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

1. Problema Abordado

As Superfícies Inteligentes Reconfiguráveis (RIS) são consideradas habilitadoras-chave para redes sem fio de próxima geração, permitindo o controle programável dos canais de propagação. No entanto, a literatura predominante assume que as RIS são superfícies planas. Na prática, as RIS frequentemente precisam ser instaladas em superfícies não planas (como colunas estruturais, fachadas curvas ou corpos de veículos).

Quando uma RIS é montada em uma superfície curva, mas seus deslocamentos de fase são otimizados com base em um modelo plano idealizado, ocorre uma mismatch geométrica. Isso resulta em uma degradação significativa no desempenho do sistema (taxa de dados, precisão de sensoriamento, etc.).

Os desafios principais identificados são:

• As soluções analíticas existentes para RIS curvas são limitadas a geometrias específicas e pré-definidas.
• Estimar a geometria da superfície e otimizar os deslocamentos de fase em tempo real é um problema de otimização não linear e não convexo, computacionalmente proibitivo para implementação em tempo real usando métodos numéricos iterativos.
• A falta de conhecimento prévio da "manifold" (variedade) do array (posições exatas dos elementos) em superfícies conformais.

2. Metodologia Proposta

O artigo propõe uma nova estrutura baseada em Deep Learning (DL) para otimizar os deslocamentos de fase de RIS não planas sem exigir conhecimento prévio da geometria exata da superfície.

A. Modelagem Paramétrica da Superfície

Para tornar o problema tratável, os autores introduzem um modelo paramétrico de baixa dimensão para capturar a curvatura arbitrária da superfície.

• Em vez de estimar a posição de cada um dos $N$ elementos da RIS, a superfície é aproximada por uma expansão de Taylor de segunda ordem.
• A coordenada de profundidade ($x$) é modelada como uma função quadrática das coordenadas $y$ e $z$:
  $$x \approx a_{yy}y^2 + a_{zz}z^2 + a_{yz}yz + a_y y + a_z z$$
• Isso reduz a dimensão do problema de estimativa de $N$ variáveis para apenas 5 coeficientes polinomiais desconhecidos ($a_{yy}, a_{zz}, a_{yz}, a_y, a_z$).

B. Abordagem Baseada em Dados (Deep Learning)

O sistema utiliza uma Rede Neural (NN) para inferir a geometria e otimizar os deslocamentos de fase:

1. Entrada: Medições de potência recebida ($P_k$) em $K$ localizações diferentes de usuários móveis (MU), obtidas sob várias configurações de fase de teste. O sistema não utiliza CSI (Estado do Canal) complexo, apenas medições de potência, que são mais robustas e fáceis de obter.
2. Treinamento: A NN é treinada para mapear o vetor de potências recebidas e as coordenadas dos usuários para os 5 coeficientes geométricos da superfície.
3. Inferência: Uma vez treinada, a NN estima os coeficientes geométricos em tempo real a partir de novas medições de potência. Com a geometria estimada, os deslocamentos de fase ótimos são calculados analiticamente para focar o sinal no usuário desejado.

C. Coleta de Dados

O conjunto de dados de treinamento é gerado simulando medições de potência em um cenário de downlink. A densidade espacial dos pontos de medição é crítica; os autores derivam uma distância mínima entre pontos de amostragem baseada na função sinc do padrão de feixe para garantir que as medições forneçam informações espaciais distintas.

3. Principais Contribuições

• Modelo Paramétrico Geral: Introdução de um modelo matemático que reduz a complexidade da estimativa de geometria de RIS não planas para um conjunto pequeno de variáveis (coeficientes de Taylor), permitindo lidar com curvaturas arbitrárias (cilíndricas, parabólicas, etc.).
• Framework de Otimização via Deep Learning: Desenvolvimento de uma rede neural que estima implicitamente a geometria da superfície e otimiza os deslocamentos de fase utilizando apenas medições esparsas de potência recebida, eliminando a necessidade de hardware de sincronização complexo para medições de fase.
• Análise de Robustez: Avaliação detalhada do desempenho do algoritmo frente a variações na geometria da superfície e erros de localização do usuário, demonstrando superioridade sobre designs convencionais.

4. Resultados da Simulação

Os resultados foram validados através de simulações numéricas em um cenário de comunicação de downlink (frequência de 28 GHz, RIS de $40 \times 10$ elementos):

• Convergência: O algoritmo de treinamento da NN convergiu rapidamente, com a perda de validação diminuindo suavemente ao longo das épocas.
• Desempenho vs. Variação Geométrica:
  • Para superfícies quase planas (baixa variância), o design plano convencional ainda é competitivo.
  • À medida que a curvatura aumenta (variância $\sigma \ge 0.25$), o design plano sofre degradação severa.
  • O método proposto mantém um ganho de SNR (Relação Sinal-Ruído) significativo em comparação ao design plano para superfícies curvas, aproximando-se do limite superior (conhecimento perfeito da geometria).
• Robustez a Erros de Localização: O estudo analisou o impacto de erros na localização do usuário. O método proposto manteve-se robusto, superando o design plano mesmo na presença de erros de localização, embora a SNR diminua conforme o erro aumenta. Curiosamente, o design plano não foi tão afetado por erros de localização porque, devido ao mismatch geométrico, o feixe já não estava apontando corretamente para o usuário de qualquer forma.

5. Significado e Conclusão

Este trabalho preenche uma lacuna crítica na implementação prática de RIS. Ao demonstrar que é possível otimizar RIS em superfícies não planas sem conhecimento prévio da geometria exata, apenas usando medições de potência e aprendizado de máquina, o artigo viabiliza o uso de RIS em cenários do mundo real (como fachadas de prédios curvos ou estruturas automotivas) onde os modelos planos falham.

A abordagem proposta oferece:

• Baixa complexidade computacional em tempo real (inferência rápida da NN).
• Robustez contra geometrias desconhecidas e erros de medição.
• Viabilidade prática, eliminando a necessidade de hardware complexo para estimativa de canal completo.

Em suma, o artigo estabelece um novo paradigma para o controle de RIS conformais, movendo-se de modelos analíticos restritivos para soluções baseadas em dados e aprendizado de máquina.