Geometry Aware Meta-Learning Neural Network for Joint Phase and Precoder Optimization in RIS

要約

再構成可能なインテリジェント サーフェス (RIS) 支援システムでは、基地局でのプリコーダ マトリクスと RIS 要素の位相シフトの共同最適化には、非常に複雑な作業が伴います。
この論文では、マルチユーザー複数入力単一出力システムにおける重み付き合計レートを最大化する、複素数値の幾何学認識メタ学習ニューラル ネットワークを提案します。
位相シフトには複素円ジオメトリ、プリコーダには球面ジオメトリを利用することで、リーマン多様体上で最適化が行われ、より高速な収束が実現します。
位相シフトには複素数値ニューラル ネットワークを使用し、プリコーダー ネットワークにはオイラーにヒントを得たアップデートを使用します。
私たちのアプローチは、既存のニューラル ネットワーク ベースのアルゴリズムよりも優れたパフォーマンスを発揮し、より高い加重合計レート、より低い電力消費、および大幅に高速な収束を実現します。
具体的には、既存の研究と比較して、加重和レートが 0.7 bps 向上し、電力利得が 1.8 dBm あり、収束が 100 エポック近く速くなりました。

要約(オリジナル)

In reconfigurable intelligent surface (RIS) aided systems, the joint optimization of the precoder matrix at the base station and the phase shifts of the RIS elements involves significant complexity. In this paper, we propose a complex-valued, geometry aware meta-learning neural network that maximizes the weighted sum rate in a multi-user multiple input single output system. By leveraging the complex circle geometry for phase shifts and spherical geometry for the precoder, the optimization occurs on Riemannian manifolds, leading to faster convergence. We use a complex-valued neural network for phase shifts and an Euler inspired update for the precoder network. Our approach outperforms existing neural network-based algorithms, offering higher weighted sum rates, lower power consumption, and significantly faster convergence. Specifically, it converges faster by nearly 100 epochs, with a 0.7 bps improvement in weighted sum rate and a 1.8 dBm power gain when compared with existing work.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google