当前位置：首页 > news >正文

堆叠智能超表面(SIM)技术原理与6G通信应用

news 2026/7/4 14:17:27

1. 堆叠智能超表面技术概述

堆叠智能超表面（Stacked Intelligent Metasurface, SIM）是近年来无线通信领域的一项突破性技术。作为传统MIMO系统的革新方案，SIM通过多层可编程超表面的级联结构，实现了直接在电磁波传播过程中对信号进行调控和处理的能力。

SIM的核心构造由L层超表面组成，每层包含N个可独立调控的元原子（meta-atom）。这些元原子能够对入射电磁波进行相位和幅度调制，其关键特性体现在：

硬件架构方面：
- 采用被动式元原子替代传统有源射频链
- 每个元原子成本仅为传统射频链的1/100量级
- 功耗降低达90%以上
- 支持大规模阵列部署（千级以上元原子）
波束成形机制：
- 通过公式G = ΦLWL···Φ2W2Φ1描述信号传播
- Φl表示第l层相位调制矩阵
- Wl表征层间衍射效应
- 可实现三维波束赋形和空分复用
典型应用场景：
- 6G毫米波/太赫兹通信
- 大规模物联网接入
- 高密度城市覆盖
- 室内精确定位

提示：SIM的层间耦合效应是其区别于传统RIS的关键特征。多层结构虽然增加了设计自由度，但也带来了更复杂的优化问题，需要特殊的算法处理。

2. 离散相位约束下的系统建模

2.1 系统架构与信道模型

考虑一个典型的SIM辅助多用户MISO下行系统，其核心组件包括：

基站配置：
- M根发射天线
- L层SIM结构（每层N个元原子）
- 支持K个单天线用户
信道特性：
- 基站到SIM：视距主导（公式1描述）
- SIM到用户：相关瑞利衰落（公式3）
- 路径损耗模型：βk = 10^-3d_k^-2
信号接收模型：
```
y_k = h_k^H G \sum_{i=1}^K w_i^1 p_i s_i + n_k
```
其中h_k为SIM到用户k的信道向量，G为SIM等效信道矩阵，n_k为加性高斯白噪声。

2.2 离散相位约束的数学表征

实际硬件中，元原子的相位调节存在量化约束：

b比特量化时：

θ_n^l ∈ {0, 2π/2^b, ..., (2^b-1)2π/2^b}

对角相位矩阵：

Φ_l = diag([e^{jθ_1^l}, ..., e^{jθ_N^l}])

量化误差影响：
- 1-bit量化时理论性能损失约15%
- 3-bit量化时可接近连续相位性能
- 工程上常采用2-bit折中方案

2.3 统计CSI下的速率分析

在统计CSI条件下，采用引理1的近似方法，得到可达和速率表达式：

R ≈ \sum_{k=1}^K log_2(1 + \frac{tr(p_k^2(Gw_k^1)^H R_k (Gw_k^1))}{\sum_{i≠k} tr[p_i^2(Gw_i^1)^H R_k (Gw_i^1)] + σ_k^2})

这一闭式表达式避免了瞬时CSI的需求，使系统只需获取信道统计信息（如空间相关矩阵R_k），大幅降低了导频开销。

3. 联合优化问题构建

3.1 目标函数与约束条件

建立如下优化问题：

max_{ϕ^l,p} \sum_{k=1}^K log_2(1 + γ_k) s.t. CG: G = Φ_L W_L···Φ_1 CΦ: Φ_l = diag(ϕ^l) Cθ: θ_n^l ∈ {0, 2π/2^b, ..., (2^b-1)2π/2^b} Cp: \sum_{k=1}^K p_k^2 ≤ P_max

