[論文レビュー] Reconfigurable Intelligent Surfaces: Principles and Opportunities

Yuanwei Liu, Xiao 潇 Liu 刘+5 more|arXiv (Cornell University)|Jul 7, 2020

Advanced Wireless Communication Technologies参考文献 180被引用数 74

ひとこと要約

本稿は、6G無線ネットワークにおける再構成可能知能表面（RIS）について包括的なサーベイを提供しており、その運用原理、性能最適化、ビームフォーミング設計、および機械学習や新技術との統合をカバーしている。RISは、プログラマブルな位相シフトを通じて無線伝搬環境を知的に制御する能動的でない、エネルギー効率の高いソリューションとして、スペクトル効率、カバレッジ、信頼性の向上に寄与する。

ABSTRACT

Reconfigurable intelligent surfaces (RISs), also known as intelligent reflecting surfaces (IRSs), or large intelligent surfaces (LISs), have received significant attention for their potential to enhance the capacity and coverage of wireless networks by smartly reconfiguring the wireless propagation environment. Therefore, RISs are considered a promising technology for the sixth-generation (6G) of communication networks. In this context, we provide a comprehensive overview of the state-of-the-art on RISs, with focus on their operating principles, performance evaluation, beamforming design and resource management, applications of machine learning to RIS-enhanced wireless networks, as well as the integration of RISs with other emerging technologies. We describe the basic principles of RISs both from physics and communications perspectives, based on which we present performance evaluation of multi-antenna assisted RIS systems. In addition, we systematically survey existing designs for RIS-enhanced wireless networks encompassing performance analysis, information theory, and performance optimization perspectives. Furthermore, we survey existing research contributions that apply machine learning for tackling challenges in dynamic scenarios, such as random fluctuations of wireless channels and user mobility in RIS-enhanced wireless networks. Last but not least, we identify major issues and research opportunities associated with the integration of RISs and other emerging technologies for applications to next-generation networks.

研究の動機と目的

• RISの原理を統一的に概説し、6G無線ネットワークの向上におけるその役割を明らかにすること。
• 動的RIS強化ネットワークにおけるCSI取得および多目的最適化の課題に取り組むこと。
• NOMA、UAV、物理層セキュリティ、自律走行車両などの新技術とRISの統合を検討すること。
• 動的チャネル適応およびリアルタイムリソース管理におけるRISシステムへの機械学習応用を検討すること。
• 次世代ネットワークにおけるRIS展開のための未解決の研究問題と今後の方向性を特定すること。

提案手法

• 電磁気および通信システムの両観点から、RISの運用原理を体系的にレビューする。
• 性能解析、情報理論、最適化のツールを用いて、マルチアンテナRISシステムの性能を分析する。
• さまざまなネットワークモデル下でのRIS強化ネットワークにおける共同ビームフォーミングおよびリソース割り当て設計をサーベイする。
• CSI推定、ビームフォーミング最適化、チャネルダイナミクスの取り扱いに特に焦点を当てた機械学習技術（特にディープラーニング）を評価する。
• UAV-RISおよびV2Iネットワークにおける連続的および離散的状態空間を扱うために、MLと数学的プログラミングを組み合わせたハイブリッド最適化フレームワークを提案する。
• NOMA、SWIPT、物理層セキュリティ、知能型IoTシステムとのRIS統合戦略を議論する。

実験結果

リサーチクエスチョン

• RQ1 RISは、特に障害物がある環境において、どのようにしてスペクトル効率とカバレッジを向上させるために無線伝搬環境を知的に再構成できるか？
• RQ2 受動的反射を伴うRIS強化ネットワークにおいて、正確でタイムリーなCSIを取得する際の主な課題は何か？
• RQ3 RIS支援システムにおける動的チャネル変動およびユーザー移動性に対処するために、どのように機械学習を活用できるか？
• RQ4 スループット、遅延、エネルギー効率といった複数の矛盾する目的を効果的にバランスさせる最適化フレームワークは何か？
• RQ5 UAV、NOMA、V2I通信などの6Gを支える他の技術とRISをどのように統合することで、システム性能を向上できるか？

主な発見

• RISは、受動的ビームフォーミングにより仮想の視線路（LoS）リンクを可能にすることで、特に障害物のある環境においてスペクトル効率とカバレッジを顕著に向上させる。
• RISは、能動的で低消費電力の動作を特徴とするため、従来のアンプ・アンド・フォワードまたはデコード・アンド・フォワードリレーよりも高いエネルギー効率を実現する。
• 特にディープラーニングを活用した機械学習技術は、CSIトレーニングのオーバーヘッドを低減し、動的チャネルへの適応性を向上させる上で有望である。
• RISの位相シフトとビームフォーミングの共同最適化は、非常に強く結合されており、特にマルチユーザーおよびマルチアンテナ環境では困難である。
• UAVおよびV2IネットワークとのRIS統合により、信頼性と遅延が向上し、より安全で効率的な自律走行車両システムの実現が可能になる。
• Pareto最適化フレームワークは、機械学習を支援することで、高動的RISネットワークにおける複数の性能指標のバランスを図る上で不可欠である。