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

3 مشاهدات

⸱

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 القنوات في المجال القريب وتشكيل الحزم في أنظمة 6G الممكنة بتقنية XL-IMS بين النمذجة القائمة على الفيزياء وتحسين التعلم الآلي للتغلب على قيود مناهج المجال البعيد التقليدية. تم تطوير نموذج قناة للمجال القريب يدمج انتشار الموجات الكروية وعدم الاستقرار المكاني، وتم التحقق من صحته باستخدام مجموعة بيانات DeepMIMO. يتم تمثيل معلومات القناة على هيئة رسم بياني لالتقاط التبعيات المكانية بين عناصر السطح الخارق والمستخدمين، ويتم توظيف شبكة GNN-attention شاملة 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 وقدرة على التكيف مع ظروف القناة الديناميكية. تم تقييم الأداء من حيث المعدل القابل للتحقيق، وكسب تشكيل الحزمة، 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. وفي المحاكاة، يتم تمثيل XL-IMS بواسطة مصفوفة مستوية منتظمة 16×16 مكونة من 256 عنصر عاكس، تفصل بينها مسافة λ/2. أما نموذج الانتشار المختار فهو موجة كروية ذات مسارات خط رؤية (LoS) ومسارات غير خطية الرؤية (NLoS).

الخطوة 2: تحديد هندسة XL-IMS ومواقع المستخدمين

صُمم سطح XL-IMS كسطح ميتا مستوٍ بأبعاد 16×16، يتكون من 256 عنصرًا عاكسًا قابلاً لإعادة التشكيل. وقد وُزعت أجهزة الطرفية للمستخدم عشوائيًا ضمن نطاق المجال القريب، من 0.5m إلى 10m من XL-IMS، وذلك بناءً على معيار مسافة رايلي.

الخطوة 3: توليد قنوات المجال القريب باستخدام انتشار الموجات الكروية

قم بنمذجة القنوات بين كل عنصر من عناصر السطح الخارق القابل لإعادة التشكيل والمستخدم باستخدام انتشار الموجات الكروية، والذي يأخذ في الاعتبار تباين الطور الناجم عن المسافة.

الخطوة 4: إنشاء بيانات القناة للمجال القريب

تم توزيع أطراف المستخدمين بشكل منتظم ضمن منطقة المجال القريب (0.5-10 m) من لوحة XL-IMS. واستُخدمت مسارات انتشار الإشارة في حالتي خط البصر (LoS) وعدم وجود خط البصر (NLoS) الناتجة عن سيناريو DeepMIMO O1 Outdoor لتوليد القنوات.

الخطوة 5: تحضير مجموعة البيانات للتدريب والاختبار

تألفت مجموعة البيانات التي تم إنشاؤها من 20,000 عينة، استُخدم منها 16,000 (80%) للتدريب و 4,000 (20%) للاختبار.

الخطوة 6: تسوية الميزات المدخلة وتجهيز مدخلات النموذج

تضمنت المرحلة النهائية من عملية التحضير إجراء تحجيم الحد الأدنى والأقصى (Min-Max scaling) لجميع الميزات المدخلة، مثل مقدار القناة، والطور، والمسافة، وإحداثيات المستخدم. قامت هذه العملية بتحجيم البيانات وتحويلها إلى تنسورات (tensors)، والتي تم تزويد شبكة GNN-attention بها. وقد تم تحسين النموذج باستخدام محسن Adam بمعدل تعلم قدره 0.001 و50 حقبة (epochs).

الخطوة 7: تطبيق آلية الانتباه

أضف آلية انتباه (attention mechanism) للنظر في معلومات الرسم البياني العالمية والتقاط التبعيات طويلة المدى بين عقد الرسم البياني. يساعد هذا النموذج على التركيز على الميزات المكانية المهمة.

الخطوة 8: التنبؤ بأوزان تكوين الشعاع

توقع أوزان تشكيل الحزمة وقيم إزاحة الطور باستخدام تضمين GNN-attention. تحل طريقة التوقع محل إجراءات تشكيل الحزمة المعقدة والمضنية والمتكررة.

