Beams by Reconfigurable Intelligent Surfaces

Cover Page

Cite item

Full Text

Open Access Open Access
Restricted Access Access granted
Restricted Access Subscription Access

Abstract

Реконфигурируемая интеллектуальная поверхность (англ.: reconfigurable intelligent surface, RIS) является перспективной технологией для увеличения зоны покрытия и пропускной способности существующих и будущих беспроводных систем за счет настройки коэффициентов отражения. Среди предложенных в научном сообществе алгоритмов настройки RIS выделяется иерархический поиск луча (ИПЛ) за счет высокой скорости и возможности использовать простые канальные метрики, такие как мощность сигнала. Для алгоритмов ИПЛ необходимо формировать отраженные лучи разной ширины и с разными направлениями. Существующие методы синтеза широких лучей обладают рядом недостатков, таких как высокая вычислительная сложность и использование элементов RIS со сложной архитектурой. В данной статье рассматриваются эти проблемы и предлагается метод синтеза отраженных двумерных лучей с заданными шириной и направлением, который основан на фазовом сшивании узких лучей. Разработанный метод синтеза имеет низкую вычислительную сложность и позволяет RIS формировать лучи с десятками и сотнями тысяч элементов.

Keywords

5G, LTE

References

  1. Framework and Overall Objectives of the Future Development of IMT for 2030 and Beyond. International Telecommunication Union (ITU) Recommendation (ITU-R), 2023.
  2. Hua M., Wu Q., Chen W., Dobre O.A., Swindlehurst A.L. Secure Intelligent Reflecting Surface-Aided Integrated Sensing and Communication // IEEE Trans. Wirel. Commun. 2023. V. 23. № 1. P. 575–591. https://doi.org/10.1109/TWC.2023.3280179
  3. Гао В., Башконуш Х.М., Каттани К. Эффективность передачи данных при атаках с точки зрения варианта изолированной жесткости // Пробл. передачи информ. 2023. Т. 59. № 2. С. 83–101. https://doi.org/10.31857/S0555292323020067
  4. Kim I.-S., Bennis M., Oh J., Chung J., Choi J. Bayesian Channel Estimation for Intelligent Reflecting Surface-Aided mmWave Massive MIMO Systems with Semi-Passive Elements // IEEE Trans. Wirel. Commun. 2023. V. 22. № 12. P. 9732–9745. https://doi.org/10.1109/TWC.2023.3273284
  5. Wang P., Fang J., Duan H., Li H. Compressed Channel Estimation for Intelligent Reflecting Surface-Assisted Millimeter Wave Systems // IEEE Signal Process. Lett. 2020. V. 27. P. 905–909. https://doi.org/10.1109/LSP.2020.2998357
  6. Фернандес М., Кабатянский Г.А., Круглик С.А., Мяо И. Коды для точного нахождения носителя разреженного вектора по ошибочным линейным измерениям и их декодирование // Пробл. передачи информ. 2023. Т. 59. № 1. С. 17–24. https://doi.org/10.31857/S0555292323010023
  7. Yan G., Zhu L., Zhang R. Channel Autocorrelation Estimation for IRS-Aided Wireless Communications Based on Power Measurements // Proc. 2023 IEEE Globecom Workshops (GC Wkshps). Kuala Lumpur, Malaysia. Dec. 4–8, 2023. P. 1457–1462. https://doi.org/10.1109/GCWkshps58843.2023.10465210
  8. Zhang H., Shlezinger N., Guidi F., Dardari D., Imani M.F., Eldar Y.C. Beam Focusing for Near-Field Multiuser MIMO Communications // IEEE Trans. Wirel. Commun. 2022. V. 21. № 9. P. 7476–7490. https://doi.org/10.1109/TWC.2022.3158894
  9. Chen Y., Dai L. Coded Beam Training for RIS Assisted Wireless Communications, https: //www.arxiv.org/abs/2406.15802 [cs.IT], 2024.
  10. Wu C., You C., Liu Y., Chen L., Shi S. Two-Stage Hierarchical Beam Training for NearField Communications // IEEE Trans. Veh. Technol. 2024. V. 73. № 2. P. 2032–2044. https: //doi.org/10.1109/TVT.2023.3311868
  11. Bagheri A., Safaei M., Araghi A., Mahdi Shahabi S.M., Wang F., Khalily M., Tafazolli R. Mathematical Model and Real-World Demonstration of Multi-Beam and WideBeam Reconfigurable Intelligent Surface // IEEE Access. 2023. V. 11. P. 19613–19621. https://doi.org/10.1109/ACCESS.2023.3248501
  12. Ghanem W.R., Jamali V., Schellmann M., Cao H., Eichinger J., Schober R. OptimizationBased Phase-Shift Codebook Design for Large IRSs // IEEE Commun. Lett. 2022. V. 27. № 2. P. 635–639. https://doi.org/10.1109/LCOMM.2022.3225585
  13. Gerсhberg R.W., Saxton W.O. A Practical Algorithm for the Determination of Phase from Image and Diffraction Plane Picture // Optik. 1972. V. 35. № 2. P. 237–246.
  14. Lu Y., Zhang Z., Dai L. Hierarchical Beam Training for Extremely Large-Scale MIMO: From Far-Field to Near-Field // IEEE Trans. Commun. 2024. V. 72. № 4. P. 2247–2259. https://doi.org/10.1109/TCOMM.2023.3344600
  15. Torkzaban N., Khojastepour M.A., Farajzadeh-Tehrani M., Baras J.S. RIS-Aided mmWave Beam-Forming for Two-Way Communications of Multiple Pairs // ITU J. Future Evol. Technol. 2023. V. 4. № 1. P. 87–101. https://doi.org/10.52953/VBEX2484
  16. Shen D., Dai L., Su X., Suo S. Multi-Beam Design for Near-Field Extremely Large-Scale RIS-Aided Wireless Communications // IEEE Trans. Green Commun. Netw. 2023. V. 7. № 3. P. 1542–1553. https://doi.org/10.1109/TGCN.2023.3259579
  17. Jamali V., Najafi M., Schober R., Vincent Poor H. Power Efficiency, Overhead, and Complexity Tradeoff of IRS Codebook Design—Quadratic Phase-Shift Profile // IEEE Commun. Lett. 2021. V. 25. № 6. P. 2048–2052. https://doi.org/10.1109/LCOMM.2021.3058063
  18. Balanis C.A. Antenna Theory: Analysis and Design. Hoboken, NJ: Wiley, 2016.
  19. Bj¨ornson E., Demir O¨.T., Sanguinetti L. A Primer on Near-Field Beamforming for Arrays and Reconfigurable Intelligent Surfaces // Conf. Record: 55th Asilomar Conf. on Signals, Systems & Computers. Pacific Grove, CA, USA. Oct. 31 – Nov. 3, 2021. P. 105–112. https: //doi.org/10.1109/IEEECONF53345.2021.9723331
  20. Zhang S., Zhang R. Capacity Characterization for Intelligent Reflecting Surface Aided MIMO Communication // IEEE J. Sel. Areas Commun. 2020. V. 38. № 8. P. 1823–1838. https://doi.org/10.1109/JSAC.2020.3000814

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Copyright (c) 2024 Russian Academy of Sciences

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».