Geometry-Informed Optimization of Binary RIS Configurations for Communication and Sensing

तकनीकी सारांश: बाइनरी RIS कॉन्फ़िगरेशन का ज्यामिति-सूचित अनुकूलन (Geometry-Informed Optimization)

समस्या विवरण
व्यावहारिक पुनर्गठनीय इंटेलिजेंट सरफेस (RIS) अक्सर कम-रिज़ॉल्यूशन वाले फेज़ शिफ्टर्स का उपयोग करते हैं, जो आमतौर पर 1-बिट (दो असतत अवस्थाएँ: $0^\circ$ और $180^\circ$) तक सीमित होते हैं। $N$ तत्वों वाले एक RIS के लिए, कॉन्फ़िगरेशन स्पेस $2^N$ बाइनरी अवस्थाओं से बना होता है। प्रदर्शन मेट्रिक्स (जैसे प्राप्त सिग्नल स्ट्रेंथ या सेंसिंग सटीकता) को अधिकतम करने के लिए व्यापक खोज (exhaustive search) के माध्यम से प्रत्यक्ष अनुकूलन करना, इसके घातीय विकास (exponential growth) के कारण गणनात्मक रूप से अत्यधिक कठिन है। जबकि मौजूदा साहित्य अक्सर निरंतर फेज़ शिफ्ट (continuous phase shifts) मानता है और अनुकूलन के बाद क्वांटिज़ेशन लागू करता है, यह दृष्टिकोण अक्सर निम्न फेज़ रिज़ॉल्यूशन होने पर महत्वपूर्ण प्रदर्शन गिरावट का कारण बनता है। इसके विपरीत, प्रत्यक्ष असतत खोज (direct discrete search) विधियाँ अक्सर अनस्ट्रक्चर्ड एक्सप्लोरेशन पर निर्भर करती हैं, जो इष्टतम समाधान स्थान की अंतर्निहित संरचना का लाभ उठाने में विफल रहती हैं।

कार्यप्रणाली
लेखक एक ढांचा प्रस्तावित करते हैं जो 1-बिट RIS फेज़ ऑप्टिमाइज़ेशन समस्या को एक ज्यामितीय समस्या के रूप में पुनर्गठित करता है। बाइनरी स्पेस को अनस्ट्रक्चर्ड मानने के बजाय, यह शोध पत्र प्रदर्शित करता है कि वैश्विक रूप से इष्टतम (globally optimal) कॉन्फ़िगरेशन एक विशिष्ट ज्यामितीय गुण साझा करते हैं।

1. गणितीय पुनर्गठन (Mathematical Reformulation):
   प्राप्त सिग्नल-टू-नॉइज़ रेशियो (SNR) को अधिकतम करने की समस्या को चैनल-निर्भर वेक्टर्स के साइन्ड सम (signed sum) के नॉर्म (norm) को अधिकतम करने में बदल दिया गया है। विशेष रूप से, उद्देश्य एक बाइनरी वेक्टर $\mathbf{x} \in \{+1, -1\}^K$ खोजना है जो $\|\sum_{k} x_k \mathbf{a}_k\|$ को अधिकतम करे, जहाँ $\mathbf{a}_k$ चैनल स्टेट इंफॉर्मेशन (CSI) और डायरेक्ट लिंक से प्राप्त वेक्टर्स हैं।

2. ज्यामितीय लक्षण वर्णन (Lemma 1):
   मुख्य सैद्धांतिक योगदान यह प्रमाण है कि कोई भी वैश्विक रूप से इष्टतम कॉन्फ़िगरेशन $\mathbf{x}^*$ एक सामान्य दिशा वेक्टर $\mathbf{v}$ पर वेक्टर्स $\mathbf{a}_k$ के प्रोजेक्शन के संकेतों द्वारा प्रेरित होता है। गणितीय रूप से, $x_k^* = \text{sgn}(\mathbf{a}_k \cdot \mathbf{v})$। इसका तात्पर्य यह है कि संभावित रूप से इष्टतम कॉन्फ़िगरेशन का सेट केवल उन कॉन्फ़िगरेशन तक सीमित है जो सिग्नल स्पेस में दिशा वेक्टर $\mathbf{v}$ को बदलकर उत्पन्न होते हैं।

3. एल्गोरिदम दृष्टिकोण:

• सामान्य MIMO केस (ज्यामिति-सूचित सैंपलिंग): उच्च-आयामी सिग्नल स्पेस के लिए, लेखक एक एल्गोरिदम प्रस्तावित करते हैं जो दिशा वेक्टर्स $\mathbf{v}$ को एक वितरण से सैंपल करता है और प्रोजेक्शन नियम का उपयोग करके बाइनरी कॉन्फ़िगरेशन बनाता है। यह खोज बजट को विशेष रूप से "संरचनात्मक रूप से स्वीकार्य" उम्मीदवारों तक सीमित करता है, जिससे अधिकांश उप-इष्टतम (suboptimal) कॉन्फ़िगरेशनों से बचा जा सकता है।
• SISO केस (सटीक पॉलिनोमियल-टाइम समाधान): सिंगल-इनपुट-सिंगल-आउट सिस्टम में, वेक्टर्स 2D रियल स्पेस ($\mathbb{R}^2$) में स्थित होते हैं। लेखक दिखाते हैं कि इष्टतम कॉन्फ़िगरेशन वेक्टर्स $\mathbf{a}_k$ के लंबवत रेखाओं द्वारा बनाए गए सेक्टर्स (sectors) के अनुरूप होते हैं। इन सेक्टर्स को सूचीबद्ध करके (अधिकतम $N+1$ विशिष्ट कॉन्फ़िगरेशन), वैश्विक इष्टतम को $O(K^2)$ या पैरेललिज्म के साथ $O(K \log K)$ समय में सटीक रूप से पाया जा सकता है, न कि रैंडम सैंपलिंग के माध्यम से।

