Coupling-Aware RHS Beamforming for Wideband Multi-User Sum Rate Maximization

Each language version is independently generated for its own context, not a direct translation.

这篇文章主要讲的是如何让一种叫**“可重构全息表面”（RHS）的新技术，在宽带多用户通信**（比如未来的 6G 网络）中变得更聪明、更高效。

为了让你轻松理解，我们可以把整个通信系统想象成一个**“超级智能的灯光秀团队”**。

1. 背景：什么是 RHS？（那个“超级灯光秀”）

想象一下，传统的信号发射塔（基站）就像是一个拿着大喇叭喊话的人，声音传得远但不够精准。
而RHS（可重构全息表面）就像是一面由成千上万个微小“镜子”组成的智能墙壁。

工作原理：基站（喇叭）发出一个参考信号（就像一束光），这面墙上的成千上万个微小镜子（辐射单元）会根据需要，瞬间调整角度和形状，把光反射、折射，精准地汇聚成几束强光，分别照向不同的用户（就像聚光灯分别照向舞台上的不同演员）。
优势：它成本低、能覆盖很宽的频率（宽带），而且能同时服务很多人。

2. 遇到的问题：镜子之间的“串扰”（互耦效应）

这就引出了论文要解决的核心难题：“太挤了，镜子会互相干扰”。

现实情况：为了把光聚得更好，这些微小镜子必须排得非常非常密（甚至小于光的波长）。
问题：当镜子靠得太近时，它们不再是独立的。就像在一个拥挤的房间里，如果你大声说话，旁边的人会被你的声音震得不由自主地跟着动。在物理上，这叫**“互耦效应”（Mutual Coupling）**。
后果：如果你只按理想情况去控制镜子（以为它们互不干扰），结果因为这种“串扰”，聚光的效果会大打折扣，甚至把光射偏了，导致用户收不到信号，或者信号互相干扰。
以前的做法：以前的算法要么忽略这个问题（导致效果差），要么计算太复杂，算不过来。

3. 论文的贡献：给镜子装上“大脑”和“听诊器”

这篇论文做了一件很厉害的事：它设计了一套**“既懂物理，又懂数学”**的新方案，让这面智能墙在拥挤的情况下也能完美工作。

A. 建立了一个“物理听诊器”（耦合感知模型）

作者没有把镜子看作简单的开关，而是把它们看作**“微型磁铁”**。

比喻：他们建立了一个数学模型，能精准地算出：当第 1 号镜子动一下时，第 2 号、第 3 号镜子会因为“磁场感应”产生多大的反应。
创新点：他们把这个复杂的反应拆成了两部分：
1. 空气里的直接干扰（就像两个人面对面说话，声音直接传过去）。
2. 墙壁传导的干扰（就像声音通过地板传导，让隔壁房间的人也能感觉到震动）。
  这样，系统就能在宽频带（不同颜色的光）下，精准预测这种干扰。

B. 发明了“双人舞”算法（联合波束成形）

以前，控制镜子（全息图）和控制发射功率（数字预编码）通常是分开做的，或者做得很粗糙。

比喻：想象指挥家（基站）和灯光师（RHS）在排练。以前是指挥家喊一句，灯光师动一下，两人配合不默契。
新方案：作者设计了一个**“交替优化”**的算法（WMMSE-BCD）。
- 第一步：假设镜子不动，指挥家调整喊话的节奏（优化数字预编码），让每个人听得更清楚。
- 第二步：假设指挥家节奏固定，灯光师调整镜子的角度（优化全息图），让光聚得更准。
- 关键点：这两步是循环进行的，而且每一步都考虑了“镜子之间的串扰”。

C. 核心黑科技：雅可比辅助更新（Jacobian-aided Update）

这是论文最精彩的部分。

痛点：在第二步调整镜子时，因为镜子之间有“串扰”，你动一个，其他的都会变。以前的算法为了简单，会**“冻结”**这种串扰关系（假装它们不动），但这在干扰很强时会导致算法算不准，甚至卡住。
比喻：就像你在推一辆装满水的车，以前你推的时候，假设水是不晃的（冻结）。但水其实会晃，而且晃得越厉害，车越难推。
新方案：作者引入了**“雅可比（Jacobian）”辅助。这就像给推车的人装了一个“实时传感器”**。
- 当你推一下车时，传感器能立刻算出“水晃动的幅度会怎么变”，并把这个变化量直接算进你的下一步推力里。
- 效果：即使镜子挤得再紧、干扰再大，算法也能稳稳地找到最佳方案，不会像以前那样“晕头转向”。

