مقالة بحثية

إطار عمل قائم على التعلم العميق باستخدام الشبكات العصبية الرسومية وآلية الانتباه لنمذجة القنوات في المجال القريب وتشكيل الحزم في أنظمة الاتصالات اللاسلكية من الجيل السادس: دراسة محاكاة

28 مشاهدة

⸱

DOI:

10.3791/72011

⸱

سبتمبر 1, 2026

 ,  , 
1School of Information Engineering, GanDong University, 2Laboratory of Artificial Intelligence Algorithms and Applications, GanDong University

في هذه المقالة

ملخص

يقدم هذا العمل إطار عمل للتعلم العميق القائم على الفيزياء لتشكيل الحزم ونمذجة القنوات في المجال القريب لأنظمة الاتصالات اللاسلكية من الجيل السادس باستخدام الأسطح الميتا-ذكية الضخمة للغاية. وبالمقارنة مع تقنيات اتصالات المجال البعيد التقليدية، تعمل الطريقة المقترحة على تحسين كفاءة الطاقة، وكسب تشكيل الحزم، وكفاءة الطيف الترددي.

الملخص

أدى ظهور شبكات الجيل السادس (6G) إلى تطوير الأسطح الميتا-ذكية فائقة الضخامة (XL-IMS) لتقديم سرعات فائقة وكفاءة طيفية عالية. ومع ذلك، فإن القنوات التقليدية للمجال البعيد لا تنطبق على إرسال المجال القريب بسبب انتشار الموجات الكروية والافتقار إلى الاستقرار المكاني، مما يؤدي إلى تراجع أداء تشكيل الشعاع وزيادة التعقيد الحسابي. لذا، فإن الهدف من هذا البحث هو تطوير طريقة لنمذجة قنوات المجال القريب وتحسين تشكيل الشعاع بناءً على التعلم العميق الموجه بالفيزياء. يعتمد الحل المقترح على نموذج قناة موجة كروية موجه بالفيزياء، إلى جانب الشبكات العصبية الرسومية (GNNs) وآليات الانتباه لالتقاط العلاقات المكانية المحلية بين المستخدمين والشبكة العالمية. بالإضافة إلى ذلك، تم اقتراح خوارزمية لتشكيل الشعاع القائم على التعلم لزيادة كفاءة تركيز الطاقة على مستخدمي المجال القريب. تم تقييم أداء الإطار المقترح باستخدام سيناريوهات انتشار واقعية من مجموعة بيانات DeepMIMO. وأظهرت نتائج المحاكاة أن التقنية المقترحة تحقق معدل وصول قدره 11.6 bps/Hz، وكسب تشكيل شعاع قدره 28 dB، وكفاءة طيفية قدرها 10.5 bps/Hz، وكفاءة طاقة قدرها 9.8 bits/Joule، ونسبة إشارة إلى التداخل والضجيج (SINR) تبلغ 25 dB. ومقارنة بالتقنيات التقليدية مثل التصفير (ZF)، والحد الأدنى لمتوسط مربع الخطأ (MMSE)، والارتخاء شبه المحدد (SDR)، والتحسين المتبادل (AO)، يعمل المخطط المقترح على تحسين أداء الاتصالات العام بنسبة تتراوح بين 10-15% تقريبًا. وتكشف هذه النتائج أن دمج نمذجة قنوات المجال القريب مع التعلم القائم على الانتباه باستخدام GNN يمكن أن يعمل كتقنية فعالة ودقيقة لتشكيل الشعاع في شبكات 6G اللاسلكية المستقبلية التي تستخدم تقنية XL-IMS.

المقدمة

لقد ازداد الاهتمام بتشكيل الحزم (beamforming) بشكل كبير في السنوات الأخيرة. وأصبحت متطلبات السعة القصوى شائعة مع إدخال تقنيات الجيل السادس 6G، مدفوعة بالطلب المتزايد على اتصال أفضل ومعدلات نقل بيانات أسرع. ولذلك، يعد تشكيل الحزم طريقة واعدة لتوجيه الإشارات بفعالية وتحسين الأداء العام للشبكة1. وقد استفادت أنظمة الاتصالات اللاسلكية التقليدية بفعالية من الموارد المكانية للمجال البعيد (far-field) لتحقيق التنوع المكاني. ويبرز تشكيل حزم المجال القريب (near-field beamforming) كمجال دراسة ناشئ يحمل وعوداً هائلة لاتصالات لاسلكية مستقبلية2.

من ناحية أخرى، تكتسب الأسطح الذكية القابلة لإعادة التشكيل (RIS) أهمية خاصة لقدرتها على التغلب على بعض مشكلات الانتشار المرتبطة بطيف الموجات المليمترية/تيرهرتز (mmWave/THz)3,4. حيث يمكن لـ RIS عكس الموجات الكهرومغناطيسية القادمة وانكسارها والتحكم بها5. وفي هذه الحالة، يكون الهدف الرئيسي هو توجيه الحزمة في اتجاه أو شكل مرغوب، ويمكن وصف RIS بأنها تعمل على تعديل أنماط الإشعاع للمصدر المشع. وبالنسبة لـ RIS في المجال البعيد، تمت دراسة عدد من الموضوعات الأساسية على مر السنين6,7,8,9,10,11، بما في ذلك تقدير القناة، وتحديد الموقع، والتقييس، وتشكيل الحزم الخامل/النشط. وتتيح هذه التقنية الاتصال متعدد المستخدمين من خلال تركيز الحزم، مما يوفر حلاً وسطاً بين فقدان المسار والقدرة على الاختراق، لا سيما في نطاقات التردد المتوسطة مثل نطاق 10 GHz12. كما جرى تطوير الواجهات الذكية بشكل أكبر ضمن شبكات الاتصال، ويجري دراستها حالياً لتحسين الدقة المكانية وعرض نطاق الاتصال13. وتؤدي الترددات الأعلى وفتحات الهوائيات الأكبر خلال الانتقال من الجيل الخامس (5G) إلى الجيل السادس (6G) إلى تحويل سيناريوهات الاتصال التقليدية في المجال البعيد إلى سيناريوهات اتصال في المجال القريب14,15.

سيكون المجال القريب ذا أهمية بالغة في شبكات الجيل السادس (6G)، مما يستلزم البحث في تقنيات جديدة للمجال القريب16. ويجب التعامل مع الموجات كموجات كروية بدلاً من الموجات المستوية لتحسين انتشار الموجات الكهرومغناطيسية في تقنية المجال القريب. تظهر هذه الخاصية الفيزيائية الجديدة مجموعة متنوعة من التأثيرات الكهرومغناطيسية، بما في ذلك عدم الاستقرار المكاني، وانقسام الحزمة، والاستقطاب الثلاثي، والموجات المتلاشية17. وبسبب ذلك، قد لا تستفيد العديد من طرق الاتصال التقليدية بشكل كامل من هذه الخصائص الفيزيائية الجديدة أو قد تعاني من خسائر شديدة في الأداء في بيئات المجال القريب لشبكات الجيل السادس18. كما يمكن أن يؤدي التباين بين تقنيات الاتصال الحالية في المجال البعيد ونماذج الانتشار في المجال القريب إلى تقليل فعالية تقنيات المجال البعيد الحالية بشكل كبير في مواقع المجال القريب19. وعلى عكس أنظمة النطاق الضيق التقليدية في المجال البعيد، يجب مراعاة التأثيرات الكهرومغناطيسية (EM) الجديدة في أنظمة الأسطح العاكسة الذكية (RIS) واسعة النطاق في المجال القريب. أولاً، تتضمن قناة المجال القريب زاويتين وأبعاد المسافة بسبب جبهة الموجة الكروية في طيف المجال القريب، وذلك على عكس فرضية الموجة المسطحة في نماذج قنوات المجال البعيد. ويؤدي هذا إلى عملية تركيز حزمة المجال القريب بدلاً من توجيه حزمة المجال البعيد20,21. ويشير مصطلح "تأثير انقسام الحزمة" إلى إمكانية تركيز الحزم الناتجة عن حدوثات مختلفة في مواقع منفصلة22.

على عكس المجال البعيد، حيث يتم تقريب جبهات الموجات الكهرومغناطيسية (EM) على أنها مستوية، تتطلب اتصالات المجال القريب مراعاة انتشار جبهات الموجات الكروية. وتطرح هذه الخاصية فرصاً وتحديات للشبكات اللاسلكية المستقبلية؛ فمن خلال استغلال جبهات الموجات الكروية، يمكن لتركيز الحزمة تركيز الإشارات ضمن منطقة مكانية محددة، مما يتيح تحسيناً في كبح التداخل واتصالات متعددة المستخدمين مقارنة بتوجيه الحزمة التقليدي في المجال البعيد. ومع ذلك، فإن هذا الأمر يفرض أيضاً تعقيدات إضافية في التصميم ومعالجة الإشارات23,24. وشملت الدراسات المبكرة حول اتصالات المجال القريب العمل الوارد في25، والذي حدد الفروق بين منطقتي المجال القريب والبعيد، والمفاهيم الأساسية، والتحديات التقنية، والتطبيقات، وتقدير القناة القائم على دفتر الرموز (codebook). ولاحقاً، قام المؤلف26 بفحص الاختلافات الجوهرية بين الإرسال في المجال البعيد القائم على جبهة الموجة المستوية والإرسال في المجال القريب القائم على جبهة الموجة الكروية، مع التركيز على تكوين الحزمة (beamforming)، وتحليل القناة، وأداء النظام، والتكامل مع تقنيات الجيل القادم. علاوة على ذلك، بحث المؤلف27 التحديات الرئيسية في اتصالات المجال القريب، بما في ذلك نمذجة القناة، وتقديرها، وتكوين الحزمة، وبنية الأجهزة، والاستشعار، مع تلخيص التطورات الحديثة في هذه المجالات.

بحثت الدراسات الحديثة باستفاضة في الاتصالات اللاسلكية في المجال القريب ونمذجة القنوات لأنظمة الجيل السادس (6G) الناشئة. وقد فحصت مسوح شاملة مبادئ الاتصال في المجال القريب، وبنيات MIMO الهولوغرافية، وتقنيات نمذجة القنوات، وطرق معالجة الإشارات، وتطبيقات الاستشعار والاتصال المتكاملة، مع تحديد التحديات الرئيسية المرتبطة بتقدير القنوات وتصميم النظام في بيئات المجال القريب28,29. ولمعالجة تأثير انقسام الحزمة في أنظمة الموجات المليمترية (mmWave) أو التراهرتز (THz) المدعومة بالأسطح الذكية العاكسة (RIS)، تم اقتراح حلول متنوعة، بما في ذلك استراتيجيات نشر RIS الموزعة وبنيات RIS المدعومة بتأخير زمني حقيقي (TTD). وتعمل هذه النهج على تحسين التحكم في الحزمة الانتقائية للتردد وتخفيف تدهور انقسام الحزمة؛ ومع ذلك، فإنها غالبًا ما تترتب عليها زيادة في تكاليف النشر، أو تعقيد أكبر في الأجهزة، أو الاعتماد على مكونات تأخير متخصصة 30,31,32.

