[论文解读] Reconfigurable Intelligent Surface Based Hybrid Precoding for THz Communications

Yu Lu, Hao Mo+1 more|arXiv (Cornell University)|Dec 11, 2020

Advanced Wireless Communication Technologies被引用 9

一句话总结

该论文提出了一种基于可重构智能表面（RIS）的太赫兹（THz）通信混合波束成形架构，通过用被动且低功耗的RIS元件替代能耗较高的相控阵，降低能量消耗。通过将离散相移下的和速率最大化问题重新表述为基于深度学习的多分类任务，所提出的DL-MDC方案在显著降低运行时间的同时，实现了接近最优的和速率性能，优于迭代搜索方法。

ABSTRACT

Benefiting from the growth of the bandwidth, Terahertz (THz) communication can support the new application with explosive requirements of the ultra-high-speed rates for future 6G wireless systems. In order to compensate for the path loss of high frequency, massive multiple-input multiple-output (MIMO) can be utilized for high array gains by beamforming. However, since a large number of analog phase shifters should be used to realize the analog beamforming, the existing THz communication with massive MIMO has very high energy consumption. To solve this problem, a reconfigurable intelligent surface (RIS)-based hybrid precoding architecture for THz communication is developed in this paper, where the energy-hungry phased array is replaced by the energy-efficient RIS to realize the analog beamforming of the hybrid precoding. Then, based on the proposed RIS-based architecture, a sum-rate maximization problem for hybrid precoding is investigated. Since the phase shifts implemented by RIS in practice are often discrete, this sum-rate maximization problem with a non-convex constraint is challenging. Next, the sum-rate maximization problem is reformulated as a parallel deep neural network (DNN)-based classification problem, which can be solved by the proposed low-complexity deep learning-based multiple discrete classification (DL-MDC) hybrid precoding scheme. Finally, we provide numerous simulation results to show that the proposed DL-MDC scheme works well both in the theoretical Saleh-Valenzuela channel model and practical 3GPP channel model. Compared with existing iterative search algorithms, the can proposed DL-MDC scheme reduces the runtime significantly with a negligible performance loss.

研究动机与目标

• 解决太赫兹频段大规模MIMO因大量模拟移相器导致的高能耗问题。
• 用能效更高的可重构智能表面（RIS）替代传统相控阵，实现模拟波束成形。
• 设计一种低复杂度的混合波束成形方案，在RIS离散相移约束下最大化和速率。
• 利用基于深度学习的分类方法克服离散相移优化问题的非凸性。
• 在THz大规模MIMO系统中实现频谱效率与计算复杂度之间的良好权衡。

提出的方法

• 提出一种新颖的基于RIS的混合波束成形架构，其中RIS取代传统大规模MIMO中的模拟波束成形移相器。
• 将离散相移下的和速率最大化问题表述为并行多分类问题。
• 设计一个包含三层隐藏层（512、256、128个神经元）的深度神经网络（DNN），用于将信道状态信息映射到最优RIS相移配置。
• 使用来自Saleh-Valenzuela和3GPP富散射模型的合成信道数据训练DNN，以实现对不同信道条件的泛化能力。
• 使用验证集监控收敛性并防止过拟合，以均方误差（MSE）作为训练损失度量。
• 在实时环境中部署训练好的DNN，以预测RIS相移和射频波束成形器，实现低延迟混合波束成形。

实验结果

研究问题

• RQ1 基于RIS的混合波束成形能否在降低能耗的同时，实现与传统混合波束成形相当的频谱效率？
• RQ2 基于深度学习的RIS波束成形方案在和速率与运行时间方面，与迭代搜索算法相比表现如何？
• RQ3 与理想的连续相移相比，RIS上的离散相移约束在多大程度上影响系统性能？
• RQ4 DNN能否在真实的3GPP信道中有效学习信道矩阵与最优RIS波束成形配置之间复杂且非凸的映射关系？
• RQ5 在所提出的DL-MDC框架中，预测精度与计算复杂度之间的权衡如何？

主要发现

• 在Saleh-Valenzuela信道模型中，所提出的DL-MDC方案在5 dB信噪比下达到最优穷举搜索（CEO）算法约95%的和速率。
• 在更复杂的3GPP信道模型中，DL-MDC方案在5 dB信噪比下达到CEO算法约91%的和速率。
• 与迭代搜索算法相比，DL-MDC方案的运行时间显著降低，性能损失可忽略不计。
• 基于DNN的方法在真实3GPP信道中表现出良好的泛化能力，验证集MSE约为0.05，平均预测准确率达0.94。
• 当RIS元件数量较大时，离散相移与连续相移之间的性能差距可忽略不计，验证了离散RIS设计的实际可行性。
• 在不同信道模型下，DL-MDC方案在和速率与鲁棒性方面均优于传统的基于天线选择（AS）的混合波束成形。