4. 实验结果：真的好用吗？

作者用超级计算机（Meep 软件）模拟了真实的物理环境，结果发现：

模型很准：他们算出来的“串扰”效果，和真实物理仿真几乎一模一样。
网速更快：在 28GHz 的宽带下，这套新算法能让所有用户的**总网速（Sum Rate）**达到最高。
更稳定：即使镜子排得非常密（干扰很强），或者用户很多，这套算法依然能稳定工作，不会像旧方法那样容易“死机”或效果变差。

总结

简单来说，这篇论文解决了一个**“拥挤环境下的精准控制”问题。
它告诉我们要想利用这种超密集的“智能墙壁”来发射信号，就不能假装镜子之间互不影响。通过精准建模和聪明的“双人舞”算法**（特别是那个能感知实时变化的“雅可比”技巧），我们能让未来的 6G 网络在用户极多、频率极宽的情况下，依然保持高速、稳定、不串台。

这就好比，以前在拥挤的舞池里跳舞容易踩脚，现在作者发明了一套舞步，让每个人都能根据旁边人的动作实时调整，最后大家跳得既整齐又精彩！

Each language version is independently generated for its own context, not a direct translation.

这是一篇关于可重构全息表面（RHS）辅助的宽带多用户通信系统的学术论文总结。该论文主要解决了在密集亚波长辐射单元下，**互耦效应（Mutual Coupling）**对系统性能的限制问题，并提出了一种考虑互耦的联合波束成形优化框架。

以下是该论文的详细技术总结：

1. 研究背景与问题 (Problem)

背景：可重构全息表面（RHS）是毫米波和太赫兹频段大孔径相控阵的低成本替代方案。它通过少量馈源产生参考波，利用密集排列的亚波长超表面单元调制场，形成高增益波束。
核心挑战：
1. 互耦效应：由于单元间距极小（ $\le \lambda/4$ ），单元间存在强烈的互耦效应，传统的独立单元假设不再成立。现有的基于阻抗的模型或格林函数模型难以在宽带系统中直接表达几何、材料和频率的依赖关系。
2. 近场/远场共存：大孔径导致近场和远场区域共存，需要统一的信道表示。
3. 优化复杂性：互耦使得有效基带信道依赖于 RHS 算子，该算子随频率变化且与全息图（Hologram）非线性耦合。直接最大化多用户和速率（Sum Rate）是一个高度非凸且耦合的优化问题。
4. 现有方法局限：现有的 RHS 优化常采用“冻结算子”近似（即假设互耦矩阵不随全息图变化），在强互耦下会导致收敛慢或不稳定。

2. 方法论 (Methodology)

A. 考虑互耦的 RHS 电磁等效模型

磁偶极子模型：将每个亚波长单元建模为具有固定取向的等效磁偶极子。
互耦矩阵分解：建立了显式的互耦矩阵 $\Xi_u$ $Ξ_{u}$ ，并将其分解为两部分以增强物理可解释性：
1. 自由空间近场耦合 ( $\Xi_{fs,u}$ )：基于磁偶极子的格林函数，包含辐射场项和感应/准静态项（近场主导）。
2. 导波/表面波耦合 ( $\Xi_{wg,u}$ )：参数化模型，描述沿结构传播的表面波引起的耦合，包含幅度衰减和相位积累。
宽带信道表示：将宽带划分为多个子带，每个子带中心频率下的互耦矩阵不同，支持子带级评估。

B. 联合波束成形优化问题

目标：在馈源总功率约束和 RHS 激励功率约束下，最大化多用户和速率。
变量：全息图幅度向量 $\mathbf{m}$ （模拟域）和数字预编码矩阵 $\{\mathbf{V}_u\}$ （数字域）。
难点：RHS 等效矩阵 $\mathbf{M}_u(\mathbf{m}) = (\mathbf{I} - \mathbf{D}(\mathbf{m})\Xi_u)^{-1}\mathbf{D}(\mathbf{m})\mathbf{F}_u$ 与 $\mathbf{m}$ 非线性耦合，且受互耦影响。

