⚡ electrical engineering

FARIS: Fluid-Active-RIS

本文提出了一种结合流体端口重定位与单元有源放大的新型无线范式 FARIS，通过建立电路级功耗模型并采用交替优化算法联合优化有源反射向量与流体元件选择，显著提升了 6G 网络的频谱效率。

原作者： Hong-Bae Jeon

发布于 2026-03-17

📖 1 分钟阅读☕ 轻松阅读

原作者： Hong-Bae Jeon

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文介绍了一种名为 FARIS（流体有源智能反射面）的新技术，它是为未来的 6G 网络设计的。为了让你轻松理解，我们可以把无线信号传输想象成在房间里用镜子反射手电筒的光。

1. 现有的问题：为什么现在的“镜子”不够好？

想象一下，你想用一面镜子把墙上的光斑照得更亮、更准。

传统的智能反射面 (RIS)：就像一面固定不动的普通镜子。
- 缺点：它只能被动地反射光。如果光线在到达镜子之前和离开镜子之后都变弱了（这叫“双重衰减”），这面镜子无能为力，光斑依然很暗。而且，镜子是固定在墙上的，如果墙上的某个位置光线不好，它也没法移动去别的地方找更好的角度。
有源反射面 (ARIS)：就像一面自带灯泡的镜子。
- 优点：它不仅能反射，还能把光放大，解决光线变暗的问题。
- 缺点：虽然它亮了，但它还是固定在墙上的。如果镜子正对着一个“死胡同”，它再亮也照不到你想照的地方。
流体天线 (FAS)：就像一面可以滑动的镜子。
- 优点：它可以沿着轨道移动，找到光线最好的位置。
- 缺点：它还是被动的，没有放大功能，光线太弱时它还是救不了场。

2. 这篇论文的解决方案：FARIS（流体有源智能反射面）

作者提出了一个“超级镜子”的概念，叫 FARIS。你可以把它想象成：

一群既会“移动”又会“发光”的微型机器人，它们组成了一面智能墙。

这面墙由许多小单元组成，每个单元都有两个超能力：

流体移动能力：它们可以在墙面上自由滑动，像水银一样，自动找到信号最强的“黄金位置”。
有源放大能力：一旦找到好位置，它们就能像小扩音器一样，把微弱的信号放大，再反射给用户。

核心思想：以前我们要么选“会移动的”（但信号弱），要么选“会放大的”（但位置死板）。FARIS 把两者结合了：既能动，又能放大。

3. 他们是怎么做到的？（算法就像“聪明的指挥官”）

要让这面墙上的成百上千个“机器人”同时动起来并协调工作，难度极大。如果让计算机一个个去试（穷举法），就算算到宇宙毁灭也试不完。

作者设计了一套**“交替优化” (AO)** 的指挥系统，就像一位聪明的指挥官在指挥一场复杂的舞蹈：

第一步：定位置（选谁上场）
指挥官先不管怎么放大，先决定哪些“机器人”应该站在墙上的哪个位置。他使用一种叫交叉熵方法 (CEM) 的策略，就像从一群候选人中快速筛选出表现最好的那一批，并不断调整他们的站位概率，直到找到最佳阵型。
第二步：定动作（怎么放大）
位置定好后，指挥官再指挥这些站好位的机器人：你们应该把信号放大多少？相位怎么调？这里用了一种数学技巧（样本平均近似 + 二次变换），把复杂的数学题变成了计算机容易解决的“凸优化”问题。
循环往复：
指挥官不断重复“调整位置 -> 调整放大 -> 再调整位置”，每次循环，信号质量都会变好一点点，直到达到完美状态。

4. 效果怎么样？（实验结果）

论文通过大量的模拟实验证明了这套系统的厉害之处：

更聪明：即使只用了很少的“机器人”（比如 16 个），FARIS 也能比传统固定镜子（用了 81 个）传得更远、更清晰。
更省电：虽然它比普通的被动镜子多消耗一点电（因为要移动和放大），但比起那种需要独立发射信号的中继站（像传统的信号放大器），它的能耗要低得多，性价比极高。
速度快：这套算法收敛很快，不需要算很久就能找到最佳方案，适合实时应用。