الخطوة 9: تقييم مقاييس الأداء

لتقييم مدى كفاءة عمل الاتصال وتشكيل الحزمة، قم بحساب مؤشرات الأداء الرئيسية (KPIs) مثل المعدل القابل للتحقيق، وكسب تشكيل الحزمة، وكفاءة الطيف، وكفاءة الطاقة، ونسبة الإشارة إلى التداخل والضجيج (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 بسطح ذكي قابل لإعادة التشكيل (XL-IMS) يتكون من 256 عنصرًا عاكسًا قابلًا لإعادة التشكيل، والتي تتحكم في انتشار الموجات الكهرومغناطيسية من خلال إزاحات طورية قابلة للتعديل. وبما أن المستخدمين يعملون في منطقة المجال القريب، فإن افتراض الموجة المستوية التقليدي للمجال البعيد يصبح غير صالح، مما يتطلب مراعاة انتشار الموجة الكروية، والتوهين المعتمد على المسافة، وعدم الاستقرار المكاني. ويتم تحديد الحد الفاصل بين منطقتي المجال القريب والبعيد بواسطة مسافة رايلي، التي تعتمد على حجم السطح الخارق والطول الموجي للحامل، وتشير إلى الانتقال من تأثيرات جبهة الموجة الكروية إلى انتشار الموجة المستوية. ويتم وصف ذلك على النحو التالي:

figure-protocol-1 (1)

هنا، يمثل D حجم السطح الميتاي، و λ يمثل الطول الموجي، و R يمثل مسافة رايلي. وتحدث ظاهرة المجال القريب في قناة الاتصال عندما يتواجد المستخدم في موقع أقرب من القيمة الفعلية لـ R. وبينما تنتقل الإشارة عبر مكونات السطح الميتاي المختلفة، فإنها تخضع لتغيرات متميزة في الطور والسعة.

تستخدم القناة من السطح الميتاوي (meta-surface) رقم n إلى المستخدم نموذج موجة كروية للانتشار في المجال القريب، والتي تُمثَّل بمعادلة معامل القناة على النحو التالي:

figure-protocol-2 (2)

هنا، تشير α إلى معامل فقدان المسار، وتشير λ إلى الطول الموجي للحامل، بينما تمثل dn مسافة المستخدم عن المكون.

في هذه الحالة، βن هل عامل فقدان المسار خاص بـ يرجى تزويدي بالنص المراد ترجمته.th عنصر XL-IMS ويمكن التعبير عنه على النحو التالي βن = دن−α، حيث α يرمز إلى أس فقدان المسار. وتجدر الإشارة إلى أن دن هي المسافة الإقليدية من موضع المستخدم إلى الـ يرجى تقديم النص المصدر المراد ترجمته.th عنصر السطح الخارق. وتحدث تغيرات القناة فيما يتعلق بالمكان نتيجة للاختلافات الجوهرية في ديرجى تزويدي بالنص الذي ترغب في ترجمته. بين مختلف الأسطح الميتاوية (meta-surfaces)، على عكس الحالة في قنوات المجال البعيد. وبشكل عام، يمكن شرح متجه القناة على النحو التالي:

figure-protocol-3 (3)

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

figure-protocol-4 (4)

حيث Φ = diag(ejθ1, ….., ejθN) هي الإشارة المرسلة، و w هو متجه الترميز المسبق الأساسي، و n يمثل الضوضاء. يُعرّف متجه قناة المجال القريب على أنه h ∈ ℂN×1، ومصفوفة إزاحة الطور القطرية لـ XL-IMS على أنها Φ ∈ ℂN×N، ومتجه تكوين الشعاع على أنه x ∈ ℂN×1، والإشارة المستلمة على أنها y ∈ ℂ. كما يُعرّف حد الضوضاء المضافة على أنه n ∼ CN (0, σ2). وتضمن هذه الأبعاد الصحة الرياضية للصياغة.

في هذه الحالة، يمثل ws متجه ترميز مسبق للمحطة الأساسية والذي يُستخدم لترميز الرمز المرسل (s). وأثناء تقييم الأداء، يتم تنفيذ طرق الترميز المسبق الرقمي الشائعة مثل ZF و MMSE في المحطة الأساسية باستخدام تحققات مماثلة للقنوات في المجال القريب. ومع ذلك، يسعى النهج الجديد إلى تحسين مصفوفة إزاحة الطور (θ) لنظام XL-IMS من خلال آلية تعلم GNN-attention.

لتركيز الطاقة في منطقة المجال القريب، يجب أن يكون من الممكن تحقيق تصميم θ يحدث عنده تداخل بناء بالنسبة للمستخدم. تهدف استراتيجية تشكيل الحزمة إلى تعظيم الكفاءة الطيفية أو قدرة الإشارة المستقبلة. يوضح الشكل 2 بنية نموذج نظام الاتصالات في المجال القريب القائم على نهج XL-IMS.

نمذجة القنوات في المجال القريب

صُمم نموذج المجال القريب لشبكات اتصالات الجيل السادس (6G) القائمة على السطوح الذكية فائقة الضخامة (XL-IMS) المقترح خصيصاً لمحاكاة ظروف الانتشار بالقرب من مسافة رايلي من السطح الميتاي (metasurface). وفي منطقة المجال القريب، يكون الانتشار كروياً، مع قيم طور متغيرة ومعاملات مكانية غير متجانسة عبر السطح الميتاي، 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 الميتاي وأطراف المستخدمين.

