基于可重构智能表面的太赫兹通信混合预编码

受益于带宽增长，太赫兹（Terahertz, THz）通信可支持未来 6G 无线系统对超高传输速率的爆发式需求的新应用。为补偿高频路径损耗，可利用大规模多输入多输出（massive multiple-input multiple-output, MIMO）通过波束成形获得高阵列增益。然而，由于需使用大量模拟移相器实现模拟波束成形，现有大规模 MIMO 的 THz 通信能耗极高。为解决该问题，本文提出一种基于可重构智能表面（reconfigurable intelligent surface, RIS）的 THz 通信混合预编码架构，以高能效的 RIS 替代高能耗相控阵来实现混合预编码的模拟波束成形。进而，基于所提 RIS 架构，研究混合预编码的和速率最大化问题。由于 RIS 实现的相移通常为离散值，该带非凸约束的和速率最大化问题具挑战性。接着，将和速率最大化问题重构为基于并行深度神经网络（deep neural network, DNN）的分类问题，可由所提低复杂度基于深度学习的多离散分类（deep learning-based multiple discrete classification, DL-MDC）混合预编码方案求解。最后，大量仿真结果表明，所提 DL-MDC 方案在理论 Saleh-Valenzuela 信道模型与实际 3GPP 信道模型中均表现良好。与现有迭代搜索算法相比，所提 DL-MDC 方案在性能损失可忽略的情况下显著降低了运行时间。