Un significativo passo avanti nel settore delle comunicazioni terahertz è stato compiuto grazie all'applicazione di superfici intelligenti reconfigurabili, secondo quanto riportato in un articolo pubblicato sulla rivista Intelligent Computing. Un team di ricerca guidato da Zhen Gao del Beijing Institute of Technology ha presentato un innovativo metodo di elaborazione del segnale fisico che, sfruttando il deep learning, migliora le prestazioni delle superfici intelligenti reconfigurabili nei sistemi di comunicazione terahertz.
Questi dispositivi rappresentano una tecnologia all'avanguardia capace di riflettere passivamente i segnali elettromagnetici nella direzione desiderata, regolando fase e ampiezza dei propri elementi. Questa capacità di manipolare dinamicamente i segnali apre nuovi orizzonti nelle comunicazioni, soprattutto in ambienti interni dove la complessità della propagazione dei segnali può ridurre l'efficacia.
Il metodo SFDCExtra e l'approccio HBFRPD sono al centro di questo avanzamento tecnologico. Il metodo SFDCExtra si basa su una rete di estrapolazione del canale nel dominio spazio-frequenza, che utilizza il deep learning per dedurre l'intero canale spazio-frequenziale da un numero limitato di segnali pilota ricevuti. D'altra parte, l'HBFRPD applica reti di deep learning per progettare il beamformer ibrido e la fase di rifrazione delle superfici intelligenti reconfigurabili, tenendo conto delle imperfezioni nell'informazione dello stato del canale e della complessità delle caratteristiche del canale, in particolare in scenari interni con una ricca diffusione degli ecosistemi.
La validazione attraverso simulazioni numeriche ha dimostrato che l'SFDCExtra migliora notevolmente l'efficienza e l'accuratezza della stima del canale in sistemi di comunicazione wireless, utilizzando le correlazioni spazio-frequenza per avanzare nelle prestazioni di stima del canale, riducendo contemporaneamente il sovraccarico dei segnali pilota.
Ulteriori analisi hanno evidenziato l'efficacia del metodo HBFRPD in un sistema di comunicazione multiutente, mostrando che esso supera altri metodi, specialmente a potenze di trasmissione più elevate, e offre una maggiore velocità di calcolo grazie alla sua natura non iterativa. Anche in presenza di informazioni imperfette sullo stato del canale, l'HBFRPD ha dimostrato una robustezza superiore, superando altri algoritmi in simili condizioni.
Per maggiori informazioni: Yang Wang et al, "Deep Learning–Based Channel Extrapolation and Multiuser Beamforming for RIS-aided Terahertz Massive MIMO Systems over Hybrid-Field Channels", Intelligent Computing (2023). DOI: 10.34133/icomputing.0065