总结

FARIS 就像是给未来的 6G 网络装上了一面“活”的镜子。

以前的镜子是死的、哑的；现在的 FARIS 镜子是活的（能到处跑找好位置）且嗓门大（能主动放大信号）。它不需要把整个基站建得很大，就能让信号覆盖更广、网速更快，而且还能在复杂的城市环境中灵活应对，是未来无线通信的一项突破性技术。

这是一份关于论文《Fluid-Active-RIS (FARIS): A New Smart-Radio Paradigm with Joint Port Selection and Active Reflection Design》（流体有源智能超表面：一种结合端口选择与有源反射设计的新智能无线电范式）的详细技术总结。

1. 研究背景与问题定义 (Problem)

背景：
第六代移动通信（6G）网络中，可重构智能超表面（RIS）被视为关键技术，能够通过被动反射波束成形来改善覆盖和频谱效率。然而，传统 RIS 面临两个主要瓶颈：

乘性衰落（Multiplicative Fading）： 传统无源 RIS（PRIS）仅反射信号，导致端到端路径损耗是发射机-RIS 和 RIS-接收机路径损耗的乘积，严重限制了性能。
自由度（DoF）受限： 传统 RIS 采用固定结构和有限量化相位控制，难以实现真正的自适应环境重构。虽然流体天线系统（FAS）和流体 RIS（FRIS）通过移动元素位置引入了空间自由度，但 FRIS 仍依赖被动反射，无法克服乘性衰落。

问题：
现有的有源 RIS（ARIS）虽然通过放大信号补偿了路径损耗，但其放大作用受限于固定的几何结构，无法在空间上灵活选择最佳位置。反之，FRIS 能选择最佳位置但缺乏放大能力。
核心挑战： 如何设计一种新型架构，将空间位置的可重构性（流体特性）与信号放大能力（有源特性）在物理层面深度融合，以同时解决乘性衰落和空间自由度受限的问题，并在实际硬件功耗约束下最大化系统性能。

2. 方法论 (Methodology)

论文提出了一种名为 FARIS (Fluid-Active RIS) 的新范式，并设计了相应的系统模型和优化算法。

A. 系统模型与硬件抽象

架构设计： FARIS 由 $M$ 个候选端口组成，其中 $M_o$ 个端口被激活。每个激活的端口不仅可以在其分配的区域内移动（流体特性），还集成了有源反射放大器（Active Reflection Amplifier）。
工作状态： 端口分为“开”（On）和“关”（Off）两种状态。“开”状态下，信号经过可控反射电路进行幅度和相位调整并放大；“关”状态下，端口被匹配负载终止，吸收能量，仅消耗控制电路功耗。
功耗模型： 建立了电路级功耗模型，包括：
1. 所有 $M$ 个候选端口的逻辑控制/开关功耗 ( $P_c$ )。
2. 仅 $M_o$ 个激活端口所需的直流偏置功耗 ( $P_{DC}$ )。
3. 信号放大产生的射频功率 ( $P_{RIS}$ )。
4. 总功耗约束： $P_{tot} = M P_c + M_o P_{DC} + \xi P_{RIS} \leq P_{max,t}$ 。

B. 优化问题 formulation

目标是最大化遍历速率（Ergodic Rate）。这是一个混合整数非凸优化问题，需要联合优化：

连续变量： 激活端口的有源反射向量（包含放大系数 $g_i$ 和相位 $\phi_i$ ）。
离散变量： 从 $M$ 个候选端口中选择 $M_o$ 个激活端口的组合（端口选择矩阵 $S_{M_o}$ ）。