حظي تحسين تشكيل الشعاع باهتمام كبير نظرًا للتأثيرات المجمعة لتركيز الشعاع والتشويه واسع النطاق مكانيًا في أنظمة المصفوفات ذات الفتحات الكبيرة للغاية (ELAA). وقد استكشفت الدراسات الحالية طرق التركيز القائمة على تأخير الطور، والبنيات القائمة على TTD، وأطر التحسين لهوائيات الأسطح الميتاطولية الهولوغرافية لتعزيز كسب تشكيل الشعاع وتخفيف تأثيرات النطاق العريض المزدوج33,34,35,36. ومع ذلك، لا تزال معظم الدراسات المتعلقة بـ XL-IMS تعتمد على افتراضات الموجات المستوية في المجال البعيد، وهي افتراضات غير كافية للفتحات الكبيرة للغاية. ونتيجة لذلك، غالبًا ما يتم إهمال الخصائص الهامة للمجال القريب، بما في ذلك انتشار الموجات الكروية، وعدم الاستقرار المكاني، والاقتران المتبادل، وتركيز الشعاع المعتمد على المسافة37,38. مؤخرًا، ظهرت تقنيات الذكاء الاصطناعي كحلول واعدة لتشكيل الشعاع في المجال القريب وتحسين القنوات في شبكات الجيل السادس (6G) المعتمدة على XL-IMS. وبشكل خاص، أظهرت الطرق القائمة على التعلم الميتاي (meta-learning) قدرة عالية على التكيف وتقاربًا سريعًا في ظل الظروف اللاسلكية الديناميكية مع بيانات تدريب محدودة. وتقدم هذه النهج إمكانات كبيرة لأنظمة الاتصالات الذكية في المجال القريب وتحسين الشبكات اللاسلكية ذاتية التشغيل في المستقبل39,40.

تعتمد تقنيات تشكيل الحزم الحالية بشكل كبير على نماذج قنوات المجال البعيد المبسطة التي تفشل في رصد الخصائص الحرجة للمجال القريب في الهياكل فائقة الضخامة. علاوة على ذلك، لا تزال التقييمات المستندة إلى مجموعات البيانات في البيئات الواقعية، مثل DeepMIMO، محدودة، كما لم يحظَ التحسين المشترك لنمذجة قناة المجال القريب وتشكيل الحزم لسيناريوهات المستخدمين الديناميكية بالاهتمام الكافي. بالإضافة إلى ذلك، تظل القابلية للتوسع الحسابي تحديًا رئيسيًا لعمليات نشر 6G المعتمدة على XL-IMS في التطبيقات العملية. ولمعالجة هذه القيود، تقترح هذه الدراسة إطار عمل موحد يجمع بين نمذجة قناة الموجة الكروية القائمة على الفيزياء وشبكات GNNs وآليات الانتباه لتشكيل حزم المجال القريب. ويأخذ إطار العمل المقترح في الاعتبار بشكل صريح عدم الاستقرار المكاني، وتفاعلات الأسطح الميتا-سطحية (metasurface)، والانتشار المعتمد على المسافة، وتم التحقق من صحته باستخدام مجموعة بيانات DeepMIMO.

يدمج الإطار المقترح نمذجة القنوات الفيزيائية مع التعلم العميق لتمكين تمثيل دقيق للقناة في المجال القريب وتحسين تشكيل الحزمة لأنظمة XL-IMS. ومن خلال النمذجة الصريحة لانتشار الموجات الكروية وعدم السكون المكاني، تسهل هذه الدراسة تركيز الحزمة بدقة مع تحسين تخصيص الطاقة، وكسب تشكيل الحزمة، وكبح التداخل. علاوة على ذلك، يدمج الإطار تحسيناً على مستوى العناصر لاستجابات طور السطح الخارق لتمكين توجيه الحزمة التكيفي في بيئات الاتصالات الكثيفة. وباستخدام سيناريوهات انتشار واقعية من مجموعة بيانات DeepMIMO، يظهر النهج المقترح تحسناً في الكفاءة الطيفية، وأداء تشكيل الحزمة، والكفاءة الحسابية، مما يوفر حلاً قابلاً للتوسع لشبكات اتصالات 6G واسعة النطاق المدعومة بتقنية XL-IMS.

البروتوكول

يجمع الإطار المقترح لنمذجة القناة في المجال القريب وتشكيل الحزم في أنظمة الجيل السادس (6G) الممكنة بتقنية XL-IMS بين النمذجة القائمة على الفيزياء وتحسين التعلم الآلي للتغلب على قيود مناهج المجال البعيد التقليدية. وقد تم تطوير نموذج لقناة المجال القريب يدمج انتشار الموجات الكروية وعدم الثبات المكاني، وتم التحقق من صحته باستخدام مجموعة بيانات DeepMIMO. تُمثَّل معلومات القناة في شكل رسم بياني لالتقاط التبعيات المكانية بين عناصر السطح الخارق والمستخدمين، ويُستخدم شبكة GNN-attention طرفية لتعلم أوزان تشكيل الحزم لتركيز الحزمة في المجال القريب. وبخلاف طرق التحسين التكرارية التقليدية، يتنبأ إطار العمل القائم على التعلم مباشرة بحلول تشكيل الحزم، مما يقلل من التعقيد الحسابي مع الحفاظ على دقة عالية وقابلية للتكيف مع ظروف القناة الديناميكية. تم تقييم الأداء من حيث المعدل القابل للتحقيق، وكسب تشكيل الحزم، وكفاءة الطاقة، مما أظهر نتائج متفوقة مقارنة بطرق تشكيل الحزم التقليدية في المجال البعيد. يوضح الشكل 1 الإطار العام.

فيما يلي الخطوات المقترحة:

الخطوة 1: تهيئة بيئة DeepMIMO

يتم إعداد منصة DeepMIMO v3.x أولاً من خلال إعداد O1 Outdoor الذي يستخدم تردد حامل قدره 28 GHz ونطاق ترددي قدره 100 MHz. في المحاكاة، يتم تمثيل XL-IMS بواسطة مصفوفة مستوية منتظمة 16×16 مكونة من 256 عنصراً عاكساً، تفصل بينها مسافة λ/2. ونموذج الانتشار المختار هو موجة كروية ذات مسارات رؤية مباشرة LoS ومسارات غير مباشرة NLoS.

الخطوة 2: تحديد هندسة XL-IMS ومواقع المستخدمين

يتم تصميم XL-IMS كسطح ميتا مستوٍ بمقاس 16×16 يتكون من 256 عنصراً عاكساً قابلاً لإعادة التشكيل. وقد وُزعت أجهزة الطرفيات للمستخدم بشكل عشوائي ضمن نطاق المجال القريب، من 0.5m إلى 10m من الـ XL-IMS، بناءً على معيار مسافة رايلي.

الخطوة 3: توليد القنوات في المجال القريب باستخدام انتشار الموجات الكروية

قم بنمذجة القنوات بين كل عنصر من عناصر السطح الميتاي المكون من عناصر قابلة لإعادة التشكيل والمستخدم باستخدام انتشار الموجات الكروية، والذي يأخذ في الاعتبار التغير في الطور الناتج عن المسافة.

الخطوة 4: توليد بيانات القناة في المجال القريب

وُزعت أطراف المستخدمين بشكل منتظم ضمن منطقة المجال القريب (0.5-10 m) من لوحة XL-IMS. واستُخدمت مسارات انتشار الإشارة لكل من خط البصر (LoS) وعدم وجود خط البصر (NLoS) التي أنتجها سيناريو DeepMIMO O1 Outdoor لإنشاء القنوات.

الخطوة 5: تحضير مجموعة البيانات للتدريب والاختبار

تألفت مجموعة البيانات التي تم إنشاؤها من 20,000 عينة، استُخدم منها 16,000 (80%) للتدريب و4,000 (20%) للاختبار.

الخطوة 6: تطبيع ميزات الإدخال وتجهيز مدخلات النموذج

تضمنت المرحلة النهائية من عملية التحضير إجراء تحجيم الحد الأدنى والأقصى (Min-Max scaling) لجميع ميزات الإدخال، مثل مقدار القناة، والطور، والمسافة، وإحداثيات المستخدم. وقد عملت هذه العملية على تحجيم البيانات وتحويلها إلى موترات (tensors)، والتي تم تغذيتها في شبكة GNN-attention. تم تحسين النموذج باستخدام محسن Adam بمعدل تعلم قدره 0.001 و50 دورة تدريبية (epochs).

الخطوة 7: تطبيق آلية الانتباه

أضف آلية انتباه (attention mechanism) لمراعاة معلومات الرسم البياني الشاملة والتقاط التبعيات بعيدة المدى بين عقد الرسم البياني. يساعد هذا النموذج على التركيز على الميزات المكانية المهمة.

الخطوة 8: التنبؤ بأوزان تكوين الشعاع

قم بالتنبؤ بأوزان تشكيل الحزمة وقيم إزاحة الطور باستخدام تضمين GNN-attention. حيث تحل طريقة التنبؤ محل إجراءات تشكيل الحزمة التكرارية والمعقدة والمجهدة.

الخطوة 9: تقييم مقاييس الأداء

لتقييم مدى كفاءة عمل الاتصالات وتشكيل الحزمة، قم بحساب مؤشرات الأداء الرئيسية (KPIs) مثل المعدل القابل للتحقيق، وكسب تشكيل الحزمة، وكفاءة الطيف، وكفاءة الطاقة، ونسبة الإشارة إلى التداخل والضوضاء (SINR).

الخطوة 10: المقارنة مع الطرق المرجعية

قارن الخوارزمية المقترحة بالخوارزميات التقليدية، بما في ذلك ZF وMMSE وSDR وAO.

تعريف نموذج النظام

يعتبر النظام المقترح شبكة لاسلكية من الجيل السادس (6G) مدعومة بـ XL-IMS يتكون من 256 عنصراً عاكساً قابلاً لإعادة التشكيل، والتي تتحكم في انتشار الموجات الكهرومغناطيسية من خلال إزاحات طورية قابلة للتعديل. ونظراً لعمل المستخدمين في منطقة المجال القريب، يصبح افتراض الموجة المستوية التقليدي للمجال البعيد غير صالح، مما يتطلب مراعاة انتشار الموجة الكروية، والتوهين المعتمد على المسافة، وعدم الاستقرار المكاني. يتم تحديد الحد الفاصل بين منطقتي المجال القريب والبعيد بواسطة مسافة رايلي، والتي تعتمد على حجم السطح الخارق والطول الموجي للحامل، وتمثل الانتقال من تأثيرات جبهة الموجة الكروية إلى انتشار الموجة المستوية. ويوصف ذلك على النحو التالي:

معادلة الدقة R=2D²/λ، صيغة للبصريات، ذات صلة بتحليل الحيود. (1)

هنا، تمثل D حجم السطح الميتاوي (metasurface)، وλ الطول الموجي، وR مسافة رايلي (Rayleigh distance). تحدث ظاهرة المجال القريب في قناة الاتصال عندما يكون المستخدم في موقع أقرب من القيمة الفعلية لـ R. وبينما تنتقل الإشارة عبر مكونات السطح الميتاوي المختلفة، فإنها تخضع لتغيرات متميزة في الطور والسعة.

