Gleichzeitiges Senden und Reflektieren von rekonfigurierbaren intelligenten Oberflächen, die eine kooperative Ratenaufteilung mit Benutzerweiterleitung ermöglichen

Core Concepts

Die Studie untersucht die Vorteile der Synergie zwischen kooperativer Ratenaufteilung (CRS) und Benutzerweiterleitung, die durch gleichzeitig sendende und reflektierende rekonfigurierbare intelligente Oberflächen (STAR RIS) unterstützt werden. Es wird ein neuartiges STAR RIS-unterstütztes CRS-Übertragungsrahmenwerk mit sechs einzigartigen Übertragungsmodi vorgeschlagen, um die Leistung zu maximieren.

Abstract

Die Studie präsentiert ein neuartiges STAR RIS-unterstütztes CRS-Übertragungsrahmenwerk mit sechs verschiedenen Übertragungsmodi, die unterschiedliche Kombinationen von Weiterleitungsprotokollen (Vollduplex und Halbduplex) und STAR RIS-Betriebsprotokollen (Energieteilung, Modusumschaltung und Zeitteilung) nutzen.
Zur Lösung des formulierten max-min-Fairness-Optimierungsproblems wird ein zweistufiger Optimierungsansatz vorgeschlagen. Zunächst wird das STAR RIS-Passivstrahlformung-Optimierungsproblem unter Verwendung einer sukzessiven konvexen Approximation (SCA) gelöst. Anschließend wird das verbleibende Problem der gemeinsamen Optimierung von BS-Aktivstrahlformung, Ratenaufteilung und Zeitallokation ebenfalls mit SCA gelöst.
Um die Rechenbelastung zu reduzieren, wird außerdem ein effizienterer Algorithmus vorgeschlagen, der eine geschlossene Lösung für die STAR RIS-Passivstrahlformung verwendet und die Aktivstrahlformung vereinfacht.
Die numerischen Ergebnisse zeigen, dass das vorgeschlagene STAR RIS-unterstützte CRS-Schema die Leistung im Vergleich zu herkömmlichen CRS-Systemen ohne STAR RIS oder anderen STAR RIS-unterstützten Mehrfachzugriffsverfahren deutlich verbessert. Darüber hinaus erreicht der vorgeschlagene effizientere Algorithmus eine vergleichbare Leistung bei deutlich reduzierter Rechenzeit.

Stats

Die Übertragungsleistung am BS ist durch tr(PPH) ≤ Pt beschränkt.
Die Amplitudenkoeffizienten der STAR RIS-Elemente müssen βn,r, βn,t ∈ [0, 1] und βn,r + βn,t = 1 erfüllen.
Für den HD-Protokoll-basierten Übertragungsmodus müssen 0 < λ ≤ 1 und 0 < λ1 ≤ λr, 0 < λ2 ≤ 1 - λr gelten.

Quotes

"Die vorgeschlagenen Algorithmen zeigen, dass das STAR RIS-unterstützte CRS-Schema die Leistung im Vergleich zu herkömmlichen CRS-Systemen ohne STAR RIS oder anderen STAR RIS-unterstützten Mehrfachzugriffsverfahren deutlich verbessert."
"Der vorgeschlagene effizientere Algorithmus erreicht eine vergleichbare Leistung bei deutlich reduzierter Rechenzeit."

Key Insights Distilled From

Simultaneously Transmitting and Reflecting Reconfigurable Intelligent Surfaces Empowered Cooperative Rate Splitting with User Relaying

by Kangchun Zha... at arxiv.org 03-19-2024

https://arxiv.org/pdf/2403.10921.pdf

Deeper Inquiries

Wie könnte man die Leistung des STAR RIS-unterstützten CRS-Systems weiter verbessern, z.B. durch den Einsatz von Maschinellem Lernen für die Optimierung

Um die Leistung des STAR RIS-unterstützten CRS-Systems weiter zu verbessern, könnte man Maschinelles Lernen für die Optimierung einsetzen. Durch den Einsatz von Machine Learning-Algorithmen wie Reinforcement Learning oder Deep Learning könnte das System automatisch Muster und Zusammenhänge in den Daten erkennen und optimale Parameter für die Beamforming-Matrizen, die Zeit- und Energieallokation sowie die Ratezuweisung finden. Dies würde zu einer adaptiven und effizienten Systemoptimierung führen, die sich an sich ändernde Netzwerkbedingungen anpassen kann.

Welche zusätzlichen Herausforderungen ergeben sich, wenn man das System auf Szenarien mit unvollständiger Kanalzustandsinformation erweitert

Wenn das System auf Szenarien mit unvollständiger Kanalzustandsinformation erweitert wird, ergeben sich zusätzliche Herausforderungen. Die unvollständige Kenntnis der Kanalzustände kann zu Fehlern in der Beamforming-Optimierung und der Ressourcenzuweisung führen. Es könnte schwieriger sein, die Interferenz zu managen und die Systemleistung zu maximieren. Daher müssten robuste Algorithmen entwickelt werden, die mit unsicheren Kanalinformationen umgehen können, z. B. durch die Verwendung von probabilistischen Modellen oder durch die Integration von Feedback-Schleifen zur kontinuierlichen Anpassung der Systemparameter.

Wie könnte man die Energieeffizienz des Systems weiter steigern, z.B. durch den Einsatz von Energieernteverfahren

Um die Energieeffizienz des Systems weiter zu steigern, könnte man Energieernteverfahren einsetzen. Durch die Integration von Technologien wie Energy Harvesting, z. B. durch Solarzellen oder drahtlose Energieübertragung, könnte das System zusätzliche Energiequellen nutzen, um den Energieverbrauch zu reduzieren. Dies würde es ermöglichen, das System nachhaltiger zu betreiben und die Abhängigkeit von externen Energiequellen zu verringern. Darüber hinaus könnten intelligente Energieverwaltungsalgorithmen implementiert werden, um die Energieeffizienz des Systems kontinuierlich zu optimieren.