The operation of Terahertz (THz) communication can be significantly impacted by the interaction between the transmitted wave and the molecules in the atmosphere. In particular, it has been observed experimentally that the signal undergoes not only molecular absorption, but also molecular re-radiation. Two extreme modeling assumptions are prevalent in the literature, where the re-radiated energy is modeled in the first as additive Gaussian noise and in the second as a scattered component strongly correlated to the actual signal. Since the exact characterization is still an open problem, we provide in this paper the first comparative study of the performance of a reconfigurable intelligent surface (RIS) assisted THz system under these two extreme models of re-radiation. In particular, we employ an RIS to overcome the large pathloss by creating a virtual line-of-sight (LOS) path. We then develop an optimization framework for this setup and utilize the block-coordinate descent (BCD) method to iteratively optimize both RIS configuration vector and receive beamforming weight resulting in significant throughput gains for the user of interest compared to random RIS configurations. As expected, our results reveal that better throughput is achieved under the scattering assumption for the molecular re-radiation than the noise assumption.


翻译:Terahertz (Thz) 通信的运行可能受到传输波与大气中分子之间的相互作用的重大影响。 特别是,人们通过实验观察到信号不仅进行分子吸收,而且还进行分子再辐照。 文献中普遍存在两种极端模型假设,即再辐照能源以第一种添加光线路径建模,而第二种是分散的元素,与实际信号密切相关。 由于确切的定性仍然是一个开放的问题,我们在本文件中提供了对可重新配置智能表面(RIS)辅助的Thz系统的性能的第一次比较研究,在这两种极端的再辐照模式下,该信号不仅进行分子吸收,而且还进行分子再辐照。特别是,我们采用RIS来克服巨大的路径损失。我们随后为这一设置开发了一个优化框架,并使用块状相坐标基底系方法对两种RIS配置矢量进行迭接优化,并接受调整重量,使用户对可重新配置的智能表面(RIS) 辅助的Thz系统的性能与随机再辐照模型的假设相比获得显著的量增益。 我们预计通过磁度假设获得的结果会更好。

0
下载
关闭预览

相关内容

【干货书】机器学习速查手册,135页pdf
专知会员服务
125+阅读 · 2020年11月20日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
2019年机器学习框架回顾
专知会员服务
35+阅读 · 2019年10月11日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
已删除
将门创投
5+阅读 · 2019年4月4日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
Arxiv
0+阅读 · 2021年7月20日
VIP会员
相关VIP内容
相关资讯
已删除
将门创投
5+阅读 · 2019年4月4日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
Top
微信扫码咨询专知VIP会员