🔢 mathematics

Quantized Zero-Energy RIS: Residual Phase Modeling and Outage Analysis

本文针对零能量可重构智能表面（zeRIS）在有限相位分辨率下的运行约束，建立了一个考虑量化残差相位误差的解析框架，深入分析了不同能量收集与反射方案及部署场景下的中断概率与能效，揭示了相位分辨率选择与系统性能之间的关键权衡关系。

原作者： Dimitrios Tyrovolas, Sotiris A. Tegos, Kunrui Cao, Yue Xiao, Panagiotis D. Diamantoulakis, Nikos C. Sagias, Stylianos D. Asimonis, Christos K. Liaskos, George K. Karagiannidis

发布于 2026-04-21

📖 1 分钟阅读🧠 深度阅读

CC BY 4.0

原作者： Dimitrios Tyrovolas, Sotiris A. Tegos, Kunrui Cao, Yue Xiao, Panagiotis D. Diamantoulakis, Nikos C. Sagias, Stylianos D. Asimonis, Christos K. Liaskos, George K. Karagiannidis

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名为**“零能耗智能表面”（zeRIS）的黑科技，并深入探讨了它在实际应用中遇到的一个微妙难题：“精度”与“能量”之间的博弈**。

为了让你轻松理解，我们可以把这项技术想象成**“会魔法的镜子”**，而这篇文章就是在研究如何最聪明地使用这面镜子。

1. 什么是“零能耗智能镜子”？

想象一下，未来的无线信号（比如 5G 或 6G）就像一阵风。传统的信号传输就像在风中扔石头，石头（信号）飞着飞着就散了，或者被挡住了。

**zeRIS（零能耗智能表面）**就像是一面由成千上万个微型“魔法镜片”组成的巨大镜子墙。

它的超能力：它能感知风（信号）的方向，并调整每个小镜片的角度，把风重新聚焦，精准地吹向你想去的地方（比如你的手机）。
它的“零能耗”秘密：这面镜子不需要插电线，也不用电池。它就像太阳能板一样，直接从飞过来的无线电波中“偷”一点点能量，用来维持自己的运转。
- 偷能量：吸收一部分无线电波变成电。
- 反射信号：把剩下的一部分无线电波反射出去，帮你传数据。

2. 核心难题：完美的镜子 vs. 粗糙的镜子

在理论世界里，这面镜子的每个小镜片都可以无限精细地旋转，比如转到 3.1415926 度，这样反射效果最完美。

但在现实世界里，制造这种无限精度的零件太贵、太耗电了。所以，工程师们只能制造**“量化”**的镜子：

量化（Quantization）：就像把时钟的刻度简化。你不能转到 3.14 度，只能转到 3 度或 4 度。
后果：这就产生了**“残余相位误差”**。就像你想把水精准地倒进杯子里，但因为勺子只能舀整勺，总会洒出来一点点。

3. 文章的发现：更精细的刻度，反而可能更差？

这是这篇文章最反直觉、也最精彩的地方。

通常我们认为：刻度越精细（精度越高），镜子效果越好。
但作者发现，在“零能耗”的设定下，事情没那么简单：

能量陷阱：如果你把镜子的刻度做得非常精细（比如从 1 位精度升级到 2 位），每个小镜片就需要更多的电路和开关来维持这种高精度。这就像为了把勺子做得更精准，你给勺子装上了微型马达，结果勺子自己吃掉了更多的能量。
两难选择：
- 高精度：反射信号很准，但镜子自己饿得半死（能量不够），可能连转都转不动。
- 低精度：反射信号稍微有点歪，但镜子吃得少，能量充足，能持续工作。

结论：有时候，稍微粗糙一点（低精度）的镜子，反而比高精度的镜子更能把信号传得远，因为它省下的能量足以弥补精度的损失。

4. 两种“吃饭”策略

为了让镜子既吃饱（有能量）又干活（传信号），文章比较了两种策略，就像一个人既要存钱又要花钱：

策略 A：时间切换（TS）——“先吃饭，后干活”
- 镜子先花一半时间专门吸收能量（像吃饭），然后再花另一半时间反射信号（像干活）。
- 缺点：时间被切分了，干活的时间变少了。
策略 B：元件拆分（ES）——“一部分人吃饭，一部分人干活”
- 把镜子分成两半：左边的 500 个镜片专门负责“偷能量”，右边的 500 个镜片专门负责“反射信号”。大家同时工作。
- 优点：文章发现，这种**“分工合作”**的模式通常效率更高，能更平衡地解决能量和信号的问题。

