Joint Sparsity and Beamforming Design for RDARS-Aided Systems

Dit artikel introduceert een RDARS-geassisteerd communicatiesysteem met een uniform verspreid array-ontwerp en stelt een gezamenlijke optimalisatiealgoritme voor dat de somrate maximaliseert door actief en passief beamforming te combineren met de optimalisatie van de dichtheid van de verbonden elementen.

De kern

Stel je voor dat je een enorme, slimme muur hebt die je kunt gebruiken om je wifi-signaal te versterken. Deze muur is niet statisch; hij kan op twee manieren werken:

1. De "Kabel-Modus": Sommige onderdelen van de muur zijn als kleine antennes die het signaal van de router (de basisstation) oppikken en het via een kabeltje (in dit geval een glasvezelkabel) direct doorsturen naar jouw telefoon.
2. De "Spiegel-Modus": Andere onderdelen werken als spiegels. Ze vangen het signaal op en kaatsen het terug, zonder dat er een kabeltje bij komt kijken.

Deze slimme muur heet in de vaktaal RDARS (Reconfigurable Distributed Antennas and Reflecting Surface). Het probleem is echter: je hebt niet genoeg kabels om elk onderdeel van de muur aan te sluiten. Je moet dus kiezen: welke onderdelen krijgen een kabel (kabel-modus) en welke blijven spiegels?

Het Grote Dilemma: Dichtbij of Verwijd?

In het verleden dachten onderzoekers: "Laten we de onderdelen met kabels zo dicht mogelijk bij elkaar zetten, net als een compacte rij stoeptegels." Maar dit nieuwe papier stelt een heel ander idee voor: Wat als we die kabel-antennes verspreid zetten, met grote ruimtes ertussen?

Stel je voor dat je een groep mensen hebt die een zee van geluid moeten doorgeven.

• Als ze allemaal op elkaar gepakt staan (dichtbij), horen ze elkaar goed, maar kunnen ze niet goed onderscheiden waar het geluid vandaan komt als er veel mensen tegelijk praten.
• Als ze verspreid staan over een groot veld (verspreid/spaarzaam), hebben ze een veel groter bereik en kunnen ze beter onderscheiden wie wat zegt, zelfs als er veel mensen tegelijk praten.

De auteurs van dit papier zeggen: "Laten we de onderdelen met kabels verspreid zetten in een 'spaarzame rij'." Dit geeft hen een groter bereik en maakt het makkelijker om verschillende gebruikers (jouw telefoon, die van je buurman, etc.) uit elkaar te houden.

Wat hebben ze precies gedaan?

De onderzoekers hebben een slimme manier bedacht om te bepalen hoe ver die onderdelen uit elkaar moeten staan. Ze noemen dit de "sparsiteit" (of de mate van verspreiding).

1. Voor één persoon: Als er maar één gebruiker is, maakt het eigenlijk niet uit hoe ver de antennes uit elkaar staan. Het signaal komt wel aan.
2. Voor twee personen: Als er twee mensen zijn die tegelijkertijd bellen, wordt het lastig. De signalen kunnen door elkaar lopen (zoals twee mensen die in een drukke kamer tegen elkaar schreeuwen). De onderzoekers hebben een formule bedacht om precies te berekenen hoe ver de antennes uit elkaar moeten staan zodat de signalen elkaar niet storen. Het is alsof je de mensen op het veld zo plaatst dat ze elkaars stem perfect kunnen onderscheiden.
3. Voor een hele menigte: Als er twintig of dertig mensen zijn, wordt het rekenen erg moeilijk. Daarom hebben ze een slim algoritme (een computerprogramma) bedacht dat stap voor stap de beste plekjes zoekt. Dit programma is veel sneller en goedkoper dan de oude methoden.

Waarom is dit belangrijk?

