主动STAR-RIS在6G通信中的SE-EE权衡优化
1. 主动STAR-RIS系统概述：硬件损伤下的SE-EE权衡挑战
在6G通信系统的演进过程中，同时透射反射型可重构智能表面（STAR-RIS）技术正展现出革命性的潜力。与传统的只能反射或透射的RIS不同，STAR-RIS通过独立调控每个元件的相位和幅度，能够实现对电磁环境的全空间动态塑造。这种特性使其特别适合解决复杂场景下的信号覆盖问题，例如城市峡谷或室内外混合环境。
然而，实际部署中面临的核心挑战在于硬件损伤（HWIs）对系统性能的影响。硬件损伤主要来源于三个方面：首先是发射端的功率放大器非线性特性导致的信号失真；其次是接收端的I/Q不平衡引起的相位噪声；最后是模数转换过程中的量化误差。这些非理想特性会显著降低系统的频谱效率（SE）和能量效率（EE），特别是在采用主动STAR-RIS时，由于信号放大过程会同时放大硬件损伤效应，使得问题更加复杂。
主动STAR-RIS与传统被动式的主要区别在于其元件能够主动放大入射信号，而不仅仅是被动反射或透射。这种主动放大能力虽然可以补偿路径损耗，但也带来了三个关键影响：首先，放大过程会引入额外的热噪声；其次，主动元件需要消耗额外的直流功率；最后，硬件损伤效应会被同步放大。这就形成了一个典型的技术悖论——提高信号强度可以改善SE，但同时会降低EE，特别是在高功率区域，EE往往会随着SE的提升而急剧下降。
2. 系统建模与问题构建：从硬件损伤到优化目标
2.1 硬件损伤的数学表征
在系统建模中，我们采用比例噪声模型来量化硬件损伤的影响。对于基站发射端，失真噪声zb的协方差矩阵为κbΣ_k w_kw_k^H，其中κb∈[0,1)是损伤系数，w_k是用户k的预编码向量。这个模型捕捉了失真功率与发射功率的正相关特性——发射功率越大，失真越严重。
用户接收端的损伤噪声nu,k则建模为κu|ỹ_k|^2，其中κu是接收端损伤系数。这种建模方式反映了接收机非线性特性导致的信噪比天花板效应。值得注意的是，主动STAR-RIS还会引入额外的放大噪声n_A∼CN(0,σ_A^2 I_M)，这是其内部有源电路产生的热噪声。
2.2 信号传输与接收模型
考虑一个下行多用户系统，基站配置N根天线，STAR-RIS包含M个主动元件，服务K个单天线用户。用户分为反射组R和透射组T。系统采用能量分割(ES)模式，即每个STAR-RIS元件可以独立控制透射和反射系数。第m个元件的透射系数为u_{t,m} = √β_{t,m}e^{jθ_{t,m}}，反射系数为u_{r,m} = √β_{r,m}e^{jθ_{r,m}}，其中β_{t,m}+β_{r,m}≤ρ_max（ρ_max>1表示主动元件的最大功率增益）。
在存在硬件损伤的情况下，用户k的接收信号可表示为： y_k = (h_k^H Θ_{s_k} G)x + h_k^H Θ_{s_k} n_A + n_k + n_{u,k} 其中Θ_{s_k} = diag(u_{s_k}^H)是STAR-RIS的配置矩阵，G是基站到STAR-RIS的通道，h_k是STAR-RIS到用户k的通道，n_k是接收机热噪声。
2.3 效率指标定义与权衡关系
系统频谱效率定义为所有用户的和速率： η_SE = Σ_{k=1}^K log_2(1 + SINR_k)
能量效率则是总速率与总功耗的比值： η_EE = Bη_SE / P_tot
总功耗P_tot包含三部分：基站发射功率（考虑功放效率ξ）、STAR-RIS放大功率和电路功耗。特别地，STAR-RIS的放大功率为： P_act = Σ_{s∈{t,r}} ||Θ_s G(Σ_k w_k + z_b)||^2 + σ_A^2 ||Θ_s||_F^2
资源效率(RE)作为统一的优化目标，定义为： η_RE = η_EE/B + ωη_SE/P_max 其中ω是权衡权重，P_max是系统最大可用功率。
3. 优化算法设计：从问题分解到高效求解
3.1 基于二次变换的问题重构
原优化问题包含分数目标函数和多个非凸约束，直接求解非常困难。我们首先应用二次变换方法，引入辅助变量α将RE目标重写为： 2α√η_SE - α^2 P_tot + ωη_SE/P_max
这种转换的关键优势在于：对于固定的波束成形参数，最优α有闭式解： α* = √η_SE / P_tot
这使我们能够将问题分解为交替优化α和波束成形参数的迭代过程。
3.2 基站预编码优化
给定STAR-RIS配置Θ_s，基站预编码优化子问题仍是非凸的。我们采用连续凸近似(SCA)技术进行处理：
首先，将STAR-RIS功率约束重新表述为关于w_k的二次型约束： Σ_k w_k^H Γ w_k ≤ P_RIS^max 其中Γ包含Θ_s的影响。