تستخدم القناة من السطح الميتا-المسطح n إلى المستخدم نموذج موجة كروية للانتشار في المجال القريب، والتي يتم تمثيلها بمعادلة معامل القناة على النحو التالي:

صيغة تخميد الإشارة، \(h_n = \frac{\alpha}{d_n} e^{-j\frac{2\pi}{\lambda}d_n}\)، معادلة. (2)

هنا، يشير α إلى معامل فقدان المسار، ويشير λ إلى الطول الموجي للحامل، ويمثل dn مسافة المستخدم عن المكون.

في هذه الحالة، تمثل βn عامل فقدان المسار لعنصر XL-IMS الـ nth، ويمكن التعبير عنها بالصيغة βn = dn−α، حيث تشير α إلى أس فقدان المسار. وتجدر الإشارة إلى أن dn هي المسافة الإقليدية من موقع المستخدم إلى عنصر السطح الخارق الـ nth. وتحدث تغيرات القناة فيما يتعلق بالمكان بسبب الاختلافات الجوهرية في dn بين مختلف الأسطح الخارقة، وذلك على عكس الحالة في قنوات المجال البعيد. وبشكل عام، يمكن توضيح متجه القناة على النحو التالي:

صيغة تدوين المصفوفة \( h = [h_1, h_2, ..., h_N]^T \)، المستخدمة في دراسات الجبر الخطي. (3)

تعتمد إشارة الإدخال التي يستقبلها المستخدم على ضبط الطور لنظام XL-IMS. لنفترض أن θ = [θ1, θ2, …., θN] تمثل إزاحة الطور التي يتم تحقيقها باستخدام السطح الخارق (metasurface). وبناءً على ذلك، يمكن التعبير عن إشارة الإدخال كما يلي:

معادلة معالجة الإشارات: y=h^HΦws+n. صيغة رياضية لتحليل الخوارزمية. (4)

حيث Φ = diag(ejθ1, ….., ejθN) هي الإشارة المرسلة، وw هو متجه الترميز المسبق للترميز الأساسي، وn يمثل الضوضاء. يُعرَّف متجه القناة في المجال القريب بـ h ∈ ℂN×1، ومصفوفة إزاحة الطور القطرية لـ XL-IMS بـ Φ ∈ ℂN×N، ومتجه تشكيل الشعاع بـ x ∈ ℂN×1، والإشارة المستلمة بـ y ∈ ℂ. ويُعرَّف حد الضوضاء الجمعي بـ n ∼ CN (0, σ2). تحافظ هذه الأبعاد على الصحة الرياضية للصياغة.

في هذه الحالة، يمثل ws متجه التشفير المسبق للمحطة الأساسية الذي يُستخدم للتشفير المسبق للرمز المرسل (s). وأثناء عملية تقييم الأداء، يتم تنفيذ منهجيات التشفير المسبق الرقمية الشائعة مثل ZF و MMSE في المحطة الأساسية باستخدام تحققات مماثلة للقناة في المجال القريب. ومع ذلك، يسعى النهج الجديد إلى تحسين مصفوفة إزاحة الطور (θ) الخاصة بـ XL-IMS من خلال آلية تعلم GNN-attention.

لتركيز الطاقة في منطقة المجال القريب، يجب أن يكون التصميم θ الذي يحدث عنده تداخل بناء متاحاً للمستخدم. تهدف استراتيجية تشكيل الشعاع إلى تعظيم الكفاءة الطيفية أو قدرة الإشارة المستقبلة. يوضح الشكل 2 بنية نموذج نظام الاتصالات في المجال القريب استناداً إلى نهج XL-IMS.

نمذجة القنوات في المجال القريب

صُمِّم نموذج المجال القريب لشبكات اتصالات الجيل السادس (6G) القائمة على الأسطح الذكية العاكسة ذات الأبعاد الكبيرة (XL-IMS) المقترح خصيصاً لمحاكاة ظروف الانتشار بالقرب من مسافة رايلي (Rayleigh distance) من السطح الخارق. وفي منطقة المجال القريب، يكون الانتشار كروياً، مع قيم طور متغيرة ومعلمات مكانية غير متجانسة عبر السطح الخارق، وذلك على عكس نماذج انتشار المجال البعيد التقليدية التي تفترض وجود موجات مستوية. وفي الدراسة الحالية، استُخدم نموذج موجة كروية قائم على الفيزياء لتصميم مصفوفة استجابة نبضية دقيقة للقناة تأخذ في الاعتبار المواقع الفيزيائية لكل من عناصر السطح الخارق وأجهزة المستخدمين.

تمثيل القناة استناداً إلى المسافة

تعد المسافة بين كل مكون من مكونات السطح الخارق والمستخدم عاملاً حاسماً في بناء نموذج القناة في نظام المجال القريب. يتم تحديد الطول pn بين مواقع المستخدم pu ومكون XL-IMS رقم n من خلال:

معادلة التوازن الساكن: dn=|pn−pu|؛ مخطط عملية التحليل الإنشائي. (5)

تتفاوت هذه القيمة بشكل ملحوظ عبر السطح الميتاوي نظراً لمساحته الكبيرة للغاية، مما يؤدي إلى أزمنة انتشار وإزاحات طورية غير متساوية يجب أخذها في الحسبان عند بناء النموذج.

نموذج قناة الموجة الكروية

يتم تحديد معامل القناة بين العنصر رقم n والمستخدم باستخدام نموذج الموجة الكروية الموضح في المعادلة (2)، والذي يرصد تغيرات الطور والسعة المعتمدة على المسافة. ولأغراض توليد مجموعة البيانات وتدريب النموذج، يتم الحصول على معاملات القناة من إطار تتبع الأشعة DeepMIMO، الذي يدمج انتشار المسارات المتعددة في حالتي خط البصر (LoS) وعدم وجود خط بصر (NLoS) بناءً على هياكل بيئية واقعية. وبناءً على ما سبق، يمكن تكوين مصفوفة استجابة القناة من استجابات القناة لجميع عناصر السطح الخارق البالغ عددها N كما في المعادلة (3).

اللا استقرار المكاني للقنوات في المجال القريب وأهمية النموذج

على عكس قنوات المجال البعيد، تظهر قنوات المجال القريب عدم استقرار مكاني، حيث تختلف الإشارات المستقبلة عبر السطح الخارق (metasurface)، مما يتيح تركيز الحزمة بناءً على الموقع. وتكون هذه المعلومات المكانية مدمجة في مصفوفة استجابة القناة، ويتم التقاطها بواسطة نموذج GNN-attention. يوضح الشكل التكميلي 1 إطار نمذجة قناة المجال القريب المقترح لنظام اتصالات 6G القائم على XL-IMS، وتوليد بيانات قناة واقعية لتشكيل الحزمة المعتمد على التعلم العميق.

إنشاء مجموعة البيانات

تم توليد البيانات باستخدام إطار عمل DeepMIMO، الذي يوفر محاكاة للقنوات تعتمد على تتبع الأشعة الواقعية مع دمج الهندسة البيئية، والاتساق المكاني، وتنقل المستخدم. وقد تم توليد استجابات القناة لمواقع مستخدمين متعددة في المجال القريب باستخدام سيناريو O1 الخارجي عند تردد حامل قدره 28 GHz وعرض نطاق ترددي قدره 100 MHz. وتكون نظام XL-IMS من 256 عنصراً عاكساً موزعة بانتظام، وتم اختيار مواقع المستخدمين ضمن منطقة المجال القريب بناءً على معيار Rayleigh. كما استُخرجت معاملات القناة، ومكاسب المسار، والمعلومات المكانية باستخدام مكتبة DeepMIMO المخصصة للغة Python. ويلخص الجدول التكميلي 1 معايير المحاكاة وقابلية التكرار. وتم تدريب النموذج باستخدام التعلم الخاضع للإشراف، حيث كانت سمات حالة القناة هي المدخلات، وأوزان تشكيل الحزمة المحسنة القائمة على الفيزياء هي التسميات المستهدفة.

إنشاء ميزات الإدخال وبنية مجموعة البيانات

بعد ذلك، تم تحويل بيانات القنوات الخام إلى سمات لإدخالها في نماذج التعلم العميق. وشملت هذه السمات مقادير استجابة القنوات وأطوارها كمكونات منفصلة. كما يمكن إدراج معاملات إدخال أخرى اعتماداً على متطلبات المشكلة؛ فعلى سبيل المثال، يمكن اعتبار إحداثيات المستخدمين والمسافات وبعض المعاملات المكانية كسمات أيضاً. وقد تم تقسيم مجموعة البيانات إلى مجموعتي تدريب واختبار بنسبة 80:20.

تجهيز مجموعة البيانات للتدريب

تضمنت الخطوة الأخيرة تطبيع مجموعة البيانات المُعدة وتحويلها إلى تنسورات (tensors) مناسبة للإدخال في بنية GNN-attention لغرض التدريب. استُخدمت مجموعة بيانات التدريب لتعلم عملية الربط من حالة القناة إلى أوزان تشكيل الحزم المثلى، بينما استُخدمت مجموعة بيانات الاختبار لتقييم فعالية النموذج. وقد جعلت مجموعة البيانات المُعدة جيداً هذه عملية التعلم أسهل وأكثر فعالية. يوضح الجدول التكميلي 2 تفاصيل وصف مجموعة بيانات DeepMIMO.

تمثيل السمات

قامت مرحلة تمثيل الميزات بتحويل بيانات القناة في المجال القريب ذات القيم المركبة إلى تنسيق مناسب للتعلم العميق. وقد تم تفكيك استجابات القناة إلى ميزات تلتقط الخصائص المكانية وخصائص الانتشار مع الحفاظ على معلومات المجال القريب الأساسية لعملية التعلم. يوضح الشكل التكميلي 2 مجموعة بيانات DeepMIMO المستخدمة في هذه العملية. تم تمثيل بيانات القناة من بيئة المجال القريب كأعداد مركبة hn، مع وجود المكونات الحقيقية والتخيلية التي تمثل معلومات الطور والسعة لمعاملات القناة. وللسماح بالاستخدام الفعال في خوارزميات التعلم الآلي، تم تفكيك المعاملات إلى أجزائها الحقيقية (Rehn) والتخيلية (Imhn). كما يمكن تمثيل البيانات على شكل المقدار hn والطور للمعاملات ∠hn.

