面向超表面设计的机器学习及其应⽤
应用物理
2022-11-03 v1 信号处理
机器学习
摘要
超表面(MTSs)因其能够通过修正边界条件在亚波长厚度上操控波，正日益成为满足多功能、小尺寸、高效、可重构、可调谐及低成本射频(RF)组件需求的关键使能技术。它们实现了用于自适应无线信道和智能无线电环境的可重构智能表面(RISs)设计，其中无线环境固有的随机特性被转化为可编程的传播信道。特别是，具有严格辐射要求的空间受限射频应用（如通信与雷达）目前正在研究潜在的RIS部署。RIS由独立控制的亚波长单元或元原子组成，其几何结构与材料决定了RIS的频谱响应。传统上，设计具有期望电磁响应的RIS需要通过数千次全波电磁仿真，反复考察大量可能的几何与材料组合进行试错。在此背景下，机器学习/深度学习(ML/DL)技术在降低RIS逆向设计的计算成本与时间方面正显现关键作用。DL模型不显式求解麦克斯韦方程组，而是通过监督训练数据学习基于物理的关系。ML/DL技术还有助于RIS在众多无线应用中的部署，这需要处理基站(BS)与用户间的多条信道链路。因此，BS与RIS波束成形器需联合设计，其中RIS单元必须快速重构。本章概述了用于RIS逆向设计及RIS辅助无线系统的DL技术。
引用
@article{arxiv.2211.01296,
title = {Machine Learning for Metasurfaces Design and Their Applications},
author = {Kumar Vijay Mishra and Ahmet M. Elbir and Amir I. Zaghloul},
journal= {arXiv preprint arXiv:2211.01296},
year = {2022}
}
备注
Book chapter, 70 pages, 12 figures, 2 tables. arXiv admin note: substantial text overlap with arXiv:2101.09131, arXiv:2009.02540