Energy-Efficient IRS-Assisted Green Cellular Networks With Ground Base Station Sleep Mode

तकनीकी सारांश: ग्राउंड बेस स्टेशन स्लीप मोड के साथ ऊर्जा-कुशल IRS-सहायता प्राप्त ग्रीन सेलुलर नेटवर्क

समस्या का निरूपण
यह शोध बीयॉन्ड-फिफ्थ-जनरेशन (B5G) और छठी-पीढ़ी (6G) के वायरलेस नेटवर्क में ऊर्जा दक्षता (EE) को अधिकतम करने की चुनौती को संबोधित करता है। विशिष्ट परिदृश्य एक डाउनलिंक सेलुलर नेटवर्क का है जो तीन प्रमुख घटकों को एकीकृत करता है: ग्राउंड बेस स्टेशन (GBSs), एक एकल एरियल बेस स्टेशन (ABS), और इंटेलिजेंट रिफ्लेक्टिंग सरफेसेस (IRSs)। मुख्य समस्या ऊर्जा बचत और गुणवत्ता-दर-सेवा (QoS) आवश्यकताओं के बीच संतुलन बनाने की आवश्यकता से उत्पन्न होती है। जबकि GBS स्लीप मोड स्थिर बिजली खपत को कम करते हैं, वे कवरेज अंतराल पैदा कर सकते हैं और प्रदर्शन को खराब कर सकते हैं, विशेष रूप से सेल-एज उपयोगकर्ताओं के लिए। इसके विपरीत, ABS लचीला कवरेज प्रदान करते हैं लेकिन प्लेटफॉर्म ऊर्जा लागत (जैसे, होवरिंग) पेश करते हैं, और IRS सिग्नल प्रसार को बढ़ाते हैं लेकिन फेज शिफ्ट के संयुक्त अनुकूलन की आवश्यकता होती है।

लेखक इसे एक मिश्रित-पूर्णांक गैर-कन्वेक्स (mixed-integer non-convex) अनुकूलन समस्या के रूप में निरूपित करते हैं। इसका उद्देश्य कुल नेटवर्क थ्रूपुट और कुल बिजली खपत के अनुपात को अधिकतम करना है। अनुकूलन चरों (optimization variables) में शामिल हैं:

• डिस्क्रीट चर (Discrete variables): GBS सक्रियता अवस्थाएं (स्लीप/सक्रिय) और उपयोगकर्ता जुड़ाव (कौन सा ट्रांसमीटर किस उपयोगकर्ता को किस सबचैनल पर सेवा देता है)।
• सतत चर (Continuous variables): GBS और ABS के लिए ट्रांसमिट पावर आवंटन, ABS की क्षैतिज स्थिति, और IRS तत्वों के फेज शिफ्ट।

समस्या पावर बजट, QoS (न्यूनतम डेटा दर) आवश्यकताओं, IRS तत्वों के लिए यूनिट-मॉड्यूल बाधाओं, और सक्रिय स्थलीय (terrestrial) एवं हवाई ट्रांसमीटरों के बीच को-चैनल इंटरफेरेंस के स्पष्ट मॉडलिंग द्वारा बाधित है। समस्या की गैर-कन्वेक्स प्रकृति, जो भिन्नात्मक उद्देश्यों (fractional objectives), बाइनरी चरों और युग्मित इंटरफेरेंस टर्म्स से प्रेरित है, पारंपरिक अनुकूलन विधियों को गणनात्मक रूप से अव्यवहार्य बनाती है।

कार्यप्रणाली (Methodology)
इस जटिल अनुकूलन समस्या को हल करने के लिए, लेखक एक हाइब्रिड डीप रीइन्फोर्समेंट लर्निंग (DRL) ढांचे का प्रस्ताव करते हैं। यह दृष्टिकोण निर्णय स्थान (decision space) को डिस्क्रीट और सतत घटकों में विभाजित करता है, जो दो अलग-अलग एल्गोरिदम की शक्तियों का लाभ उठाता है:

1. डबल डीप Q-लर्निंग (DDQL): डिस्क्रीट निर्णय लेने वाले कार्यों को संभालने के लिए उपयोग किया जाता है। विशेष रूप से, DDQL एजेंट GBS स्लीप-मोड इंडिकेटर्स ($\alpha_m$) और उपयोगकर्ता जुड़ाव चर ($\beta_{k,m,l}, \beta_{k,a,l}$) को निर्धारित करता है। यह मॉड्यूल अनावश्यक ऊर्जा उपयोग को कम करने के लिए इष्टतम नेटवर्क टोपोलॉजी और सक्रियता पैटर्न को सीखता है जबकि कवरेज बनाए रखता है।
2. डीप डिटरमिनिस्टिक पॉलिसी ग्रेडिएंट (DDPG): निरंतर नियंत्रण चरों को अनुकूलित करने के लिए उपयोग किया जाता है। DDPG एजेंट ABS की क्षैतिज स्थिति, ग्राउंड और एरियल नोड्स दोनों के लिए ट्रांसमिट पावर आवंटन, और IRS फेज-शिफ्ट मैट्रिसेस को समायोजित करता है। यह मॉड्यूल गतिशील चैनल स्थितियों और इंटरफेरेंस पैटर्न के अनुकूल होता है।

सिस्टम को एक मार्कोव निर्णय प्रक्रिया (MDP) के रूप में मॉडल किया गया है। स्टेट स्पेस में चैनल स्टेट इंफॉर्मेशन, वर्तमान GBS गतिविधि, उपयोगकर्ता जुड़ाव, पावर स्तर, ABS स्थिति और IRS कॉन्फ़िगरेशन शामिल हैं। रिवॉर्ड फंक्शन को ऊर्जा दक्षता को अधिकतम करने के लिए डिज़ाइन किया गया है जबकि QoS उल्लंघनों (उपयोगकर्ता न्यूनतम दर प्राप्त करने में विफल रहते हैं) और बाधा उल्लंघनों (जैसे, पावर सीमाएं) के लिए दंड (penalties) लागू किए जाते हैं।

