基于采样保持电路的波控可重构智能表面AI驱动优化方法研究

《IEEE Open Journal of the Communications Society》：AI-Driven Optimization of Wave-Controlled RISs via Sample-and-Hold Detection

本文针对传统可重构智能表面(RIS)在大规模阵列中存在的布线控制复杂问题，研究团队提出了一种基于采样保持(S/H)电路的波控RIS架构。通过神经网络(NN)建模和遗传算法(GA)优化，结合模拟退火(SA)算法实现信号泄漏加噪声比(SLNR)最大化。研究结果表明，该方案在多种信道条件下均能接近理想信道状态信息(CSI)的性能，为无模型RIS优化提供了新思路。

　　

在第六代无线通信系统的发展浪潮中，可重构智能表面(RIS)技术正展现出变革性的应用潜力。这种由人工电磁材料构成的平面结构能够通过编程方式控制电磁波的传播特性，从而增强网络覆盖、提升频谱效率并克服环境阻塞问题。然而，随着RIS规模不断扩大至大型阵列，传统架构面临着显著的布线和控制复杂度挑战——每个单元都需要独立的控制线路，这在实际部署中构成了重大瓶颈。

针对这一难题，波控RIS架构应运而生。该创新方案利用传输线(TL)上传播的偏置驻波(BSW)来间接控制无源超表面单元的反射系数，通过采样电路在每个RIS单元位置捕获波形并转换为直流电压，进而调控变容二极管的偏置状态。这种方法通过调制一组BSW而非单独控制所有RIS单元，显著降低了控制开销。然而，在实际部署中，精确的系统建模和实时信道状态信息(CSI)获取往往难以实现，特别是在多径和非视距(NLoS)传播环境下，传统的基于模型的设计方法面临严峻挑战。

为解决这些问题，发表在《IEEE Open Journal of the Communications Society》上的这项研究提出了一种全新的AI驱动优化框架。研究人员将重点从传统的包络检测器转向采样保持(S/H)电路，后者虽然硬件复杂度较高，但提供了更好的线性度和稳定性。研究团队在完全缺乏CSI和精确数学模型的条件下，开发了一套数据驱动的优化方法，通过接收功率测量来训练神经网络(NN)，建立BSW幅度与辐射模式之间的映射关系。

关键技术方法包括：采用采样保持电路实现精确的时序电压采集；使用遗传算法(GA)优化神经网络架构以最小化验证损失；利用模拟退火(SA)算法基于NN反馈调整BSW幅度以最大化信号泄漏加噪声比(SLNR)指标；构建查找表存储优化配置以实现实时RIS控制。研究覆盖了多种传播条件，包括视距(LoS)信道、莱斯(Rician)衰落和瑞利(Rayleigh)衰落信道。

RIS模型设计与实现

研究采用的RIS由100个金属贴片组成均匀线性阵列，单元间距d_x=20mm。每个贴片连接Skyworks SMV1231-040LF变容二极管，通过垂直通孔到底层偏置传输线。传输线采用蛇形微带波导结构，在Rogers RT5880LZ基板上实现，有效介电常数ε_eff=2。偏置波形由N个谐波频率n·f_b的BSW叠加而成，其中f_b=v_ph/λ_b，相位速度v_ph=c/n_slow，慢波因子n_slow=(L_p/d_x)√ε_eff。S/H电路在时间t₀同步采样BSW组合，产生的直流电压作为变容管的反向偏置，偏置范围限制在4-15V之间。

信号与信道建模创新

研究团队采用平坦衰落的莱斯信道模型h(θ)=√[κ/(κ+1)]h_LoS(θ)+√[1/(κ+1)]h_NLoS，其中κ为莱斯因子。当κ=0时，信道退化为瑞利衰落。基站(BS)位于RIS法线方向，用户设备(UE)位于方位角θ_k。接收信号模型为y_k=√Ph_BS^TΓh_ks_k+n_k，其中Γ=diag[Γ(0),Γ(1),...,Γ(M-1)]为RIS反射系数矩阵。定义的SLNR指标同时考虑了K个期望用户和L个干扰位置，能够全面评估RIS性能。

AI驱动优化框架

数据集生成过程中，研究人员通过随机组合BSW幅度激发系统，在81个UE方向上测量接收功率。神经网络采用GA优化超参数，包括隐藏层数、节点数、激活函数等，最小化预测功率与实测功率之间的均方误差。优化后的NN架构能够准确映射BSW输入与辐射模式输出，即使在NLoS环境下也能有效过滤多径随机分量，学习稳定的LoS结构。

性能评估与结果分析

仿真结果表明，S/H电路相比包络检测器在所有测试场景下均表现出更优的SLNR性能。在LoS信道中，S/H方案成功消除了杂散法向波束，最小化了基站方向的干扰。随着数据集规模从10⁴增加到10⁵，NN验证损失显著降低，但即使较小数据集也能保持良好的波束成形能力。在NLoS环境下，NN展现出对随机多径分量的鲁棒性，能够有效学习辐射模式的LoS成分。

理想条件下的优化基准

研究还评估了在完美CSI和精确RIS模型可用情况下的理想性能基准。采用"组合算法"进行优化：首先通过共轭相位设计实现波束成形，然后通过正交化处理生成零陷，最后利用加权最小二乘法(WLS)将电压映射回BSW幅度。结果显示，即使在瑞利衰落信道下，波控RIS也能实现约23-31dB的SLNR性能，仅比LoS信道低4-6dB，证明了该架构在各种信道条件下的有效性。

研究结论与意义

本研究系统论证了S/H基波控RIS在AI驱动优化框架下的卓越性能。相比整流器基架构，S/H电路提供了更精确的辐射模式控制和接近理论上限的SLNR性能。创新性地将GA与SA算法结合，实现了在无CSI、无实时反馈条件下的离线优化，为实际RIS部署提供了可行方案。研究还揭示了数据集大小、BSW频率数量与性能之间的权衡关系，为系统设计提供了重要指导。

这项工作的重要意义在于首次将AI驱动优化框架扩展到S/H基波控RIS架构，并在更真实的传播环境下验证了其鲁棒性。通过解耦优化过程与特定电路模型和信道假设，该方法为可扩展、硬件感知的RIS控制策略铺平了道路，能够适应动态环境和不断演进的系统需求。未来，这一框架可进一步扩展到更复杂的RIS架构和无线场景，推动RIS技术在6G通信中的实际应用。