Deep learning meets reconfigurable ıntelligentsurfaces: Novel system designs and solutionstoward 6G and beyond
Derin öğrenme, yeniden yapilandirilabilir akilli yüzeylerle buluşuyor: 6G ve ötesine doğru yeni sistem tasarimlari ve çözümleri
- Tez No: 983154
- Danışmanlar: PROF. DR. ERTUĞRUL BAŞAR
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Koç Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik ve Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Altıncı nesil (6G) kablosuz ağların, benzeri görülmemiş spektral verimlilik, ultra-düşük gecikme, yüksek güvenilirlik ve her yerde bulunabilir bağlantı gereksinimlerini karşılaması öngörülmektedir. Geleneksel verici/alıcı tasarımı ve spektrum genişletme yaklaşımlarının ötesinde, radyo ortamının akıllı şekilde kontrolü kritik bir kolaylaştırıcı unsur olarak ortaya çıkmıştır. Bu bağlamda, Yeniden Yapılandırılabilir Akıllı Yüzeyler (RIS), yayılımı yönlendirmede düşük maliyetli ve enerji verimli bir çözüm sunmaktadır. Öte yandan, Makine Öğrenmesi (ML) ve Derin Öğrenme (DL) gibi veri odaklı yöntemler, belirsizlik altında modelleme, optimizasyon ve uyarlamalı karar verme için güçlü araçlar sağlamaktadır. Dolayısıyla, RIS ve DL'in yakınsaması, yeni nesil kablosuz iletişim, algılama ve konumlama için dönüştürücü bir paradigma oluşturmaktadır. Bu tezde çeşitli temel katkılar sunulmaktadır. İlk olarak, RIS destekli iletişim sistemleri ve bunların DL teknikleriyle entegrasyonuna yönelik kapsamlı bir literatür taraması gerçekleştirilmiş, güncel durumun genel görünümü verilmiş ve kaynak tahsisi, ışın şekillendirme, konumlama ve algılama alanlarındaki açık araştırma problemleri tanımlanmıştır. Bu temelin üzerine, yukarı bağlantı (uplink) Non-Orthogonal Multiple Access (NOMA) için denetimli öğrenme destekli bir RIS bölümlendirme çerçevesi önerilmiştir. Bu yaklaşım, RIS elemanlarını kullanıcılar arasında akıllıca dağıtarak, ergodik toplam hız ve adalet açısından literatürdeki ileri iteratif algoritmalarla benzer performans elde ederken, hesaplama yükünü önemli ölçüde azaltmaktadır. Çeşitli hizmet kalitesi koşulları ve ardışık girişim iptali (SIC) senaryoları altında, teorik kesinti olasılığı analizi ve BER sonuçlarıyla performans doğrulanmıştır. Dinamik senaryoları ele almak üzere, çevrim içi RIS bölümlendirmesine olanak tanıyan ve yeniden eğitim gereksinimini ortadan kaldıran bir Derin Pekiştirmeli Öğrenme (DRL) yaklaşımı entegre edilmiştir. Önerilen DRL tabanlı çerçeve, neredeyse optimal oranlara ulaşmakta, adaleti sürdürmekte ve hesaplama süresini \%90'a kadar azaltarak zamanla değişen ortamlarda ölçeklenebilirlik ve uyarlanabilirlik sağlamaktadır. Üçüncü katkı olarak, RIS tanımlama (RIS-ID) ve ışın şekillendirme işlevlerini eşzamanlı ele alan yeni bir RIS bölümlendirme şeması geliştirilmiştir. Bu yaklaşım, elemanları algılama ve iletişim görevleri arasında dinamik biçimde paylaştırarak SNR'yi artırırken güvenilir tanımlama doğruluğunu da korumaktadır; benzetim ve teorik analiz sonuçları yöntemin pratik değerini ve dayanıklılığını teyit etmektedir. Son olarak, RIS faz konfigürasyonlarının optimize edildiği ve Sionna tabanlı ışın izleme ile gerçekçi kanal modellemesinin kullanıldığı DL tabanlı bir konumlama çerçevesi önerilmiştir. İki aşamalı (sınıflandırma ve regresyon) mimari, ortalama konumlama hatasını 3.06 metreye düşürerek, optimize edilmemiş RIS senaryosuna (4.05 m) ve RSS tabanlı yaklaşıma (5.80 m) kıyasla anlamlı bir iyileşme sağlamıştır. Ayrıca, optimize edilmiş şema ince konumlama doğruluğunu geliştirmiş, alt-metrelik hassasiyet oranını %1.21'den %17.72'ye yükseltmiştir. Bu bulgular, çok yollu ve görüş hattı olmayan ortamlarda RIS destekli öğrenme tabanlı konumlamanın etkinliğini doğrulamaktadır. Genel olarak, bu katkılar RIS–DL ortak tasarımına dayalı birleşik bir çerçeve ortaya koymakta ve gerçekçi kablosuz ortamlarda iletişim, kontrol, tanımlama ve konumlamada önemli ilerlemeler sağlamaktadır. Sunulan çalışmalar, hem teorik içgörüler hem de deneysel kanıtlarla, RIS'in veri odaklı optimizasyon ile desteklendiğinde 6G ağlarının mimarisini dönüştürme potansiyeline sahip olduğunu ve akıllı, uyarlanabilir ve verimli kablosuz sistemlerin önünü açtığını göstermektedir.
