La ricerca propone superfici riconfigurabili aeree con antenne fluide per le reti 6G
Un nuovo articolo tecnico propone l'integrazione di veicoli aerei autonomi con superfici intelligenti riconfigurabili multifunzionali (MF-RIS) per affrontare le elevate richieste di traffico dati nelle reti di sesta generazione (6G). Questa architettura, denominata AM-RIS, opera all'interno di reti full-duplex assistite da antenne fluide. L'AM-RIS fornisce funzionalità ibride che includono riflessione del segnale, amplificazione e raccolta di energia, potenzialmente migliorando sia la copertura del segnale che la sostenibilità. Le antenne fluide facilitano l'adattabilità spaziale granulare alle stazioni base abilitate al full-duplex, integrando la soppressione dell'autointerscambio residuo. La ricerca mira a massimizzare l'efficienza energetica complessiva ottimizzando congiuntamente il beamforming di trasmissione in downlink alla stazione base, la potenza degli utenti in uplink, la configurazione dell'AM-RIS e le posizioni dell'antenna fluida e dell'AM-RIS. A causa dei parametri ibridi continuo-discreti e dell'elevata dimensionalità di questo problema intrattabile, gli autori hanno concepito un approccio di deep reinforcement learning ibrido auto-ottimizzato. L'articolo è disponibile su arXiv con identificatore 2604.14309v2. Questo lavoro affronta le crescenti richieste di traffico dati nelle reti wireless di prossima generazione attraverso soluzioni innovative hardware e algoritmiche.
Fatti principali
- Propone l'integrazione di veicoli aerei autonomi con superfici intelligenti riconfigurabili multifunzionali
- Mira alle elevate richieste di traffico dati delle reti di sesta generazione (6G)
- L'AM-RIS fornisce funzionalità ibride: riflessione del segnale, amplificazione e raccolta di energia
- Le antenne fluide consentono l'adattabilità spaziale granulare alle stazioni base full-duplex
- Mira a massimizzare l'efficienza energetica complessiva attraverso l'ottimizzazione congiunta di più parametri
- Affronta un problema intrattabile con parametri ibridi continuo-discreti e elevata dimensionalità
- Utilizza un approccio di deep reinforcement learning ibrido auto-ottimizzato
- Articolo disponibile su arXiv con identificatore 2604.14309v2
Entità
Istituzioni
- arXiv