5. 部署位置也很重要

文章还研究了把镜子放在哪里最好：

放在发射塔旁边（Tx-side）：信号刚出发时很强，镜子很容易“偷”到能量，所以需要的镜片数量较少。
放在用户手机旁边（UE-side）：信号经过长途跋涉已经很弱了，镜子很难“偷”到能量。这时候，你需要巨量的镜片（比如几千个）才能凑够能量并反射信号。

6. 总结：给工程师的“避坑指南”

这篇文章就像给未来的通信工程师写的一份**“避坑指南”**：

不要盲目追求高精度：在零能耗系统中，盲目增加镜子的精度（位数）可能会因为耗电过大而适得其反。
算好账：必须同时计算“信号反射得有多准”和“镜子吃了多少电”。
选对策略：在某些场景下，让一部分镜子专门干活、一部分专门吃饭（元件拆分），比轮流干活（时间切换）更划算。
别被旧理论骗了：以前的理论假设镜子是完美的，或者忽略了能量限制。如果按旧理论设计，可能会得出“这个系统根本没法用”的错误结论，或者设计出浪费资源的方案。

一句话总结：
这就好比你要组织一场**“零预算”的接力赛**。这篇文章告诉我们，与其给每个运动员买昂贵的顶级跑鞋（高精度），不如给每个人穿一双舒适的普通鞋（低精度），并合理安排谁负责补给、谁负责冲刺（元件拆分），这样整个团队反而能跑得更快、更远。

这是一篇关于**量化零能量可重构智能表面（Quantized Zero-Energy RIS, zeRIS）**通信系统的技术论文总结。该论文深入探讨了在有限分辨率相位控制（即量化）和能量采集约束下，zeRIS 辅助通信系统的性能分析与设计权衡。

以下是详细的技术总结：

1. 研究背景与问题 (Problem)

背景：零能量可重构智能表面（zeRIS）通过从入射射频信号中采集能量来维持自身运行，是实现可编程无线环境（PWE）的关键技术。然而，zeRIS 的运行受到能量采集与信号反射之间耦合关系的限制。
核心问题：
1. 硬件限制：实际 zeRIS 的相位控制是离散的（量化），而非理想的连续控制。这种量化会引入残余相位误差（Residual Phase Error）。
2. 耦合效应：量化不仅影响信号反射的相干性（降低通信速率），还会影响能量采集的效率（因为相位配置决定了多少能量被吸收用于供电，多少被反射用于通信）。
3. 现有研究的不足：以往研究往往假设理想连续相位，或者在分析量化影响时忽略了信道相位分布（如视距 LoS 分量）对残余误差统计特性的影响，导致性能预测不准确或设计次优。
研究目标：建立一个综合分析框架，量化相位分辨率对 zeRIS 系统（包括能量采集和数据传输）的联合影响，并揭示其中的设计权衡。

2. 方法论 (Methodology)

论文构建了一个包含以下要素的系统模型和分析框架：

系统模型：
- 场景：下行链路，单天线发射机（Tx）通过 zeRIS 通信给单天线用户（UE）。
- 部署模式：分析了两种部署场景：
  1. Tx 侧部署：zeRIS 靠近发射机（Tx-zeRIS 为视距 LoS，zeRIS-UE 为衰落信道）。
  2. UE 侧部署：zeRIS 靠近用户（zeRIS-UE 为视距 LoS，Tx-zeRIS 为衰落信道）。
- 能量采集与反射方案 (HaR)：
  1. 时间切换 (TS)：在时间上分割能量采集和信号传输。
  2. 单元分割 (ES)：在空间上分割，部分单元负责采集能量，部分负责反射信号。
- 量化模型：相位 shifts 被量化为 $2^q$ 个离散状态，引入了残余相位误差。
统计建模：
- 残余相位误差分布：推导了量化引起的残余相位误差的概率密度函数（PDF）。该分布考虑了信道的 Nakagami-m 衰落和 Rice 因子（LoS 分量），证明了在存在 LoS 分量时，误差分布并非简单的均匀分布，而是包含确定性分量。
- 圆矩（Circular Moments）：推导了残余相位误差的 $n$ 阶圆矩闭式表达式，用于后续性能分析中的近似计算。
性能分析：
- 推导了**联合能量 - 数据速率中断概率（Joint Energy-Data Rate Outage Probability）**的闭式近似表达式。
- 利用矩匹配法（Moment Matching），将接收信号功率的随机变量近似为 Gamma 分布，从而获得中断概率的解析解。
- 分析了不同方案（TS/ES）和部署场景下的最优参数（如时间切换因子 $\tau$ 或单元分割比 $N_1/N$ ）。

