論文の概要: Pervasive Machine Learning for Smart Radio Environments Enabled by Reconfigurable Intelligent Surfaces

• arxiv url: http://arxiv.org/abs/2205.03793v1
• Date: Sun, 8 May 2022 06:21:33 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-10 15:07:44.216220
• Title: Pervasive Machine Learning for Smart Radio Environments Enabled by Reconfigurable Intelligent Surfaces
• Title（参考訳）: 再構成可能なインテリジェントサーフェスで実現可能なスマート無線環境に対する広範機械学習
• Authors: George C. Alexandropoulos and Kyriakos Stylianopoulos and Chongwen Huang and Chau Yuen and Mehdi Bennis and M\'erouane Debbah
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 56.35676570414731
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The emerging technology of Reconfigurable Intelligent Surfaces (RISs) is provisioned as an enabler of smart wireless environments, offering a highly scalable, low-cost, hardware-efficient, and almost energy-neutral solution for dynamic control of the propagation of electromagnetic signals over the wireless medium, ultimately providing increased environmental intelligence for diverse operation objectives. One of the major challenges with the envisioned dense deployment of RISs in such reconfigurable radio environments is the efficient configuration of multiple metasurfaces with limited, or even the absence of, computing hardware. In this paper, we consider multi-user and multi-RIS-empowered wireless systems, and present a thorough survey of the online machine learning approaches for the orchestration of their various tunable components. Focusing on the sum-rate maximization as a representative design objective, we present a comprehensive problem formulation based on Deep Reinforcement Learning (DRL). We detail the correspondences among the parameters of the wireless system and the DRL terminology, and devise generic algorithmic steps for the artificial neural network training and deployment, while discussing their implementation details. Further practical considerations for multi-RIS-empowered wireless communications in the sixth Generation (6G) era are presented along with some key open research challenges. Differently from the DRL-based status quo, we leverage the independence between the configuration of the system design parameters and the future states of the wireless environment, and present efficient multi-armed bandits approaches, whose resulting sum-rate performances are numerically shown to outperform random configurations, while being sufficiently close to the conventional Deep Q-Network (DQN) algorithm, but with lower implementation complexity.
• Abstract（参考訳）: Reconfigurable Intelligent Surfaces(RISs)の新たな技術は、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し、無線媒体上での電磁波の伝搬を動的に制御し、最終的には多様な運用目的のために環境知能を高める。 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、制限された、あるいは、コンピュータハードウェアが存在しない複数の準曲面の効率的な構成である。 本稿では,マルチユーザおよびマルチrisを用いた無線システムについて検討し,オンライン機械学習による各種コンポーネントのオーケストレーションに関する徹底的な調査を行う。 代表的な設計目的としての和率最大化に着目し,Deep Reinforcement Learning (DRL)に基づく包括的問題定式化を提案する。 無線システムとDRL用語のパラメータ間の対応について詳述し、その実装の詳細を議論しながら、人工ニューラルネットワークのトレーニングと展開のための汎用的なアルゴリズムステップを考案する。 第6世代(6g)時代のマルチrisエンパワー無線通信のさらなる実践的考察と,いくつかのオープン研究課題について述べる。 DRLに基づく現状条件とは違って,システム設計パラメータの構成と無線環境の将来状態の独立性を生かし,従来のディープQ-Network(DQN)アルゴリズムに十分近いが,実装の複雑さを低く抑えながら,計算結果の総和性能をランダムな構成より優れていることを示す,効率的なマルチアームバンディットアプローチを提案する。

関連論文リスト

• Leveraging Digital Cousins for Ensemble Q-Learning in Large-Scale Wireless Networks [21.30645601474163]
  無線ネットワークを最適化する新しいアンサンブルQ-ラーニングアルゴリズムを提案する。 提案アルゴリズムは、最先端の強化学習アルゴリズムよりも実行時複雑性を最大40%低減し、平均誤差を最大50%低減することができる。
  論文  参考訳（メタデータ） (2024-02-12T19:39:07Z)
• 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)
• Phase Shift Design in RIS Empowered Wireless Networks: From Optimization to AI-Based Methods [83.98961686408171]
  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。
  論文  参考訳（メタデータ） (2022-04-28T09:26:14Z)
• Reinforcement Learning-Empowered Mobile Edge Computing for 6G Edge Intelligence [76.96698721128406]
  モバイルエッジコンピューティング(MEC)は、第5世代(5G)ネットワークなどにおける計算と遅延に敏感なタスクのための新しいパラダイムであると考えた。 本稿では、フリー対応RLに関する総合的な研究レビューと、開発のための洞察を提供する。
  論文  参考訳（メタデータ） (2022-01-27T10:02:54Z)
• Semantic-Aware Collaborative Deep Reinforcement Learning Over Wireless Cellular Networks [82.02891936174221]
  複数のエージェントが無線ネットワーク上で協調できるコラボレーティブディープ強化学習(CDRL)アルゴリズムは有望なアプローチである。 本稿では,リソース制約のある無線セルネットワーク上で,意味的にリンクされたDRLタスクを持つ未学習エージェントのグループを効率的に協調させる,新しい意味認識型CDRL手法を提案する。
  論文  参考訳（メタデータ） (2021-11-23T18:24:47Z)
• 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)
• Intelligent Reflecting Surface Aided Wireless Communications: A Tutorial [64.77665786141166]
  インテリジェント反射面(Intelligent Reflecting Surface、IRS)は、無線ネットワークにおける電波伝搬を工学する技術である。 IRSは無線チャネルを動的に変更して通信性能を向上させることができる。 その大きな可能性にもかかわらず、IRSは無線ネットワークに効率的に統合されるための新たな課題に直面している。
  論文  参考訳（メタデータ） (2020-07-06T13:59:09Z)

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。