C. 求解算法：交替优化 (Alternating Optimization, AO)

由于问题是非凸且混合整数的，作者提出了一个基于 AO 的框架，交替优化两个子问题：

固定端口选择，优化有源反射向量 ( $v$ )：
- 利用样本平均近似 (SAA) 将期望速率转化为样本平均。
- 引入提升变量 (Lifted Variable) $V = vv^*$ 将问题转化为半定规划（SDP）。
- 应用二次分式变换 (Quadratic Fractional Transform) 处理分式目标函数，将其转化为一系列凸锥子问题。
- 若松弛后的 $V$ 秩不为 1，采用高斯随机化 (Gaussian Randomization) 和幅度投影恢复可行解。
- 证明了该子算法的单调收敛性。
固定反射向量，优化端口选择 ( $S_{M_o}$ )：
- 提出了一种受基数约束的交叉熵方法 (Cardinality-Constrained Cross-Entropy Method, CEM)。
- 将端口选择建模为伯努利分布采样，通过迭代更新选择概率分布，使其拟合高性能（Elite）子集的统计特性。
- 推导了闭式更新公式，证明在满足 $M_o$ 个端口选择的约束下，算法能单调提升对数似然函数。
整体框架： 交替执行上述两个步骤，直至遍历速率收敛。

3. 主要贡献 (Key Contributions)

提出 FARIS 新范式： 首次将流体端口可重构性与有源反射放大在统一架构中耦合，打破了传统 FRIS 和静态 ARIS 的局限，创造了“空间 - 幅度”联合设计空间。
建立实用功耗模型： 从电路层面抽象了 FARIS 架构，区分了候选端口的控制功耗和激活端口的有源功耗，为实际部署提供了更准确的能耗评估。
设计高效 AO 算法： 针对混合整数非凸问题，开发了结合 SAA、二次分式变换、SDP 松弛、高斯随机化以及改进 CEM 的联合优化框架。理论证明了算法的单调收敛性和多项式时间复杂度。
性能验证： 通过大量仿真，验证了 FARIS 在遍历速率、收敛速度和功耗效率上的优越性。

4. 仿真结果 (Simulation Results)

性能对比： FARIS 显著优于传统 FRIS（无源流体）和 ARIS（有源固定）。即使在激活元素数量较少（如 $M_o=16$ ）或孔径较小的情况下，FARIS 也能实现比拥有更多元素（ $M_o=81$ ）的 FRIS 更高的速率。
逼近最优解： 提出的 AO 框架在少量迭代内即可收敛，其性能与计算复杂度极高的暴力搜索（Brute-Force Search, BFS）非常接近，但计算负担大幅降低。
收敛性： 算法表现出单调递增特性，通常在 15-20 次迭代内收敛。
功耗分析：
- 相比 ARIS，FARIS 因需控制候选端口，功耗略高，但远低于有源中继（AF Relay）。
- FARIS 在速率和功耗之间取得了更优的权衡（Rate-Power Trade-off）。
空间选择特性： 仿真显示，FARIS 倾向于选择阵列边缘的端口，因为这些位置提供了更大的角度分离和更低的空间相关性，从而更好地利用空间分集。

5. 意义与影响 (Significance)

理论突破： 证明了流体移动性与有源放大并非简单的功能叠加，而是具有互补性的深度融合。这种耦合设计为 6G 网络提供了新的自由度，能够更有效地塑造信道和对抗乘性衰落。
工程价值： 提出的电路级功耗模型和高效算法使得 FARIS 在实际硬件限制下具有可实施性。
未来展望： FARIS 为未来 6G 智能无线电环境提供了一种极具潜力的架构，能够在不显著增加硬件复杂度和功耗的前提下，大幅提升覆盖范围、链路可靠性和频谱效率。

总结： 该论文通过引入“流体有源”概念，解决了传统 RIS 在路径损耗和空间灵活性上的双重瓶颈，并提出了一套严谨的数学建模与优化方案，为下一代智能超表面技术的发展指明了新方向。