Reconfigurable intelligent surface in URLLC wireless systems

Abstract

<div lang="en" class="abs"><p class="abs_header">Abstract</p><p>The aim of this thesis is to devise novel promising frameworks, e.g., statistical analyses, as well as performing optimization algorithms, and applying novel machine learning (ML) methods to realize stringent ultra-reliable and low-latency communication (URLLC) requirements, e.g., for use in factories and mission-critical applications with smart wireless networks assisted by re-configurable intelligent surface (RIS) technologies.</p><p>First, we study the average achievable finite blocklength (FBL) rate and error probability of an RIS-aided system. The distribution of the received signal-to-noise ratio (SNR) is matched to a Gamma random variable whose parameters depend on the total number of RIS elements. The performance loss due to the presence of phase errors arising from limited quantization levels in the RIS elements is discussed. The required number of RIS elements to achieve a desired error probability in the FBL regime is derived and the advantages of RIS technology for URLLC systems are highlighted.</p><p>In the second part of the thesis, we study a multi-objective optimization problem for maximizing the achievable FBL rate while minimizing the transmission time in an RIS-assisted short packet system. The two objective functions are the total FBL rate with a target error probability and minimizing the total used channel blocklengths (CBLs). A fundamental trade-off between maximizing the achievable rate in the FBL regime and reducing the transmission duration was shown. Additionally, the applicability of RIS in reducing the used CBLs while increasing the achievable rate is emphasized.</p><p>Finally, a joint active/passive beamforming and CBL optimization in a non-ideal RIS-aided URLLC system is analyzed using novel ML techniques. Specifically, we leverage an actor-critic policy gradient deep reinforcement learning algorithm named twin-delayed deep deterministic policy gradient (TD3). We show that optimizing the RIS phase shifts, base station beamforming, and CBL variables via the TD3 method with deterministic policy outperforms conventional methods and it is highly beneficial for improving the network total FBL rate considering a finite CBL size.</p><p>Overall, this thesis includes three different approaches for the idea of using RIS in URLLC systems, i.e., statistical analysis, optimization techniques, and ML methods.</p></div>

<div lang="fi" class="abs"><p class="abs_header">Tiivistelmä</p><p>Tässä väitöskirjassa tutkitaan uudelleenkonfiguroituvien älykkäiden pintojen (RIS) soveltamista erittäin luotettavien pienen viiveen tiedonsiirron (URLLC) ongelmiin. Väitöskirjassa kehitetään tilastollisen analyysin menetelmiä, optimointialgoritmeja ja koneoppimismenetelmiä (ML), joita voidaan soveltaa esimerkiksi teollisuudessa ja tehtäväkriittisissä RIS-teknologiaa hyödyntävissä älykkäiden langattomien verkkojen sovelluksissa.</p><p>Väitöskirjan ensimmäisessä osassa tutkitaan RIS-avusteisen järjestelmän keskimääräistä rajallisella lohkopituudella (FBL) saavutettavissa olevaa nopeutta sekä virhetodennäköisyyttä. Väitöstyössä vastaanotetun signaalin signaali-kohinasuhteen (SNR) jakauma sovitetaan Gamma-satunnaismuuttujaan jakaumaan, jonka parametrit riippuvat RIS-elementtien kokonaismäärästä. Väitöskirjassa käsitellään myös RIS-elementtien vaiheen kvantisoinnista johtuvaa virhettä ja suorituskyvyn menetystä. Lisäksi väitöskirjassa johdetaan FBL-järjestelmän tietyn tavoitevirhetodennäköisyyden saavuttamiseksi vaadittava RIS-elementtien lukumäärä, ja painotetaan RIS-tekniikan käytön hyötyjä URLLC-järjestelmissä.</p><p>Väitöskirjan toisessa osassa tutkitaan monitavoitteista optimointiongelmaa, jossa samanaikaisesti pyritään maksimoimaan saavutettavissa oleva FBL-nopeus sekä minimoida RIS-avusteisen lyhytpakettijärjestelmän lähetysaika. Optimointiongelmassa tavoitteina ovat siten FBL-kokonaisnopeuden maksimointi tietylle virhetodennäköisyydelle ja käytetyn kanavan lohkopituuden (CBL) minimointi. Väitöskirjassa osoitettiin, että näiden kahden tavoitteen välillä joudutaan aina tekemään perustavanlaatuinen kompromissi. Väitöstyössä korostetaan RIS-pintojen soveltuvuutta samanaikaiseen CBL:n lyhentämiseen ja saavutettavissa olevan FBL-nopeuden lisäämiseen.</p><p>Väitöskirjan kolmannessa ja viimeisessä osassa analysoidaan aktiivisen/passiivisen keilanmuodostuksen ja CBL:n samanaikaista optimointia epäideaalisessa RIS-avusteisessa URLLC-järjestelmässä käyttäen uusia koneoppimismenetelmiä. Tutkimuksessa hyödynnetään erityisesti kaksoisviivästettyä syvää determinististä politiikkagradienttimenetelmää (TD3), joka on eräs toimija-kriittistä politiikkagradienttimenetelmää käyttävä syvä vahvistusoppimismenetelmä. Väitöskirjassa osoitetaan, että RIS-pinnan vaihesiirtojen, tukiaseman keilanmuodostuksen ja CBL-muuttujien samanaikainen optimointi TD3-menetelmällä käyttäen determinististä politiikka päihittää tavanomaiset menetelmät, ja on erityisen käyttökelpoinen verkon kokonais-FBL suorituskyvyn parantamiseen, kun käytettävissä oleva CBL on rajallinen.</p><p>Väitöskirjassa käsitellään kokonaisuudessaan kolmea eri lähestymistapaa RIS-teknologian soveltamiseen URLLC-järjestelmissä, jotka ovat tilastollinen analyysi, optimointi ja koneoppimismenetelmät.</p></div>