4. ISAC के लिए अनुप्रयोग:
   इस ढांचे को इंटीग्रेटेड सेंसिंग एंड कम्युनिकेशन (ISAC) परिदृश्यों के लिए विस्तारित किया गया है। RIS तत्वों को संचार और सेंसिंग के लिए समूहों में विभाजित किया जाता है। लेखक प्रदर्शित करते हैं कि संचार सिग्नल्स को बढ़ाने और लक्ष्यों के स्थानीयकरण (localization) के लिए प्रकाश डालने के उप-समस्याएं दोनों ही एक ही अंतर्निहित साइन्ड-वेक्टर मैक्सिमाइजेशन समस्या में कम हो जाती हैं, जिससे दोनों कार्यात्मकताओं के लिए समान अनुकूलन एल्गोरिदम का उपयोग किया जा सकता है।

प्रमुख योगदान

• ज्यामितीय प्रमाण: सिद्ध किया कि प्रत्येक वैश्विक रूप से इष्टतम 1-बिट RIS कॉन्फ़िगरेशन एक सामान्य दिशा पर चैनल वेक्टर्स के प्रोजेक्शन के संकेतों द्वारा प्रेरित होता है।
• कुशल MIMO एल्गोरिदम: एक ज्यामिति-सूचित सैंपलिंग विधि विकसित की जो केवल संरचनात्मक रूप से वैध कॉन्फ़िगरेशन पर ध्यान केंद्रित करके सामान्य MIMO सिस्टम के लिए खोज स्थान को महत्वपूर्ण रूप से कम करती है।
• सटीक SISO एल्गोरिदम: 2D एंगुलर पार्टीशनिंग के माध्यम से पूर्ण संभावित कॉन्फ़िगरेशन सेट को वर्गीकृत करके SISO सिस्टम के लिए एक पॉलिनोमियल-टाइम सटीक एल्गोरिदम निकाला।
• एकीकृत ISAC ढांचा: दिखाया कि ISAC में संचार वृद्धि और लक्ष्य स्थानीयकरण एक ही असतत अनुकूलन संरचना साझा करते हैं, जिससे एक एकीकृत डिज़ाइन दृष्टिकोण सक्षम होता है।

सिमुलेशन परिणाम
शोध पत्र एक 3D वातावरण में संख्यात्मक सिमुलेशन के माध्यम से प्रस्तावित विधियों का मूल्यांकन करता है:

• LOS मैक्सिमाइजेशन: प्रस्तावित ज्यामिति-सूचित सैंपलिंग पद्धति की तुलना अनइंफॉर्मड डायरेक्ट बाइनरी सैंपलिंग और एक आइडियल कंटीन्यूअस-फेज़ बेंचमार्क से की गई। 1,000 उम्मीदवारों के निश्चित सैंपलिंग बजट के साथ, प्रस्तावित विधि ने डायरेक्ट सैंपलिंग की तुलना में कम से कम 5.36 dB का लाभ प्राप्त किया। यह आइडियल कंटीन्यूअस-फेज़ RIS के प्रदर्शन के करीब 3.12 dB के भीतर पहुँच गया, जो दर्शाता है कि बाइनरी स्पेस के प्रभावी अन्वेषण से कंटीन्यूअस-फेज़ प्रदर्शन का एक बड़ा हिस्सा वापस प्राप्त किया जा सकता है।
• ISAC ट्रेड-ऑफ: संचार और सेंसिंग के बीच RIS तत्वों को विभाजित किए गए ISAC परिदृश्यों में, परिणामों ने एक गैर-रैखिक ट्रेड-ऑफ दिखाया। संचार के लिए समर्पित तत्वों के अंश को बढ़ाने से प्राप्त शक्ति में निरंतर सुधार हुआ लेकिन एक महत्वपूर्ण सीमा (threshold) तक पहुँचने तक सेंसिंग प्रदर्शन (लोकलाइजेशन एरर और मिस रेट) में तुरंत गिरावट नहीं आई। यह एक ऐसे ऑपरेटिंग क्षेत्र का सुझाव देता है जहाँ न्यूनतम प्रभाव के साथ संचार को बढ़ाया जा सकता है।

महत्व
यह शोध पत्र दावा करता है कि व्यावहारिक RIS हार्डवेयर की असतत प्रकृति फेज़ ऑप्टिमाइज़ेशन को अव्यवहार्य नहीं बनाती है। इसके बजाय, असतत बाधाएं एक लाभप्रद ज्यामितीय संरचना को प्रकट करती हैं। इस संरचना का लाभ उठाकर, प्रस्तावित ढांचा व्यावहारिक 1-बिट RIS कॉन्फ़िगरेशन को संचार और सेंसिंग दोनों कार्यात्मकताओं के लिए अनुकूलित करने के लिए एक एकीकृत दृष्टिकोण प्रदान करता है, जो व्यापक खोज या कंटीन्यूअस-फेज़ सन्निकटन (approximations) के लिए एक गणनात्मक रूप से कुशल विकल्प है।