[论文解读] Leveraging AI and Intelligent Reflecting Surface for Energy-Efficient Communication in 6G IoT

Qianqian Pan, Jun Wu+4 more|arXiv (Cornell University)|Dec 29, 2020

Advanced Wireless Communication Technologies参考文献 3被引用 6

一句话总结

本文提出了一种面向6G物联网的AI与智能反射面（IRS）协同的节能通信系统，利用深度强化学习（DRL）联合优化发射功率、IRS相位偏移和基站（BS）检测矩阵。与传统系统相比，该DRL驱动方案在不同物联网设备负载下，尤其在IRS元件和BS天线数量增加时，表现出更高的能量效率和更快的收敛速度。

ABSTRACT

The ever-increasing data traffic, various delay-sensitive services, and the massive deployment of energy-limited Internet of Things (IoT) devices have brought huge challenges to the current communication networks, motivating academia and industry to move to the sixth-generation (6G) network. With the powerful capability of data transmission and processing, 6G is considered as an enabler for IoT communication with low latency and energy cost. In this paper, we propose an artificial intelligence (AI) and intelligent reflecting surface (IRS) empowered energy-efficiency communication system for 6G IoT. First, we design a smart and efficient communication architecture including the IRS-aided data transmission and the AI-driven network resource management mechanisms. Second, an energy efficiency-maximizing model under given transmission latency for 6G IoT system is formulated, which jointly optimizes the settings of all communication participants, i.e. IoT transmission power, IRS-reflection phase shift, and BS detection matrix. Third, a deep reinforcement learning (DRL) empowered network resource control and allocation scheme is proposed to solve the formulated optimization model. Based on the network and channel status, the DRL-enabled scheme facilities the energy-efficiency and low-latency communication. Finally, experimental results verified the effectiveness of our proposed communication system for 6G IoT.

研究动机与目标

• 应对6G网络中能量受限、高数据速率物联网通信日益增长的挑战。
• 克服当前5G及传统回传方案在能耗和干扰方面的局限性。
• 为6G物联网系统在严格时延约束下设计联合优化框架以提升能量效率。
• 开发基于DRL的动态资源分配机制，以适应实时网络与信道条件。
• 展示在大规模、能量受限的物联网部署中，集成IRS与AI所带来的性能增益。

提出的方法

• 提出一种新型6G物联网通信架构，集成IRS辅助信号反射与AI驱动的网络资源管理。
• 构建联合优化模型，在给定传输时延下最大化系统能量效率，联合优化物联网发射功率、IRS相位偏移和BS检测矩阵。
• 采用演员-评论家网络实现深度强化学习（DRL）框架，实时求解非凸优化问题。
• 基于瞬时能量效率和时延约束的环境反馈（奖励）训练DRL智能体。
• 通过仿真评估在不同物联网设备数量、IRS元件数和BS天线数下的系统性能。
• 调整DRL超参数（折扣因子、学习率、更新频率）以优化收敛性和性能。

实验结果

研究问题

• RQ1 IRS与AI的集成在6G物联网网络中如何提升能量效率？
• RQ2 DRL在时延约束下，能在多大程度上动态优化发射功率、IRS相位偏移和BS检测矩阵？
• RQ3 IRS元件数量和BS天线数量如何影响系统能量效率与收敛速度？
• RQ4 不同物联网设备负载对所提DRL-IRS系统性能有何影响？
• RQ5 不同DRL超参数如何影响系统的能量效率与学习稳定性？

主要发现

• 所提出的DRL-IRS系统在能量效率方面优于无IRS的系统，尤其在IRS元件数量增加时表现更优。
• 随着训练轮次增加，系统能量效率趋于收敛并持续提升，表明学习过程稳定且高效。
• IRS元件数量从10增至30时，收敛速度加快且奖励提升，表明更大IRS孔径带来性能增益。
• BS天线数量增加（最高至7根）可提升系统能量效率，证实大规模MIMO在IRS辅助系统中的优势。
• 当折扣因子γ=0.9、学习率αμ=αQ=10−9、更新频率ε=0.001时，DRL模型达到最佳性能与最快收敛。
• 随着物联网设备数量增加，能量效率下降，但DRL-IRS系统仍显著优于非IRS基准方案。