[论文解读] A Survey of Deep Learning Architectures for Intelligent Reflecting Surfaces

Ahmet M. Elbir, Kumar Vijay Mishra|arXiv (Cornell University)|Sep 5, 2020

Advanced Wireless Communication Technologies被引用 36

一句话总结

本文综述了6G无线网络中智能反射面（IRS）的深度学习（DL）架构，提出基于数据驱动的信号检测、信道估计和波束成形解决方案。通过利用监督学习、无监督学习、强化学习和联邦学习，DL在动态信道和硬件约束下实现了低时延、鲁棒且自适应的IRS控制，与基于模型的方法相比，显著降低了计算复杂度和训练开销。

ABSTRACT

Intelligent reflecting surfaces (IRSs) have recently received significant attention for 6G wireless communications as they enable the control of the wireless propagation environment. The use of IRS also provides reducing the hardware complexity, physical size, weight as well as cost of conventional large antenna arrays. However, deployment of the IRS entails dealing with multiple channel links between the base station (BS) and the users. Further, the BS and IRS beamformers require a joint design, wherein the IRS elements must be rapidly reconfigured. Data-driven techniques, such as deep learning (DL), are critical in addressing these challenges. The lower computation time and model-free nature of DL make it robust against data imperfections and environmental changes. At the physical layer, DL has been shown to be effective for IRS signal detection, channel estimation, and active/passive beamforming using architectures such as supervised, unsupervised, and reinforcement learning. This article provides a synopsis of these techniques for designing DL-based IRS-assisted wireless systems.

研究动机与目标

• 解决多链路IRS辅助无线系统中基站与IRS联合波束成形器设计的挑战。
• 通过无模型、基于数据驱动的深度学习，克服IRS部署中高计算复杂度和动态信道不确定性。
• 降低实时IRS重配置在6G网络中的训练和推理时延。
• 通过端到端学习提高对信道不完善、硬件损伤（例如离散相移）和环境变化的鲁棒性。
• 探索混合与联邦学习框架，以减少数据传输开销并增强分布式IRS系统中的隐私保护。

提出的方法

• 采用监督学习（SL）与多层感知机（MLPs）映射接收信号到发射符号，避免显式信道估计。
• 利用无监督学习（UL）和强化学习（RL）进行无标签训练，实现在无标签数据情况下的动态环境自适应。
• 实施联邦学习（FL）在分布式基站与IRS之间训练模型，最大限度减少通信开销并保护数据隐私。
• 设计多智能体强化学习框架，联合优化基站与IRS的波束成形，使用离散相移码本。
• 在深度神经网络中应用并行处理以降低推理时延，实现亚毫秒级操作，这对6G至关重要。
• 集成冗余感知数据处理与子阵列划分，以降低大规模IRS部署中的训练复杂度。

实验结果

研究问题

• RQ1 深度学习架构如何在无需显式信道估计的情况下提升IRS辅助系统中的信号检测性能？
• RQ2 在IRS波束成形与信道估计中，监督学习、无监督学习、强化学习与联邦学习之间的性能权衡是什么？
• RQ3 硬件约束（如离散相移和有限IRS元素分辨率）如何影响基于DL的IRS系统性能？
• RQ4 与传统基于优化的方法相比，DL在大规模IRS部署中能在多大程度上降低计算时延和训练开销？
• RQ5 混合学习框架（如FL-RL或FL-SL）如何提升分布式IRS辅助6G网络的鲁棒性与效率？

主要发现

• 通过MLPs实现的基于DL的信号检测可达到与传统方法相当的低误比特率（BER）性能，且无需事先进行信道估计。
• 基于强化学习的波束成形在波束成​​增益方面优于经典DFT码本，尤其在离散相移约束下表现更优。
• 联邦学习通过在基站与IRS之间实现分布式学习，降低了模型训练开销并增强了隐私保护。
• 通过并行处理，深度学习模型降低了实时计算时延，实现了适合6G应用的亚1毫秒推理时间。
• 在训练中引入数据冗余与子阵列划分可显著降低大规模IRS系统中的复杂度，且性能下降不明显。
• 混合学习策略（如FL-RL）结合了通信效率与环境适应性，为未来IRS辅助网络提供了有前景的发展路径。