基于自监督对比学习的RIS辅助MU-MIMO系统联合波束成形优化研究

《IEEE Transactions on Machine Learning in Communications and Networking》：Self-Supervised Contrastive Learning for Joint Active and Passive Beamforming in RIS-Assisted MU-MIMO Systems

本文针对RIS辅助MU-MIMO系统中联合波束成形设计计算复杂度过高的问题，提出了一种创新的自监督对比学习神经网络架构。研究团队通过序列分数规划算法生成标签数据，利用对比学习捕捉增强信道特征，显著降低了训练阶段的标注数据需求。结果表明，该方法仅需1%标注数据即可实现接近数学上界的频谱效率性能，计算复杂度降低两个数量级，为大规模RIS系统提供了实用的波束成形解决方案。

　　

在第五代移动通信技术持续推进的今天，如何有效提升无线网络容量和覆盖范围成为学术界和工业界关注的焦点。可重构智能表面（RIS）作为一种新兴技术，通过智能调控电磁波传播环境，为无线通信系统带来了革命性的可能性。这种由大量无源反射元件组成的表面能够动态调整入射信号的相位和幅度，从而增强目标信号并抑制干扰。特别是在多用户多输入多输出（MU-MIMO）系统中，RIS技术展现出巨大潜力，但同时也带来了前所未有的挑战。

传统RIS辅助系统的核心难题在于联合波束成形设计的计算复杂度。当基站（BS）和RIS的天线数量增加时，波束成形的可选方案呈指数级增长。现有解决方法多采用计算密集的迭代算法，这些方法不仅无法保证收敛到全局最优解，而且在大规模RIS系统中计算时间可能超过信道相干时间，导致实际应用受限。更严峻的是，当前研究多集中于单用户MISO或SISO等简化场景，对更复杂的MU-MIMO场景研究不足，形成了重要的技术空白。

针对这一挑战，来自英国萨里大学的研究团队在《IEEE Transactions on Machine Learning in Communications and Networking》上发表了一项创新研究。他们提出了一种基于自监督对比学习的神经网络架构，专门用于优化RIS辅助MU-MIMO系统中的联合有源和无源波束成形设计。这项研究的独特之处在于将通信理论与人工智能技术深度融合，为解决复杂无线环境下的实时波束成形问题开辟了新途径。

研究团队采用了几项关键技术方法：首先设计了基于卷积神经网络的基础编码器结构，用于提取信道状态信息（CSI）的特征表示；其次开发了包含数据增强和对比损失函数的自监督学习框架，显著减少了对标注数据的依赖；同时利用序列分数规划（SFP）算法生成高质量的波束成形标签；最后构建了轻量级投影头模块，有效防止过拟合并提升模型泛化能力。研究采用了基于射线追踪的DeepMIMO数据集，考虑了一个包含建筑物和障碍物的典型城市街道场景，确保了实验结果的实用价值。

系统模型与问题表述方面，研究考虑了一个包含K个用户设备（UE）、一个RIS和一个BS的通信系统。每个UE配备N_r根天线，BS配备N_t根天线，RIS包含M个无源反射相位调节器。通过建立包含直接链路和级联链路的系统模型，研究人员将联合波束成形问题转化为在最大功率和最小服务质量约束下的和频谱效率最大化问题。

自监督学习框架设计包含三个核心阶段：无监督对比学习阶段使用增强的CSI数据训练神经网络捕捉信道分布特征；数学优化阶段通过序列分数规划算法迭代优化RIS相位和BS功率分配；监督学习阶段利用少量标注数据微调模型参数。这种设计使得模型仅需10%的标注数据即可收敛，大幅降低了训练复杂度。

性能分析结果显示，研究提出的自监督对比学习神经网络（SSLNN）在频谱效率性能上仅比数学上界低7%，比全监督学习低2.5%，但训练计算量减少了一个数量级。在推理阶段，该方法比传统数学优化方法快两个数量级，实现了实时波束成形预测。特别值得注意的是，当RIS单元数M远大于用户数、BS天线数和UE天线数的乘积时（即M ? √(K×N_r×N_t)），RIS相位优化才能产生显著的波束成形增益，这一发现为RIS系统设计提供了重要理论指导。

数据增强策略分析表明，共轭变换（Conjugate）和厄米特变换（Hermitian）的组合能够为对比学习提供最佳的增强效果，而旋转变换效果最差。这一发现为通信领域的自监督学习数据增强方法选择提供了实用参考。

温度参数优化实验发现，最佳温度值随批次大小增加而减小，当最大训练轮数为40时，批次大小为64、256和1024对应的最佳温度分别为0.57、0.44和0.38。适当的温度参数调整能够带来17%的相似性增益提升，证明了超参数优化在对比学习中的重要性。

鲁棒性测试表明，该方法在不同信噪比条件下均能保持稳定的性能表现。即使训练集和测试集都存在信道估计误差，在-10dB到20dB的信噪比范围内，频谱效率仅从5.6bps/Hz下降到11.2bps/Hz，展现了良好的泛化能力。

与传统方法的对比分析显示，SSLNN方法在计算复杂度和性能之间实现了最佳平衡。当使用离散相位调制时，1比特、2比特和3比特分辨率分别导致45%、26.1%和9.6%的频谱效率损失，这一结果为RIS硬件设计提供了重要参考。

这项研究的核心价值在于成功地将自监督学习引入无线通信资源分配领域，解决了标注数据稀缺的核心难题。通过对比学习利用大量无标注信道数据，结合少量由数学优化生成的标注数据，实现了高效准确的波束成形预测。该方法不仅为RIS辅助通信系统提供了实用的解决方案，也为人工智能在无线通信中的应用开辟了新方向。

研究的实际意义体现在多个方面：首先，显著降低了大规模MIMO-RIS系统的计算复杂度，使实时波束成形成为可能；其次，增强的系统鲁棒性使其能够适应不同的传播环境和信噪比条件；最后，建立的完整技术框架为后续研究提供了可借鉴的方法论。随着6G技术研究的深入，这种融合人工智能的通信优化方法将在智能超表面、智能信道管理等方向发挥更大作用。

未来研究方向可能包括探索非线性数据增强方法，如使用生成对抗网络（GAN）动态调整增强策略；研究RIS相位特定的增强方法，通过优化RIS相位来获得具有更好相似性的信道数据；以及将该框架扩展到更复杂的通信场景，如移动性管理、多RIS协作等应用场景。