Beyond-Diagonal RIS Under Non-Idealities: Learning-Based Architecture Discovery and Optimization

Binggui Zhou

doi:10.1109/twc.2026.3716445

Beyond-Diagonal RIS Under Non-Idealities: Learning-Based Architecture Discovery and Optimization

2026-07-30

0

PRE

AI

DOI：10.1109/twc.2026.3716445

原文链接

原文求助

摘要

En 中文

超越对角线可重构智能表面（BD-RIS）近期被引入以实现对电磁波的先进控制，从而进一步增加传统RIS在提升信号质量、改善频谱和能量效率方面的优势，以适应下一代无线网络的需求。设计并部署BD-RIS时存在性能与电路复杂度之间的权衡问题。尽管现有研究已探索理想BD-RIS的最优架构以最小化电路复杂度，但非理想BD-RIS的架构发现仍未被研究。因此，非理想性和电路复杂度如何共同影响BD-RIS的性能尚不明确，这使得在存在非理想性时难以实现性能-电路复杂度的权衡。本质上，非理想BD-RIS的架构发现面临全球架构搜索的计算复杂度挑战以及实现全局最优的困难。为应对这些挑战，我们提出了一种基于学习的两层架构发现框架（LTTADF），该框架由架构生成器和性能优化器组成，用于联合发现特定电路复杂度下非理想BD-RIS的最优架构，该框架能够在大架构空间中有效探索，避免陷入不良局部最优，从而实现性能优化的近最优解。数值结果为考虑性能-电路复杂度权衡的非理想BD-RIS部署提供了有价值的见解。具体而言，在MU-MIMO系统中，BD-RIS处的互耦不影响最优BD-RIS架构；增加损耗性BD-RIS的电路复杂度可能是有害的，凸显了学习平衡电路复杂度与损耗缓解的最优架构的必要性；离散值BD-RIS的电路复杂度和量化分辨率可以相互补偿对方的局限性。

Keyword:

Beyond-diagonal reconfigurable intelligent surface

non-ideality

circuit complexity

architecture discovery

machine learning

Beyond-Diagonal RIS Under Non-Idealities: Learning-Based Architecture Discovery and Optimization

摘要

期刊

机构