Prestandaoptimering baserad på soft actor critic för IRS-stödda kognitiva radiosystem

Smartare radiovågor för en överfull trådlös värld

Våra telefoner, sensorer och smarta hem konkurrerar alla om samma osynliga resurs: radiovågor. När fler enheter ansluts blir det avgörande att pressa ut extra prestanda ur det begränsade spektrumet. Denna artikel undersöker ett nytt sätt att öka datahastigheterna för lågutprioriterade användare utan att skada högprioriterade, genom att kombinera ”smarta väggar” som böjer radiovågor med en artificiell intelligens‑baserad inlärningsmetod som lär nätverket hur det ska konfigureras.

Dela utan att överrösta grannarna

Moderna trådlösa system använder ofta en modell med ”primära” och ”sekundära” användare. Primära användare, som licensierade tjänster, har prioritet på vissa frekvenser. Sekundära användare får återanvända samma kanaler endast om de håller sin störning under strikta gränser. Det är kärnan i kognitiv radio: radioapparater som känner av sin omgivning och anpassar sig så att spektrum används mer effektivt. Utmaningen är att ge sekundära användare bra datahastigheter samtidigt som de förblir nästan osynliga för primära användare. Traditionella metoder bygger på smart signalbehandling i basstationen ensam, vilket snabbt blir komplext när nät blir tätare och fler antenner läggs till.

Böja signaler med intelligenta reflekterande ytor

Författarna lägger till ett kraftfullt nytt verktyg i mixen: intelligenta reflekterande ytor. Dessa är tunna paneler bestående av många små passiva element som kan justera hur de reflekterar inkommande radiovågor, ungefär som en vägg av styrbara speglar för trådlösa signaler. Genom att noggrant välja reflektionsmönstret kan ytan styra energi mot avsedd sekundär användare och bort från primära mottagare, vilket förbättrar prestandan utan att öka sändningseffekten. Artikeln analyserar ett system där en basstation med många antenner betjänar sekundära användare, medan flera reflekterande paneler hjälper till att forma de banor som signalerna tar genom omgivningen, under realistiska millimetervågs‑utbredningsförhållanden.

Att lära nätverket att ställa in sig självt

Att hitta den bästa kombinationen av basstationsstrålmönster, sändningseffekt och miljontals små reflektionsinställningar är ett rörigt matematiskt problem. Klassiska optimeringsmetoder, såsom block‑koordinatnedstigning, angriper det genom att växla mellan olika grupper av variabler. Dessa fungerar men blir långsamma och opraktiska när ytorna växer eller miljön förändras. I stället formulerar författarna uppgiften som ett inlärningsproblem för en agent i djupt förstärkningsinlärning som använder soft actor‑critic (SAC)‑algoritmen. I denna uppställning observerar agenten de aktuella kanalförhållandena, tidigare reflektionsfaser och sändningseffekt, och föreslår sedan nya reflektionsinställningar. Den får en belöning baserad huvudsakligen på uppnådd datahastighet för den sekundära användaren, så länge störningen mot primära användare håller sig under en tillåten gräns. Över många simulerade interaktioner lär sig agenten en policy som direkt kartlägger observationer till nästintill optimala konfigurationer.

Resultat i simulering och i hårdvara

Genom omfattande simuleringar jämförs SAC‑baserade styrningen mot en traditionell block‑koordinatnedstigningsreferens på flera områden: uppnåelig datahastighet för sekundära användare, påverkan av antalet reflekterande element och paneler, gränser för sändningseffekt och störningsbegränsningar. Den inlärda policyn matchar konsekvent eller överträffar referensen vad gäller datahastighet, särskilt när de intelligenta ytorna har många element, samtidigt som den kräver mycket mindre iterativ beräkning när träningen är klar. Studien bedömer också körningstid: för små ytor kan klassiska metoder vara något snabbare, men när systemets storlek växer skalar den inlärningsbaserade metoden bättre. För att stödja praktisk implementation designar, tillverkar och testar författarna en 16‑elements basstationsantennarray som fungerar från 3 till 7 GHz. Mätningarna visar god matchning, låg korrelation mellan antennerna och cirka 90 % strålningsverkningsgrad, vilket bekräftar att hårdvaruplattformen kan stödja krävande multiantenndriftsättning.

Vad detta innebär för framtida trådlösa nätverk

I vardagliga termer visar detta arbete hur kombinationen av smarta reflekterande paneler och en inlärningsalgoritm kan låta lägre prioriterade enheter dela spektrum mer aggressivt utan att störa högre prioriterade tjänster. Istället för handgjorda formler lär sig nätverket hur det ska rikta och forma sina signaler på egen hand, även i komplexa miljöer och med många styrbara element. När trådlösa system utvecklas bortom 5G kan metoder som denna bidra till högre datahastigheter, bättre täckning och mer effektiv användning av ett knappt spektrum, samtidigt som störningar hålls under kontroll.

Citering: Ghallab, R., Abdrabo, A. & Elashry, I. Soft actor critic-based performance optimization for IRS-aided cognitive radio systems. Sci Rep 16, 14283 (2026). https://doi.org/10.1038/s41598-026-49465-4

Nyckelord: kognitiv radio, intelligenta reflekterande ytor, djupt förstärkningsinlärning, delning av trådlöst spektrum, soft actor critic