Joint Spectrum, Precoding, and Phase Shifts Design for RIS-Aided Multiuser MIMO THz Systems
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Terahertz (THz) wireless systems aim to support content-rich applications with ultra-high data rate. Due to high molecular absorption, THz signals experience severe path loss over long distance. To alleviate distance limitation, reconfigurable intelligent surface (RIS) can improve the coverage range. Adaptive sub-band bandwidth (ASB) allocation can mitigate absorption attenuation by allocating THz sub-bands with variable bandwidth to the users. However, in ASB allocation, since the bandwidth of sub-bands may not be known <italic xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">a priori</i> , accurate channel estimation is challenging. To overcome this issue, in this paper, we propose a metapath-based heterogeneous graph-transformer network (MHGphormer) to bypass the channel estimation phase. We formulate a sum-rate maximization problem with quality-of-service (QoS) constraints in a RIS-aided multiuser multiple-input multiple-output (MU-MIMO) THz system to optimize the precoding, phase shifts, and ASB allocation. The proposed MHGphormer parameterizes the mapping from input (e.g., location information, users’ minimum data rate) to the optimized system parameters via unsupervised learning. The proposed MHGphormer has the permutation invariance/equivariance property. It can be applied to systems with different number of users. Simulation results show that our proposed MHGphormer achieves a higher system sum-rate when compared with the homogeneous graph neural network, unsupervised deep neural network, and alternating optimization baseline algorithms.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle