MetaFAP：基于元学习的频率无关 Metasurface 属性预测
信号处理
2025-03-20 v1
摘要
Metasurface，特别是可重构智能表面(RIS)，正在通过动态控制电磁波来 revolutionize 无线通信。最近的无线通信进展需要宽带和多带RIS，能够支持来自亚6 GHz至mmWave和THz频段的动态频谱访问和载波聚合。Meta原子的固有频率依赖性会导致随操作条件变化而性能下降，使得实时、频率无关的Metasurface属性预测对于实际部署至关重要。然而，准确预测跨不同频率的Metasurface行为仍然具有挑战性。传统仿真方法计算复杂，而标准深度学习模型容易过拟合或泛化性差。为此，我们引入MetaFAP(Meta-Learning for Frequency-Agnostic Prediction)，一个基于元学习范式的新型框架，用于预测Metasurface属性。通过在多样化频率任务上训练，MetaFAP学习广泛适用的模式。这使其能够使用最小数据快速适应新的光谱条件，解决现有方法的关键局限性。实验评估表明，MetaFAP在MSE和MAE上将预测误差降低了一个数量级，同时保持高Pearson相关性。令人惊叹的是，它的推理时间不到1毫秒，绕过了传统仿真每个单元单元需数分钟且随阵列大小规模不佳的计算瓶颈。这些改进使得在动态环境中实现实时RIS优化成为可能，并支持可扩展的、频率无关的设计。MetaFAP因此弥合了智能电磁系统与实际部署之间的鸿沟，为下一代无线网络提供了关键工具。
引用
@article{arxiv.2503.14866,
title = {MetaFAP: Meta-Learning for Frequency Agnostic Prediction of Metasurface Properties},
author = {Rafid Umayer Murshed and Md Shoaib Akhter Rafi and Sakib Reza and Mohammad Saquib and Ifana Mahbub},
journal= {arXiv preprint arXiv:2503.14866},
year = {2025}
}
备注
Submitted to IEEE Transactions on Machine Learning in Communications and Networking