تمثيل القناة بناءً على المسافة

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

figure-protocol-5 (5)

تتفاوت هذه القيمة بشكل ملحوظ عبر السطح الميتاي (metasurface) نظرًا لمساحته الكبيرة للغاية، مما يؤدي إلى أزمنة انتشار وإزاحات طورية غير متساوية يجب أخذها في الاعتبار في 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 كلاً من انتشار المسارات المتعددة في خط البصر (LoS) وخارج خط البصر (NLoS) بناءً على هياكل بيئية واقعية. وبناءً على ما سبق، يمكن إنشاء مصفوفة استجابة القناة من استجابات القناة لجميع عناصر السطح الخارق N كما في المعادلة (3).

اللااستقرار 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، مما يسمح بتركيز 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 القائم على التعلم العميق.

إنشاء مجموعة البيانات

تم إنشاء البيانات باستخدام إطار عمل DeepMIMO، الذي يوفر عمليات محاكاة واقعية للقنوات تعتمد على تتبع الأشعة وتدمج الهندسة البيئية، والاتساق المكاني، وحركية المستخدم. تم توليد استجابات القناة لمواقع مستخدمين متعددة في المجال القريب باستخدام سيناريو O1 الخارجي عند تردد حامل قدره 28 GHz ونطاق ترددي قدره 100 MHz. تألف نظام XL-IMS من 256 عنصراً عاكساً موزعة بانتظام، وتم اختيار مواقع المستخدمين ضمن منطقة المجال القريب بناءً على معيار Rayleigh. تم استخراج معاملات القناة، ومكاسب المسار، والمعلومات المكانية باستخدام مكتبة DeepMIMO المكتوبة بلغة Python. يلخص الجدول التكميلي 1 معاملات المحاكاة وقابلية إعادة الإنتاج. تم تدريب النموذج باستخدام التعلم الخاضع للإشراف، حيث كانت ميزات حالة القناة هي المدخلات، وأوزان تشكيل الشعاع المحسنة القائمة على الفيزياء هي التسميات المستهدفة.

إنشاء ميزات المدخلات وهيكل مجموعة البيانات

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

تحضير مجموعة البيانات للتدريب

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

تمثيل السمات

قامت مرحلة تمثيل السمات بتحويل بيانات القناة في المجال القريب ذات القيم المركبة إلى تنسيق مناسب للتعلم العميق. حيث تم تحليل استجابات القناة إلى سمات تلتقط الخصائص المكانية وخصائص الانتشار مع الحفاظ على معلومات المجال القريب الأساسية لعملية التعلم. يوضح الشكل التوضيحي 2 مجموعة بيانات DeepMIMO المستخدمة في هذه العملية. وقد تم تمثيل بيانات القناة من بيئة المجال القريب كأعداد مركبة hn، مع وجود مكونات حقيقية وتخيلية تمثل معلومات الطور والسعة لمعاملات القناة. وللسماح بالاستخدام الفعال في خوارزميات التعلم الآلي، تم تحليل المعاملات إلى أجزائها الحقيقية (Rehn) والتخيلية (Imhn). كما يمكن تمثيل البيانات في صورة المقدار hn وطور المعاملات ∠hn.

استخراج السمات المكانية

بالإضافة إلى معامل القناة، تم إدراج الميزات المكانية لمراعاة الطبيعة الهندسية لبيئة المجال القريب. وشمل ذلك المسافة dn من كل عنصر في السطح الخارق إلى المستقبل، إلى جانب إحداثيات المستقبل (x، y، z). وبهذه الطريقة، أخذ النموذج في الاعتبار 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 تطبيع (normalization) لتجنب عدم الاستقرار العددي وتسريع التقارب. قُسمت المتجهات الهيكلية إلى مجموعتي بيانات للتدريب والاختبار، يُرمز لهما بـ (Xtrain, Xtest). وبهذه الطريقة، تم بعد ذلك تزويد نماذج GNN والانتباه (attention models) بالمدخلات.

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

تصميم التعلم العميق باستخدام الشبكات العصبية الرسومية (GNN) لنمذجة الاعتماد المكاني مدمجاً مع آلية انتباه هجينة لتعلم السياق العالمي

تم تطوير خوارزمية التعلم هذه لتدريب قناة XL-IMS المعقدة في المجال القريب بكفاءة، بما تتضمنه من خصائص مكانية وانتشارية، وذلك باستخدام الشبكات العصبية الرسومية (GNNs) وآلية الانتباه. ونظرًا لأن عناصر السطح الخارق (metasurface) مترابطة بشكل وثيق مع بعضها البعض وتفاعلاتها غير منتظمة ضمن منطقة المجال القريب، فإن الشبكة متصلة بالكامل ليست مناسبة لتمثيل القناة بشكل صحيح. وبناءً على ذلك، يتم تمثيل السطح الخارق في هذا النهج كرسم بياني، حيث يعمل كل عنصر كنقطة (node) وتعمل التفاعلات بينها كحواف (edges). وقد قامت الشبكة العصبية الرسومية بالتقاط التبعيات المكانية الموضعية بين النقاط المتجاورة، بينما عملت آلية الانتباه على تحسين تعلم التبعيات العالمية.

