजना

इस शोध पत्र का मुख्य हिस्सा एक नया इटरेटिव ऑप्टिमाइज़ेशन एल्गोरिदम है। इसे एक ऐसे पदयात्री (hiker) के रूप में सोचें जो कोहरे से भरी पर्वत श्रृंखला में सबसे ऊँची चोटी (चोटी यानी सर्वोत्तम सिग्नल गुणवत्ता) खोजने की कोशिश कर रहा है।

लक्ष्य: पदयात्री DCMC Capacity को अधिकतम करना चाहता है। सरल शब्दों में, यह वह "अधिकतम मात्रा" है जिसे बिना किसी त्रुटि के चैनल के माध्यम से भेजा जा सकता है।
विधि: एल्गोरिदम "ग्रेडिएंट एसेंट" (gradient ascent) दृष्टिकोण का उपयोग करता है। कल्पना करें कि पदयात्री अपने पैरों के नीचे ज़मीन के ढलान को महसूस कर रहा है।
- यदि ज़मीन दाईं ओर ऊपर की ओर ढलान वाली है, तो वह दाईं ओर कदम बढ़ाता है।
- यदि ज़मीन बाईं ओर ऊपर की ओर ढलान वाली है, तो वह बाईं ओर कदम बढ़ाता है।
- वह तब तक कदम लेता रहता है और अपना रास्ता समायोजित करता रहता है, जब तक कि वह पहाड़ी के बिल्कुल शीर्ष पर न पहुँच जाए।

शोध पत्र की बड़ी सफलता यह है कि उन्होंने इस पहाड़ी के "ढलान" (ग्रेडिएंट) का सटीक गणितीय सूत्र खोज निकाला है। यह कंप्यूटर को अंधेरे में भटकने के बजाय, शीर्ष तक बहुत कुशल और गणनात्मक कदम उठाने की अनुमति देता है।

5. उन्होंने क्या पाया (परिणाम)

लेखकों ने अपने विचार का परीक्षण करने के लिए कंप्यूटर सिमुलेशन चलाए:

यह काम करता है: उनका नया तरीका पुराने तरीकों की तुलना में लगातार एक "ऊँचा शिखर" (बेहतर डेटा क्षमता) पाता है।
तुलना: उन्होंने अपने स्मार्ट, समायोज्य दर्पणों की तुलना दो अन्य परिदृश्यों से की:
1. रैंडम कोण (Random Angles): दर्पणों को यादृच्छिक स्थितियों में सेट करना (जैसे बोर्ड पर डार्ट फेंकना)।
2. स्थिर कोण (Static Angles): दर्पणों को एक ही स्थिति में स्थिर रखना (कोई विशेष कार्य न करना)।
- परिणाम: उनका स्मार्ट, समायोज्य तरीका अन्य तरीकों की तुलना में काफी बेहतर था, जो उन्हें "6-डेसिबल का लाभ" (प्रदर्शन में एक बड़ी छलांग) प्रदान करता है।
गति: एल्गोरिदम तेजी से कन्वर्ज (सर्वोत्तम समाधान ढूंढना) हुआ, विशेष रूप से जब सिग्नल पावर मजबूत थी।
स्थिरता: उन्होंने परीक्षण किया कि क्या दर्पणों की शुरुआती स्थिति मायने रखती है। उन्होंने पाया कि भले ही वे एक "खराब" स्थान से शुरू हुए हों, एल्गोरिदम आमतौर पर सही रास्ता खोज लेता है, हालांकि शुरुआत समाधान के करीब होने से वहां तक पहुँचने में मदद मिलती है।

सारांश

यह शोध पत्र एक शोर भरे, गूँजने वाले वातावरण में डेटा भेजने के लिए समायोज्य दर्पणों की एक दीवार का उपयोग करने का एक नया, स्मार्ट तरीका प्रस्तुत करता है। दर्पणों को समूहों में बांटकर और सर्वोत्तम कोण खोजने के लिए एक सटीक गणितीय "हाइकिंग" एल्गोरिदम का उपयोग करके, वे पिछले तरीकों की तुलना में अधिक जानकारी तेज़ी से भेज सकते हैं। यह दर्पणों की एक टीम को सिखाने जैसा है कि वे आपके संदेश को स्पष्ट रूप से पहुँचाने के लिए पूर्ण तालमेल में कैसे नाचें, चाहे रास्ता कितना भी ऊबड़-खाबड़ क्यों न हो।

तकनीकी सारांश: पुनर्गठनीय बुद्धिमान सतह (RIS) आधारित सिंगल-कैरियर स्थानिक मॉड्यूलेशन का पुनरावृत्त अनुकूलन