استخراج الميزات المكانية

بالإضافة إلى معامل القناة، تم تضمين الميزات المكانية لمراعاة الطبيعة الهندسية لبيئة المجال القريب. وشمل ذلك المسافة dn من كل عنصر من عناصر السطح الخارق (metasurface) إلى المستقبل، إلى جانب إحداثيات المستقبل (x، y، z). وبهذه الطريقة، راعى النموذج حقيقة أن خصائص الإشارة يمكن أن تعتمد على الموضع المكاني لزوج المرسل والمستقبل، وهي خاصية مهمة لانتشار المجال القريب.

التطبيع وإعداد مدخلات النموذج

كخطوة تمهيدية قبل تزويد النموذج بمدخلاته، تم إجراء عملية تسوية (normalization) لتجنب عدم الاستقرار العددي وتسريع التقارب. قُسّمت المتجهات المهيكلة إلى مجموعات بيانات تدريب واختبار، يُرمز لها بـ (Xtrain, Xtest). وبهذه الطريقة، تم تزويد نماذج GNN والانتباه بالمدخلات.

بناءً على تمثيل الميزات في الشكل التكميلي 2، تم استخدام أنواع مختلفة من الميزات في مجموعة البيانات هذه، بما في ذلك معاملات القناة hn التي أشارت إلى استجابة الإشارة المعقدة لجميع عناصر السطح الخارق (metasurface). وكانت هناك ميزة أخرى وهي المسافة dn التي أشارت إلى تأثيرات الانتشار في هذه الحالة. وبالرغم من أن المكونات التخيلية والحقيقية توفر وصفاً رقمياً للإشارة، إلا أن جزأي المقدار والطور يقدمان وصفاً صريحاً لقوة الإشارة وإزاحة الطور، على التوالي. كما كانت إحداثيات موقع المستخدم (x، y، z) ميزة مهمة أخرى عززت الوعي المكاني للنموذج.

تصميم التعلم العميق باستخدام الشبكات العصبية الرسومية (GNN) لنمذجة التبعية المكانية يتكامل مع آلية انتباه هجينة لتعلم السياق العالمي

تم تطوير خوارزمية التعلم هذه لتدريب قناة XL-IMS في المجال القريب المعقد بكفاءة، بما تتضمنه من خصائص مكانية وخصائص انتشار، باستخدام شبكات GNN وآلية الانتباه. ونظراً لأن عناصر السطح الخارق (metasurface) مترابطة للغاية مع بعضها البعض وتفاعلاتها غير منتظمة داخل منطقة المجال القريب، فإن الشبكة كاملة الاتصال لا تعد مناسبة لتمثيل القناة بشكل صحيح. لذا، في هذا النهج، يتم تمثيل السطح الخارق كرسم بياني (graph)، حيث يعمل كل عنصر كعقدة (node) وتعمل التفاعلات بينها كحواف (edges). وقد قامت شبكة GNN بالتقاط التبعيات المكانية الموضعية بين العقد المتجاورة، بينما عملت آلية الانتباه على تحسين تعلم التبعيات العالمية.

التمثيل البياني لـ XL-IMS

يتم إنشاء XL-IMS على شكل رسم بياني G = (V, E)، حيث يمثل كل رأس vn ∈ V عنصراً واحداً من عناصر السطح الميتاي (meta-surface)، بينما تمثل الحواف eij ∈ E العلاقات المكانية بين العناصر. يمتلك كل رأس متجه سمات xn، يتم الحصول عليه عبر مرحلة تمثيل السمات. وتعمل مصفوفة الجوار A على رصد الاتصال بين الرؤوس المتقاربة أو تلك التي تقع ضمن قيود مسافة معينة. وتُستخدم صيغة الرسم البياني هذه لدمج المعلومات المكانية الموجودة في انتشار المجال القريب.

لتحقيق قابلية التكرار، يتم تحديد اتصال الرسم البياني باستخدام نهج الجيران الأقرب K (K-Nearest Neighbors) مع ضبط قيمة k عند 8. لنفترض أن pi وpj يمثلان متجهات الموقع لخليتي XL-IMS رقم i وj على التوالي. يتم قياس المسافة بين أي رأسين عبر المقياس الإقليدي كما يلي: dij = ||pi − pj||2. ستكون هناك حافة بين الرأسين i وj إذا كان الرأس j مدرجاً ضمن مجموعة الجيران الثمانية الأقرب للرأس i. وبناءً على ذلك، يتم إنشاء مصفوفة التجاور وفقاً للقاعدة التالية: Aij = 1 إذا كان j ∈ Nk(i) وAij = 0 في الحالات الأخرى.

في شبكة العصبونات الرسومية (GNN) المقترحة، يتم حساب التحديثات لكل عقدة بناءً على المعلومات الواردة من العقد المجاورة الأخرى. وبشكل أكثر تحديداً، يمكن صياغة عملية الانتشار للطبقة l على النحو التالي:

معادلة الشبكة العصبية الرسومية، صيغة تحديث العقدة، عملية الحوسبة العصبية، التعبير الرياضي. (6)

حيث يمثل hi(l) متجه السمات للرأس i في الطبقة l، و N(i) هو جوار الرأس i، و W(l) هي مصفوفة الأوزان القابلة للتعلم، ويرمز σ(·) إلى دالة تنشيط غير خطية.

تألف نموذج GNN-attention من ثلاث طبقات تلافيفية رسومية بأبعاد خفية تم ضبطها عند 128، واستُخدمت وحدة الخطية المصححة (ReLU) كدالة تنشيط. تم إجراء توليد الرسوم البيانية باستخدام طريقة k-أقرب جيران (k=8). تعمل كل ميزة من ميزات XL-IMS كعقدة، بينما تتشكل الحواف بناءً على المسافة الإقليدية بين العقد المتجاورة. ولاستخلاص التبعيات المكانية العالمية، استخدمنا شبكة انتباه ذاتي متعددة الرؤوس بـ 4 رؤوس. تم ضبط احتمالية الإسقاط (dropout probability) عند 0.3 لمنع الإفراط في الملاءمة.

آلية الانتباه

لنمذجة التبعيات طويلة المدى التي كانت موجودة خارج نطاق الجوار المحلي، تم إدخال آلية الانتباه في النموذج، والتي تعمل على النحو التالي:

صيغة دالة Softmax، aij=exp(eij)/Σkexp(eik)، تمثيل رمزي، مفهوم رياضي. (7)

حيث eij = LeakyReLU(aT[Whi | Whj]) هي أهمية العقدتين i و j. وبفضل هذا النموذج، يمكن تعيين مستويات مختلفة من الأهمية للعقد بناءً على أدوارها، مما يسهل على النموذج فهم السياق العام عبر السطح الخارق (metasurface). يلتقط الإطار الهجين المعلومات المكانية المحلية والعامة على حد سواء، وتتم معالجة الميزات المتعلمة من خلال طبقات متصلة بالكامل لتوليد أوزان تشكيل الحزمة (beamforming weights). وكما هو موضح في الشكلين التكميليين 3 و 4، تقوم الشبكة العصبية الرسومية (GNN) بنمذجة التبعيات المكانية المحلية من خلال تمرير الرسائل وتجميع الميزات، بينما تلتقط آلية الانتباه التفاعلات العالمية بين عناصر السطح الخارق، مما يتيح تشكيل حزمة فعال في المجال القريب. تُحسب أوزان الانتباه لتقدير مدى صلة أزواج العقد، مع تعيين أهمية أكبر للتفاعلات الأكثر غنى بالمعلومات. وباستخدام هذه الأوزان، تقوم كل عقدة بتجميع المعلومات من جميع العقد الأخرى، مما يمكن النموذج من التقاط التبعيات العالمية التي تتجاوز الجوار المحلي. وينتج عن دمج الميزات الموزونة تمثيل محسّن للميزات يبرز الخصائص المكانية المهمة مع كبح المعلومات الأقل صلة، مما يدعم التحسين الفعال لتشكيل الحزمة وتركيز الطاقة.

تحسين تشكيل الحزمة

حددت مرحلة تحسين تكوين الشعاع إزاحات الطور وأوزان تكوين الشعاع لـ XL-IMS لتركيز الطاقة على المستخدمين في المجال القريب. وبخلاف توجيه الشعاع التقليدي في المجال البعيد، يعمل تكوين الشعاع في المجال القريب على تركيز الطاقة في مواقع مكانية محددة. وفي الإطار المقترح، تعلم نموذج GNN-attention معاملات تكوين الشعاع المثلى مباشرة من خصائص القناة، مما قلل من تعقيد طرق التحسين التكرارية. وتُعطى إشارة المستخدم المستقبلة في المعادلة (4).

تم الحصول على بيانات التدريب من DeepMIMO لكل تحقق من القناة، وتم تحديد إزاحات الطور المقابلة لـ XL-IMS باستخدام خوارزمية AO. استُخدمت مصفوفة القناة للمجال القريب h ومصفوفة إزاحة الطور لـ XL-IMS لحساب متجه إزاحة الطور θ من خلال تعظيم قدرة الإشارة المستقبلة:

صيغة التحسين max |h^H Θx|^2؛ معادلة رياضية لتحليل معالجة الإشارات. (8)

صيغة التوازن الاستاتيكي، Σ|θn|=1، معادلة في مخطط بحثي. (9)

تم تشغيل مُحسِّن AO لمدة 100 تكرار حتى وصل إلى حد التقارب المطلوب وهو 10−4. وعملت هذه القيم المُحسَّنة كملصقات تدريب لنموذج GNN-attention الخاص بنا. كان الهدف هو تحقيق تداخل بناء من أجل تركيز فعال لشعاع المجال القريب وتعزيز قدرة الإشارة المستقبلة. وبدلاً من طرق التحسين التقليدية مثل SDR أو AO، تم حل المشكلة باستخدام نهج قائم على التعلم. وتحديداً، تم تقريب مشكلة تحسين تكوين الشعاع بواسطة نموذج تعلم عميق fΘ(⋅).

تم اعتماد التعلم الخاضع للإشراف لتدريب نموذج GNN-attention، حيث استُخدمت متجهات إزاحة الطور المثلى لتشكيل الحزمة الناتجة عن خوارزمية AO كأهداف للتدريب. وتحديداً، لنرمز لمتجه إزاحة الطور الأمثل الناتج عن خوارزمية AO بالرمز θAO,i وتوقعات الشبكة بالرمز رمز θ̂ᵢ في سياق رياضي، مخطط، ذو صلة بطرق التقدير الإحصائي.. وبناءً على ذلك، صِيغ معيار التدريب على النحو التالي:

صيغة متوسط مربع الخطأ، \(L_{MSE}=\frac{1}{N}\sum_{i=1}^{N}||\hat{\theta}_i-\theta_{AO,i}||^2\). (10)

حيث يمثل N عدد عينات التدريب.