3. 主要贡献 (Key Contributions)

建立量化误差统计模型：首次显式地建模了 zeRIS 在量化控制下的残余相位误差，并指出该误差的统计特性强烈依赖于信道条件（特别是 LoS 分量的存在与否）。
联合性能分析框架：推导了考虑能量约束和量化误差的联合中断概率闭式表达式，涵盖了 TS 和 ES 两种方案以及 Tx/UE 侧两种部署场景。
揭示非直观的设计权衡：
- 证明了增加相位分辨率（ $q$ ）并不总能提升系统性能。更高的分辨率虽然改善了相位对齐，但会显著增加每个反射单元的功耗（ $P_{elem} \propto q$ ），导致可用于通信的能量减少，从而可能恶化整体性能。
- 指出在存在强 LoS 分量的场景下，低分辨率量化（如 $q=1$ ）可能已经足够，因为相位本身已高度对齐，量化带来的性能损失很小，但功耗增加却很大。
纠正现有基准的偏差：通过与忽略信道相位分布特性的基准模型（如文献 [29]）对比，发现基准模型在 LoS 场景下会严重低估系统性能（过于悲观），导致错误的设计决策。

4. 关键结果 (Key Results)

通过数值仿真（蒙特卡洛模拟验证了理论分析的正确性），得出以下结论：

量化分辨率与性能的权衡：
- 在 Tx 侧和 UE 侧部署中， $q=1$ （1 比特量化）往往比 $q=2$ 具有更高的能量效率。这是因为 $q=2$ 带来的额外功耗超过了其带来的相干增益。
- 随着量化分辨率 $q$ 的增加，本文提出的模型与基准模型（假设均匀误差分布）之间的差距逐渐缩小，因为量化步长变小，误差分布的影响减弱。
部署场景差异：
- UE 侧部署比 Tx 侧部署需要更多的反射单元（ $N$ ）才能达到相同的性能，因为能量采集链路（Tx-zeRIS）经历了更严重的衰落和路径损耗。
- 在 UE 侧部署中，准确建模残余相位误差至关重要。基准模型错误地预测 $q=1$ 时系统无法工作（中断概率>1），而本文模型显示在合理范围内系统是可用的。
方案对比：
- 单元分割 (ES) 方案通常比时间切换 (TS) 方案需要更少的反射单元，且能量效率更高，因为它能同时利用所有单元进行能量采集（部分）和通信（部分），避免了时间上的资源浪费。
最小单元数 ( $N_{min}$ )：
- 随着 Tx 与 zeRIS 距离增加（Tx 侧部署），所需的最小单元数增加。
- 随着 zeRIS 与 UE 距离减小（UE 侧部署），所需的最小单元数减少。

5. 意义与启示 (Significance)

理论价值：填补了量化相位控制下 zeRIS 系统性能分析的空白，特别是将硬件功耗模型与信道统计特性（LoS/非 LoS）紧密结合。
工程指导：
- 避免过度设计：在设计 zeRIS 时，盲目追求高相位分辨率（高 $q$ ）可能是低效甚至有害的。在强视距（LoS）环境下，低分辨率（如 1 比特）可能是最优选择。
- 精准建模的重要性：忽略信道相位分布对量化误差的影响会导致系统性能评估出现巨大偏差，进而导致错误的资源分配和硬件选型。
- 方案选择：在能量受限的 zeRIS 系统中，ES 方案通常优于 TS 方案。

总结：该论文通过严谨的数学推导和仿真验证，揭示了量化效应在零能量 RIS 系统中的双重影响（既影响通信也影响供电），并提出了基于实际信道条件和硬件功耗的优化设计准则，为未来可编程无线环境的实际部署提供了重要的理论依据。