Derin Öğrenme Yoluyla Akıllı Yansıtıcı Yüzeylerin Fazlarının Ayrık Olarak Yapılandırılması ve Pilot Yükü Azaltılması

Abstract

Haberleşme sistemleri, birinci nesil haberleşme olan 1G teknolojisinden beri gelişmektedir. Son zamanlarda ortaya çıkan teknolojilerle birlikte dünya üzerindeki veri trafiği artmıştır, artan veri trafiğiyle birlikte haberleşme sistemlerinin de gelişmesi gerekmiştir. Beşinci nesil haberleşme teknolojisiyle birlikte çoklu antene sahip baz istasyonları hayatımıza girmiştir. Yeni nesil baz istasyonlarıyla birlikte haberleşme sistemlerinin güç verimliliği, bant genişliği verimliliği artmıştır ve çok antene sahip baz istasyonlarıyla birlikte kullanılan bazı teknolojiler ortaya çıkmıştır. Altıncı nesil haberleşme sistemleri için anahtar tekniklerden birisi olarak öne çıkması beklenen teknoloji Akıllı Yansıtıcı Yüzeylerdir. Akıllı Yansıtıcı Yüzeyler, haberleşme sistemlerinin enerji ve spektrum verimliliğini arttırmak için uygun maliyetli bir teknolojidir. Çok sayıda meta malzemenin kullanılmasıyla üretilen Akıllı Yansıtıcı Yüzeyler pasif elemanlardan oluşur ve bu elemanlar kendisine gelen sinyale bir faz kayması uygular. Elemanların ortak olarak optimizasyonu yapılırsa eleman sayısının karesiyle doğru orantılı olarak güç kazancı elde edilir. Akıllı Yansıtıcı Yüzeyler, getirdiği pek çok avantaja karşın mevcut haberleşme sistemlerine eklendiklerinde daha karmaşık bir sistem ortaya çıkar. Bu tezde, Akıllı Yansıtıcı Yüzeylerin faz kaymalarının konfigürasyonu Derin Öğrenme kullanılarak yapılmıştır. Akıllı Yansıtıcı Yüzeyler pasif elemanlardan oluştuğu için geleneksel yöntemlerle kanal tahmini yapılması ve bu tahmini kullanarak fazların optimize edilmesi zorlayıcı bir görevdir. Ayrıca geleneksel tahmin ediciler kanal tahmini için çok sayıda pilot periyoduna ihtiyaç duyarlar. Bu tez kapsamında baz istasyonunda alınan pilot sinyaller kullanılarak bir Derin Öğrenme modeli eğitilmiştir, modelin eğitiminde baz istasyonu tarafından alınan pilot sinyaller kullanılır. Eğitilen bu model çıkış olarak optimum faz değerlerini verir ve daha az sayıda pilot sinyal kullanılarak eğitim tamamlanabilir. Ayrıca Akıllı Yansıtıcı Yüzeylerin faz kaymalarının sürekli değerler alması pratik uygulamaları zorlaştırır, bu tez kapsamında eğitilen model ayrık değerli faz kaymalarını çıktı olarak verir. Bu faz kayması değerleri elde edildikten sonra, baz istasyonundaki hüzme oluşturma vektörü de optimum faz kayması değerleri kullanılarak optimize edilir. Çalışma sonucunda Akıllı Yansıtıcı Yüzeylerin mevcut haberleşme sistemlerine sağladığı veri hızı katkısı incelenmiş, sürekli faz değerleri kullanılan durum ile ayrık faz değerleri kullanılan durumun performansı karşılaştırılmıştır. Çalışma sonunda ayrık değerli Akıllı Yansıtıcı Yüzeylerin kullanımının sürekli değerlere yakın sonuçlar verdiği gözlemlenmiş, mükemmel kanal durum bilgisi mevcutken elde edilen fazlar referans olarak kullanılmış, normalize ortalama kare hataları karşılaştırılmış ve sunulmuştur.

Communication systems have been evolving since the first generation of communication technology, 1G. With the emergence of recent technologies, data traffic worldwide has increased, necessitating further developments in communication systems. The fifth generation of communication technology introduced base stations equipped with multiple antennas, enhancing the power and bandwidth efficiency of communication systems and leading to the emergence of certain technologies used alongside these multi-antenna base stations. Intelligent Reflecting Surfaces are expected to be a key technology for sixth-generation communication systems. Intelligent Reflecting Surfaces are a cost-effective technology that increases the energy and spectrum efficiency of communication systems. Made using numerous metamaterials, these surfaces consist of passive elements that apply a phase shift to the incoming signal. If these elements are optimized collectively, a power gain proportional to the square of the number of elements can be achieved. Despite their many advantages, when integrated into existing communication systems, IRS introduce a more complex system structure. This thesis involves configuring the phase shifts of IRS using Deep Learning. Since IRS are made up of passive elements, traditional methods of channel estimation and using this estimation to optimize phases pose challenging tasks. Moreover, traditional estimators require numerous pilot periods for channel estimation. In this study, a Deep Learning model was trained using pilot signals, and this trained model provides optimum phase values as outputs. Additionally, continuous phase shifts in practical applications make implementation difficult; thus, the model trained in this thesis provides discrete phase values. After these phase shift values are obtained, the beamforming vector at the base station is also optimized accordingly. The study examines the contribution of IRS to existing communication systems in terms of data speed, compares the performance loss relative to continuous conditions, and presents normalized mean square errors compared to the optimum scenario.