الخوارزمية 1: يظهر تشكيل الحزمة في المجال القريب باستخدام نموذج GNN-attention في الملف التكميلي 1. في هذه الخوارزمية، تمثلت الخطوة الأولى في إعداد معاملات النظام وقاعدة بيانات DeepMIMO لإنشاء ظروف قناة واقعية. تم حساب ميزة القناة في المجال القريب لكل عينة باستخدام نموذج الموجة الكروية، ثم استُخلصت الميزات الهامة، مثل معاملات القناة والميزات المكانية، من قاعدة البيانات. حُوِّلت الميزات المستخلصة إلى شكل منظم ثم مُثّلت على هيئة رسم بياني (graph)، حيث تُمثل عناصر السطح الخارق (metasurface) العقد. تم إنشاء نموذج التعلم العميق باستخدام طبقات GNN لالتقاط الاعتمادات المكانية المحلية، كما أُدخلت آلية الانتباه (attention mechanism) لتعلم الاعتمادات العالمية. تم تدريب إطار التعلم العميق باستخدام التعلم الخاضع للإشراف مع حساب فقدان MSE بين إزاحات الطور المتوقعة وتسميات إزاحة الطور المثلى الناتجة عن AO.

نُفذ هذا التطبيق باستخدام لغتي Python وPyTorch. تم الحصول على عينات قناة DeepMIMO من السيناريو الخارجي O1. حُوّلت معاملات القناة هذه إلى رسوم بيانية (graphs) وعولجت باستخدام شبكة عصبية رسومية (GNN) مكونة من ثلاث طبقات وآلية انتباه متعددة الرؤوس (multihead attention mechanism). تم تدريب النموذج باستخدام محسن Adam ودالة خسارة متوسط مربع الخطأ (MSE loss function). ولّد هذا النموذج إزاحات طورية وأوزانًا لتشكيل الحزمة (beamforming) للمستخدمين في المجال القريب (near-field users)، وقُيمت النتائج من حيث المعدل، والكفاءة، ونسبة الإشارة إلى التداخل والضوضاء (SINR).

النتائج

يتم تقييم أداء إطار عمل نمذجة القنوات في المجال القريب وتشكيل الحزمة المقدم لـ XL-IMS في شبكات اتصالات الجيل السادس 6G باستخدام مجموعة بيانات DeepMIMO، والتي توفر بيئات انتشار عملية وبيانات قنوات متسقة مكانيًا. ولتهيئة مجموعة البيانات هذه، يجب توليد العديد من عينات القنوات التي تمثل مواقع مستخدمين مختلفة في المجال القريب للسطح الميتا (meta-surface). وبالتحديد، تستخدم هذه الدراسة ما يصل إلى 10,000–20,000 عينة تم جمعها تحت ظروف انتشار ومواقع مستخدمين مختلفة. وقد استُخدمت نسبة 80:20 لتقسيم عينات القنوات هذه إلى 80% للتدريب و20% للاختبار. وبهذا المعنى، تقيم مجموعة الاختبار قدرة النموذج على التعميم، بينما توفر مجموعة التدريب أساسًا للتعلم.

تُظهر النتائج التجريبية أن إطار عمل GNN-Attention المقترح يتفوق على طرق تكوين الشعاع التقليدية في المجال البعيد والطرق القائمة على التحسين. ومن خلال دمج نمذجة قناة الموجات الكروية مع استخراج الميزات المكانية القائم على التعلم العميق، يحقق النهج المقترح كسباً أعلى لتكوين الشعاع، وكفاءة طيفية، وأداءً أفضل في تركيز الطاقة. يتم تقييم الأداء باستخدام المعدل القابل للتحقيق، وكسب تكوين الشعاع، وكفاءة الطاقة، والتي تقيس سعة الاتصال، وفعالية تركيز الإشارة، وكفاءة نقل البيانات بالنسبة لاستهلاك الطاقة، على التوالي.

تتم مقارنة الطريقة المقترحة مع تقنيات تشكيل الحزم التقليدية، بما في ذلك ZF و MMSE، بالإضافة إلى الطرق القائمة على التحسين مثل SDR و AO. وبينما تتقيد مناهج المجال البعيد بافتراضات الموجة المستوية ويكون أداؤها ضعيفاً في بيئات XL-IMS للمجال القريب، غالباً ما تتسبب طرق التحسين في تعقيد حسابي عالٍ. وفي المقابل، يوفر إطار عمل GNN-attention تشكيل حزم فعالاً مع عبء حسابي أقل. ولضمان مقارنة عادلة، تم تقييم جميع الطرق باستخدام نفس القنوات القريبة الناتجة عن DeepMIMO، وتكوين XL-IMS، وتردد الحامل، ومواقع المستخدمين، وقدرة الإرسال، وظروف نسبة الإشارة إلى الضوضاء (SNR). افترضت تقنيات ZF و MMSE معلومات متطابقة عن حالة القناة، بينما تم تنفيذ SDR و AO تحت نفس قيود القدرة وإزاحة الطور باستخدام إعدادات المعاملات القياسية المستندة إلى الدراسات السابقة.

التحقق من صحة نمذجة القناة في المجال القريب

تُستخدم طرق القياس المرجعية، بما في ذلك ZF وMMSE وSDR وAO، لمقارنة أداء المعدل القابل للتحقيق لنموذج تشكيل الحزمة المقترح القائم على الشبكة العصبية الرسومية وآلية الانتباه في الشكل 3. ومع زيادة SNR من 0 إلى 30 dB، تظهر جميع الطرق تحسناً في المعدلات القابلة للتحقيق؛ ومع ذلك، يتفوق النموذج المقترح باستمرار على الطرق المرجعية. حيث يحقق 2.1 bps/Hz عند 0 dB، و7.8 bps/Hz عند 15 dB، و11.6 bps/Hz عند 30 dB، متجاوزاً أداء ZF وMMSE وSDR وAO عبر جميع مستويات SNR. ويعرض الجدول 1 مقارنة بين المعدلات القابلة للتحقيق مقابل SNR.

تقارن الشكل 4 كسب تشكيل الحزمة للنموذج المقترح القائم على GNN-attention مع الطرق التقليدية، بما في ذلك ZF وMMSE وSDR وAO، كدالة لمسافة المستخدم في منطقة المجال القريب. ومع زيادة مسافة المستخدم، تنخفض قدرة إشارة تشكيل الحزمة المستلمة بسبب زيادة فقدان مسار الانتشار، مما يؤدي إلى انخفاض في كسب تشكيل الحزمة عبر جميع الطرق. ومع ذلك، يحقق إطار GNN-attention المقترح باستمرار أعلى كسب لتشكيل الحزمة، حيث يصل إلى 28 dB تقريبًا عند 1 m، و25 dB عند 4 m، و22 dB عند 7 m، متفوقًا على SDR وAO وMMSE وZF عبر جميع المسافات التي تم تقييمها. وتثبت هذه النتائج القدرة الفائقة لإطار العمل المقترح على تركيز الحزمة في المجال القريب والاحتفاظ بالكسب، مما يؤدي إلى تحسين كفاءة تشكيل الحزمة مقارنة بالطرق الحالية.

أداء إطار تعلم GNN-attention

تقارن الشكل 5 الكفاءة الطيفية لمخطط تكوين الشعاع المقترح القائم على GNN-attention مع طرق ZF وMMSE وSDR وAO عبر قيم SNR تتراوح من 0 إلى 30 dB. وعلى الرغم من زيادة الكفاءة الطيفية لجميع الطرق مع ارتفاع قيمة SNR، إلا أن النهج المقترح يحقق باستمرار أفضل أداء، حيث يصل إلى 1.8 bps/Hz عند 0 dB، و6.8 bps/Hz عند 15 dB، و10.5 bps/Hz عند 30 dB، متفوقاً بذلك على جميع الطرق المرجعية. وتقارن الشكل 6 كفاءة الطاقة لنظام تكوين الشعاع المقترح القائم على GNN-attention مع طرق ZF وMMSE وSDR وAO في ظل ظروف SNR متغيرة. وتتحسن كفاءة الطاقة مع زيادة SNR لجميع الطرق؛ ومع ذلك، يحقق النهج المقترح باستمرار أعلى أداء، حيث يصل إلى حوالي 2.5 bits/Joule عند 0 dB، و7.2 bits/Joule عند 15 dB، و9.8 bits/Joule عند 30 dB، متفوقاً على جميع التقنيات المرجعية.

تقييم مجموعة البيانات وتمثيل الميزات

الشكل 7 يوضح سلوك التقارب لنموذج GNN-attention المقترح من حيث متوسط مربع الخطأ (MSE) عبر حقب التدريب. ينخفض متوسط مربع الخطأ بسرعة خلال المراحل المبكرة من التدريب، حيث ينخفض من حوالي 0.69 عند الحقبة 5 إلى 0.22 عند الحقبة 20، ثم تنخفض أكثر لتصل إلى حوالي 0.08 بحلول الحقبة 35. يتقارب النموذج تدريجياً عن طريق الحقبة 50، مع تحقيق متوسط مربع خطأ (MSE) يبلغ تقريباً 0.04, مما يشير إلى استقرار التدريب والتعلم الفعال لخصائص القناة الأساسية.

نتائج تحسين تشكيل الحزمة

يقارن الشكل 8 أداء معدل المجموع لطريقة تشكيل الحزم المقترحة المعتمدة على شبكة GNN-attention مع طرق ZF وMMSE وSDR وAO مع زيادة عدد المستخدمين من 2 إلى 12. وعلى الرغم من أن جميع الطرق تحقق معدلات مجموع أعلى مع زيادة عدد المستخدمين، إلا أن النهج المقترح يقدم باستمرار أفضل أداء، حيث يحقق 12.5 bps/Hz لمستخدمين اثنين، و31.6 bps/Hz لـ 6 مستخدمين، و50.3 bps/Hz لـ 12 مستخدمًا، متفوقًا بذلك على جميع الطرق المرجعية عبر مختلف كثافات المستخدمين.

