面向无源 IRS 辅助网络设计的无模型两阶段波束成形器学习

电子可调超表面，或称智能反射面（IRS），是一种通过利用大量可调无源反射单元来塑造信道、在现代无线系统中实现高频谱效率的流行技术。针对 IRS 辅助波束成形在系统建模与信道感知/估计方面的关键实际限制，我们提出了一种新颖的、完全数据驱动的零阶随机梯度上升（ZoSGA）算法，用于通用的两阶段（即短/长期）、全无源 IRS 辅助随机效用最大化。ZoSGA 通过极小的零阶强化并以严格的免模型方式，仅依赖终端观测到的有效复合信道，联合学习长期最优 IRS 波束成形器与短期最优预编码器（如基于 WMMSE 的），同时独立于信道模型或网络/IRS 配置。ZoSGA 的另一显著特征是可分析性，使我们能在极小假设下建立阶数为 $\boldsymbol{O}(\sqrt{S}\epsilon^{-4})$ 的当前最优（SOTA）收敛速率，其中 $S$ 为 IRS 单元总数，$\epsilon$ 为期望的次优性目标。我们在标准 MISO 下行 IRS 辅助和速率最大化设定下的数值结果同样确立了 ZoSGA 的 SOTA 经验表现，持续且大幅优于标准全模型基线。最后，我们证明 ZoSGA 实际上可现场运行，通过在多用户/IRS、计算密集型网络设定下直接优化基于变容管的电磁 IRS 模型（ZoSGA 未知）的电容，几乎无计算开销或性能退化。