[论文解读] Deep Inverse Design of Reconfigurable Metasurfaces for Future Communications

John A. Hodge, Kumar Vijay Mishra+1 more|arXiv (Cornell University)|Jan 22, 2021

Metamaterials and Metasurfaces Applications参考文献 14被引用 10

一句话总结

本文提出了一种基于深度学习（DL）的可重构超表面（RIS）逆向设计框架，以实现高效、物理感知的定制电磁（EM）响应生成。通过利用生成对抗网络（GANs）和物理信息学习，该方法避开了计算成本高昂的全波电磁（EM）仿真，实现了针对特定波束成形和波前调控的RIS单元快速、全局优化。

ABSTRACT

Reconfigurable intelligent surfaces (RIS) have recently received significant attention as building blocks for smart radio environments and adaptable wireless channels. By altering the space- and time-varying electromagnetic (EM) properties, the RIS transforms the inherently stochastic nature of the wireless environment into a programmable propagation channel. Conventionally, designing RIS to yield the desired EM response requires trial-and-error by iteratively investigating a large possibility of various geometries and materials through thousands of full-wave EM simulations. In this context, deep learning (DL) techniques are proving critical in reducing the computational cost and time of RIS inverse design. Instead of explicitly solving Maxwell's equations, DL models learn physics-based relationships through supervised training data. Further, generative adversarial networks are shown to synthesize novel RIS designs not previously seen in the literature. This article provides a synopsis of DL techniques for inverse RIS design and optimization to yield targeted EM response necessary for future wireless networks.

研究动机与目标

• 解决传统RIS设计中因使用全波电磁（EM）仿真而导致的高计算成本和迭代性问题。
• 克服在优化超表面几何结构和材料以实现期望EM响应时，试错法所面临的局限性。
• 通过深度学习隐式学习电磁物理规律，实现快速、数据高效的可重构超表面逆向设计。
• 开发能够生成文献中未见的新颖、非直观RIS结构的生成模型。
• 将基于物理的约束整合到深度学习架构中，以提升泛化能力并减少对大规模仿真数据集的依赖。

提出的方法

• 采用生成对抗网络（GANs）学习从期望EM响应到RIS单元几何结构的映射，实现端到端的逆向设计。
• 使用全局拓扑优化网络（GLOnets），通过迭代地将潜在分布向最优RIS设计方向移动，实现物理信息优化，而无需大规模标注数据集。
• 在拓扑优化超光栅的图像上训练深度生成模型（DGMs），以合成高效、宽带和宽角散射结构。
• 将基于物理的解析模型（如射频电路模型）作为先验，以减少训练期间所需的全波EM仿真次数。
• 探索图（用于近场耦合）和序列（用于时变响应）等替代数据表示形式，并通过图神经网络（GNNs）和循环神经网络（RNNs）进行处理。
• 应用迁移学习和深度Q网络（DQNs）以加速在不同RIS设计和频段之间的适应过程。

实验结果

研究问题

• RQ1 深度学习模型是否能够在不显式求解麦克斯韦方程组的情况下，有效学习期望EM响应与RIS单元几何结构之间的逆向关系？
• RQ2 生成模型（如GANs和GLOnets）如何用于发现超越传统规范结构的新型高性能RIS设计？
• RQ3 物理信息深度学习在多大程度上可以减少RIS设计中对大规模全波EM仿真数据集的需求？
• RQ4 替代数据表示形式（如图、序列）在建模动态或耦合RIS系统中复杂EM相互作用方面有何改进作用？
• RQ5 迁移学习和强化学习技术是否能够加速多层或多功能RIS架构的设计？

主要发现

• 生成对抗网络（GANs）成功学习到生成文献中未报道过的新颖RIS设计，实现了对先前未探索设计空间的拓展。
• 全局拓扑优化网络（GLOnets）通过学习集中于最优解的窄峰分布，在实现超表面设计的全局最优方面表现出计算效率高且鲁棒性强。
• 物理信息GANs和混合模型通过引入作为先验的解析射频电路模型，显著减少了所需的全波EM仿真次数，提升了训练效率。
• GLOnets在拓扑优化超光栅中表现出色，具备宽频率和角度响应，但为满足严格性能目标仍需进一步优化。
• 通过图神经网络（GNNs）和循环神经网络（RNNs）处理的图和序列数据表示，在建模耦合或时变RIS系统中的复杂EM相互作用方面展现出潜力。
• 迁移学习和深度Q网络（DQNs）被证明可加速在相关RIS设计任务间的知识迁移，表明其在可扩展、多功能RIS优化方面具有潜力。