يقارن الجدول 2 أداء تعدد المستخدمين لإطار عمل تكوين الشعاع المقترح القائم على GNN-attention مع كل من ZF وMMSE وSDR وAO. تحقق الطريقة المقترحة أعلى كفاءة لتعدد المستخدمين (92.5%)، ونسبة إشارة إلى تداخل وضوضاء SINR تبلغ (24.8 dB)، وكسب سعة قدره (50.3 bps/Hz)، مما يثبت تفوقها في القابلية للتوسع، وإدارة التداخل، وتخصيص الموارد مقارنة بالطرق المرجعية. يعرض الشكل 9 مقارنة لدوال التوزيع التراكمي (CDFs) لـ SINR. يظهر النهج المقترح توزيعاً مزاحاً نحو اليمين، مما يشير إلى قيم SINR أعلى باستمرار عبر المستخدمين. وعند الوسيط (المئوية 50)، يحقق SINR يبلغ تقريباً 25 dB، متفوقاً على SDR (23 dB)، وAO (22 dB)، وMMSE (20 dB)، وZF (17 dB). وينبع أداء SINR المتفوق للنموذج المقترح من قدرته على التقاط التبعيات المكانية المحلية من خلال GNNs والتفاعلات العالمية من خلال آليات الانتباه، مما يتيح تكويناً فعالاً للشعاع في المجال القريب. وتظهر نتائج CDF إدارة أكثر قوة للتداخل وقيم SINR أعلى باستمرار من طرق ZF وMMSE وSDR وAO التقليدية.

يعرض الجدول 3 متوسط الأداء، والانحراف المعياري، وفواصل الثقة بنسبة 95% التي تم الحصول عليها من خمس تجارب مستقلة، مما يثبت استقرار وقابلية تكرار الإطار المقترح. ويقارن الجدول 4 التعقيد الحسابي ووقت الاستنتاج لمخطط تكوين الشعاع القائم على GNN-attention المقترح مع الطرق التقليدية. أثناء التدريب، يتم تحديد التكلفة الحسابية بشكل أساسي من خلال تمرير رسائل الرسم البياني وآلية الانتباه، مما يؤدي إلى تعقيد قدره O(E·L·F2 + N2). وبالرغم من هذه الأعباء الإضافية أثناء التدريب، فإن مكون تكوين الشعاع المتعلم يلغي الحاجة إلى التحسين التكراري أثناء النشر. يحقق النموذج المقترح متوسط وقت استنتاج قدره 4.9 ms، وهو أقل بكثير من SDR (85.4 ms)، وAO (63.7 ms)، وMMSE (15.6 ms)، وZF (12.8 ms). علاوة على ذلك، يشير تحليل القابلية للتوسع إلى أداء مستقر مع زيادة عدد المستخدمين وعناصر السطح الخارق، مما يبرز ملاءمة الإطار المقترح لأنظمة اتصالات 6G واسعة النطاق والمدعومة بتقنية XL-IMS.

دراسة الاستئصال

يمكن تقييم تأثير المكونات الفردية في الإطار من خلال تحليل الاستئصال (ablation analysis)، حيث يتم إما حذف المكونات أو تعديلها، مثل الشبكة العصبية الرسومية (GNN)، وآلية الانتباه (Attention)، ونمذجة القناة في المجال القريب القائمة على الفيزياء. يشتمل الإطار الكامل على المكونات الثلاثة جميعاً، بينما تتكون نماذج الاستئصال من: (1) نموذج GNN فقط، (2) نموذج Attention فقط، و(3) بدون نموذج الموجة الكروية القائم على الفيزياء (افتراض المجال البعيد). يتم تقييم الأداء باستخدام مقاييس مثل المعدل القابل للتحقيق، وكسب تكوين الشعاع (beamforming gain)، ونسبة الإشارة إلى التداخل والضجيج (SINR). وتظهر النتائج أن الأداء العام للنظام يتأثر بشكل كبير بالمكونات، وخاصة نموذج القناة القائم على الفيزياء، والذي يظهر أكبر تأثير سلبي عند حذفه. وهذا يشير إلى أهمية نمذجة القناة بدقة في نظام المجال القريب.

من خلال نتائج دراسة الاستئصال في الجدول 5، يمكن التحقق من أهمية كل جزء من البنية المقترحة. وكما هو موضح في نتائج التجربة أعلاه، يحقق النموذج الذي يحتوي على كافة الأجزاء أفضل أداء، بمعدل قابل للتحقيق يصل إلى 11.6 bps/Hz، وكسب تشكيل شعاعي قدره 28 dB، ونسبة إشارة إلى ضوضاء وتداخل (SINR) تبلغ 25 dB، مما يثبت كفاءة البنية المقترحة. وبدون آلية الانتباه، يحقق النموذج 10.2 bps/Hz فقط، مما يشير إلى ضعف سياق الإشارة العالمي. بالإضافة إلى ذلك، يؤدي إزالة مكون شبكة الرسوم البيانية العصبية (GNN) إلى أداء ضعيف يبلغ 9.8 bps/Hz، مما يشير إلى أن نمذجة التبعيات المكانية ضرورية للاتصالات في المجال القريب. ويُلاحظ أكبر تدهور في الأداء عند تجاهل نموذج الموجة الكروية القائم على الفيزياء، حيث يصل المعدل القابل للتحقيق إلى 8.5 bps/Hz وقيمة SINR تبلغ 19.2 dB، مما يثبت أن نمذجة قناة المجال القريب ضرورية أيضاً.

باختصار، تؤكد النتائج التجريبية أهداف البحث المتمثلة في تطوير نماذج للقنوات وتشكيل الحزم بناءً على المجال القريب للموجات الكهرومغناطيسية، مع تطبيق ذلك على شبكات 6G المجهزة بتقنية XL-IMS. وقد حققت بنية GNN-attention أداءً أعلى من حيث المعدل القابل للتحقيق، وكسب تشكيل الحزم، والكفاءة الطيفية، وكفاءة الطاقة، ونسبة الإشارة إلى التداخل والضوضاء (SINR) مقارنة بالنهج التقليدية مثل طرق ZF وMMSE وSDR وAO. كما أظهر تحليل الاستئصال أن استخدام النماذج الفيزيائية للموجات الكروية، والشبكات العصبية الرسومية، وآلية الانتباه يعد ذا قيمة عالية في تحسين الأداء.

توافر البيانات

تتوفر مجموعات البيانات والمواد الداعمة التي تم إنتاجها وتحليلها خلال هذه الدراسة بشكل عام في مستودع Zenodo على الرابط https://doi.org/10.5281/zenodo.21037047. تم إنشاء مجموعات بيانات المحاكاة باستخدام مستودع DeepMIMO Python مع سيناريو تتبع الأشعة الخارجي O1، وتردد حامل قدره 28 GHz، وتكوين XL-MIMO للمجال القريب. يتوفر مستودع DeepMIMO Python على الرابط: https://github.com/DeepMIMO/DeepMIMO-python.

مخطط التعلم العميق لنمذجة القناة في المجال القريب، والشبكة العصبية الرسومية، وعملية تكوين الشعاع.
الشكل 1: البنية العامة للعمل المقترح. توضيح تخطيطي لمسار العمل الكامل لطريقة نمذجة القناة في المجال القريب وتكوين الشعاع المقترحة. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

مخطط الاتصالات اللاسلكية: لوحة XL-IMS مع إشارة المحطة الأساسية؛ انتشار الموجات في المجال القريب.
الشكل 2: بنية نموذج النظام. يوضح مخطط تخطيطي بنية النظام لاتصالات الجيل السادس (6G) القائمة على XL-IMS مع تركيز الحزمة في المجال القريب. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

رسم بياني للمعدل القابل للتحقيق مقابل نسبة الإشارة إلى الضوضاء (SNR) يقارن بين الخوارزميات: المقترحة (GNN-Attention)، وZF، وMMSE، وSDR، وAO.
الشكل 3: نتيجة المعدل القابل للتحقيق مقابل SNR. أداء المعدل كدالة في SNR للنهجين المقترح والحاليين. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

رسم بياني لكسب تشكيل الحزمة مقابل المسافة؛ الطرق: GNN-Attention، ZF، MMSE، SDR، AO؛ تحليل البيانات.
الشكل 4: كسب تشكيل الحزمة مقابل المسافة. كسب تشكيل الحزمة الذي حققته طرق تشكيل حزم مختلفة كدالة للمسافة بين المستخدم في منطقة المجال القريب، مما يوضح فعالية تركيز الإشارة المكانية والحفاظ على الكسب مع زيادة المسافة. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

رسم بياني للكفاءة الطيفية مقابل SNR؛ يوضح مقارنات النماذج: GNN-Attention و ZF و MMSE و SDR و AO.
الشكل 5: نتيجة الكفاءة الطيفية مقابل SNR. مقارنة الكفاءة الطيفية عند قيم SNR مختلفة. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

رسم بياني لكفاءة الطاقة مقابل نسبة الإشارة إلى الضوضاء (SNR)؛ النماذج: المقترح (GNN-Attention)، وZF، وMMSE، وSDR، وAO.
الشكل 6: نتيجة كفاءة الطاقة مقابل SNR. أداء كفاءة الطاقة عند قيم SNR مختلفة. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

رسم بياني لتقارب نموذج GNN يوضح انخفاض MSE على مدار 50 حقبة في نتائج التدريب.
الشكل 7: نتيجة تقارب MSE. تقارب فقدان MSE أثناء التدريب. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

رسم بياني يقارن بين معدل المجموع مقابل عدد المستخدمين باستخدام طرق GNN-Attention و ZF و MMSE و SDR و AO.
الشكل 8: نتيجة معدل المجموع مقابل عدد المستخدمين. أداء معدل المجموع مع زيادة عدد المستخدمين. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

رسم بياني لمقارنة CDF لـ SINR لطرق GNN-Attention و ZF و MMSE و SDR و AO في معالجة الإشارات.
الشكل 9: نتيجة مقارنة SINR باستخدام CDF. مقارنة SINR استناداً إلى مخططات CDF. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

الطريقةمتوسط المعدل القابل للتحقيق (bps/Hz)مستوى الأداء
المقترحة (GNN-attention)7.36*****
SDR6.66****
AO6.5****
MMSE6.03***
ZF5.23***

الجدول 1: مقارنة بالمعدل القابل للتحقيق. يوضح معدل أداء التقنيات المقترحة والموجودة.

الطريقةكفاءة تعدد المستخدمين (%)معالجة التداخل (SINR, dB)تحسين السعة (bps/Hz)
المقترحة (GNN-Attention)92.5 ± 0.824.8 ± 0.550.3 ± 0.7
SDR86.3 ± 1.122.1 ± 0.745.0 ± 0.9
AO84.7 ± 1.021.5 ± 0.843.2 ± 1.0
MMSE78.9 ± 1.319.2 ± 0.938.7 ± 1.2
ZF72.5 ± 1.517.0 ± 1.033.5 ± 1.4

الجدول 2: النتيجة التجريبية لأداء القابلية للتوسع. يوضح أداء القابلية للتوسع في بيئات الاتصال متعددة المستخدمين.

مقياسالمتوسط الحسابيالانحراف المعياريفاصل ثقة 95%
المعدل القابل للتحقيق11.6 ± 0.210.21[11.42,11.78]
الكفاءة الطيفية10.5 ± 0.180.18[10.34,10.66]
كفاءة الطاقة9.8 ± 0.150.15[9.67,9.93]
نسبة الإشارة إلى التداخل والضجيج25.0 ± 0.420.42[24.63,25.37]

الجدول 3: التحليل الإحصائي. يتم تقييم أداء التحليل الإحصائي باستخدام المتوسط، والانحراف المعياري، وفترات الثقة.