• Snellere internet: Door de antennes slim te verspreiden, kunnen meer mensen tegelijkertijd snel internet hebben zonder dat het trager wordt.
• Minder rekenkracht nodig: De oude methoden om te beslissen welke antennes aan de kabel moeten, waren als het proberen van elke mogelijke combinatie in een enorm labyrint. Dat kostte veel tijd en energie. De nieuwe methode is als het nemen van een snelle shortcut door het labyrint. Het werkt net zo goed, maar is veel efficiënter.
• Toekomstproof: Dit is een stap in de richting van 6G-internet, waar we enorme hoeveelheden data nodig hebben.

Samenvatting in één zin

De onderzoekers hebben ontdekt dat het beter is om de "kabel-antennes" van een slimme wifi-muur verspreid over een groot oppervlak te plaatsen in plaats van ze dicht op elkaar te drukken, en ze hebben een slimme, snelle manier bedacht om precies te berekenen hoe ver ze uit elkaar moeten staan voor de beste internetverbinding.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het paper "Joint Sparsity and Beamforming Design for RDARS-Aided Systems" in het Nederlands.

Titel: Gezamenlijk Sparsiteits- en Beamforming-ontwerp voor door RDARS ondersteunde systemen

Auteurs: Chengwang Ji, Haiquan Lu, Qiaoyan Peng, Jintao Wang, en Shaodan Ma.

---

1. Probleemstelling

De zesde generatie (6G) communicatie vereist extreme data-snelheden, wat leidt tot de ontwikkeling van nieuwe architecturen zoals Reconfigurable Distributed Antennas and Reflecting Surface (RDARS). RDARS combineert de voordelen van Distributed Antenna Systems (DAS) en Reconfigurable Intelligent Surfaces (RIS), maar vermijdt het actieve ruisprobleem van actieve RIS.

Het kernprobleem dat in dit paper wordt aangepakt, is de lage complexiteit van de elementconfiguratie. Bestaande optimalisatie-methoden voor het kiezen van de werkmodus (verbinding versus reflectie) van RDARS-elementen leiden vaak tot een hoge rekenkracht (bijv. $O(N^3)$ of $O(N^{3.5})$), wat praktische toepassing beperkt.
Daarnaast is het onduidelijk hoe de sparsiteit (de afstand tussen de verbonden elementen) van het Connected Element Array (CEA) de prestaties beïnvloedt. Het paper onderzoekt of het plaatsen van verbonden elementen in een uniforme sparsere array (in plaats van een compacte array) de prestaties kan verbeteren met minder rekenkracht.

2. Methodologie

Het paper modelleert een downlink-systeem met een Base Station (BS) en $K$ gebruikersapparaten (UE's). De RDARS bestaat uit $N$ elementen, waarvan $a$ elementen in de "verbinding"-modus werken (gekoppeld aan de BS via RFoF) en de rest in de "reflectie"-modus. De verbonden elementen vormen een uniforme sparsere array met een sparsiteitsniveau $\eta$.

Het doel is het maximaliseren van de sommen-snelheid (sum rate) door gezamenlijk te optimaliseren op:

1. Actief beamforming (BS).
2. Passief beamforming (RDARS reflectie-elementen).
3. De sparsiteit ($\eta$) van de verbonden elementen.

De oplossing wordt opgesplitst in twee fasen:

A. Analyse van Speciale Gevallen (Analytische Afleiding)

Om inzicht te krijgen, worden eerst gevallen met één en twee gebruikers bestudeerd:

• Enkele UE: De analyse toont aan dat de maximale Signal-to-Noise Ratio (SNR) onafhankelijk is van de ruimtelijke verdeling (sparsiteit) van de verbonden elementen. Elke configuratie levert dezelfde maximale snelheid op.
• Twee UEs: Hier is de sparsiteit cruciaal om inter-user interferentie (IUI) te minimaliseren. De auteurs leiden gesloten-vorm oplossingen af voor de optimale sparsiteit ($\eta_{opt}$) om de kwadratische correlatiecoëfficiënt (CSCC) van het kanaal te minimaliseren. Dit hangt af van de kanaalomstandigheden (bijv. dominantie van het reflectielink versus het verbinding-link).

