Efficient RIS Inverse Design Enabled by Microwave Network Decoupling and Active Learning

doi:10.1109/tmtt.2026.3722227

Efficient RIS Inverse Design Enabled by Microwave Network Decoupling and Active Learning

2026-08-17

0

PRE

AI

DOI：10.1109/tmtt.2026.3722227

原文链接

原文求助

摘要

En 中文

可重构智能表面（RISs）在动态无线网络中具有应用前景，但其逆向设计仍受限于昂贵的全波数据集和高维拓扑空间中的低效优化。为解决这些挑战，本文提出了一种基于物理信息且数据高效的逆向设计框架。首先，开发了一种结合微波网络级联理论与残差卷积神经网络（CNN）正向预测器的代理模型。该网络预测无源RIS拓扑的S参数，随后与二极管等效阻抗级联以获得反射系数，从而无需重新训练即可快速预测不同二极管模型或偏置状态。为降低数据获取成本，引入了一种查询委员会（QBC）主动学习策略，以迭代选择高不确定性样本进行全波仿真，在保持相当精度的同时将所需训练数据减少约60%。基于此代理模型，提出了一种分层拓扑优化方法，结合非均匀有理B样条（NURBS）基全局骨架搜索与像素级模拟退火细化，在保持结构连通性的同时保留局部设计自由度。该框架通过5-GHz 1比特RIS和5.8-GHz 2比特近场聚焦RIS进行验证，展示了其在快速可重构RIS设计中的高效性和可靠性。

Keyword:

Active learning

deep learning (DL)

inverse design

reconfigurable intelligent surface (RIS)

surrogate modeling

Efficient RIS Inverse Design Enabled by Microwave Network Decoupling and Active Learning

摘要

期刊

机构