الطريقةتعقيد التدريبتعقيد الاستدلالمتوسط وقت الاستدلال (ملي ثانية)
ZFنظرًا لعدم توفر نص مصدر، يرجى تزويدي بالمحتوى الذي ترغب في ترجمته من اللغة الإنجليزية إلى اللغة العربية، وسأقوم بتنفيذه وفقًا للمعايير العلمية والأكاديمية المحددة.O(N³)12.8
اختبار الحالة العقلية المصغر (MMSE)نظرًا لعدم توفر نص مصدر للترجمة، يرجى تزويدي بالمحتوى الذي ترغب في ترجمته من الإنجليزية إلى العربية وفقًا للمعايير العلمية والأكاديمية المحددة.O(N³)15.6
راديو معرف برمجياً (SDR)لا ينطبقO(N³·⁵)85.4
أكسيد الأنتيمون (AO)نظرًا لعدم توفر نص مصدر، يرجى تزويدي بالمحتوى الذي ترغب في ترجمته.O(IN²)63.7
آلية الانتباه المقترحة للشبكات العصبية الرسومية (GNN-attention)O(E·L·F² + N²)O(E·L·F² + N²)4.9

الجدول 4: تحليل التعقيد الحسابي والقابلية للتوسع. يوضح هذا الجدول تحليل التعقيد الحسابي والقابلية للتوسع للعمل المقترح.

متغير النموذجالمعدل القابل للتحقيق (بت/ثانية/هرتز)كسب تشكيل الحزمة (ديسيبل)نسبة الإشارة إلى التداخل والضجيج (ديسيبل)الكفاءة الطيفية (بت/ثانية/هرتز)
النموذج المقترح الكامل (الشبكة العصبية الرسومية + آلية الانتباه + القائم على الفيزياء)11.6 ± 0.228.0 ± 0.425.0 ± 0.310.5 ± 0.2
بدون آلية الانتباه10.2 ± 0.325.5 ± 0.522.8 ± 0.49.1 ± 0.3
بدون الشبكة العصبية الرسومية (MLP فقط)9.8 ± 0.324.0 ± 0.621.5 ± 0.58.7 ± 0.3
بدون نموذج قناة قائم على الفيزياء (افتراض المجال البعيد)8.5 ± 0.421.0 ± 0.719.2 ± 0.67.4 ± 0.4

الجدول 5: نتيجة دراسة الاستئصال. يوضح دراسة الاستئصال لجميع مكونات النموذج.

الشكل التكميلي 1. نمذجة القناة في المجال القريب.توضيح تخطيطي لنمذجة القناة في المجال القريب القائمة على الموجات الكروية وبناء المصفوفة.يرجى النقر هنا لتنزيل هذا الملف.

الشكل التكميلي 2. ميزات مجموعة بيانات DeepMIMO المستخدمة في التقييم. الميزات المستخرجة من مجموعة بيانات DeepMIMO والمستخدمة كمدخلات للنموذج في التدريب والتقييم.يرجى النقر هنا لتنزيل هذا الملف.

الشكل التكميلي 3. شبكة عصبية رسومية (GNN) لنمذجة الاعتماد المكاني. نمذجة الارتباط المكاني من خلال الشبكات العصبية الرسومية (GNNs).يرجى النقر هنا لتنزيل هذا الملف.

الشكل التكميلي 4. آلية الانتباه للإدراك السياقي العالمي. توضيح رسومي لوحدة الانتباه المخصصة لالتقاط معلومات السياق العالمي.يرجى النقر هنا لتنزيل هذا الملف.

الجدول التكميلي 1. بيئة المحاكاة. يوضح إعدادات المحاكاة المستخدمة لتدريب واختبار النماذج.يرجى النقر هنا لتنزيل هذا الملف.

الجدول التكميلي 2. وصف مجموعة البيانات. يوضح ميزات مجموعة بيانات DeepMIMO المستخدمة في التدريب والتقييم.يرجى النقر هنا لتنزيل هذا الملف.

الملف التكميلي 1: سير العمل لإطار عمل تكوين الشعاع المقترح والقائم على شبكة GNN-attention. توضح الخوارزمية خطوات توليد مجموعة البيانات، وبناء الرسم البياني، وتدريب النموذج، وتحسين تكوين الشعاع، وتقييم الأداء.يرجى النقر هنا لتحميل هذا الملف.

المناقشة

تستخدم الخوارزمية المقترحة الترميز المسبق غير الخطي لنمذجة انتشار الموجات الكروية في المجال القريب، مما يحقق تركيزاً أفضل للحزمة مقارنة بالخوارزميات القائمة على الترميز المسبق الخطي مثل ZF وMMSE وSDR وAO. وعلى الرغم من أن نتائج خوارزميتي SDR وAO تقترب من الحل الأمثل، إلا أن شبكة GNN-attention المقترحة تحقق أداءً أفضل بتكلفة حوسبية أقل بكثير، وهو أمر بالغ الأهمية للنشر المستقبلي لـ XL-IMS في شبكات 6G 21,26,27.

كما ذُكر أعلاه، وللتحقق تجريبيًا من هذا الطرح من منظور كمي، تم إجراء تحليل للتعقيد، والنتائج موضحة في الجدول 4. تمتلك بنية GNN-attention المقترحة تعقيدًا حسابيًا قدره O(E · d + N2 · d) فيما يتعلق بعملية التدريب، حيث تشير E إلى حواف الرسم البياني، وN إلى عناصر السطح الميتاوي، و d إلى أبعاد الميزة المخفية. والأهم من ذلك، عند استخدام إطار التعلم أثناء الاستنتاج، يمكن حساب أوزان تشكيل الحزمة في تمريرة واحدة بتعقيد O(N · d)، بينما تتطلب طرق SDR و AO تحسينات تكرارية لكل تحقق من القناة.

تعد عملية إنشاء نماذج القنوات في المجال القريب بناءً على مبادئ انتشار الموجات الكروية مرحلة مهمة يجب تنفيذها بشكل صحيح لتحقيق النجاح. إن الاستخدام غير الصحيح لبيانات موقع المستخدم والإنشاء الخاطئ لخصائص القناة سيؤثران سلبًا على عملية استخراج الميزات ونتائج تشكيل الحزم. كما يعد بناء الرسم البياني مكونًا رئيسيًا آخر، حيث أن عدم كفاية الاتصال بين العقد يعيق قدرة شبكات العصبونات الرسومية (GNN) على تحديد العلاقات المكانية. ومن المشكلات الأخرى التي قد تظهر هي فرط التخصيص، والذي يحدث عندما يتم تدريب الشبكة على عدد قليل فقط من ظروف الانتشار، مما يؤثر على أداء التعميم عند مواقع مستخدمين جديدة.

من الممكن تنفيذ عدة تدابير لمعالجة المشكلات المحتملة. فعندما يكون تقارب الشبكة العصبية ضعيفاً، يمكن استخدام اضمحلال معدل التعلم والتنظيم لمعالجة هذه المشكلة. كما قد يؤدي تطبيع السمات وتخفيف كثافة الرسم البياني إلى منع عدم الاستقرار أثناء التدريب. وفي حال حدوث انخفاض غير متوقع في كسب تشكيل الحزمة، فإن إعادة تدريب الخوارزمية باستخدام نقاط بيانات أكثر يمكن أن يحل المشكلة.

تتمثل ميزة أخرى للتعلم العميق في قدرة الخوارزمية على التكيف ديناميكيًا مع التغيرات في ظروف القناة، وهي مهمة كانت تشكل تحديًا لطرق التحسين الحالية. وهذا يزيد من كفاءة خوارزمية تشكيل الحزمة (beamformer) من خلال تقليل وقت التشغيل، ويجعلها أكثر مرونة في حالة بيئات القنوات الديناميكية16,18,20.

يُعتبر النموذج المقترح ثورياً في نظرية الاتصالات في المجال القريب، حيث يجمع بين نمذجة القناة الفيزيائية وطرق التعلم العميق القائمة على الرسوم البيانية. ويؤدي إدراج الموجات الكروية لمراعاة التأثيرات الكهرومغناطيسية إلى تحسين دقة النموذج؛ علاوة على ذلك، فإن استخدام الشبكات العصبية الرسومية (GNNs) وآليات الانتباه يتيح وصف التبعيات الرياضية بين عناصر السطح الخارق. ومن ثم، فإن الجمع بين التعلم الآلي والمبادئ الكهرومغناطيسية يؤدي إلى ظهور إطار نظري جديد لإنشاء بيئات لاسلكية ذكية21,27,28.

من منظور تطبيقي، يعزز النهج المطور بشكل كبير من قابلية تطبيق XL-IMS في عمليات نشر شبكات 6G العملية. حيث يتيح خفض الحمل الحسابي الناتج عن غياب عملية التحسين اتخاذ قرارات تشكيل الحزمة في الوقت الفعلي، وهي قرارات أساسية للخدمات ذات زمن الانتقال المنخفض للغاية. بالإضافة إلى ذلك، يظهر النموذج المقترح كفاءة في كل من الطيف والطاقة، مما يجعل هذه التقنية قابلة للتطبيق في المدن المكتظة، وإنترنت الأشياء، والمستخدمين ذوي التنقل العالي.

على الرغم من أن المنهجية المقترحة تمتلك العديد من نقاط القوة، إلا أن النظام يعاني أيضًا من بعض نقاط الضعف. ومع أن DeepMIMO يوفر سيناريوهات انتشار واقعية من خلال تتبع الأشعة، إلا أنه لا يزال إطار عمل للمحاكاة، وستظل هناك بعض التباينات بين سلوك الانتشار اللاسلكي في الحياة الواقعية والسلوكيات المحاكات؛ نظراً لوجود تغيرات بيئية ومشتتات مجهولة، وتأثيرات القناة الزمنية، وتأثيرات الطقس، وتأثيرات معايرة الأجهزة التي يجب أخذها في الاعتبار. لذا، يجب اعتبار نتائجه بمثابة تقدير للحد الأعلى26,38. يفترض النموذج الحالي وجود مكونات مثالية لجهاز الإرسال وجهاز الاستقبال. أما في الأنظمة الواقعية، فقد يؤدي ضجيج الطور في المذبذبات، وتشوه المضخم، وأخطاء المزامنة، وضجيج التكميم من المحولات التناظرية الرقمية، والتقدير غير الدقيق للقناة، إلى ضعف الأداء. وقد تؤثر هذه المشكلات على المحاذاة وتؤدي إلى خفض معدل نقل البيانات في النظام.

