用于可编程信道快速优化的 AI 辅助退火 Langevin 动力学
信号处理
2025-10-23 v1
摘要
诸如可重构智能表面（RIS）等新兴技术使得优化无线信道的某些参数成为可能。传统方法需要通过支持快速优化的简单模型将信道及其可编程参数关联起来，例如在用户每次移动时重新调整参数。然而在实践中，此类模型通常是对信道的粗略近似，更忠实的描述可以通过复杂的模拟器或仅通过测量来获得。在本工作中，我们引入了一种基于 AI 辅助退火 Langevin 动力学（ALD）的可编程信道快速优化新方法，该方法绕过了显式信道建模的需要。通过使用 MAP 估计构建 ALD 算法，我们设计了一种深度展开 ALD 算法，利用深度神经网络（DNN）来估计用于优化信道参数的分数梯度。我们引入了一种训练方法，使用零阶梯度克服了对信道建模的需要，并结合主动学习以增强泛化能力，从而能够在复杂且动态变化的环境中进行优化。我们在受丰富散射效应影响的 RIS 辅助场景中评估了所提出的方法。我们的结果表明，我们的 AI 辅助 ALD 方法能够以有限的延迟实现快速可靠的信道参数调整。
引用
@article{arxiv.2510.18978,
title = {AI-Aided Annealed Langevin Dynamics for Rapid Optimization of Programmable Channels},
author = {Tomer Shaked and Philipp del Hougne and George C. Alexandropoulos and Nir Shlezinger},
journal= {arXiv preprint arXiv:2510.18978},
year = {2025}
}
备注
5 pages, 3 figures. Accepted to IEEE Signal Processing and Wireless Communications (SPAWC) 2025 conference