Reconfigurable Intelligent Surfaces (RISs) are recently gaining remarkable attention as a low-cost, hardware-efficient, and highly scalable technology capable of offering dynamic control of electro-magnetic wave propagation. Their envisioned dense deployment over various obstacles of the, otherwise passive, wireless communication environment has been considered as a revolutionary means to transform them into network entities with reconfigurable properties, providing increased environmental intelligence for diverse communication objectives. One of the major challenges with RIS-empowered wireless communications is the low-overhead dynamic configuration of multiple RISs, which according to the current hardware designs have very limited computing and storage capabilities. In this paper, we consider a typical communication pair between two nodes that is assisted by a plurality of RISs, and devise low-complexity supervised learning approaches for the RISs' phase configurations. By assuming common tunable phases in groups of each RIS's unit elements, we present multi-layer perceptron Neural Network (NN) architectures that can be trained either with positioning values or the instantaneous channel coefficients. We investigate centralized and individual training of the RISs, as well as their federation, and assess their computational requirements. Our simulation results, including comparisons with the optimal phase configuration scheme, showcase the benefits of adopting individual NNs at RISs for the link budget performance boosting.

中文翻译：

---

具有多个可重构智能表面的无线网络中的相位配置学习

可重构智能表面 (RIS) 作为一种低成本、硬件效率高且高度可扩展的技术，能够提供电磁波传播的动态控制，最近受到了极大的关注。他们设想的在无源无线通信环境的各种障碍上进行密集部署被认为是一种革命性的手段，可以将它们转变为具有可重构特性的网络实体，为各种通信目标提供增强的环境智能。支持 RIS 的无线通信的主要挑战之一是多个 RIS 的低开销动态配置，根据当前的硬件设计，其计算和存储能力非常有限。在本文中，我们考虑了由多个 RIS 辅助的两个节点之间的典型通信对，并为 RIS 的相位配置设计了低复杂度的监督学习方法。通过假设每个 RIS 单元元素组中的公共可调相位，我们提出了多层感知器神经网络 (NN) 架构，可以使用定位值或瞬时通道系数进行训练。我们调查了 RIS 的集中式和单独训练，以及它们的联合，并评估了它们的计算要求。我们的仿真结果，包括与最佳相位配置方案的比较，展示了在 RIS 中采用单个 NN 以提高链路预算性能的好处。并为 RIS 的相位配置设计低复杂度的监督学习方法。通过假设每个 RIS 单元元素组中的公共可调相位，我们提出了多层感知器神经网络 (NN) 架构，可以使用定位值或瞬时通道系数进行训练。我们调查了 RIS 的集中式和单独训练，以及它们的联合，并评估了它们的计算要求。我们的仿真结果，包括与最佳相位配置方案的比较，展示了在 RIS 中采用单个 NN 以提高链路预算性能的好处。并为 RIS 的相位配置设计低复杂度的监督学习方法。通过假设每个 RIS 单元元素组中的公共可调相位，我们提出了多层感知器神经网络 (NN) 架构，可以使用定位值或瞬时通道系数进行训练。我们调查了 RIS 的集中式和单独训练，以及它们的联合，并评估了它们的计算要求。我们的仿真结果，包括与最佳相位配置方案的比较，展示了在 RIS 中采用单个 NN 以提高链路预算性能的好处。我们提出了多层感知器神经网络 (NN) 架构，可以使用定位值或瞬时通道系数进行训练。我们调查了 RIS 的集中式和单独训练，以及它们的联合，并评估了它们的计算要求。我们的仿真结果，包括与最佳相位配置方案的比较，展示了在 RIS 中采用单个 NN 以提高链路预算性能的好处。我们提出了多层感知器神经网络 (NN) 架构，可以使用定位值或瞬时通道系数进行训练。我们调查了 RIS 的集中式和单独训练，以及它们的联合，并评估了它们的计算要求。我们的仿真结果，包括与最佳相位配置方案的比较，展示了在 RIS 中采用单个 NN 以提高链路预算性能的好处。