基于低复杂度的可重构智能表面（RIS）辅助无线系统块选择方案

《Telecom》：Low Complexity-Based Block Selection Scheme for RIS-Assisted Wireless Systems

　　

在存在严重阻塞的无线网络中，路径损耗严重限制了通信覆盖范围。可重构智能表面（Reconfigurable Intelligent Surfaces, RIS）提供了一种有前景的补救措施。然而，对海量反射单元进行细粒度控制会带来极高的计算开销，阻碍了实时部署。为应对这些挑战，研究人员提出了一种集成RIS块选择与自适应波束成形（adaptive beamforming）的低复杂度方案。大规模RIS被划分为多个子阵列（sub-arrays）以实现块级相位控制。通过仅激活具有主导信道增益的块，系统在最大化反射增益的同时最小化了控制开销。为避免穷举搜索的指数级复杂度，研究人员开发了一种基于深度神经网络（Deep Neural Network, DNN）的预测架构。通过学习从信道状态（channel states）到最优配置的映射，DNN能够瞬时选择近优的RIS块组合。仿真结果表明，与穷举搜索相比，所提出的数据驱动方案实现了近优的误码率（Bit Error Rate, BER）性能。值得注意的是，它避免了随反射单元数量增加典型的指数级复杂度增长。所提出的机制扩展了可靠覆盖范围并提高了链路稳定性，为未来无线网络提供了高效解决方案。

研究背景方面，随着第五代（5G）系统部署及第六代（6G）研究推进，无线网络向更高数据速率和更广覆盖发展，但密集城市环境中严重建筑遮挡频繁中断视距（Line-of-Sight, LoS）链路，严重限制覆盖连续性。可重构智能表面（RIS）作为由众多可编程电磁单元组成的二维平面结构，可通过智能控制器灵活调整入射波的幅度、相位和极化，重建无线传播环境以缓解信号死区，但其大规模部署时单元级相位控制开销过高。将RIS划分为多个子阵列（块）进行块级激活虽可降低控制开销，却引入了动态信道条件下最优块组合选择的新挑战，块数增加导致穷举搜索呈指数复杂度，无法满足多天线系统实时需求。现有索引调制类方案将块选择视为信息传递手段而非最大化反射增益且假设信道静态或慢变，启发式选择法复杂度降低但不保证最优，机器学习在天线选择的应用扩展至RIS块选择因级联信道与相移的高维耦合而非平凡。为此，研究人员开展基于DNN的框架研究，直接从信道状态信息（Channel State Information, CSI）学习最优块激活模式，实现低复杂度与近优性能，论文发表于《Telecom》。

关键技术方法方面，研究人员基于RIS辅助多输入多输出（Multiple-Input Multiple-Output, MIMO）场景建立物理路径损耗与信道模型，分析多块协同激活的组合分集增益；设计DNN智能预测架构替代高复杂度穷举搜索，生成20万信道矩阵数据集（70%训练、15%验证调参早停、15%测试），将复信道矩阵取幅值展平归一化作为实值特征，以最大最小欧氏距离准则穷举搜索得最优激活标签，构建多标签分类任务；DNN含L隐藏层每层M神经元，隐层用修正线性单元（Rectified Linear Unit, ReLU）捕获复杂映射，输出层用Sigmoid函数，以二元交叉熵损失函数量化预测与真值偏差，采用AdaGrad算法动态调整学习率优化，通过离线训练在线推理将实时复杂度降至单次前向传播多项式级，避免指数爆炸。