对用户速率约束，我们引入松弛变量X_k和Y_k，并利用一阶泰勒展开构建下界近似： R_k ≥ log_2(1+1/(X_k Y_k)) - (log_2 e)(X_k-X_k^(t))/X_k^(t) - (log_2 e)(Y_k-Y_k^(t))/Y_k^(t)
非凸的SINR约束则用其在当前点w_k^(t)的线性下界替代： |H_k^H w_k|^2 ≥ |H_k^H w_k^(t)|^2 + 2Re[(w_k^(t))^H H_k H_k^H (w_k-w_k^(t))]
经过这些处理，预编码子问题转化为凸问题，可以用内点法高效求解。
3.3 STAR-RIS配置优化
给定基站预编码，STAR-RIS优化面临两个主要挑战：单位模约束和耦合的透射/反射系数。我们的解决方案是：
将向量u_s提升为矩阵U_s = u_s u_s^H，并松弛秩1约束。这允许我们将问题重写为关于U_s的半定规划(SDP)。
使用DC编程处理秩1约束：在每次迭代中，我们求解SDP松弛问题，然后通过特征分解得到秩1近似。对于不满足秩1的解，我们添加惩罚项‖U_s - u_s u_s^H‖来推动收敛。
功率约束重新表述为关于U_s的线性约束： Σ_{s∈{t,r}} Tr(Υ U_s) ≤ P_RIS^max 其中Υ包含通道和预编码信息。
3.4 交替优化框架与收敛性分析
完整的算法如Algorithm 1所示，采用双层循环结构：
- 外层循环更新辅助变量α
- 内层循环交替优化预编码和STAR-RIS配置
算法复杂度主要由SDP求解决定，总体为O(I_out I_inner (N^3.5 + M^3.5))。在实践中，我们观察到算法通常在10-15次外层迭代内收敛。
关键实现细节：在实际编程中，为避免数值不稳定，需要对通道矩阵进行适当的归一化处理。同时，对于大规模系统，可以采用高斯随机化方法来降低SDP求解的复杂度。
4. 性能评估与工程洞见
4.1 仿真设置与基准对比
我们设置典型的室内外混合场景：基站与STAR-RIS相距40米，4个用户随机分布在STAR-RIS周围3米半径内。STAR-RIS配置5×6=30个主动元件，最大功率增益ρ_max=5。硬件损伤系数设为κ_b=κ_u=0.02，符合实际器件测量结果。
对比的基准方案包括：
- 被动STAR-RIS：无信号放大能力
- ZF预编码：忽略硬件损伤的理想干扰消除
- 理想硬件：假设κ_b=κ_u=0
- 非完美CSI：考虑信道估计误差
4.2 结果分析与工程启示
图3展示了不同STAR-RIS元件数量下的资源效率。有三个关键发现：
主动STAR-RIS存在最优规模：当M增加时，阵列增益提高但功耗也增加，在M≈40时达到最佳平衡点。这与被动STAR-RIS的单调增长形成鲜明对比。
硬件损伤导致约15%的性能损失，在设计中必须考虑。简单的ZF预编码由于忽略了损伤影响，性能较差。
信道估计误差会进一步恶化性能，在10^-2的归一化误差下，性能损失可达20%。
图4则揭示了SE-EE权衡关系的重要规律：
低功率区域(P_BS^max<20dBm)，SE和EE同步提升，系统受限于噪声。
中功率区域(20-35dBm)，出现明显权衡关系，通过调整ω可以实现不同的工作点。
高功率区域(>35dBm)，EE快速下降，此时应限制最大发射功率。
实际部署建议：在小区边缘等低信噪比区域，采用主动STAR-RIS更有优势；而在靠近基站区域，被动方案可能更节能。同时，需要根据业务需求（如URLLC或eMBB）动态调整ω值。
5. 硬件损伤管理：从理论到实践
5.1 损伤补偿技术
虽然硬件损伤无法完全消除，但可以通过以下方法减轻其影响：
预失真技术：在基带预编码中预先补偿已知的非线性特性。这需要精确的功放模型和实时反馈。
非线性接收处理：在用户端采用更高级的检测算法，如基于深度学习的信号恢复。
联合校准：定期进行硬件校准，更新损伤参数κ_b和κ_u的估计值。
5.2 实际部署考量
在实际系统中，还需要考虑：
热管理：主动STAR-RIS的功耗会导致温度升高，进而影响元件性能。需要设计有效的散热方案。
成本效益分析：主动元件成本远高于被动元件，需在性能和成本间取得平衡。
混合架构：可以部分采用主动元件（如边缘区域），其他区域使用被动元件，实现性能与功耗的折衷。
5.3 未来研究方向
- 智能反射面与毫米波/太赫兹技术的结合
- 考虑移动性和时变信道下的自适应优化
- 绿色能源供电的STAR-RIS系统设计
- 基于机器学习的快速配置算法
在实际测试中，我们发现算法对损伤参数κ非常敏感。当κ>0.05时，性能下降会明显加剧。因此，在器件选型时，建议选择κ<0.03的高质量射频组件。同时，定期（如每24小时）进行损伤参数估计和预编码更新，可以保持系统的最佳性能。