[논문 리뷰] RIS-Enabled Wireless Channel Equalization: Adaptive RIS Equalizer and Deep Reinforcement Learning

Gal Ben-Itzhak, E. Ayanoglu|arXiv (Cornell University)|2026. 03. 03.

Advanced Wireless Communication Technologies인용 수 0

한 줄 요약

본 논문은 RIS 보조 펄스 응답 등화를 위한 적응형 RIS 기반 등화(ARISE)와 모델 프리 심층 강화 학습(DRL) 접근법(DDPG, TD3, SAC)을 비교하고, SAC가 명시적 CSI 없이도 더 낮은 복잡도로 ARISE 성능에 맞먹을 수 있음을 보인다.

ABSTRACT

Reconfigurable Intelligent Surfaces (RISs) offer a promising means of reshaping the wireless propagation environment, yet practical methods for configuring large passive arrays to achieve reliable signal equalization remain limited. Equalization is essential in wideband links to counteract multipath-induced pulse distortion that otherwise degrades symbol recovery. This work investigates RIS-assisted pulse response equalization and signal boosting using both classical adaptive filtering and model-free deep reinforcement learning (DRL). We develop a steepest descent (SD) method that exploits cascaded BS-RIS-UE channel information to configure RIS coefficients for multipath mitigation and SNR enhancement, and we show that the tradeoffs between SD and DRL primarily arise from the extensive channel estimation required for accurate equalization with passive RIS hardware. Unlike traditional adaptive filtering, which updates delayed filter coefficients after signal reception, our approach uses the RIS positioned within the cascaded channel to perform equalization without delay elements, prior to reception at the UE. In this framework, the channel is estimated before equalization, forming the basis of what we term adaptive RIS equalization (ARISE). To overcome the reliance on channel estimation required for ARISE, we explore several DRL algorithms -- DDPG, TD3, and SAC -- that optimize RIS coefficients directly from the received pulse response without explicit channel estimation. Through extensive simulations across diverse channel conditions and RIS sizes, we show that SAC achieves fast, stable convergence and equalization performance comparable to ARISE while offering significantly lower implementation complexity. These results highlight the potential of DRL as a practical and scalable solution for real-time RIS control in future wireless systems.

연구 동기 및 목표

• RIS를 광대역 링크의 다중경로로 인한 ISI를 완화하는 공중의 등화기로 활용하도록 동기를 부여한다.
• 연쇄적으로 결합된 BS-RIS-UE 채널 추정이 필요한 SD 기반의 적응형 RIS 등화(ARISE) 알고리즘을 개발한다.
• 명시적 채널 추정 없이 수신된 펄스 응답으로부터 RIS 계수를 직접 최적화하는 모델 프리 DRL 대안(DDPG, TD3, SAC)을 조사한다.

제안 방법

• RIS 기반 펄스 응답 등화를 수식화하고 추정된 연쇄 BS-RIS-UE 채널을 사용하여 SD 기반의 ARISE 알고리즘을 도출한다.
• ISI와 메인 탭을 기반으로 한 비용 함수 J를 정의하고, 패시비성을 강제하기 위한 정규화를 갖춘 RIS 계수의 기울기 업데이트 규칙을 도출한다.
• 수신된 펄스 응답에서 상태, 행동, 보상을 모델링하여 DRL로 분석을 확장하고 DDPG, TD3, SAC를 평가한다.
• 단일 안테나 BS 및 UE, M-요소 RIS, 다양한 Rician 인자 및 ISI 항을 갖는 RIS 시나리오를 시뮬레이션하여 ARISE와 DRL 성능을 비교한다.
• 수렴 및 복잡도 측면에서 채널 추정 오버헤드와 모델 프리 DRL 접근법 간의 트레이드오프를 평가한다.

Figure 1 : Illustration of the downlink RIS scenario. LoS paths are marked by solid lines, while NLoS paths are marked by dotted lines. Delayed paths and ISI components are created by reflections from obstacles.

실험 결과

연구 질문

• RQ1 ARISE가 연쇄된 BS-RIS-UE 채널을 활용하여 RIS 보조 신호를 효과적으로 등화하고 증폭할 수 있는가?
• RQ2 DRL 방법들(DDPG, TD3, SAC)이 CSI 없이 펄스 응답으로부터 RIS 계수를 신뢰성 있게 최적화하고 ARISE와 비교하여 어떤가?
• RQ3 어떤 방법이 더 빠른 수렴, 낮은 복잡도, 다양한 채널 유형 및 RIS 크기에 대해 견고한 성능을 제공하는가?
• RQ4 채널 추정 및 하드웨어 비이상성에 관련된 ARISE의 실용적 한계는 무엇인가?

주요 결과

• 연쇄 채널 추정을 이용해 RIS 위상을 최적화하여 메인 탭 전력을 증가시키고 ISI를 감소시킬 수 있다.
• SAC는 빠르고 안정적인 수렴과 ARISE에 필적하는 성능을 달성하면서 구현 복잡도가 더 낮다.
• DRL 방법은 CSI 없이 펄스 응답으로부터 즉시 최적화가 가능하여 채널 추정에 따른 지연을 줄인다.
• 고차원의 연쇄 채널 및 대형 RIS 크기에서는 CSI 오버헤드와 추정 요구로 인해 ARISE 성능이 저하된다.
• 시뮬레이션에서 ARISE는 무작위나 역위상 스킴보다 더 높은 목적 함수 값을 나타내지만 RIS 업데이트를 위해서는 정확한 CSI가 필요하다.

Figure 2 : Left: conventional feedforward equalizer (FFE) at the receiver vs. right: our proposed RIS-based equalizer. The conventional equalizer processes the baseband signal after reception using $n$ delay taps, whereas the RIS-based equalizer is at the midpoint of the cascaded BS-RIS-UE link and