ترجمه فارسی مقاله شبکه عصبی فرایادگیری هندسه برای بهینه سازی فاز مشترک و پیش کدگذار در RIS

چکیده

In reconfigurable intelligent surface (RIS) aided systems, the joint optimization of the precoder matrix at the base station and the phase shifts of the RIS elements involves significant complexity. In this paper, we propose a complex-valued, geometry aware meta-learning neural network that maximizes the weighted sum rate in a multi-user multiple input single output system. By leveraging the complex circle geometry for phase shifts and spherical geometry for the precoder, the optimization occurs on Riemannian manifolds, leading to faster convergence. We use a complex-valued neural network for phase shifts and an Euler inspired update for the precoder network. Our approach outperforms existing neural network-based algorithms, offering higher weighted sum rates, lower power consumption, and significantly faster convergence. Specifically, it converges faster by nearly 100 epochs, with a 0.7 bps improvement in weighted sum rate and a 1.8 dBm power gain when compared with existing work.

چکیده به فارسی (ترجمه ماشینی)

در سیستم های کمک به سطح هوشمند (RIS) قابل تنظیم ، بهینه سازی مفصل ماتریس preder در ایستگاه پایه و تغییر فاز عناصر RIS شامل پیچیدگی قابل توجهی است.در این مقاله ، ما یک شبکه عصبی متا-یادگیری آگاه با اندازه گیری پیچیده و با ارزش را پیشنهاد می کنیم که میزان مبلغ وزنی را در یک سیستم خروجی تک ورودی چند کاربر چند کاربر به حداکثر می رساند.با استفاده از هندسه دایره پیچیده برای شیفت های فاز و هندسه کروی برای پیش بینی ، بهینه سازی در منیفولدهای ریمانیان رخ می دهد و منجر به همگرایی سریعتر می شود.ما از یک شبکه عصبی با ارزش پیچیده برای شیفت های فاز و یک به روزرسانی الهام گرفته از اویلر برای شبکه predoder استفاده می کنیم.رویکرد ما از الگوریتم های موجود مبتنی بر شبکه عصبی بهتر است و نرخ جمع وزنی بالاتر ، مصرف انرژی پایین تر و همگرایی به طور قابل توجهی سریعتر را ارائه می دهد.به طور خاص ، نزدیک به 100 دوره سریعتر همگرا می شود ، با بهبود 0.7 bps در نرخ جمع وزنی و افزایش قدرت 1.8 dBm در مقایسه با کار موجود.