⚡ electrical engineering

Beamforming Gain Maximization for Fluid Reconfigurable Intelligent Surface: A Minkowski Geometry Approach

本文提出了一种基于闵可夫斯基几何的交替优化框架，通过将流体可重构智能表面（FRIS）的配置问题转化为支持函数最大化的一维搜索，有效解决了有限分辨率离散码本下的波束成形增益联合优化难题，并实现了全局最优解的快速求解。

原作者： Hong-Bae Jeon

发布于 2026-02-13

📖 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

这篇文章介绍了一种让未来的无线网络（6G）变得更聪明、更强大的新技术。为了让你轻松理解，我们可以把整个系统想象成一场在风雨中进行的“超级手电筒”接力赛。

1. 背景：为什么我们需要“流体智能表面”？

想象一下，你手里拿着一个手电筒（这是基站），想要把光（信号）照到一个躲在墙角的观众（用户）身上。

传统方法：如果中间有墙挡着，光就照不过去。
智能反射面（RIS）：以前，科学家发明了一种像镜子一样的墙（RIS），可以调整角度把光反射过去。但这面镜子是固定的，如果墙的位置不对，或者镜子上的小镜片位置没选对，效果就不好。
流体智能表面（FRIS）：这篇论文提出的新东西，就像一面由无数个小灯泡组成的“液态”墙壁。这面墙很神奇，它上面的灯泡可以随意移动位置（流体特性），而且每个灯泡还能微调发光的角度（相位控制）。

核心挑战：
这面墙上有成千上万个灯泡（端口），但受限于硬件成本，我们只能点亮其中一小部分（比如 64 个里选 8 个），而且每个灯泡的发光角度只能从有限的几个档位里选（比如只能选 0 度、45 度、90 度等，不能无限精细）。

这就变成了一个超级难的数学题：

选哪 8 个灯泡？
这 8 个灯泡分别选什么角度？
手电筒（基站）该怎么照？
这三个问题紧紧绑在一起，稍微动一个，其他都要变，而且因为角度是“跳跃”的（离散的），很难用常规方法算出最优解。

2. 核心创新：用“几何形状”来解题

作者没有死磕复杂的公式，而是换了一个非常聪明的视角：几何学。

比喻一：把信号想象成“拼图块”

想象每个被点亮的灯泡，都能把信号“推”向某个方向。

如果灯泡选得好，它们推的方向就一致，信号就强。
如果选得不好，它们互相抵消，信号就弱。

作者发现，所有可能的“推法”组合起来，在几何上会形成一个特定的形状（数学上叫闵可夫斯基和，听起来很吓人，其实就像一堆不同形状的积木拼在一起后，最外圈形成的那个大轮廓）。

比喻二：寻找“最远点”

我们的目标是让信号最强，也就是让所有灯泡合力把光“推”得最远。

传统做法：像无头苍蝇一样，把所有可能的灯泡组合和角度都试一遍（穷举法）。但这就像要在一个巨大的迷宫里把每条路都走一遍，电脑会累死。
本文做法：作者发现，这个“大轮廓”有一个神奇的性质。我们不需要在里面乱撞，只需要沿着一个特定的方向（比如正东、正南、正西...）去“推”这个轮廓。
- 这就好比你在推一个不规则的石头，你不需要知道石头内部怎么堆的，你只需要知道往哪个方向推，石头滚得最远。
- 一旦确定了这个“最佳推的方向”，剩下的问题就简单了：
  1. 哪个灯泡在这个方向上贡献最大？选它！
  2. 在这个方向上，哪个角度最匹配？选它！

3. 具体是怎么做的？（算法流程）

作者设计了一套“交替优化”的循环步骤，就像两个人配合打球：

第一步：调整手电筒（基站）
假设灯泡的位置和角度已经定好了，怎么让手电筒照得最准？这很简单，直接用最经典的“最大比率传输”（MRT）公式，像激光一样对准目标。
第二步：调整“液态墙”（FRIS）
这是最精彩的部分。假设手电筒不动，怎么调整灯泡？
- 几何魔法：作者利用刚才说的“几何轮廓”理论，把复杂的选灯泡问题，简化成了在一个圆圈上找最佳角度的问题（一维搜索）。
- 打分机制：对于每一个候选灯泡，计算它在当前方向上的“得分”。
- 优胜劣汰：只保留得分最高的前 8 个灯泡（Top-Mo），并给它们分配最合适的角度。
- 快速锁定：对于常见的规则角度（比如正多边形分布），作者发现这个“得分曲线”是有规律的，不需要转一圈，只需要检查几个关键的“转折点”就能找到最佳答案。
循环：
调整完灯泡，再回头微调手电筒；再调整灯泡，再微调手电筒。通常只需要几次循环，系统就达到最佳状态，信号强度蹭蹭往上涨。