प्रमुख योगदान
यह शोध पत्र निम्नलिखित विशिष्ट योगदानों को रेखांकित करता है:

• फ्रेमवर्क विकास: एक ऊर्जा-कुशल नेटवर्क फ्रेमवर्क का डिज़ाइन जो IRS सहायता, ABS गतिशीलता और GBS स्लीप मोड को संयुक्त रूप से एकीकृत करता है।
• इंटरफेरेंस-अवेयर मॉडलिंग: एक सिस्टम मॉडल का निर्माण जो एक ऑर्थोगोनल रिसोर्स एलोकेशन योजना के भीतर स्थलीय और हवाई ट्रांसमिशन के बीच को-चैनल इंटरफेरेंस को स्पष्ट रूप से ध्यान में रखता है।
• अनुकूलन निरूपण: एक मिश्रित-पूर्णांक गैर-कन्वेक्स समस्या का निरूपण जो स्लीप इंडिकेटर, उपयोगकर्ता जुड़ाव, पावर, पोजिशनिंग और फेज शिफ्ट को संयुक्त रूप से अनुकूलित करता है।
• हाइब्रिड एल्गोरिदम: उच्च-आयामी, मिश्रित-चर निर्णय स्थान को कुशलतापूर्वक नेविगेट करने के लिए DDQL और DDPG को संयोजित करने वाला एक हाइब्रिड DRL समाधान।
• प्रदर्शन सत्यापन: यह प्रदर्शित करना कि प्रस्तावित दृष्टिकोण QoS बाधाओं को पूरा करते हुए ऊर्जा दक्षता में सुधार करता है, जो पारंपरिक बेंचमार्क से बेहतर प्रदर्शन करता है।

संख्यात्मक परिणाम
प्रस्तावित ढांचे का मूल्यांकन 500 मीटर त्रिज्या वाले क्षेत्र में 3 GBSs, 6 उपयोगकर्ताओं और 2 IRSs वाले संख्यात्मक सिमुलेशन के माध्यम से किया गया था। परिणामों की तुलना तीन बेंचमार्क स्कीमों के विरुद्ध की गई थी: बिना IRS वाला सिस्टम, बिना ABS वाला सिस्टम, और एक सिस्टम जहाँ सभी GBS सक्रिय रहते हैं (कोई स्लीप मोड नहीं)।

• अभिसरण (Convergence): हाइब्रिड DRL फ्रेमवर्क ने स्थिर अभिसरण प्रदर्शित किया, जिसमें प्रशिक्षण के बाद ऊर्जा दक्षता लगभग $3 \times 10^6$ bit/J से बढ़कर $5.5$और$6.5 \times 10^6$ bit/J के बीच हो गई।
• ट्रेड-ऑफ़ (Trade-offs): सिस्टम ने औसत उपयोगकर्ता डेटा दर को बढ़ाते हुए कुल बिजली खपत को कम करने का दोहरा सुधार सफलतापूर्वक प्राप्त किया।
• स्लीप मोड प्रभावशीलता: सीखी गई नीति ने प्रशिक्षण एपिसोड के दौरान सक्रिय GBSs की संख्या को क्रमिक रूप से कम किया। परिणाम दर्शाते हैं कि IRS-सहायता प्राप्त लिंक और ABS समर्थन नेटवर्क को कम सक्रिय ग्राउंड स्टेशनों के साथ भी QoS बनाए रखने की अनुमति देते हैं।
• तुलनात्मक प्रदर्शन: प्रस्तावित विधि ने तुलना की गई सभी स्कीमों में उच्चतम ऊर्जा दक्षता प्राप्त की। "No-IRS" और "No-ABS" बेसलाइनों के साथ प्रदर्शन का अंतर सिग्नल रिफ्लेक्शन एन्हांसमेंट और एरियल फ्लेक्सिबिलिटी के विशिष्ट लाभों को उजागर करता है।

महत्व और दावे
यह शोध पत्र दावा करता है कि ABS लचीलेपन, IRS-सहायता प्राप्त प्रसार, और बुद्धिमान स्लीप-मोड नियंत्रण का एकीकरण एक अत्यधिक कुशल और अनुकूलन योग्य नेटवर्क संचालन को सक्षम बनाता है। लेखक का तर्क है कि उनका हाइब्रिड DRL दृष्टिकोण कवरेज, इंटरफेरेंस प्रबंधन और ऊर्जा खपत को प्रभावी ढंग से संतुलित करके भविष्य के वायरलेस नेटवर्क में ऊर्जा दक्षता चुनौतियों को संबोधित करने के लिए एक आशाजनक समाधान प्रदान करता है। अध्ययन निष्कर्ष निकालता है कि प्रस्तावित फ्रेमवर्क बिना उपयोगकर्ता डेटा दरों से समझौता किए, IRS सहायता, ABS समर्थन या स्लीप-मोड अनुकूलन की कमी वाली स्कीमों की तुलना में ऊर्जा दक्षता में महत्वपूर्ण सुधार करता है।

लेखक भविष्य के कार्य के संबंध में एक मध्यम दायरा बनाए रखते हैं, यह नोट करते हुए कि भविष्य के अनुसंधान दिशाओं में कई ABSs के साथ फ्रेमवर्क का विस्तार करना, गतिशील IRS परिनियोजन रणनीतियाँ, और अधिक यथार्थवादी गतिशीलता और ट्रैफिक मॉडल शामिल हैं।