論文の概要: Phase Shift Design in RIS Empowered Wireless Networks: From Optimization
to AI-Based Methods
- arxiv url: http://arxiv.org/abs/2204.13372v1
- Date: Thu, 28 Apr 2022 09:26:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-29 14:24:36.262496
- Title: Phase Shift Design in RIS Empowered Wireless Networks: From Optimization
to AI-Based Methods
- Title(参考訳): risエンパワードワイヤレスネットワークにおける位相シフト設計:最適化からaiベース手法へ
- Authors: Zongze Li, Shuai Wang, Qingfeng Lin, Yang Li, Miaowen Wen, Yik-Chung
Wu, and H. Vincent Poor
- Abstract要約: 再構成可能なインテリジェントサーフェス(RIS)は、無線ネットワークのための無線伝搬環境をカスタマイズする革命的な機能を持つ。
無線システムにおけるRISの利点を完全に活用するには、反射素子の位相を従来の通信資源と共同で設計する必要がある。
本稿では、RISが課す制約を扱うための現在の最適化手法と人工知能に基づく手法についてレビューする。
- 参考スコア(独自算出の注目度): 83.98961686408171
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reconfigurable intelligent surfaces (RISs) have a revolutionary capability to
customize the radio propagation environment for wireless networks. To fully
exploit the advantages of RISs in wireless systems, the phases of the
reflecting elements must be jointly designed with conventional communication
resources, such as beamformers, transmit power, and computation time. However,
due to the unique constraints on the phase shift, and massive numbers of
reflecting units and users in large-scale networks, the resulting optimization
problems are challenging to solve. This paper provides a review of current
optimization methods and artificial intelligence-based methods for handling the
constraints imposed by RIS and compares them in terms of solution quality and
computational complexity. Future challenges in phase shift optimization
involving RISs are also described and potential solutions are discussed.
- Abstract(参考訳): 再構成可能なインテリジェントサーフェス(RIS)は、無線ネットワークのための無線伝搬環境をカスタマイズする革命的な機能を持つ。
無線システムにおけるRISの利点を完全に活用するには、反射素子の位相をビームフォーマ、送信電力、計算時間などの従来の通信資源と共同で設計する必要がある。
しかし, 位相シフトの特異な制約や, 大規模ネットワークにおける反射ユニットやユーザ数が多いため, 結果として生じる最適化問題は解決が困難である。
本稿では、RISが課す制約を扱うための現在の最適化手法と人工知能に基づく手法を概観し、ソリューションの品質と計算複雑性の観点から比較する。
RISを含む位相シフト最適化における今後の課題についても述べ、潜在的な解決策について議論する。
関連論文リスト
- Lyapunov-Driven Deep Reinforcement Learning for Edge Inference Empowered
by Reconfigurable Intelligent Surfaces [30.1512069754603]
本稿では,ワイヤレスエッジにおけるエネルギー効率,低レイテンシ,高精度な推論のための新しいアルゴリズムを提案する。
本稿では,新しいデータを一連のデバイスで連続的に生成・収集し,動的キューシステムを通じて処理するシナリオについて考察する。
論文 参考訳(メタデータ) (2023-05-18T12:46:42Z) - Machine Learning for Metasurfaces Design and Their Applications [20.350142630673197]
マシン/ディープラーニング(ML/DL)技術は、RIS逆設計の計算コストと時間を削減する上で重要である。
本章は、逆RIS設計とRISアシスト無線システムの両方のためのDL技術のシナプスを提供する。
論文 参考訳(メタデータ) (2022-11-02T17:19:37Z) - Pervasive Machine Learning for Smart Radio Environments Enabled by
Reconfigurable Intelligent Surfaces [56.35676570414731]
Reconfigurable Intelligent Surfaces(RIS)の新たな技術は、スマート無線環境の実現手段として準備されている。
RISは、無線媒体上の電磁信号の伝搬を動的に制御するための、高度にスケーラブルで低コストで、ハードウェア効率が高く、ほぼエネルギーニュートラルなソリューションを提供する。
このような再構成可能な無線環境におけるRISの密配置に関する大きな課題の1つは、複数の準曲面の効率的な構成である。
論文 参考訳(メタデータ) (2022-05-08T06:21:33Z) - Reconfigurable Intelligent Surface Assisted Mobile Edge Computing with
Heterogeneous Learning Tasks [53.1636151439562]
モバイルエッジコンピューティング(MEC)は、AIアプリケーションに自然なプラットフォームを提供します。
再構成可能なインテリジェントサーフェス(RIS)の助けを借りて、MECで機械学習タスクを実行するインフラストラクチャを提示します。
具体的には,モバイルユーザの送信パワー,基地局のビームフォーミングベクトル,risの位相シフト行列を共同で最適化することにより,参加ユーザの学習誤差を最小化する。
論文 参考訳(メタデータ) (2020-12-25T07:08:50Z) - Phase Configuration Learning in Wireless Networks with Multiple
Reconfigurable Intelligent Surfaces [50.622375361505824]
RIS(Reconfigurable Intelligent Surfaces)は、電磁波伝搬の動的制御を提供する、高度にスケーラブルな技術である。
RISを内蔵した無線通信における大きな課題の1つは、複数のRISの低オーバーヘッドダイナミックな構成である。
RISの位相構成に対する低複雑さ教師あり学習手法を考案する。
論文 参考訳(メタデータ) (2020-10-09T05:35:27Z) - Optimization-driven Machine Learning for Intelligent Reflecting Surfaces
Assisted Wireless Networks [82.33619654835348]
インテリジェントサーフェス(IRS)は、個々の散乱素子の位相シフトを制御して無線チャネルを再形成するために用いられる。
散乱素子の規模が大きいため、受動ビームフォーミングは一般に高い計算複雑性によって挑戦される。
本稿では、IRS支援無線ネットワークの性能向上のための機械学習(ML)アプローチに焦点を当てる。
論文 参考訳(メタデータ) (2020-08-29T08:39:43Z) - Reconfigurable Intelligent Surface Assisted Multiuser MISO Systems
Exploiting Deep Reinforcement Learning [21.770491711632832]
再構成可能なインテリジェントサーフェス(RIS)は、将来の6世代(6G)無線通信システムにおいて重要な技術の一つとして推測されている。
本稿では, 基地局におけるビームフォーミング行列とRISにおける位相シフト行列の接合設計について, 深部強化学習(DRL)の最近の進歩を活用して検討する。
提案アルゴリズムは環境から学習し、その振る舞いを徐々に改善するだけでなく、2つの最先端ベンチマークと比較して同等の性能が得られる。
論文 参考訳(メタデータ) (2020-02-24T04:28:44Z) - RIS Enhanced Massive Non-orthogonal Multiple Access Networks: Deployment
and Passive Beamforming Design [116.88396201197533]
再構成可能なインテリジェントサーフェス(RIS)の配置と受動ビームフォーミング設計のための新しいフレームワークを提案する。
エネルギー効率を最大化するために、共同配置、位相シフト設計、および電力配分の問題を定式化する。
リアルタイムデータセットを活用することで,ユーザの遠隔交通需要を予測するために,LSTM(Long Short-term memory)ベースのエコー状態ネットワーク(ESN)アルゴリズムを提案する。
RISの展開と設計の連立問題を解くために,D3QNに基づく位置取得と位相制御アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-01-28T14:37:38Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。