研究结果方面，1. Introduction部分通过分析5G/6G覆盖瓶颈与RIS潜力及现有块选择局限，引出DNN辅助低复杂度RIS块选择与自适应波束成形研究的必要性，指出其三大贡献为建立阻塞环境物理模型、设计DNN预测架构、验证近优性能与复杂度降低。2. System Model部分建立RIS辅助MIMO场景模型，Tx配N_t、Rx配N_r天线，RIS含N无源反射单元划为G块每块B=N/G单元，定义Tx-RIS信道H_TR与RIS-Rx信道H_RI为瑞利衰落模型独立同分布CN(0,1)条目，推导接收信号y=√P H_eqΦx+n（Φ为RIS相移矩阵φ_i为第i单元相移，离散集选q量化比特等间距点∈[0,2π)），有效瞬时信噪比（Signal-to-Noise Ratio, SNR）由信道矩阵Frobenius范数量化；考虑直连链路严重遮挡设高衰减指数α_d，RIS链路为级联路径损耗α_RIS=α₁+α₂设低指数，推导第b块等效信道H_b=H_RI,bΦ_bH_TR,b（Φ_b=I_B），比较无RIS直连接收功率P_d=P/L(d)α_d、随机激活一块P_rand=|√P/L(d₁)α₁ h_RI,gΦ_gh_TR,g + n|²、智能选择最优块理论上限P_opt=|√P H_eqΦ_opt + n|²，表明方案利用孔径增益与多块独立衰落分集增益最大化覆盖。3. DNN-Based RIS Block Selection部分含三小节：3.1. Data Generation and Feature Engineering通过20万样本数据集（70%训练、15%验证、15%测试）以穷举最大最小欧氏距离准则得最优标签y_opt，复信道矩阵展平取幅值归一化x?=x/||x||得实值特征，测试阶段同处理，预测输出概率矩阵p_j=f(x;θ)以指示函数定义多标签向量。3.2. DNN Architecture and Training设L隐层每层M神经元，隐层ReLU激活f(x)=max(0,x)诱导稀疏防过拟合，配合验证损20轮不降早停与紧凑架构（L=3、M=128），输入维度D=N_tN_rG，第l层输入a^(l)=f(W^(l)a^(l-1)+b^(l))，输出层Sigmoid得决策向量?=σ(z)，损失函数L(θ)=-1/T Σ_i,j[y_ijlog(p_ij)+(1-y_ij)log(1-p_ij)]，AdaGrad更新θ_t+1=θ_t-η/√(G_t+ε) g_t（η=0.001、最大迭代1200、容差10^-5、批大小64）。3.3. Complexity Analysis指出在线推理复杂度仅为输入D×M + (L-1)×M×M + M×G的多项式级单次前向传播，而穷举搜索需枚举2^G-1非空子集（激活k块为C(G,k)），计算等效信道复杂度O((2^G-1)×B×N_tN_r)呈组合爆炸，G增大DNN优势显著。4. Performance Analysis部分通过图3-7分析：图3 BER随距离变化显示目标BER=10^-3时无RIS覆盖<50m，随机选择约110m，提出方案达130m，提升近3倍基线覆盖；图4平均接收功率在d=100m、RIS中点、N=128划G=8每块B=16、α_d=4、α_RIS=2.2时，无RIS约-80dB，RIS随机约-55dB，提出方案更高，获两数量级功率增益；图5 BER随SNR变化在单输入单输出（Single-Input Single-Output, SISO）每时隙激活一块、N=128时，提出与穷举几乎重叠，较随机在BER=10^-3获约4dB SNR增益，具可扩展性；图6多块激活（T=2）在三种配置（N=64G=4T=1、N=128G=8T=2、N=256G=16T=4）下，多块激活利用组合分集增益使BER曲线移向低SNR区，T增大智能与随机差距显著，DNN近优重叠穷举；图7复杂度对比简单配置（G=4）两者相当，高维（N_t=4或T=4）穷举超10⁶运算指数增长，DNN稳定低复杂度降至少一个数量级。

总结讨论部分，研究人员提出低复杂度RIS辅助无线系统块选择与自适应波束成形方案，利用DNN学习CSI至块激活模式映射替代穷举搜索避免指数复杂度，与随机及穷举选择比较覆盖距离、BER性能与计算复杂度，仿真证近优BER同时降复杂度（大系统达一个数量级）。未来研究将框架扩展至高度动态车载场景联合信道估计与目标定位及多用户大规模MIMO网络，探索知识蒸馏或剪枝等轻量神经网络架构以利资源受限RIS控制器实时部署。研究结论翻译为：本文提出了一种低复杂度的可重构智能表面（RIS）辅助无线系统块选择与自适应波束成形方案。该方法利用深度神经网络学习从信道状态信息到块激活模式的映射以识别RIS子阵列的最优组合，从而替代穷举搜索并避免指数复杂度。所提方法与现有随机及穷举选择方法在覆盖距离、误码率（BER）性能和计算复杂度方面进行比较。仿真结果表明，所提方案在实现近优BER性能的同时降低了计算复杂度，这一优势在更大规模系统部署中增长至一个数量级。未来研究将把所提框架扩展至联合信道估计与目标定位的高度动态车载场景，以及多用户大规模多输入多输出（MIMO）网络。还将探索轻量级神经网络架构（如知识蒸馏或剪枝），以促进在资源受限的RIS控制器上的实时部署。