RIS-Empowered Rate-Splitting Multiple Access Toward 6G and Beyond Wireless Communication Networks: A Comprehensive Survey
Notice bibliographique
Résumé
In light of the revolutionary requirements of the sixth generation (6G) and beyond wireless networks, reconfigurable intelligent surface (RIS) and rate-splitting multiple access (RSMA) have emerged as pivotal technologies due to their potential for improving spectral efficiency, user fairness, and interference management. This survey explores the theoretical foundations, architectural frameworks, and design strategies of RIS-assisted RSMA, emphasizing the combined adaptability of RIS’s wireless propagation control and RSMA’s multi-user flexibility for dynamic spectrum management. The article first discusses the fundamental concepts of RSMA and RIS technologies. Then, we investigate various enabling technologies for RIS-RSMA networks, highlighting key advancements in interference mitigation, energy efficiency, and security for future networks. Subsequently, some optimization techniques crucial for enhancing RIS-RSMA network performance are presented. Additionally, we examine advanced machine learning (ML) approaches that enable RIS configurations to dynamically adapt to changing network requirements. Techniques such as deep reinforcement learning support real-time adjustments, creating more scalable and resilient RIS-RSMA architectures. Finally, we discuss open research directions for advancing RIS-assisted RSMA in emerging 6G applications. We also consider the potential of advanced ML techniques, including quantum-based ML and large language models, to handle the complexities of large-scale network optimization. This comprehensive survey addresses critical challenges and current advancements. It offers a roadmap for future research in RIS-assisted RSMA networks, paving the way for robust, intelligent, and adaptive 6G wireless communication systems.
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.
Comment cette classification a été obtenuedéplier
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,003 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».