2023.5.29-6.2

1. 《Codebook Configuration for 1-bit RIS-aided Systems Based on Implicit Neural Representations》

      可重构智能表面（RIS）已成为6G无线通信的关键技术之一。通过配置反射波束形成码本，RIS将信号聚焦在目标接收机上。在本文中，我们研究了1位RIS辅助系统的码本配置。我们提出了一种新的基于学习的方法，该方法建立在内隐神经表征的先进方法的基础上。所提出的模型从采样中学习连续且可微的坐标到码本表示。我们的方法只需要用户坐标的信息，避免了信道模型的假设。此外，我们提出了一种编码-解码策略来降低码本的维数，从而提高了所提出方法的学习效率。仿真和实测数据的实验结果表明了该方法的显著优势。

2. 《Pareto Frontier for the Performance-Complexity Trade-off in Beyond Diagonal Reconfigurable Intelligent Surfaces》

      可重构智能表面（RIS）是一种新兴的技术，可以控制无线通信中的传播环境。最近，超对角线RIS（BD-RIS）被提出以更高的电路复杂性为代价，达到比传统RIS更高的性能。已经开发了多种BD-RIS架构，其目标是在性能和电路复杂性之间达到有利的折衷。然而，这种权衡的基本局限性仍然没有得到探索。在本文中，我们通过推导BD-RIS中性能复杂性权衡的Pareto边界的表达式来填补这一空白。此外，我们还描述了达到帕累托边界的最优BD-RIS架构。

3. 《Hybrid Driven Learning for Channel Estimation in Intelligent Reflecting Surface Aided Millimeter Wave Communications》

      已经在毫米波（mmWave）和太赫兹（THz）系统中提出了智能反射表面（IRS），以实现覆盖和容量增强，其中混合预编码器、组合器和IRS的设计通常依赖于信道状态信息。在本文中，我们解决了具有混合架构的IRS辅助多用户多输入单输出（MISO）系统的上行链路宽带信道估计问题。结合模型驱动和数据驱动的深度学习方法的结构，设计了一种混合驱动的学习架构，用于联合估计和学习信道的特性。对于被动IRS辅助系统，我们提出了一种残差学习近似消息传递作为模型驱动网络。数据驱动网络中的去噪和注意力网络用于联合学习空间和频率特征。此外，我们还设计了一个灵活的混合驱动网络，用于混合被动和主动IRS辅助系统。具体而言，将深度可分离卷积应用于数据驱动网络，从而降低了网络复杂性，减少了IRS侧的参数。数值结果表明，在这两个系统中，所提出的混合驱动信道估计方法显著优于现有的基于深度学习的方案，并在IRS辅助系统中有效地将导频开销减少了约60%。

4. 《Blind Beamforming for Intelligent Reflecting Surface in Fading Channels without CSI》

       本文讨论了如何在没有任何信道状态信息（CSI）的情况下优化智能反射面（IRS）的相移以对抗信道衰落，即盲波束形成。与之前基于首先估计信道然后优化相移的两阶段范式的大多数工作不同，我们的方法完全是数据驱动的，只需要用户终端接收信号功率的数据集。因此，我们的方法不产生信道估计的额外开销成本，也不需要来自服务提供商的协作。其主要思想是随机选择相移，并使用接收信号功率的相应条件采样平均值来提取无线环境的主要特征。这种盲波束形成方法保证了信噪比（SNR）的N2提升，其中N是IRS的反射元件（RE）的数量，而不管直接信道是否是视线（LoS）。此外，将盲波束形成扩展到具有可证明性能的双IRS系统。最后，原型测试表明，所提出的盲波束形成方法可以很容易地融入到现实世界中现有的通信系统中；仿真测试进一步表明，它适用于各种衰落信道模型。

5. 《Graph Neural Networks-Based User Pairing in Wireless Communication Systems》

       最近，深度神经网络已经成为实时解决NP难无线资源分配问题的一种解决方案。然而，继承自图像处理任务的多层感知器（MLP）和卷积神经网络（CNN）结构并没有针对无线网络问题进行优化。随着网络规模的增加，这些方法变得更难训练和推广。用户配对是无线通信系统中的一个重要的NP难优化问题，它需要选择要一起调度的用户，同时最小化干扰并最大化吞吐量。在本文中，我们提出了一种无监督图神经网络（GNN）方法来有效地解决用户配对问题。我们提出的方法利用Erdos-gos神经管道显著优于其他调度方法，如k-means和半正交用户调度（SUS）。在20dB的信噪比下，我们提出的方法实现了比k-均值好49%的求和率和比SUS好95%的惊人求和率，同时消耗了最少的时间和资源。还探讨了所提出方法的可扩展性，因为我们的模型可以处理网络大小的动态变化，而不会出现性能的大幅下降。此外，我们的模型可以实现这一点，而无需针对较大或较小的网络进行明确的训练，从而促进使用CNN或MLP无法实现的动态功能。