4. 为什么这个研究很重要？

算得快：以前的方法可能需要算很久，或者只能算个大概。这个方法利用几何规律，算得又快又准，甚至能找到全局最优解（即理论上能达到的最好效果）。
更省钱：它承认硬件有缺陷（角度不能无限精细），并在这种限制下做到了极致。这意味着未来的 6G 设备可以用更便宜的芯片实现高性能。
更灵活：这种“流体”概念让网络能像水一样适应环境，哪里信号不好，就把“灯泡”挪过去，把信号“流”过去。

总结

这篇论文就像给未来的无线网络装上了一个智能导航仪。它不再盲目地尝试所有可能，而是通过几何学的智慧，一眼看穿信号传播的规律，迅速找到让信号最强的“最佳站位”和“最佳角度”。

简单来说：以前是“盲人摸象”，现在是“几何导航”，让 6G 信号在复杂的城市环境中也能畅通无阻。

这是一份关于论文《Fluid Reconfigurable Intelligent Surface: A Minkowski Geometry Approach》（流体可重构智能表面：一种闵可夫斯基几何方法）的详细技术总结。

1. 研究背景与问题定义 (Problem)

背景：
随着 6G 通信对极高数据速率、超低时延和高可靠性的需求，可重构智能表面（RIS）成为关键技术。然而，传统 RIS 受限于固定物理位置，其性能受限于级联信道的双重衰落（double-fading）。流体可重构智能表面（FRIS）通过动态选择激活端口（Port Selection），提供了额外的空间自由度，能够利用位置分集来优化信道。

核心问题：
本文研究在多天线基站（BS）辅助下，FRIS 下行链路的波束成形增益最大化问题。
该问题面临以下严峻挑战：

混合离散优化： 需要联合优化基站的连续波束成形向量、FRIS 的离散端口选择（组合优化）以及有限分辨率的离散相位系数。
强耦合性： 基站波束成形与 FRIS 配置通过有效信道增益紧密耦合，导致目标函数高度非凸。
硬件约束： 实际系统中，FRIS 端口只能应用有限分辨率的单位模值相位（离散码本），且受限于稀疏性约束（仅激活 $M_o$ 个端口）。
现有局限： 现有研究常假设单天线基站、连续相位或忽略直达链路，缺乏在通用多天线和实际离散约束下的全局最优解法。

2. 方法论 (Methodology)

作者提出了一种基于**交替优化（Alternating Optimization, AO）**的框架，将原问题分解为两个子问题迭代求解：

A. 基站波束成形更新 (BS Beamformer Update)

在固定 FRIS 配置的情况下，基站波束成形问题简化为最大化接收信号幅度。

解法： 采用闭式解的**最大比传输（MRT）**策略。
公式： $f_B = \sqrt{P} \frac{a}{\|a\|_2}$ ，其中 $a$ 为有效信道向量。

