[论文解读] Deep Learning Optimized Sparse Antenna Activation for Reconfigurable Intelligent Surface Assisted Communication

Shunbo Zhang, Shun Zhang+3 more|arXiv (Cornell University)|Sep 3, 2020

Advanced Wireless Communication Technologies参考文献 45被引用 12

一句话总结

本文提出了一种面向可重构智能表面（RIS）辅助通信的深度学习优化稀疏天线激活方案，通过基于概率采样的有源天线选择网络实现高效的信道外推与波束成形。该方法仅使用极少的有源单元即实现近似最优性能，显著降低功耗，同时通过两种基于深度学习的方案——信道外推与直接波束搜索——保持高 spectral efficiency。

ABSTRACT

To capture the communications gain of the massive radiating elements with low power cost, the conventional reconfigurable intelligent surface (RIS) usually works in passive mode. However, due to the cascaded channel structure and the lack of signal processing ability, it is difficult for RIS to obtain the individual channel state information and optimize the beamforming vector. In this paper, we add signal processing units for a few antennas at RIS to partially acquire the channels. To solve the crucial active antenna selection problem, we construct an active antenna selection network that utilizes the probabilistic sampling theory to select the optimal locations of these active antennas. With this active antenna selection network, we further design two deep learning (DL) based schemes, i.e., the channel extrapolation scheme and the beam searching scheme, to enable the RIS communication system. The former utilizes the selection network and a convolutional neural network to extrapolate the full channels from the partial channels received by the active RIS antennas, while the latter adopts a fully-connected neural network to achieve the direct mapping between the partial channels and the optimal beamforming vector with maximal transmission rate. Simulation results are provided to demonstrate the effectiveness of the designed DL-based schemes.

研究动机与目标

• 解决在信号处理能力有限的被动 RIS 系统中获取精确信道状态信息（CSI）的挑战。
• 通过引入少量具备基带处理能力的有源天线，克服传统 RIS 的局限性，实现部分 CSI 估计。
• 通过基于概率采样神经网络优化有源 RIS 天线的选择，最小化功耗。
• 开发基于深度学习的方案，从部分观测中外推得到完整 CSI，并直接将部分信道映射到最优波束成形向量。
• 通过利用部分信道与系统性能指标之间的学习映射，实现低复杂度信号处理下的高 spectral efficiency。

提出的方法

• 基于概率采样理论，提出一种有源天线选择网络，以识别少量有源 RIS 天线的最优位置。
• 设计一种基于卷积神经网络（CNN）的信道外推方案，从有源天线处的部分观测中重构完整信道矩阵。
• 开发一种基于全连接神经网络的波束搜索方案，直接将部分信道映射到最大化 spectral efficiency 的最优波束成形向量。
• 建立物理内在因素、完整信道与部分信道之间的理论双射映射，证明信道外推与波束选择的可行性。
• 利用复合映射函数（Ψ 和 Π）形式化描述从部分信道到完整信道以及到最优波束成形向量的转换过程。
• 采用结构化码本进行波束成形搜索，并验证从部分 CSI 到最优波束向量的显式映射存在性。

实验结果

研究问题

• RQ1 深度学习能否有效优化 RIS 上稀疏有源天线的选择，在保持高性能的同时最小化功耗？
• RQ2 是否可行从少量有源 RIS 元素获取的部分信道观测中，外推得到完整信道矩阵？
• RQ3 深度神经网络能否在无需完整 CSI 的情况下，直接将部分信道状态信息映射到最优波束成形向量？
• RQ4 所提出的基于概率采样有源天线选择在 spectral efficiency 和收敛性方面，相比均匀或随机激活模式有何优势？
• RQ5 在仅具备部分 CSI 的 RIS 辅助系统中，信道外推与波束选择的可行性具有哪些理论保障？

主要发现

• 基于概率采样设计的有源天线选择网络显著提升了信道外推的准确性，优于均匀或随机激活模式。
• 采用 CNN 的信道外推方案仅需激活 RIS 元素的 10–20% 即可实现接近完整信道性能，显著降低功耗，同时保持高 spectral efficiency。
• 基于全连接神经网络的波束搜索方案即使在 CSI 有限的情况下，其 spectral efficiency 也仅比通过穷举搜索获得的最优解低 5%，表现出色。
• 理论分析证实了部分信道与完整信道之间，以及部分信道与最优波束成形向量之间的双射映射存在，验证了所提方案的可行性。
• 仿真结果表明，与传统 RIS 波束成形方法相比，基于深度学习的方案在时变散射环境下的和速率与鲁棒性方面表现更优。
• 将深度学习与稀疏有源 RIS 元素相结合，可在 6G 无线系统中实现能效与频谱性能之间的实用权衡。