[论文解读] Terahertz Communications for 6G and Beyond Wireless Networks: Challenges, Key Advancements, and Opportunities

Akram Shafie, Nan Yang+4 more|arXiv (Cornell University)|Jul 22, 2022

Millimeter-Wave Propagation and Modeling被引用 11

一句话总结

本文对6G及以后的太赫兹（THz）通信进行了全面分析，识别了频谱管理、波束成形以及与可重构智能表面（RIS）和机器学习等6G使能技术集成中的关键挑战与进展。提出了一个端到端THz通信系统的整体框架，强调物理层、链路层和网络层的创新，以在高移动性、易受阻塞的环境中实现每秒太比特的数据速率。

ABSTRACT

The unprecedented increase in wireless data traffic, predicted to occur within the next decade, is motivating academia and industries to look beyond contemporary wireless standards and conceptualize the sixth-generation (6G) wireless networks. Among various promising solutions, terahertz (THz) communications (THzCom) is recognized as a highly promising technology for the 6G and beyond era, due to its unique potential to support terabit-per-second transmission in emerging applications. This article delves into key areas for developing end-to-end THzCom systems, focusing on physical, link, and network layers. Specifically, we discuss the areas of THz spectrum management, THz antennas and beamforming, and the integration of other 6G-enabling technologies for THzCom. For each area, we identify the challenges imposed by the unique properties of the THz band. We then present main advancements and outline perspective research directions in each area to stimulate future research efforts for realizing THzCom in 6G and beyond wireless networks.

研究动机与目标

• 应对无线数据流量不断增长的需求，预计到2030年将达每月5 zettabytes，超出5G的能力范围。
• 克服太赫兹频段特有的传播挑战，包括高路径损耗、分子吸收以及易受阻塞的影响。
• 通过整合物理层、链路层和网络层的创新，实现端到端的太赫兹通信系统，以支持6G及以后的发展。
• 探索四种6G使能技术——可重构智能表面（RIS）、机器学习、太赫兹波束成形和频谱管理——在统一的THzCom框架中的集成。
• 识别研究空白并提出未来方向，以实现具备每秒太比特吞吐量的实用、高容量太赫兹通信系统。

提出的方法

• 对太赫兹频谱管理进行系统性分析，重点关注300 GHz以上的超宽带传输窗口（TWs）和吸收系数峰值区域（ACPRs）。
• 提出使用高方向性天线的先进波束成形技术，以利用太赫兹信号的短波长特性，实现高增益、窄波束的视距（LoS）通信。
• 将可重构智能表面（RIS）集成到太赫兹系统中，通过智能相位移控制创建虚拟视距链路，缓解阻塞问题，并提高信道可靠性。
• 应用机器学习（ML）技术——包括监督学习、强化学习和联邦学习——实现实时信道估计、波束追踪、阻塞预测和干扰抑制。
• 开发混合信道模型，结合实测数据、射线追踪和统计建模，以捕捉太赫兹传播的复杂频率相关行为。
• 提出一种RIS与固定无线基础设施集成的控制平面架构，实现RIS、接入点（APs）和用户之间的动态、基于协议的协同。

实验结果

研究问题

• RQ1 如何高效管理太赫兹频段的超大带宽（0.1–10 THz），在考虑频率相关分子吸收的前提下，支持每秒太比特的数据速率？
• RQ2 在高路径损耗和阻塞条件下，哪些波束成形和天线设计最有效，能够实现太赫兹频段的高方向性和高增益？
• RQ3 如何通过智能相位调节，利用可重构智能表面（RIS）将非视距（nLoS）太赫兹链路转化为可靠的虚拟视距链路？
• RQ4 在处理非平稳、易受阻塞且高动态的信道数据时，将机器学习应用于太赫兹通信系统面临的主要挑战与机遇是什么？
• RQ5 如何协同设计RIS、ML、波束成形和频谱管理，以满足不同网络场景下多样化的6G服务质量（QoS）目标？

主要发现

• 太赫兹频段提供了带宽达数十至数百吉赫兹的传输窗口，理论上可实现高达1 Tb/s的峰值数据速率，是5G的100倍。
• 太赫兹频段的分子吸收导致频率相关的吸收峰（ACPRs），在传播距离上严重衰减信号，因此需要仔细的频率分配和动态频谱接入策略。
• 可重构智能表面（RIS）可通过创建虚拟视距链路缓解阻塞影响，主动式RIS还可作为信号中继器或分布式接入点提供额外功能。
• 石墨烯基RIS反射器在1 THz及以上频段表现出前景，因其可调特性与低反射损耗，有助于实现太赫兹频段的实际RIS部署。
• 机器学习可显著提升太赫兹系统中的信道估计、波束追踪和干扰抑制性能，但需解决非平稳数据、训练数据有限以及硬件约束下的分布式智能问题。
• 将RIS、ML、波束成形和频谱管理整合到统一框架中，是实现6G及以后可靠、高吞吐量、可扩展的端到端太赫兹通信系统的关键。