Star-Ris 的深度学习优化，用于提高 6G 无线网络中的数据速率和能效

快速阅读: 《Nature.com》消息，研究显示，STAR-RIS技术在不同场景下性能各异，主动元件在良好信道中表现优异，但高干扰时需谨慎使用。深度学习和功率优化可提升性能，未来将探索自适应控制机制。

据最新研究报告显示，7月15日，北京，一项关于STAR-RIS技术的研究成果公布。该研究对STAR-RIS技术在不同实施策略和部署场景下的性能进行了全面分析，指出在主动元件与几乎被动元件之间的选择至关重要，需根据具体干扰环境灵活调整。

研究发现，在良好的信道条件下，主动元件（如ASTAR/ARIS）在数据速率、频谱能效及用户满意度等方面表现优异。但在高干扰环境下，主动元件可能会放大干扰，影响整体性能。此外，研究还表明，训练数据集的大小对系统性能有显著影响，基于深度学习的方法能在复杂信道条件下有效提高性能，接近理论最优值。

研究团队进一步探讨了元件扩展对性能的影响，发现在初期阶段，性能提升迅速，但随着规模扩大，增益逐渐减少，这提示存在一个经济效益最优的部署规模。发射功率配置也被证实是提升系统性能的关键，通过合理调整功率，可以在不同位置用户间达到良好平衡。尽管主动元件的频谱能效有所下降，但其在某些场景下仍展现出更高的能效优势。

这些研究成果不仅深化了对STAR-RIS技术的认识，也为系统设计者提供了宝贵的参考。未来研究方向将集中在开发能够根据实时干扰条件动态切换工作模式的自适应控制机制上，特别是利用强化学习技术，如深度Q网络或多种多臂老虎机算法，实现智能模式切换，从而在不同应用场景中进一步提升系统的综合性能。

(以上内容均由Ai生成)