समस्या विवरण
पुनर्गठनीय बुद्धिमान सतह (RIS) आधारित स्थानिक मॉड्यूलेशन (SM) पर मौजूदा शोध मुख्य रूप से फ्रीक्वेंसी-फ्लैट फेडिंग चैनलों की धारणा पर आधारित है। जबकि कुछ अध्ययन फ्रीक्वेंसी-सिलेक्टिव फेडिंग को संबोधित करते हैं, वे ऑर्थोगोनल फ्रीक्वेंसी-डिवीजन मल्टीप्लेक्सिंग (OFDM) जैसे मल्टी-कैरियर ट्रांसमिशन स्कीम्स पर निर्भर करते हैं। हालांकि, पूर्व साहित्य में उल्लेखित अनुसार, मल्टी-कैरियर सिस्टम के लिए विभिन्न सब-कैरियर्स हेतु आवश्यक कई एनालॉग एंटीना तत्वों के समवर्ती स्विचिंग (simultaneous switching) को प्राप्त करना व्यावहारिक नहीं है। फलस्वरूप, फ्रीक्वेंसी-सिलेक्टिव चैनलों पर वाइडबैंड सिंगल-कैरियर ट्रांसमिशन के लिए डिज़ाइन किए गए RIS-SM स्कीम्स की कमी है, और ऐसे यथार्थवादी परिदृश्यों के लिए कोई संगत अनुकूलन एल्गोरिदम मौजूद नहीं है।

कार्यप्रणाली
लेखक एक नवीन साइक्लिक-प्रीफिक्स्ड सिंगल-कैरियर ट्रांसमिशन स्कीम का प्रस्ताव करते हैं जो फ्रीक्वेंसी-सिलेक्टिव फेडिंग वातावरण में RIS को स्थानिक मॉड्यूलेशन (SM) के साथ एकीकृत करती है।

सिस्टम मॉडल: सिस्टम एक सिंगल-एंटीना ट्रांसमीटर, $R$ एंटेना वाला एक रिसीवर, और $G$ समूहों में विभाजित $M$ तत्वों वाला एक RIS नियोजित करता है। कम्प्यूटेशनल ओवरहेड को कम करने के लिए, प्रत्येक समूह एक ही फेज शिफ्ट गुणांक साझा करता है। सिंक्रोनाइज़ेशन के लिए ट्रांसमीटर और RIS एक स्थिर फाइबर लिंक के माध्यम से जुड़े हुए हैं, जबकि डायरेक्ट ट्रांसमीटर-रिसीवर लिंक को अवरुद्ध (blocked) माना गया है।
ट्रांसमिशन स्कीम: सूचना दो आयामों के माध्यम से संप्रेषित की जाती है:
1. PSK मॉड्यूलेशन: $\log_2 K$ बिट्स को एक कॉम्प्लेक्स-वैल्यूड फेज-शिफ्ट कीइंग (PSK) सिंबल में मैप किया जाता है।
2. स्थानिक मॉड्यूलेशन (Spatial Modulation): $\log_2 J$ बिट्स को RIS समूहों के एक्टिवेशन पैटर्न में मैप किया जाता है। विशेष रूप से, प्रति सिंबल अवधि में उच्च परावर्तित सिग्नल शक्ति बनाए रखने के लिए, RIS समूहों के एक उपसमुच्चय (subset) को सक्रिय किया जाता है (एक विशिष्ट फेज शिफ्ट के साथ सिग्नल को परावर्तित करते हुए), जबकि एक समूह को निष्क्रिय कर दिया जाता है।
अनुकूलन उद्देश्य (Optimization Objective): शोध पत्र प्रस्तावित स्कीम के लिए डिस्क्रीट-इनपुट कंटीन्यूअस-आउटपुट मेमोरीलेस चैनल (DCMC) क्षमता को सूत्रबद्ध करता है। अनकन्स्ट्रेंड क्षमता के विपरीत, DCMC डिस्क्रीट-वैल्यूड सिग्नल्स और SM पैटर्न के सैद्धांतिक सीमाओं को सटीक रूप से दर्शाता है।
एल्गोरिदम: इस DCMC क्षमता को अधिकतम करने के लिए, लेखक RIS फेज शिफ्ट वेक्टर के सापेक्ष DCMC क्षमता के क्लोज्ड-फॉर्म ग्रेडिएंट (closed-form gradient) को व्युत्पन्न करते हैं। इस ग्रेडिएंट का उपयोग फेज शिफ्ट को अनुकूलित करने के लिए एक ग्रेडिएंट-असेंट (GA) आधारित पुनरावृत्त एल्गोरिदम में किया जाता है। कम्प्यूटेशनल जटिलता को प्रबंधित करने के लिए, चैनल के डिले टैप विशेषताओं को संरक्षित करते हुए फ्रेम लंबाई को कम करने के लिए अनुकूलन समस्या को संशोधित किया गया है।

