随着物联网设备和宽带多媒体应用的普及，对无线数据流量的需求不断增长，这加剧了人们对无线通信创新解决方案的探索。据报道，可重构智能表面在太赫兹通信中的应用取得了重大突破。在 3 月 13 日发表在《智能计算》上的一篇研究文章中，北京理工大学高振领导的研究人员团队介绍了一种新颖的物理信号处理方法，该方法利用深度学习来增强太赫兹通信系统中可重构智能表面的功能。
可重构智能表面是一种创新技术，它通过调整其元件的相位和幅度，将电磁信号被动地反射到所需的方向。这种动态操纵信号的能力比传统通信系统具有显著优势，特别是在室内环境中，因为信号传播的复杂性会限制性能。该技术可以集成到当前的太赫兹大规模多输入多输出通信系统中，通过操纵相位和幅度将电磁信号被动地反射到所需的方向，从而提供相当大的波束形成增益，并解决太赫兹波段自由空间损耗和大气衰减的固有挑战。
对于使用可重构智能表面的通信系统来说，获取准确的信道状态信息至关重要。虽然已经探索了基于压缩感知和深度学习的解决方案，但在计算复杂性和存储要求方面仍然存在挑战。此外，现有研究通常假设信道状态信息完美，而忽略了不完美信道状态信息条件的实际考虑。
这种基于深度学习的新型传输架构专为使用可重构智能表面的大规模多输入多输出太赫兹通信系统而设计。他们的信道外推方法比传统方法更好地执行信道状态信息重构，同时显著降低了导频开销。此外，他们的波束成形方法对不完美的信道状态信息更具鲁棒性。
该研究介绍了两种方法：
SFDCExtra 方法是一种空间频率域信道外推网络方法，该方法利用深度学习从使用可重构智能表面的通信系统中有限的接收导频信号中外推完整的空间频率信道。
HBFRPD方法利用深度学习设计混合波束形成器和可重构智能表面的折射阶段，解决了不完善的信道状态信息和复杂信道特性带来的挑战，特别是在散射丰富的室内场景中。
通过数值模拟评估了这些方法的有效性。SFDCExtra 方法旨在提高无线通信系统中信道估计的效率和准确性。通过利用空间频率相关性，该方法在最小化导频开销的同时，在信道估计性能方面取得了有希望的进步。研究人员进行了全面的评估，将其与各种基准算法进行了比较，并评估了其在不同信道条件和导频配置下的稳健性。通过详细的分析和性能比较，该方法展示了在彻底改变下一代通信架构的信道估计方法方面的有效性和多功能性。
研究人员将 HBFRPD 与其他方法在多用户通信系统中的性能进行了比较。在假设信道状态信息完美的情况下测试各种方法实现的总速率时，他们发现该方法优于其他方法，尤其是在更高的发射功率下，并且由于其非迭代性质，计算速度更快。此外，在信道状态信息不完美的情况下，用户间干扰会对总速率产生不利影响。结果表明，HBFRPD 仍然能够抵御信道状态信息误差，在这种情况下优于其他算法。累积分布函数进一步支持了卓越的性能，表明与不完美信道状态信息条件下的传统方法相比，该方法实现所需总速率的概率更高。