Умные зеркала для сигнала: баланс энергии и скорости экспресс
Радиоволны от смартфона, летящие со скоростью света, легко отражаются от стен и углов, теряя силу. Умные поверхности — это программируемые зеркала: они ловят рассеянный сигнал и перенаправляют его точно к цели, словно ловкий фокусник, заставляющий луч обходить преграды. Но каждое такое зеркало страдает от паразитных отражений: часть энергии уходит не туда, создавая помехи, как блики на фотографии.
Алгоритм DSAC-T действует как опытный настройщик, за доли секунды подбирая углы наклона тысяч микроскопических отражателей. Он учитывает не только прямую выгоду, но и энтропию — разброс возможных ошибок, — сводя риск сбоя к минимуму. Вместо того чтобы поглощать сигнал, как чёрная дыра, зеркало точно фокусирует его, и решение приходит за 0,027 секунды — быстрее одного моргания. Такой подход сокращает задержки и траты энергии, превращая разрозненные отблески в слаженный поток данных.
Оригинальная аннотация
как её написали авторы, на английском arXiv:2607.13160
Active beyond-diagonal reconfigurable intelligent surfaces (BD-RISs) enables hybrid transmitting and reflecting mode to achieve effective signal amplification and full-space coverage, thus providing a promising solution for blockage-aware uplink offloading in heterogeneous mobile edge computing (MEC) systems. However, practical hybrid mode active BD-RIS are realized by reciprocal devices, which inherently generate cross-sector energy leakage that will reshape the system-level energy-latency tradeoff. This paper studies energy-aware offloading and resource allocation for reciprocal active BD-RIS-assisted heterogeneous MEC, where offloading decisions, CPU/GPU computation allocation, transmit powers, receive processing, and active BD-RIS are tightly coupled. The resulting problem is a high-dimensional mixed integer nonconvex problem and is difficult to solve efficiently by conventional per-instance optimization. To address this challenge, we develop an end-to-end joint optimization framework based on a refined version of the distributional soft actor--critic algorithm, named as DSAC-T. By modeling return distributions rather than only expected values, DSAC-T improves policy stability under reward heterogeneity and feasibility-boundary sensitivity. Compared with other baseline algorithms, DSAC-T achieves the best energy-latency reward, the highest feasibility ratio of 81.67%, and a fast online decision time of 0.0267 s per scenario.
Поверхность-зеркало содержит сотни крошечных антенн. Каждая способна задерживать волну на долю наносекунды, и вместе они формируют направленный луч, подобно тому как множество пикселей на дисплее складываются в чёткую картинку.