L'apprentissage profond permet des surfaces intelligentes reconfigurables dans la communication térahertz

La demande croissante de trafic de données sans fil, entraînée par la prolifération des appareils Internet des objets et des applications multimédias à large bande, a intensifié la recherche de solutions innovantes en matière de communication sans fil.

Une avancée a été signalée dans l'application de surfaces intelligentes reconfigurables pour les communications térahertz. Dans un article de recherche publié dans Informatique intelligenteune équipe de chercheurs dirigée par Zhen Gao de l'Institut de technologie de Pékin a introduit une nouvelle méthode de traitement du signal physique qui exploite l'apprentissage en profondeur pour améliorer les capacités de la surface intelligente reconfigurable dans les systèmes de communication térahertz.

La surface intelligente reconfigurable est une technologie innovante qui reflète passivement les signaux électromagnétiques dans les directions souhaitées en ajustant la phase et l'amplitude de ses éléments. Cette capacité à manipuler dynamiquement les signaux offre des avantages significatifs par rapport aux systèmes de communication traditionnels, en particulier dans les environnements intérieurs où la complexité de la propagation des signaux peut limiter les performances.

Cette technologie peut être intégrée aux systèmes de communication massifs térahertz actuels à entrées multiples et sorties multiples pour réfléchir passivement les signaux électromagnétiques dans la direction souhaitée en manipulant la phase et l'amplitude, offrant ainsi un gain considérable de formation de faisceau et résolvant les défis inhérents aux pertes en espace libre et à l'atténuation atmosphérique. dans la bande térahertz.

L'acquisition d'informations précises sur l'état des canaux est essentielle pour les systèmes de communication qui utilisent des surfaces intelligentes reconfigurables. Bien que des solutions basées sur la détection compressive et l’apprentissage profond aient été explorées, des défis persistent en termes de complexité informatique et d’exigences de stockage. De plus, les études existantes supposent souvent des informations parfaites sur l’état du canal, négligeant les considérations pratiques liées aux conditions imparfaites de l’information sur l’état du canal.

La nouvelle architecture de transmission, basée sur l'apprentissage profond, est conçue pour les systèmes de communication térahertz massifs à entrées et sorties multiples qui utilisent des surfaces intelligentes reconfigurables. Leur méthode d'extrapolation de canal effectue une reconstruction des informations sur l'état du canal mieux que les alternatives conventionnelles tout en réduisant considérablement la surcharge du pilote. De plus, leur méthode de formation de faisceaux est plus robuste aux informations imparfaites sur l’état du canal.

La recherche introduit deux méthodes :

• La méthode SFDCExtra, une méthode de réseau d'extrapolation de canal de domaine spatio-fréquence qui utilise l'apprentissage en profondeur pour extrapoler l'intégralité du canal spatio-fréquence à partir de signaux pilotes reçus limités dans des systèmes de communication qui utilisent des surfaces intelligentes reconfigurables.
• La méthode HBFRPD, qui utilise l'apprentissage profond pour concevoir le formateur de faisceau hybride et la phase de réfraction de la surface intelligente reconfigurable, et répond aux défis posés par les informations imparfaites sur l'état des canaux et les caractéristiques complexes des canaux, en particulier dans les scénarios intérieurs avec une diffusion riche.

L'efficacité des méthodes a été évaluée par des simulations numériques. La méthode SFDCExtra vise à améliorer l'efficacité et la précision de l'estimation des canaux dans les systèmes de communication sans fil. En exploitant les corrélations spatio-fréquences, cette méthode offre des avancées prometteuses dans les performances d’estimation des canaux tout en minimisant le temps système du pilote.

Les chercheurs ont mené une évaluation complète, en le comparant à divers algorithmes de référence et en évaluant sa robustesse dans différentes conditions de canal et configurations pilotes. Grâce à des analyses détaillées et à des comparaisons de performances, la méthode démontre son efficacité et sa polyvalence en révolutionnant les méthodologies d'estimation de canal pour les architectures de communication de nouvelle génération.

Les chercheurs ont comparé les performances du HBFRPD avec d’autres méthodes dans un système de communication multi-utilisateurs. En testant les débits de somme obtenus par diverses méthodes en supposant des informations parfaites sur l’état du canal, ils ont observé que la méthode surpasse les autres méthodes, en particulier à des puissances de transmission plus élevées, et offre un calcul plus rapide en raison de sa nature non itérative. De plus, avec des informations imparfaites sur l’état du canal, les interférences entre utilisateurs affectent négativement les débits de somme.

Les résultats indiquent que HBFRPD reste robuste contre les erreurs d’informations sur l’état du canal, surpassant les autres algorithmes dans de tels scénarios. Les fonctions de distribution cumulative soutiennent en outre les performances supérieures, indiquant des probabilités plus élevées d'atteindre les taux de somme souhaités par rapport aux méthodes conventionnelles dans des conditions d'informations sur l'état du canal imparfaites.