C. 基于 WMMSE 的块坐标下降算法 (WMMSE-BCD)

利用加权最小均方误差（WMMSE）与加权和速率（WSR）的等价性，将非凸问题转化为交替优化子问题：

接收端更新：更新 MMSE 均衡器 $\mathbf{g}$ 和权重 $\mathbf{w}$ （闭式解）。
数字预编码更新 ( $\{\mathbf{V}_u\}$ )：
- 固定 $\mathbf{m}$ ，问题转化为凸二次规划（QP）。
- 利用 KKT 条件获得闭式解，通过二分法搜索对偶变量以满足功率约束。
全息图更新 ( $\mathbf{m}$ )：
- 传统方法（冻结耦合）：将互耦矩阵视为常数，导致子问题为凸二次规划，但在强互耦下精度不足。
- 本文创新（Jacobian 辅助更新）：提出Jacobian-aided Coupling-Consistent更新。
  - 通过隐式微分计算耦合算子对全息图的敏感度（ $\partial \mathbf{C}_u / \partial \mathbf{m}$ ）。
  - 构建一阶连续凸近似（SCA）代理函数，保留耦合反馈项，而非冻结互耦逆矩阵。
  - 将子问题转化为凸二次约束二次规划（QCQP），可通过投影梯度法高效求解。

3. 主要贡献 (Key Contributions)

耦合感知模型：建立了基于磁偶极子的 RHS 互耦等效模型，显式表征了几何、介质参数和频率的依赖关系，并分解为自由空间近场和表面波耦合，便于校准和理解。
约束下的宽带和速率最大化：提出了在馈源功率和 RHS 激励功率双重约束下的优化框架，利用 WMMSE-BCD 算法高效求解非凸耦合问题。
Jacobian 辅助的耦合一致性全息图更新：
- 突破了传统“冻结算子”近似的局限。
- 通过保留互耦敏感度的一阶代理，显著提高了强互耦条件下的收敛稳定性和鲁棒性。
实验验证：利用 Meep 全波仿真软件验证了互耦模型的准确性，并通过 28 GHz、1 GHz 带宽的仿真验证了算法的有效性。

4. 仿真结果 (Results)

模型验证：Meep 全波仿真表明，提出的“自由空间 + 表面波”耦合模型能准确复现全波仿真的主瓣方向、波束宽度及旁瓣结构，而仅考虑自由空间耦合的模型会严重失真。
收敛性：
- 联合优化方案（CA-Joint）和固定全息图方案（Holo+WMMSE）均能单调提升和速率。
- 提出的 Jacobian 辅助更新（CA-Joint-Jac）在强互耦下比传统冻结方法收敛更快、性能更高。
性能对比：
- Holo+WMMSE（固定优质全息图 + 优化预编码）在特定设置下表现优异，说明良好的初始全息图能极大简化优化。
- CA-Joint（联合优化）在增加 RHS 单元数（ $N$ ）时能显著提升性能，但在强互耦下，联合优化可能因非凸性增加而收敛稍慢，不过其鲁棒性优于忽略互耦的方案（CU-Joint）。
- 功率控制：联合优化能有效控制 RHS 的加载功率，而仅优化预编码（固定全息图）可能导致 RHS 功率随迭代增加而超标。
鲁棒性：随着互耦强度增加，考虑互耦的联合方案（CA-Joint）性能保持稳定，而忽略互耦的方案性能下降明显。

5. 意义与结论 (Significance)

理论价值：首次将互耦的敏感度分析（Jacobian）引入 RHS 全息图优化，解决了强互耦下传统近似失效的问题，为宽带 RHS 系统的物理层设计提供了新的理论工具。
工程价值：提出的模型和算法为未来 6G 毫米波/太赫兹通信中大规模 RHS 的实际部署提供了可行的设计指南，特别是在高密度单元排列场景下，能够显著提升频谱效率并保证系统稳定性。
未来方向：包括基于测量的互耦校准、大规模孔径的可扩展设计以及在非完美信道状态信息（CSI）和多小区干扰下的应用。

总结：该论文通过建立精确的互耦物理模型并设计了一种考虑互耦敏感度的联合优化算法，有效解决了宽带 RHS 系统中互耦导致的性能瓶颈，显著提升了多用户通信的和速率与系统鲁棒性。