World Model for Energy Efficiency Maximization in Dynamic Metasurface Antennas
作者: Abdolrasoul Sakhaei Gharagezlou, Mehdi Monemi, Matti Latva-aho, Mehdi Rasti
分类: cs.IT, eess.SY
发布日期: 2026-10-26
💡 一句话要点
提出世界模型以最大化动态超表面天线的能效
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)
关键词: 动态超表面天线 能效优化 数字波束形成 强化学习 系统动态学习 无线通信 信号处理
📋 核心要点
- 现有方法在时变信道条件下，数字波束形成与DMA元件权重的联合优化面临信号和干扰功率的耦合效应挑战。
- 本文提出的世界模型框架通过学习环境交互中的潜在系统动态，优化数字波束形成与DMA元件权重，提升样本效率。
- 仿真结果显示，所提框架的时间平均能效比深度Q网络基线提高约20%，且在约束满足方面表现更为可靠。
📝 摘要（中文）
动态超表面天线（DMA）因其在下一代无线网络中实现大规模天线阵列的潜力而受到关注。然而，在时变信道条件下，联合优化数字波束形成和DMA元件权重面临挑战。本文提出了一种世界模型框架，通过学习系统动态并优化波束形成和元件权重，旨在最大化时间平均能效。该方法在满足功率约束和速率要求的同时，显著提高了样本效率和约束满足率。仿真结果表明，与深度Q网络基线相比，提出的框架能提高约20%的能效。
🔬 方法详解
问题定义：本文旨在解决在时变信道条件下，数字波束形成与DMA元件权重联合优化的复杂问题。现有方法难以有效处理信号与干扰功率的耦合效应，导致能效低下。
核心思路：论文提出了一种世界模型框架，通过学习系统的潜在动态，利用想象的轨迹来优化波束形成和元件权重，从而实现长期规划和提高样本效率。
技术框架：整体架构包括环境交互模块、动态学习模块和优化决策模块。环境交互模块负责收集系统动态数据，动态学习模块用于提取潜在动态，而优化决策模块则基于学习结果进行波束形成和元件权重的优化。
关键创新：最重要的技术创新在于引入了世界模型框架，通过学习潜在动态来实现优化，区别于传统的无模型强化学习方法，显著提高了样本效率和约束满足率。
关键设计：在设计中，采用了可行性保持的动作映射和安全成本信号，以确保在策略学习过程中满足约束条件。此外，损失函数和网络结构经过精心设计，以适应动态环境的变化。
🖼️ 关键图片
📊 实验亮点
实验结果表明，所提框架在时间平均能效方面比深度Q网络基线提高了约20%。此外，该方法在样本效率和约束满足率方面也表现出显著优势，展示了其在动态环境中的可靠性。
🎯 应用场景
该研究的潜在应用领域包括下一代无线通信、智能天线系统和动态信号处理等。通过提高动态超表面天线的能效，能够有效降低能耗，提升网络性能，具有重要的实际价值和广泛的应用前景。
📄 摘要（原文）
Dynamic metasurface antennas (DMAs) have emerged as a promising technology for realizing large-scale antenna arrays in next-generation wireless networks owing to their ability to enable dense and energy-efficient antenna architectures. However, jointly optimizing digital beamforming and DMA element weights under time-varying channel conditions remains challenging due to their coupled effects on the received signal and interference powers. We formulate this problem to maximize time-averaged energy efficiency (EE) under time-varying channel conditions, subject to transmit power constraints, Lorentzian phase limitations, and minimum rate requirements. To enable long-term planning and improve sample efficiency compared with model-free reinforcement learning, we develop a world model framework that learns latent system dynamics from interactions with the environment and jointly optimizes digital beamforming and DMA element weights through imagined trajectories. Furthermore, we incorporate feasibility-preserving action mappings and safety cost signals to ensure constraint satisfaction during policy learning. Simulation results demonstrate that the proposed framework improves the time-averaged EE by approximately 20% compared with the deep Q-network baseline, while achieving higher sample efficiency and more reliable constraint satisfaction.