B. Algoritme voor een Willekeurig Aantal UEs

Voor een algemeen scenario met $K$ gebruikers wordt een Weighted Minimum Mean-Square Error (WMMSE) gebaseerd Alternating Optimization (AO) algoritme voorgesteld, genaamd WA-algoritme.

• Het niet-convexe optimalisatieprobleem wordt omgezet in een WMMSE-probleem.
• Het algoritme wisselt af tussen het updaten van het actieve beamforming, het passieve beamforming en het sparsiteitsniveau.
• Sparsiteitsoptimalisatie: In plaats van een complexe zoektocht, wordt de optimale sparsiteit gevonden door een exhaustieve zoektocht over een beperkte verzameling van mogelijke waarden ($\mathcal{F}$), wat de complexiteit drastisch verlaagt.

3. Belangrijkste Bijdragen

1. Nieuwe Architectuur: Het introduceren van een uniform sparsere array voor de verbonden elementen in RDARS-systemen om de modusconfiguratie te vereenvoudigen.
2. Analytische Inzichten: Het afleiden van gesloten-vorm uitdrukkingen voor de optimale sparsiteit in gevallen met één en twee gebruikers, wat de relatie tussen sparsiteit en kanaalkarakteristieken blootlegt.
3. Efficiënt Algoritme: Het ontwikkelen van het WA-algoritme dat beamforming en sparsiteit gezamenlijk optimaliseert.
4. Complexiteitsreductie: Het tonen aan dat de voorgestelde methode een veel lagere rekencomplexiteit heeft ($O(\lfloor \frac{N-1}{a-1} \rfloor)$ voor sparsiteit) vergeleken met bestaande methoden zoals Penalty Dual Decomposition (PDD) of Majorization-Minimization (MM), die vaak $O(N^3)$ of hoger vereisen.

4. Resultaten

Numerieke simulaties bevestigen de effectiviteit van het voorgestelde ontwerp:

• Prestatieverbetering: Voor twee gebruikers levert de geoptimaliseerde sparsiteit tot 86,98% hogere som-snelheid op vergeleken met een compacte array (standaard halve golflengte afstand) bij een bepaald zendvermogen.
• Vergelijking met benchmarks: Het voorgestelde WA-algoritme bereikt vergelijkbare prestaties als complexe optimalisatie-algoritmen (zoals MM en PWM), maar met aanzienlijk minder rekentijd.
  • Voorbeeld: Bij een configuratie met $N=512$ elementen en $K=4$ gebruikers, is de rekentijd van WA 62,72% lager dan die van het MM-algoritme en 29,75% lager dan het PWM-algoritme.
• Robuustheid: Het algoritme presteert goed onder imperfecte kanaalkennis (CSI).
• Invloed van Sparsiteit: De resultaten tonen aan dat er een optimale sparsiteit bestaat; te grote afstand tussen elementen kan leiden tot grating lobes en verhoogde interferentie, terwijl te kleine afstand de ruimtelijke vrijheidsgraden (DoF) niet maximaliseert.

5. Betekenis en Conclusie

Dit paper biedt een praktische oplossing voor de implementatie van RDARS in toekomstige 6G-netwerken. Door de sparsiteit van de verbonden elementen te optimaliseren, kan het systeem:

• De ruimtelijke vrijheidsgraden (DoF) vergroten, wat essentieel is voor het onderscheiden van meerdere gebruikers.
• De rekencomplexiteit van de modusselectie drastisch verlagen, waardoor het haalbaar wordt voor real-time toepassingen.
• De inter-user interferentie minimaliseren zonder de noodzaak van zware, iteratieve optimalisatie-algoritmen.

De auteurs concluderen dat hun lage-complexiteit benadering een evenwaardige prestatie levert aan zware optimalisatiemethoden, maar met een veel grotere schaalbaarheid. Toekomstig werk zal zich richten op het modelleren van vermogensafhankelijke demping door glasvezelverliezen.