Energy Efficient Fair STAR-RIS for Mobile Users

要約

この研究では、モバイル ユーザー向けに再構成可能インテリジェント サーフェス (STAR-RIS) の同時送信と反射のエネルギー効率と公平性を向上させ、信頼性の高い通信を維持しながら消費電力の削減を保証する方法を提案します。
これを達成するために、各ユーザーに割り当てられる STAR-RIS 要素の数を決定する、サブサーフェス割り当て変数として知られる新しいパラメーターを導入します。
次に、STAR-RIS と地下割り当て変数の位相シフトを同時に最適化することにより、新しい最適化問題を定式化します。
この最適化問題に対処するために、深層強化学習 (DRL) 手法を活用します。
DRL モデルは、STAR-RIS の位相シフトを予測し、STAR-RIS の要素をユーザーに効率的に割り当てます。
さらに、DRL モデルにペナルティ項を組み込んで、エネルギー効率を高めるために使用されていないときの STAR-RIS 要素のインテリジェントな非アクティブ化を促進します。
広範な実験を通じて、提案された方法がエネルギー効率の高い方法で、送信空間と反射空間の両方ですべてのユーザーに対してかなり高速でほぼ等しいデータレートを達成できることを示します。

要約(オリジナル)

In this work, we propose a method to improve the energy efficiency and fairness of simultaneously transmitting and reflecting reconfigurable intelligent surfaces (STAR-RIS) for mobile users, ensuring reduced power consumption while maintaining reliable communication. To achieve this, we introduce a new parameter known as the subsurface assignment variable, which determines the number of STAR-RIS elements allocated to each user. We then formulate a novel optimization problem by concurrently optimizing the phase shifts of the STAR-RIS and subsurface assignment variable. We leverage the deep reinforcement learning (DRL) technique to address this optimization problem. The DRL model predicts the phase shifts of the STAR-RIS and efficiently allocates elements of STAR-RIS to the users. Additionally, we incorporate a penalty term in the DRL model to facilitate intelligent deactivation of STAR-RIS elements when not in use to enhance energy efficiency. Through extensive experiments, we show that the proposed method can achieve fairly high and nearly equal data rates for all users in both the transmission and reflection spaces in an energy-efficient manner.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google