该问题的非凸性主要来自：

离散相位约束（Cθ）
目标函数的对数分式形式
多层耦合效应（CG）

3.2 WMMSE转化方法

采用WMMSE方法将原问题转化为等效形式：

引入辅助变量：
- 接收权重u_w
- MSE权重ρ_w

转化后目标函数：

min F = \sum_{k=1}^K ρ_{w,k}[ \sum_{i=1}^K (Gw_i^1 p_i)^H R_k (Gw_i^1 p_i) + σ^2||u_{w,k}||^2 - 2Re{u_{w,k}^H R_k^{1/2} Gw_k^1 p_k} + 1 ] - log_2(ρ_{w,k})

交替优化框架：
- 固定ϕ^l,p，优化u_w,ρ_w
- 固定u_w,ρ_w，优化ϕ^l,p

3.3 闭式解推导

通过KKT条件推导得到关键闭式解：

最优接收权重：

u_{w,k}^* = \frac{R_k^{1/2} Gw_k^1 p_k}{\sum_{i=1}^K p_i^2 (Gw_i^1)^H R_k (Gw_i^1) + σ_k^2}

最优MSE权重：

ρ_{w,k}^* = (1 - u_{w,k}^* R_k^{1/2} Gw_k^1 p_k)^{-1}

功率分配解：

p_k = min(P_max, \frac{ρ_{w,k} Re{u_{w,k}^H R_k^{1/2} Gw_k^1}}{\sum_{j=1}^K ρ_{w,j} w_k^{1,H} G^H R_j Gw_k^1 ||u_{w,j}||^2})

这些闭式解确保了算法的高效性，避免了复杂的数值优化过程。

4. ADMM相位优化算法

4.1 问题重构

针对相位优化子问题，采用ADMM方法：

引入辅助变量x = ϕ^l

增广拉格朗日函数：

L = ϕ^{l,H} B ϕ^l - 2Re{d^H ϕ^l} + β||ϕ^l - x - ω||^2

4.2 交替更新步骤

ϕ^l更新：

ϕ^{l,(t+1)} = (B + βI)^{-1}(d + β(x^{(t)} + ω^{(t)}))

x更新（离散投影）：

x_n^{(t+1)} = e^{j \hat{θ}_n}, \hat{θ}_n = argmin_{θ∈C_θ} |θ - ∠(ϕ_n^{l,(t+1)} - ω_n^{(t)})|

对偶变量更新：

ω^{(t+1)} = ω^{(t)} + x^{(t+1)} - ϕ^{l,(t+1)}

4.3 离散投影实现

对于b比特量化，最优投影解为：

x_n^{l,(t+1)} = \begin{cases} e^{j \frac{(τ-1)π}{2^{b-1}}}, & \text{如果 } ∠(ϕ_n^{l,(t+1)}-ω_n^{(t)}) < \frac{(2τ-1)π}{2^b} \\ e^{j \frac{τπ}{2^{b-1}}}, & \text{否则} \end{cases}

其中τ = ⌈(2^{b-1}∠(ϕ_n^{l,(t+1)}-ω_n^{(t)}) + π)/π⌉

5. 性能评估与工程启示

5.1 收敛性能分析

仿真参数设置：

载频2GHz
元原子尺寸λ/2
用户数K=5
总功率约束30dBm
噪声功率-80dBm

收敛特性：

所有配置在10次迭代内收敛
1-bit量化可达连续相位85%性能
3-bit量化接近连续相位性能

5.2 复杂度对比

算法运行时间比较：

方法	L=1层	L=4层	复杂度增长
本文算法	0.8s	3.2s	线性增长
SDR方法	15s	160s	指数增长

优势体现：

计算时间降低50倍以上
适合大规模SIM部署
支持实时配置更新

5.3 工程实践建议

硬件选型：
- 2-bit量化提供最佳性价比
- 元原子间距建议λ/2
- 层间距优化为5λ/L
部署策略：
- 城市热点：L=3~5层
- 广域覆盖：L=1~2层
- 室内场景：L=5~7层

参数配置：

# 典型参数设置示例 config = { 'carrier_freq': 2e9, # 2GHz 'element_size': 0.075, # λ/2 at 2GHz 'quantization_bits': 2, 'max_layers': 5, 'power_constraint': 30 # dBm }