在RIS辅助的6G城市环境中，基于机器学习对THz MIMO天线性能进行分析

《IEEE Communications Standards Magazine》：Machine Learning-Driven Analysis of THz MIMO Antenna Performance in RIS-Assisted 6G Urban Environments

太赫兹频段MIMO天线系统与可重构智能表面（RIS）结合的6G网络性能分析，通过动态仿真框架模拟城市环境中的用户移动和实时RIS相位调整，采用CatBoost等机器学习模型预测ECC和TARC等关键性能指标，验证了机器学习在复杂传播建模和天线优化中的有效性。

　　

摘要：

本文提出了一种结合了可重构智能表面（RIS）的太赫兹（THz）MIMO天线系统的机器学习增强性能分析方法，该系统适用于下一代6G无线网络。开发了一个动态仿真框架，该框架考虑了用户移动性、实时RIS相位偏移建模、空间配置以及实际路径损耗参数，仿真环境为100米×100米的城市环境。系统在0.1至1.0太赫兹（THz）频段内进行了评估，重点关注了关键性能指标，包括包络相关系数（ECC）在1×10^-5到-21分贝（dB）范围内的变化，以及总主动反射系数（TARC）。训练了包括CatBoost、随机森林（Random Forest）、XGBoost、人工神经网络（ANN）等多种线性技术在内的监督回归模型，以从频域特征预测这些指标。其中，CatBoost的表现最为出色，其评分达到0.998，平均绝对误差（MAE）为0.186，且推理延迟较低。研究结果表明，基于集成学习的机器学习方法能够有效模拟复杂的传播现象，并优化密集环境及RIS辅助下的6G天线性能。这项工作为将预测智能集成到自适应天线设计和实时网络优化中奠定了基础。

引言

无线网络向第六代（6G）系统的演进要求实现超高的数据传输速率、极低的延迟以及可靠的连接性，尤其是在密集的城市环境中。为了满足这些需求，人们正在积极探索太赫兹（THz）频段和大规模多输入多输出（MIMO）技术。然而，THz通信面临着严重的传播损耗、分子吸收以及复杂的多径效应，尤其是在杂乱环境中。为了解决这些问题，可重构智能表面（RIS）作为一种有前景的解决方案应运而生，它可以实现动态信号反射、波束成形和节能的覆盖扩展。准确预测S参数（如ECC和TARC）对于设计和优化THz MIMO系统至关重要，尤其是在使用RIS的情况下。传统的基于物理的建模方法或启发式设计[1][2]无法完全捕捉硬件配置与城市环境之间的非线性动态相互作用。这促使人们需要一个基于机器学习的框架，该框架能够整合电磁仿真、环境建模和实时预测智能。