प्रमुख योगदान

नवीन ट्रांसमिशन स्कीम: फ्रीक्वेंसी-सिलेक्टिव फेडिंग चैनलों के लिए विशेष रूप से डिज़ाइन की गई एक सिंगल-कैरियर RIS-SM स्कीम का प्रस्ताव, जो फ्रीक्वेंसी-फ्लैट या मल्टी-कैरियर धारणाओं द्वारा छोड़े गए अंतराल को भरती है।
सैद्धांतिक सूत्रीकरण: प्रस्तावित स्कीम के लिए सटीक DCMC क्षमताओं का व्युत्पन्न, जो एक कठोर सैद्धांतिक प्रदर्शन सीमा प्रदान करता है।
क्लोज्ड-फॉर्म ग्रेडिएंट: RIS फेज शिफ्ट के सापेक्ष DCMC क्षमता के क्लोज्ड-फॉर्म ग्रेडिएंट का व्युत्पन्न, जो कुशल पुनरावृत्त अनुकूलन को सक्षम बनाता है।
अनुकूलन एल्गोरिदम: इन ग्रेडिएंट्स का उपयोग करके RIS फेज शिफ्ट को अनुकूलित करने के लिए एक GA-आधारित पुनरावृत्त एल्गोरिदम का विकास, जो पारंपरिक बेंचमार्क से बेहतर प्रदर्शन करता है।

प्रदर्शन परिणाम
प्रस्तावित एल्गोरिदम का रिसियन (Rician) फ्रीक्वेंसी-सिलेक्टिव फेडिंग स्थितियों ( $M=64$ तत्व, $G=16$ समूह, $R=4$ रिसीव एंटेना) के तहत मूल्यांकन करने के लिए मोंटे कार्लो सिमुलेशन आयोजित किए गए।

अभिसरण (Convergence): पुनरावृत्त एल्गोरिदम पुनरावृत्तियों की संख्या के साथ DCMC क्षमता को सफलतापूर्वक बढ़ाता है। उच्च ट्रांसमिट पावर पर अभिसरण गति अधिक देखी जाती है। अध्ययन स्टेप साइज ( $\mu$ ) के प्रति संवेदनशीलता का विश्लेषण करता है, यह नोट करते हुए कि जबकि बड़े स्टेप साइज अभिसरण को तेज करते हैं, वे ट्रांसमिट पावर के विरुद्ध सही ढंग से संतुलित न होने पर अस्थिरता या दोलन (oscillation) का कारण बन सकते हैं।
क्षमता लाभ (Capacity Gain): प्रस्तावित अनुकूलन स्कीम दो पारंपरिक बेंचमार्क: रैंडम फेज शिफ्ट और फिक्स्ड (कोई नहीं) फेज शिफ्ट से काफी बेहतर प्रदर्शन करती है। विशेष रूप से, प्रस्तावित स्कीम 1 बिट प्रति चैनल उपयोग (bpcu) तक पहुँचने के लिए बेंचमार्क की तुलना में 6-dB का लाभ प्राप्त करती है।
संवेदनशीलता: एल्गोरिदम प्रारंभिक RIS फेज शिफ्ट मानों के संबंध में मजबूती प्रदर्शित करता है, जो सामान्यतः प्रारंभिक स्थिति की परवाह किए बिना औसत प्रदर्शन के करीब अभिसरण करता है, हालांकि स्थानीय इष्टतम (local optima) से बचने के लिए स्टेप साइज का चयन महत्वपूर्ण बना हुआ है।

महत्व
यह शोध पत्र दावा करता है कि इसका प्राथमिक महत्व RIS-SM अवधारणाओं और फ्रीक्वेंसी-सिलेक्टिव वातावरण में व्यावहारिक वाइडबैंड सिंगल-कैरियर ट्रांसमिशन के बीच के अंतर को पाटने में निहित है। DCMC क्षमता के लिए क्लोज्ड-फॉर्म ग्रेडिएंट प्रदान करके, यह कार्य मल्टी-कैरियर धारणाओं पर निर्भर किए बिना, जो SM के लिए अनुपयुक्त हैं, RIS कॉन्फ़िगरेशन के कुशल, पुनरावृत्त अनुकूलन को सक्षम बनाता है। परिणाम सत्यापित करते हैं कि प्रस्तावित पुनरावृत्त एल्गोरिदम न केवल स्कीम की सैद्धांतिक क्षमता को बढ़ाता है, बल्कि वास्तविक डिले-स्प्रेड चैनल स्थितियों में RIS मापदंडों को अनुकूलित करने के लिए एक स्थिर और प्रभावी तरीका भी प्रदान करता है, जो गैर-अनुकूलित या रैंडम RIS कॉन्फ़िगरेशन से बेहतर है।