Flexible RISs: Learning-based Array Manifold Estimation and Phase-shift Optimization

1. Problema e Contesto

Le Superfici Intelligenti Ricontfigurabili (RIS) sono considerate una tecnologia abilitante fondamentale per le reti wireless di prossima generazione, offrendo un controllo programmabile sull'ambiente di propagazione. Tuttavia, la maggior parte della letteratura esistente assume che le RIS siano superfici piane.

Nelle implementazioni pratiche, le RIS devono spesso essere montate su superfici non piane (es. colonne strutturali, facciate curve di edifici, carrosserie di veicoli). Quando una RIS è conformale a una superficie curva ma i suoi sfasamenti (phase shifts) sono ottimizzati basandosi su un modello planare ideale, si verifica un mismatch geometrico. Questo porta a una significativa degradazione delle prestazioni del sistema (es. tasso di dati, accuratezza del sensing).

Le soluzioni analitiche esistenti per RIS curve sono spesso limitate a geometrie specifiche e predefinite. Inoltre, trattare la stima della geometria della superficie come un problema di ottimizzazione non lineare e non convesso in tempo reale è computazionalmente proibitivo.

2. Metodologia Proposta

Gli autori propongono un framework basato sull'Apprendimento Profondo (Deep Learning - DL) per ottimizzare gli sfasamenti delle RIS non piane senza conoscere a priori la geometria esatta della superficie.

A. Modello Parametrico della Superficie

Per rendere il problema trattabile, gli autori introducono un modello parametrico a bassa dimensionalità per catturare la curvatura arbitraria della superficie.

• Invece di stimare la posizione di ogni singolo elemento della RIS (N variabili), la superficie viene approssimata tramite una serie di Taylor del secondo ordine.
• La coordinata $x$ (profondità) della superficie è modellata come una funzione quadratica delle coordinate $y$ e $z$:
  $$x = g(y, z) \approx a_{yy}y^2 + a_{zz}z^2 + a_{yz}yz + a_y y + a_z z$$
• Questo riduce il problema di stima da N variabili a soli 5 coefficienti geometrici incogniti ($a_{yy}, a_{zz}, a_{yz}, a_y, a_z$).

B. Architettura della Rete Neurale (NN)

Viene progettata una rete neurale (MLP - Multi-Layer Perceptron) per stimare questi 5 coefficienti e ottimizzare gli sfasamenti.

• Input: Un vettore di misurazioni della potenza ricevuta ($P_{k,m}$) ottenute da $K$ diverse posizioni di utenti mobili (MU) e $M$ diverse configurazioni di sfasamento della RIS.
  • Nota importante: Il sistema utilizza solo misurazioni di potenza (robuste e facili da ottenere) invece dello stato completo del canale (CSI), evitando problemi di sincronizzazione di fase.
• Output: I 5 coefficienti geometrici che definiscono la curvatura della superficie.
• Architettura: Una rete feed-forward con 3 strati nascosti (128, 64, 32 neuroni), attivazione ReLU e un layer di output lineare.
• Addestramento: La rete viene addestrata su un dataset simulato generato campionando la potenza ricevuta per diverse geometrie casuali (definite dai coefficienti estratti da distribuzioni uniformi).

C. Ottimizzazione degli Sfasamenti

Una volta che la rete neurale stima i coefficienti geometrici, la superficie della RIS è considerata "nota". Gli sfasamenti ottimali vengono quindi calcolati analiticamente per massimizzare la coerenza del segnale riflesso verso la posizione target dell'utente, assumendo che la RIS fosse planare ma applicando la correzione basata sulla geometria stimata.

3. Contributi Chiave

1. Modello Parametrico Generale: Introduzione di un modello a bassa dimensionalità basato su Taylor che riduce drasticamente la complessità del problema di stima della geometria, permettendo di rappresentare curvature comuni (cilindriche, paraboliche).
2. Framework di Apprendimento Profondo: Sviluppo di un metodo NN che stima implicitamente la geometria della RIS curva e ottimizza gli sfasamenti utilizzando solo un set sparso di misurazioni di potenza ricevuta, senza richiedere CSI completo.
3. Valutazione di Robustezza: Analisi approfondita delle prestazioni in scenari con geometrie non viste durante l'addestramento e in presenza di errori di localizzazione degli utenti.

4. Risultati delle Simulazioni

Le simulazioni sono state condotte in un scenario downlink a 28 GHz (mmWave) con una RIS di $40 \times 10$ elementi.

• Convergenza: L'algoritmo di addestramento converge rapidamente, con una riduzione stabile della Loss (MSE normalizzato) sia sul training set che sul validation set.
• Prestazioni vs. Varianza Geometrica:
  • Per curvature molto basse ($\sigma \le 0.25$), il design planare tradizionale è sufficiente e leggermente superiore (poiché l'NN è ottimizzato per curvature medie).
  • Per curvature significative ($\sigma \ge 0.25$), il design planare subisce un crollo delle prestazioni (SNR), mentre il metodo proposto mantiene prestazioni elevate, avvicinandosi al limite superiore (geometria nota perfettamente).
  • Il metodo mostra robustezza anche quando la curvatura reale supera il range di dati su cui la rete è stata addestrata (regione non osservata).
• Robustezza agli Errori di Localizzazione:
  • Il metodo proposto mantiene un vantaggio significativo rispetto al design planare anche in presenza di errori di localizzazione dell'utente (fino a certi livelli).
  • Curiosamente, il design planare è meno sensibile agli errori di localizzazione perché, a causa del mismatch geometrico iniziale, il fascio non è puntato correttamente in ogni caso; errori aggiuntivi non peggiorano drasticamente una situazione già compromessa.

5. Significato e Impatto

Questo lavoro è significativo perché colma il divario tra le teorie ideali delle RIS piane e le realtà pratiche di installazione su superfici curve.

• Fattibilità Pratica: Dimostra che è possibile implementare RIS su strutture architettoniche complesse senza bisogno di costosi sistemi di scansione laser o modelli geometrici precisi a priori.
• Efficienza Computazionale: Sposta il carico computazionale dalla fase di esecuzione (inferenza in tempo reale molto veloce) alla fase di addestramento offline.
• Robustezza Operativa: Fornisce una soluzione che degrada gradualmente in condizioni di incertezza, rendendo le RIS una tecnologia più affidabile per il dispiegamento reale in ambienti urbani complessi.

In sintesi, il paper propone una soluzione elegante che combina modellazione parametrica e deep learning per trasformare un problema di ottimizzazione geometrica complesso in un compito di regressione gestibile, abilitando l'uso efficace delle RIS su superfici flessibili e curve.