B. FRIS 配置更新 (FRIS Configuration Update) - 核心创新

这是本文的核心，利用**闵可夫斯基几何（Minkowski Geometry）**将复杂的离散组合优化转化为几何问题。

几何重构与凸化：
- 将 FRIS 所有可能的反射和集合表示为有限集的闵可夫斯基和（Minkowski Sum）。
- 关键引理： 证明在凸包（Convex Hull）上寻找最大模值不会损失最优性。即 $\max_{z \in Z} |z| = \max_{z \in \text{Conv}(Z)} |z|$ 。这使得非凸离散问题可以等价地在凸集上求解。
支撑函数（Support Function）转化：
- 利用支撑函数恒等式，将最大化模值问题转化为一维方向参数 $\phi$ 上的最大化问题：
  $\max_{\phi \in [0, 2\pi)} h_{P_{M_o,t}}(e^{j\phi})$
- 其中 $h(\cdot)$ 是支撑函数，表示集合在方向 $e^{j\phi}$ 上的最大投影。
构造性求解步骤：
- 端口评分（Per-port Scoring）： 对于给定方向 $\phi$ ，计算每个候选端口的“方向得分” $s_m(\phi)$ ，即该端口在离散码本下沿 $\phi$ 方向的最大投影贡献。
- Top- $M_o$ 选择： 选择得分最高的 $M_o$ 个端口。
- 相位分配： 为选中的端口分配使其投影最大的离散相位码字。
- 全局搜索： 遍历方向 $\phi$ ，找到使总支撑函数值最大的 $\phi^*$ ，从而确定最优的端口集和相位配置。
针对正 $M_p$ -边形码本（Regular $M_p$ -gon Codebook）的优化：
- 针对实际常用的均匀相位码本，推导了端口得分的闭式表达式（涉及余弦函数和量化残差）。
- 揭示了支撑函数的分段光滑结构。
- 有限候选角搜索： 证明了全局最优解必然出现在有限个“临界角”集合中（包括量化断点和端口得分交叉点），从而避免了耗时的全范围一维扫描，实现了精确的全局最优解。

3. 主要贡献 (Key Contributions)

问题建模： 首次在多天线 BS 和实际有限分辨率相位约束下，建立了 FRIS 波束成形增益最大化的联合优化模型，涵盖了端口选择、离散相位和波束成形。
几何理论突破： 提出了基于闵可夫斯基和的 FRIS 优化原理。通过凸化可行反射和集并利用支撑函数，将混合离散优化转化为可构造的一维方向搜索问题。
高效算法设计：
- 设计了基于方向评分和 Top- $M_o$ 选择的构造性 FRIS 更新子程序。
- 针对正 $M_p$ -边形码本，推导了闭式评分公式，并提出了有限候选角搜索算法，在保证全局最优的同时避免了穷举搜索。
收敛性保证： 构建了交替优化框架，每次迭代均单调提升目标函数，保证算法快速收敛。
性能验证： 通过大量仿真验证了算法的优越性、近最优性（与穷举搜索对比）及快速收敛特性。

4. 仿真结果 (Results)

收敛性： 算法在极少次数（通常少于 10 次）的迭代内即可收敛，且目标函数单调递增。
性能增益： 在多种系统参数（FRIS 元素数量 $M$ 、激活端口数 $M_o$ 、孔径大小 $W_x$ 、信噪比 SNR）下，所提框架均显著优于“随机端口”和“最大信道增益端口（Top-|h|）”等基准方案。
近最优性： 在 $M$ 较小可穷举搜索的场景下，所提方案的波束成形增益比（ $\Delta G$ ）接近 1，表明其几乎达到了全局最优解。
相位分辨率影响： 随着相位分辨率 $M_p$ 的增加，性能逐渐饱和，但在低分辨率下该框架仍能保持鲁棒性，优于基准方案。
几何解释验证： 仿真展示了支撑函数 $h_{P_{M_o,t}}(e^{j\phi})$ 随角度 $\phi$ 的变化曲线，验证了最优配置确实对应于支撑函数的最大值点。

5. 意义与价值 (Significance)

理论深度： 揭示了 FRIS 信号合成在有限分辨率约束下的基本几何结构（闵可夫斯基结构），为流体表面的优化提供了全新的几何视角。
实用性强： 提出的算法完全考虑了实际硬件约束（离散相位、端口稀疏性），并给出了可构造的闭式解或有限搜索解，避免了复杂的启发式搜索。
计算效率： 通过支撑函数最大化和有限候选角搜索，将计算复杂度从指数级降低到多项式级，且收敛极快，适合实时系统。
6G 应用前景： 该框架为 6G 网络中利用流体智能表面进行高效波束赋形和信道增强提供了坚实的理论基础和高效的实现方案，特别是在高移动性和复杂传播环境中。

总结：
本文通过引入闵可夫斯基几何和支撑函数理论，成功解决了 FRIS 辅助下行链路中极具挑战性的混合离散优化问题。该方法不仅提供了理论上的全局最优保证，还通过巧妙的几何转化实现了高效的工程实现，是流体智能表面领域的一项突破性工作。