[논문 리뷰] Reconfigurable Intelligent Surfaces: Principles and Opportunities

Yuanwei Liu, Xiao 潇 Liu 刘외 5명|arXiv (Cornell University)|2020. 07. 07.

Advanced Wireless Communication Technologies참고 문헌 180인용 수 74

한 줄 요약

이 논문은 6G 무선 네트워크를 위한 재구성 가능한 지능형 표면(RIS)에 대한 종합적인 서베이를 제공하며, 운영 원리, 성능 최적화, 빔포밍 설계, 기계학습 및 신기술과의 통합을 다룹니다. RIS는 프로그래밍 가능한 위상 이동을 통해 무선 전파 환경을 지능적으로 제어함으로써 스펙트럼 효율성, 커버리지 및 신뢰성을 향상시키는 수동적이고 에너지 효율적인 솔루션으로서 주목받고 있습니다.

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.

연구 동기 및 목표

• RIS 원리와 6G 무선 네트워크 향상에서의 역할을 통합적으로 개관하기 위해.
• 동적 RIS 강화 네트워크에서 CSI 확보 및 다목적 최적화의 과제를 다루기 위해.
• NOMA, 드론, 물리계층 보안 및 자율주행차와 같은 신기술과의 RIS 통합을 탐색하기 위해.
• RIS 시스템에서 동적 채널 적응 및 실시간 자원 관리를 위한 기계학습 응용을 검토하기 위해.
• 차세대 네트워크에 대한 RIS 구현을 위한 열린 연구 문제 및 향후 방향을 규명하기 위해.

제안 방법

• 전자기적 및 통신 시스템 관점에서 RIS 운영 원리를 체계적으로 검토한다.
• 성능 분석, 정보 이론 및 최적화 도구를 활용하여 다안테나 RIS 시스템의 성능을 분석한다.
• 다양한 네트워크 모델 하에서 RIS 강화 네트워크의 공동 빔포밍 및 자원 할당 설계를 서베이한다.
• CSI 추정, 빔포밍 최적화 및 채널 동적 변화 대응을 위한 기계학습 기법—특히 딥러닝—을 평가한다.
• 드론-RIS 및 V2I 네트워크에서 연속적 및 이산 상태 공간을 다루기 위한 기계학습과 수학적 프로그래밍을 융합한 하이브리드 최적화 프레임워크를 제안한다.
• NOMA, SWIPT, 물리계층 보안 및 지능형 IoT 시스템과의 RIS 통합 전략을 논의한다.

실험 결과

연구 질문

• RQ1 어떻게 RIS를 설계하여 무선 전파 환경을 지능적으로 재구성함으로써 스펙트럼 효율성과 커버리지를 향상시킬 수 있는가?
• RQ2 수동 반사 기반 RIS 강화 네트워크에서 정확하고 시기적절한 CSI 확보의 핵심 과제는 무엇인가?
• RQ3 기계학습은 RIS 보조 시스템에서 동적 채널 변동성과 사용자 이동성 문제를 어떻게 해결하는 데 활용될 수 있는가?
• RQ4 RIS 네트워크에서 통신량, 지연 시간 및 에너지 효율성 등의 상충되는 목표를 효과적으로 균형 잡는 최적화 프레임워크는 무엇인가?
• RQ5 드론, NOMA 및 V2I 통신과 같은 6G 핵심 기술과 RIS를 어떻게 통합하여 시스템 성능을 향상시킬 수 있는가?

주요 결과

• RIS는 수동 빔포밍을 통해 가시선 링크를 가상으로 구현함으로써 특히 장애물이 있는 환경에서 스펙트럼 효율성과 커버리지를 크게 향상시킨다.
• RIS는 수신 증폭 또는 복호화를 수행하는 기존의 앰플리파이-앤드-포워드 또는 디코딩-앤드-포워드 중계 방식보다 수동적이고 저전력 작동 방식을 취함으로써 더 높은 에너지 효율성을 제공한다.
• 기계학습 기법, 특히 딥러닝은 CSI 학습 오버헤드를 줄이고 동적 채널에 대한 적응성을 향상시키는 데 유망한 성과를 보이고 있다.
• RIS 위상 이동과 빔포밍의 공동 최적화는 특히 다중 사용자 및 다안테나 환경에서 상호의존적이며 도전적인 문제이다.
• RIS와 드론 및 V2I 네트워크의 통합은 신뢰성과 지연을 향상시켜 더 안전하고 효율적인 자율주행 시스템을 가능하게 한다.
• 기계학습을 활용한 파레토 최적화 프레임워크는 고도로 동적인 RIS 네트워크에서 다중 성능 지표를 균형 잡는 데 필수적이다.