液体アンテナを支援したフルダップルネットワークにおける空中マルチファンクショナル RIS：自己最適化ハイブリッド深層強化学習アプローチ

arXiv:2604.14309v2 Announce Type: replace-cross 要旨：第六世代（6G）ネットワークのデータトラフィック要求の高さに対応するために、本論文は自律空中車両（AAV）とマルチファンクショナルリコギエントインテリジェントサーフェース（MF-RIS）を統合し、流体アンテナ（FA）支援フルダップル（FD）ネットワークにおける AM-RIS とする新しいアーキテクチャを提案します。AM-RIS は、信号反射、増幅、エネルギー収穫（EH）を含むハイブリッド機能を提供し、信号のカバレッジと持続可能性の両方を改善する可能性があります。また、FA は、残存自己干渉（SI）抑制を補完するフルダップル（FD）可能基局（BS）における微細な空間適応を可能にします。本論文の目的は、BS からの送信 DL ビーム成形、UL ユーザーの電力、AM-RIS の構成、FA および AM-RIS の位置を共同最適化することにより、全体のエネルギー効率（EE）を最大化することです。この問題の非定式性と高い次元性、そして混合の連続離散パラメータに伴い、本稿は自己最適化マルチエージェントハイブリッド深層強化学習（DRL）フレームワーク（SOHRL）を着想し、マルチエージェント深層 Q ネットワーク（DQN）とマルチエージェント近接政策最適化（PPO）をそれぞれ離散行動と連続行動に対応して統合しました。自己適応力を高めるために、注意力駆動状態表現とメタレベルハイパーパラメータ最適化を組み込むことで、マルチエージェントが学習のハイパーパラメータを自律的に調整できるようにしました。シミュレーション結果は、提案された SOHRL アルゴリズムによって強力にサポートされた AM-RIS を活用した FA 支援 FD ネットワークの有効性を検証しました。結果は、SOHRL が注意力機構を持たないケースのベンチマークおよび従来型ハイブリッド/マルチエージェント/単独 DRL と比較して優れた性能を示していることを示しています。さらに、FD における AM-RIS は、半ダップル、従来型剛性アンテナ配列、部分的 EH、従来型 RIS 増幅なしと比較して最も高い EE を達成しており、EE 意識の無線ネットワークにおける魅力的なソリューションとしての潜在的な可能性を明らかにしています。

arXiv:2604.14309v2 Announce Type: replace-cross Abstract: To address high data traffic demands of sixth-generation (6G) networks, this paper proposes a novel architecture that integrates autonomous aerial vehicles (AAVs) and multi-functional reconfigurable intelligent surfaces (MF-RISs) as AM-RIS in fluid antenna (FA)-assisted full-duplex (FD) networks. The AM-RIS provides hybrid functionalities, including signal reflection, amplification, and energy harvesting (EH), potentially improving both signal coverage and sustainability. Meanwhile, FA facilitates fine-grained spatial adaptability at FD-enabled base station (BS), which complements residual self-interference (SI) suppression. We aim at maximizing the overall energy efficiency (EE) by jointly optimizing transmit DL beamforming at BS, UL user power, configuration of AM-RIS, and positions of the FA and AM-RIS. Owing to the hybrid continuous-discrete parameters and high dimensionality of the intractable problem, we have conceived a self-optimized multi-agent hybrid deep reinforcement learning (DRL) framework (SOHRL), which integrates multi-agent deep Q-networks (DQN) and multi-agent proximal policy optimization (PPO), respectively handling discrete and continuous actions. To enhance self-adaptability, an attention-driven state representation and meta-level hyperparameter optimization are incorporated, enabling multi-agents to autonomously adjust learning hyperparameters. Simulation results validate the effectiveness of the proposed AM-RIS-enabled FA-aided FD networks empowered by SOHRL algorithm. The results reveal that SOHRL outperforms benchmarks of the case without attention mechanism and conventional hybrid/multi-agent/standalone DRL. Moreover, AM-RIS in FD achieves the highest EE compared to half-duplex, conventional rigid antenna arrays, partial EH, and conventional RIS without amplification, highlighting its potential as a compelling solution for EE-aware wireless networks.