【阅读笔记】End-to-End Learning for RIS-Aided Communication Systems

深度学习+智能反射面+物理层通信结合：
清华大学的文章：文章链接

1.简单介绍

采用智能反射面可以在中继节点处不引入过多的噪声，所以可以克服传统massive MIMO中继通信的AF relay模式下的噪声放大的问题，但是于此同时，智能反射面的信道非常的复杂，Base-ris，ris自己的passive beamforming以及ris-user的信道是高度耦合在一起的，因此没有闭式解，所以很多方法比如alternatively optimization方法来进行active beam forming以及passive baemforming的设计。但是这个优化过程非常的复杂；只是得到局部最优解而无法得到最优解，因此造成性能的损失。于是，可以考虑使用神经网络的方法进行联合优化，从而不用将这些信道进行解耦，将整个通信系统看作一个整体，对这个整体进行优化，得到active beamforming，passive beamforming等，因此可以克服上述alternating optimization带来的损失的问题。

2.系统模型

3.想法

场景非常的新颖，G,H,F使用神经网络进行联合优化。