Özet (Çeviri)
Sixth-generation (6G) wireless networks are envisioned to meet unprecedented demands in spectral efficiency, ultra-low latency, high reliability, and pervasive connectivity. Beyond conventional transceiver design and spectrum expansion, intelligent control of the radio environment has emerged as a crucial enabler, with Reconfigurable Intelligent Surfaces (RIS) offering low-cost and energy-efficient means to manipulate propagation. At the same time, data-driven methods such as Machine Learning (ML) and Deep Learning (DL) provide powerful tools for modeling, optimization, and adaptive decision-making under uncertainty. The convergence of RIS and DL therefore represents a transformative paradigm for next-generation wireless communication, sensing, and localization. This thesis makes several key contributions. First, a comprehensive survey of RIS-assisted communication systems and their integration with DL techniques is presented, providing an overview of the state-of-the-art and identifying open research challenges across resource allocation, beamforming, localization, and sensing. Building upon this foundation, a supervised learning-assisted partitioning framework is introduced for uplink Non-Orthogonal Multiple Access (NOMA), where RIS elements are intelligently distributed to users. The scheme achieves comparable ergodic sum rate and fairness to advanced iterative algorithms while significantly reducing computational overhead, with theoretical outage probability analysis and BER results validating performance under diverse quality-of-service and SIC conditions. To address dynamic scenarios, a Deep Reinforcement Learning (DRL) approach is then incorporated, enabling online partitioning of RIS elements without retraining. The proposed DRL framework attains near-optimal achievable rates and sustained fairness while reducing computational time by up to 90\%, highlighting its scalability and adaptability in time-varying environments. The third contribution introduces a novel RIS partitioning scheme that jointly addresses RIS identification (RIS-ID) and beamforming, allocating elements between detection and communication tasks. Simulation and theoretical results confirm that the scheme enhances SNR while preserving reliable identification accuracy, thereby establishing a unified trade-off between sensing and communication. Finally, a DL-based localization framework is proposed, leveraging Sionna-based ray-traced channels and optimized RIS phase configurations. The two-stage design achieves a mean localization error of 3.06 m, significantly improving upon the non-optimized RIS case (4.05 m) and the RSS-based baseline (5.80 m). Moreover, the optimized scheme enhances fine-grained accuracy, raising the probability of sub-meter localization from 1.21\% to 17.72\% of the available receiver positions. These results confirm the effectiveness of RIS-assisted learning-based localization in multipath-rich non-line-of-sight environments. Collectively, these contributions establish a unified RIS–DL co-design framework that advances communication, control, identification, and localization in realistic wireless environments. The presented studies provide both theoretical insights and empirical evidence that RIS, when augmented with data-driven optimization, holds the potential to transform the architecture of 6G networks, enabling intelligent, adaptive, and efficient wireless systems.
Benzer Tezler
- A new approach to satellite communication: Harnessing the power of reconfigurable intelligent surfaces
Uydu iletisimine yeni bir yaklaşım: Yeniden yapılandırılabı̇lı̇r akıllı yüzeylerden faydalanma
KÜRŞAT TEKBIYIK
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. GÜNEŞ ZEYNEP KARABULUT KURT
- SERU ÜRETİM KONTROLÜ İÇİN GERÇEK ZAMANLI GÖRÜNTÜ İŞLEME SİSTEMİ TASARIMI MODEL ÖNERİSİ
A PROPOSAL OF REAL TIME IMAGE PROCESSING SYSTEM DESIGN MODEL FOR SERU PRODUCTION CONTROL
MERVE ŞİŞCİ
Doktora
Türkçe
2024
Endüstri ve Endüstri MühendisliğiSakarya ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
Profesör Doktor. ORHAN TORKUL
Doç. Dr. İHSAN HAKAN SELVİ
- Low power application specific instruction set processor
Düşük güç tüketimli uygulamaya özel komut seti işlemcisi
ÇAĞLA IRMAK RUMELİLİ KÖKSAL
Doktora
İngilizce
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. SIDDIKA BERNA ÖRS YALÇIN
DR. FATİH SAY
- A deep learning model for susceptibility artifact correction in Echo Planar Imaging
Eko Planar Görüntülemede duyarlılık artefaktı düzeltme için derin öğrenme modeli
ABDALLAH GHAZI FAISAL ZAID ALKILANI
Yüksek Lisans
İngilizce
2022
Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. EMİNE ÜLKÜ SARITAŞ ÇUKUR
DOÇ. TOLGA ÇUKUR
- Autonomous heading control of a fixed-wing aircraft with deep reinforcement learning
Sabit kanatlı bir uçak için derin pekiştirmeli öğrenme ile otonom yönelim kontrolü
FATİH AHMET SARIGÜL
Yüksek Lisans
İngilizce
2022
Uçak Mühendisliğiİstanbul Teknik ÜniversitesiUçak ve Uzay Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ İSMAİL BAYEZİT