هناك العديد من مشكلات النشر التي لا تزال بحاجة إلى معالجة قبل إمكانية تنفيذ اتصالات المجال القريب المدعومة بتقنية XL-IMS على نطاق واسع. وتشمل هذه المشكلات تقدير القناة في الوقت الفعلي للأسطح الخارقة الكبيرة، وقابلية توسع الحوسبة لعدة آلاف من الهوائيات، والمزامنة في الشبكات الموزعة، وتكاليف المعدات، ومتطلبات الطاقة، والتكامل مع أنظمة 6G الحالية. يجب أن يركز البحث المستقبلي على استكشاف نماذج تعلم خفيفة الوزن وتشكيل الحزمة.

تقدم الدراسة بنية رائدة لنمذجة القنوات في المجال القريب وتشكيل الحزم لـ XL-IMS في سياق اتصالات الجيل السادس (6G). يجمع هذا الابتكار بين نمذجة القنوات بالموجات الكروية المستوحاة من الفيزياء والشبكات العصبية الرسومية وآليات الانتباه لتحقيق تمثيل دقيق للقناة في المجال القريب وتحقيق مكاسب مثلى لتشكيل الحزم. يشمل النظام نمذجة القنوات في المجال القريب، وتصميم مجموعة البيانات الموجهة بواسطة DeepMIMO، وتمثيل الميزات، ونمذجة التبعية المكانية، وتحسين تشكيل الحزم. أظهر التقييم التجريبي نتائج أفضل من النهج الحديثة الأخرى، مثل ZF وMMSE وSDR وAO، من حيث المعدل القابل للتحقيق، ومكسب تشكيل الحزم، والكفاءة الطيفية، وكفاءة الطاقة، ونسبة الإشارة إلى التداخل والضوضاء (SINR). علاوة على ذلك، أثبتت دراسة الاستئصال فعالية كل مكون من مكونات النظام.

الإفصاحات

ليس لدى المؤلفين أي تضاربات في المصالح.

شكر وتقدير

تم دعم هذا العمل جزئيًا من قبل المؤسسة الوطنية للعلوم الطبيعية في الصين (منحة رقم 62466036) وصندوق بدء البحوث بجامعة GanDong (منحة رقم 12225000423). يود المؤلفون شكر جامعة GanDong لتوفير المرافق البحثية اللازمة والدعم المؤسسي. كما تم دعم هذا العمل من قبل كلية هندسة المعلومات ومختبر خوارزميات وتطبيقات الذكاء الاصطناعي في جامعة GanDong، فوتشو، الصين.

المواد

قائمة المواد المستخدمة في هذه المقالة
الاسمالشركةرقم فهرسيالتعليقات
أداة CUDANVIDIACUDA 12.4https://developer.nvidia.com/cuda-toolkit
DGLفريق DGLDGL 2.2.1https://www.dgl.ai
ماتبلوتليبفريق تطوير ماتبلوتليبماثبليت 3.9.0https://matplotlib.org
نامب بايمطوّرو NumPyنامبى 1.26.4https://numpy.org
بايثونمؤسسة بيثون للبرمجياتبايثون 3.10.13https://www.python.org
بايتورشميتا إم آيبايتورش 2.3.1https://بيتورش.أورغ
بايتورش جيومتريكفريق PyGباي جي 2.5.3https://pytorch-geometric.readthedocs.io
الحبار البحريمطورو سي بورنسيبورن 0.13.2https://seaborn.pydata.org
تنسورفلوجوجلتسرفلو 2.16.1https://www.tensorflow.org

المراجع

  1. Yang S, et al. Near-field channel estimation for extremely large-scale reconfigurable intelligent surface (XL-RIS)-aided wideband mmWave systems. IEEE J Sel Areas Commun. 2024;42:1567-82.
  2. Ni H, et al. Energy-efficient near-field beamforming: A review on practical channel models. Energies. 2025;18:2966.
  3. Di Renzo M, et al. Smart radio environments empowered by reconfigurable intelligent surfaces: How it works, state of research, and the road ahead. IEEE J Sel Areas Commun. 2020;38:2450-525.
  4. Tang W, et al. Wireless communications with reconfigurable intelligent surface: Path loss modeling and experimental measurement. IEEE Trans Wirel Commun. 2021;20:421-39.
  5. Li R, et al. Joint design of hybrid beamforming and reflection coefficients in RIS-aided mmWave MIMO systems. IEEE Trans Commun. 2022;70:2404-16.
  6. Wei L, et al. Joint channel estimation and signal recovery for RIS-empowered multiuser communications. IEEE Trans Commun. 2022;70:4640-55.
  7. Yang S, et al. Separate channel estimation with hybrid RIS-aided multi-user communications. IEEE Trans Veh Technol. 2022;72(1):1318-24.
  8. Wei L, et al. Channel estimation for RIS-empowered multi-user MISO wireless communications. IEEE Trans Commun. 2021;69:4144-57.
  9. Huang C, et al. Multi-hop RIS-empowered terahertz communications: A DRL-based hybrid beamforming design. IEEE J Sel Areas Commun. 2021;39:1663-77.
  10. Fascista A, et al. RIS-aided joint localization and synchronization with a single-antenna receiver: Beamforming design and low-complexity estimation. IEEE J Sel Top Signal Process. 2022;16:1141-56.
  11. Huang C, et al. Reconfigurable intelligent surfaces for energy efficiency in wireless communication. IEEE Trans Wirel Commun. 2019;18:4157-70.
  12. Fan W, et al. Near-field channel characterization for mid-band ELAA systems: Sounding, parameter estimation, and modeling. arXiv. 2024;arXiv:2405.06159.
  13. Hasan SR, et al. A comprehensive review on reconfigurable intelligent surface for 6G communications: Overview, deployment, control mechanism, application, challenges, and opportunities. Wirel Pers Commun. 2024;139:375-429.
  14. Cui M, et al. Near-field MIMO communications for 6G: Fundamentals, challenges, potentials, and future directions. IEEE Commun Mag. 2023;61:40-6.
  15. Zhang H, Shlezinger N, Guidi F, Dardari D, Eldar YC. 6G wireless communications: From far-field beam steering to near-field beam focusing. IEEE Commun Mag. 2023;61(4):72-7.
  16. Ning B, et al. Beamforming technologies for ultra-massive MIMO in terahertz communications. IEEE Open J Commun Soc. 2023;4:614-58.
  17. Xu B, et al. Resource allocation for near-field communications: Fundamentals, tools, and outlooks. IEEE Wirel Commun. 2024;31:42-50.
  18. Devi P, Bharti MR, Gautam D. A survey on physical layer security for 5G/6G communications over different fading channels: Approaches, challenges, and future directions. Veh Commun. 2025;53:100891.
  19. Elzanaty A, et al. Near and far field model mismatch: Implications on 6G communications, localization, and sensing. IEEE Internet Things Mag. 2024;7:120-6.
  20. Liu Y, et al. Near-field communications: A tutorial review. IEEE Open J Commun Soc. 2023;4:1999-2049.
  21. Wang Z, Mu X, Liu Y. Near-field integrated sensing and communications. IEEE Commun Lett. 2023;27:2048-52.
  22. Dai L, Tan J, Chen Z, Poor HV. Delay-phase precoding for wideband THz massive MIMO. IEEE Trans Wirel Commun. 2022;21:7271-86.
  23. Zhang H, et al. Beam focusing for near-field multiuser MIMO communications. IEEE Trans Wirel Commun. 2022;21(9):7476-90.
  24. Lu H, Zeng Y. Near-field modeling and performance analysis for multi-user extremely large-scale MIMO communication. IEEE Commun Lett. 2022;26:277-81.
  25. Zhang J, Björnson E, Matthaiou M, Ng DWK, Larsson EG. Prospective multiple antenna technologies for beyond 5G. IEEE J Sel Areas Commun. 2020;38:1637-60.
  26. Liu Y, et al. Near-field communications: A comprehensive survey. IEEE Commun Surv Tutor. 2025;27:1687-728.
  27. Liu Y, et al. Near-field communications: What will be different? IEEE Wirel Commun. 2025;32:262-70.
  28. Gong T, et al. Holographic MIMO communications: Theoretical foundations, enabling technologies, and future directions. IEEE Commun Surv Tutor. 2024;26:196-257.
  29. Lu S, et al. Integrated sensing and communications: Recent advances and ten open challenges. IEEE Internet Things J. 2024;11:19094-120.
  30. Yan W, et al. Beamforming analysis and design for wideband THz reconfigurable intelligent surface communications. IEEE J Sel Areas Commun. 2023;41:2306-20.
  31. Hao W, et al. Ultra-wideband THz IRS communications: Applications, challenges, key techniques, and research opportunities. IEEE Netw. 2022;36:214-20.
  32. Sun H, et al. Time-delay unit-based beam squint mitigation for RIS-aided communications. IEEE Commun Lett. 2022;26:2220-4.
  33. Cui M, Dai L. Near-field wideband beamforming for extremely large antenna arrays. IEEE Trans Wirel Commun. 2024;23(10):13110-24.
  34. Wang Z, et al. TTD configurations for near-field beamforming: Parallel, serial, or hybrid? IEEE Trans Commun. 2024;72:3783-99.
  35. Xu J, et al. Near-field wideband extremely large-scale MIMO transmission with holographic metasurface antennas. arXiv. 2022;arXiv:2205.02533.
  36. Nordio A, et al. Near-field IRS configuration techniques for wideband signals and THz communications. In: Proc IEEE Int Conf Commun Workshops (ICC Workshops); 2023. p. 1198-203.
  37. Huang C, Zappone A, Alexandropoulos GC, Debbah M, Yuen C. Holographic MIMO surfaces for 6G wireless networks: Opportunities, challenges, and trends. IEEE Wirel Commun. 2020;27:118-25.
  38. Monemi M, et al. 6G Fresnel spot beamfocusing using large-scale metasurfaces: A distributed DRL-based approach. IEEE Trans Mob Comput. 2024;23:11670-84.
  39. Zhu F, et al. Robust beamforming for RIS-aided communications: Gradient-based manifold meta learning. IEEE Trans Wirel Commun. 2024;23(11):15945-56.
  40. Wang X, et al. Energy-efficient beamforming for RISs-aided communications: Gradient based meta learning. In: Proc IEEE Int Conf Commun (ICC); 2024. p. 1-6.

إعادة الطباعة والأذونات

الوسوم

تحسين تكوين الشعاعالشبكات العصبية الرسوميةآلية الانتباهإطار التعلم العميقانتشار الموجات الكرويةالأسطح الميتا-ذكية فائقة الضخامةالكفاءة الطيفيةكفاءة الطاقة
تواصل معنا
أوصِ به للمكتبة

الخصوصية

شروط الاستخدام

السياسات

حقوق الطبع والنشر © 2026 MyJoVE Corporation. جميع الحقوق محفوظة.