Deep learning meets reconfigurable ıntelligentsurfaces: Novel system designs and solutionstoward 6G and beyond

Altıncı nesil (6G) kablosuz ağların, benzeri görülmemiş spektral verimlilik, ultra-düşük gecikme, yüksek güvenilirlik ve her yerde bulunabilir bağlantı gereksinimlerini karşılaması öngörülmektedir. Geleneksel verici/alıcı tasarımı ve spektrum genişletme yaklaşımlarının ötesinde, radyo ortamının akıllı şekilde kontrolü kritik bir kolaylaştırıcı unsur olarak ortaya çıkmıştır. Bu bağlamda, Yeniden Yapılandırılabilir Akıllı Yüzeyler (RIS), yayılımı yönlendirmede düşük maliyetli ve enerji verimli bir çözüm sunmaktadır. Öte yandan, Makine Öğrenmesi (ML) ve Derin Öğrenme (DL) gibi veri odaklı yöntemler, belirsizlik altında modelleme, optimizasyon ve uyarlamalı karar verme için güçlü araçlar sağlamaktadır. Dolayısıyla, RIS ve DL'in yakınsaması, yeni nesil kablosuz iletişim, algılama ve konumlama için dönüştürücü bir paradigma oluşturmaktadır. Bu tezde çeşitli temel katkılar sunulmaktadır. İlk olarak, RIS destekli iletişim sistemleri ve bunların DL teknikleriyle entegrasyonuna yönelik kapsamlı bir literatür taraması gerçekleştirilmiş, güncel durumun genel görünümü verilmiş ve kaynak tahsisi, ışın şekillendirme, konumlama ve algılama alanlarındaki açık araştırma problemleri tanımlanmıştır. Bu temelin üzerine, yukarı bağlantı (uplink) Non-Orthogonal Multiple Access (NOMA) için denetimli öğrenme destekli bir RIS bölümlendirme çerçevesi önerilmiştir. Bu yaklaşım, RIS elemanlarını kullanıcılar arasında akıllıca dağıtarak, ergodik toplam hız ve adalet açısından literatürdeki ileri iteratif algoritmalarla benzer performans elde ederken, hesaplama yükünü önemli ölçüde azaltmaktadır. Çeşitli hizmet kalitesi koşulları ve ardışık girişim iptali (SIC) senaryoları altında, teorik kesinti olasılığı analizi ve BER sonuçlarıyla performans doğrulanmıştır. Dinamik senaryoları ele almak üzere, çevrim içi RIS bölümlendirmesine olanak tanıyan ve yeniden eğitim gereksinimini ortadan kaldıran bir Derin Pekiştirmeli Öğrenme (DRL) yaklaşımı entegre edilmiştir. Önerilen DRL tabanlı çerçeve, neredeyse optimal oranlara ulaşmakta, adaleti sürdürmekte ve hesaplama süresini \%90'a kadar azaltarak zamanla değişen ortamlarda ölçeklenebilirlik ve uyarlanabilirlik sağlamaktadır. Üçüncü katkı olarak, RIS tanımlama (RIS-ID) ve ışın şekillendirme işlevlerini eşzamanlı ele alan yeni bir RIS bölümlendirme şeması geliştirilmiştir. Bu yaklaşım, elemanları algılama ve iletişim görevleri arasında dinamik biçimde paylaştırarak SNR'yi artırırken güvenilir tanımlama doğruluğunu da korumaktadır; benzetim ve teorik analiz sonuçları yöntemin pratik değerini ve dayanıklılığını teyit etmektedir. Son olarak, RIS faz konfigürasyonlarının optimize edildiği ve Sionna tabanlı ışın izleme ile gerçekçi kanal modellemesinin kullanıldığı DL tabanlı bir konumlama çerçevesi önerilmiştir. İki aşamalı (sınıflandırma ve regresyon) mimari, ortalama konumlama hatasını 3.06 metreye düşürerek, optimize edilmemiş RIS senaryosuna (4.05 m) ve RSS tabanlı yaklaşıma (5.80 m) kıyasla anlamlı bir iyileşme sağlamıştır. Ayrıca, optimize edilmiş şema ince konumlama doğruluğunu geliştirmiş, alt-metrelik hassasiyet oranını %1.21'den %17.72'ye yükseltmiştir. Bu bulgular, çok yollu ve görüş hattı olmayan ortamlarda RIS destekli öğrenme tabanlı konumlamanın etkinliğini doğrulamaktadır. Genel olarak, bu katkılar RIS–DL ortak tasarımına dayalı birleşik bir çerçeve ortaya koymakta ve gerçekçi kablosuz ortamlarda iletişim, kontrol, tanımlama ve konumlamada önemli ilerlemeler sağlamaktadır. Sunulan çalışmalar, hem teorik içgörüler hem de deneysel kanıtlarla, RIS'in veri odaklı optimizasyon ile desteklendiğinde 6G ağlarının mimarisini dönüştürme potansiyeline sahip olduğunu ve akıllı, uyarlanabilir ve verimli kablosuz sistemlerin önünü açtığını göstermektedir.