التمثيل البياني لتقنية XL-IMS

يتم إنشاء XL-IMS كرسم 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 هذه العناصر. يمتلك كل رأس متجه سمات xn، يتم الحصول عليه من خلال مرحلة تمثيل السمات. وتلتقط مصفوفة الجوار A الاتصال بين الرؤوس المتقاربة أو تلك التي تقع ضمن قيود مسافة معينة. وتُستخدم صياغة الرسم البياني هذه لدمج المعلومات المكانية الموجودة في انتشار المجال القريب.

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

في شبكة العصبونات الرسومية (GNN) المقترحة، يتم حساب تحديثات كل عقدة بناءً على المعلومات الواردة من العقد المجاورة الأخرى. وبشكل خاص، يمكن تمثيل عملية الانتشار للطبقة l على النحو التالي:

figure-protocol-6 (6)

حيث يمثل hi(l) متجه الميزات للرأس i في الطبقة l، وN(i) هو جوار الرأس i، وW(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 إنشاء الرسوم البيانية باستخدام طريقة الجيران الأقرب k (k=8). تعمل كل ميزة من ميزات XL-IMS كعقدة، بينما تتشكل الحواف بناءً على المسافة الإقليدية بين العقد المتجاورة. ولاستخراج التبعيات المكانية العالمية، استخدمنا شبكة انتباه ذاتي متعددة الرؤوس مكونة من 4 رؤوس. تم ضبط احتمالية الإسقاط (dropout probability) عند 0.3 لمنع فرط التخصيص.

آلية الانتباه

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

figure-protocol-7 (7)

حيث eij = LeakyReLU(aT[Whi | Whj]) تمثل أهمية العقدتين i و j. ومن خلال هذا النموذج، يمكن تعيين مستويات مختلفة من الأهمية للعقد بناءً على أدوارها، مما يسهل على النموذج فهم السياق العام عبر السطح الميتاي (metasurface). يلتقط الإطار الهجين المعلومات المكانية المحلية والعامة معاً، وتتم معالجة الميزات المكتسبة عبر طبقات متصلة بالكامل لتوليد أوزان تشكيل الحزمة (beamforming weights). وكما هو موضح في الشكلين التكميليين 3 و4، تقوم نماذج الشبكات العصبية الرسومية (GNN) بنمذجة التبعيات المكانية المحلية من خلال تمرير الرسائل وتجميع الميزات، بينما تلتقط آلية الانتباه التفاعلات العامة بين عناصر السطح الميتاي، مما يتيح تشكيلاً فعالاً للحزمة في المجال القريب. يتم حساب أوزان الانتباه لقياس مدى صلة أزواج العقد، مع تعيين أهمية أعلى للتفاعلات الأكثر غنى بالمعلومات. وباستخدام هذه الأوزان، تقوم كل عقدة بتجميع المعلومات من جميع العقد الأخرى، مما يمكن النموذج من التقاط التبعيات العامة التي تتجاوز الجوارات المحلية. وينتج عن دمج الميزات الموزونة تمثيل ميزات محسن يبرز الخصائص المكانية المهمة مع كبح المعلومات الأقل صلة، مما يدعم التحسين الفعال لتشكيل الحزمة وتركيز الطاقة.

تحسين تشكيل الحزمة

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

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

figure-protocol-8 (8)

figure-protocol-9 (9)

تم تشغيل مُحسِّن AO لمدة 100 تكرار حتى وصل إلى عتبة التقارب المطلوبة وهي 10−4. وكانت هذه القيم المُحسَّنة بمثابة تسميات التدريب لنموذج GNN-attention الخاص بنا. وكان الهدف هو تحقيق تداخل بناء لتركيز حزمة المجال القريب بشكل فعال وتعزيز قدرة الإشارة المستلمة. وبدلاً من طرق التحسين التقليدية مثل SDR أو AO، تم حل المشكلة باستخدام نهج قائم على التعلم. وتحديداً، تمت مقاربة مشكلة تحسين تكوين الحزمة بواسطة نموذج تعلم عميق fΘ(⋅).

تم اعتماد التعلم الخاضع للإشراف لتدريب نموذج GNN-attention، حيث عملت متجهات إزاحة الطور المثلى لتشكيل الشعاع الناتجة عن خوارزمية AO كأهداف للتدريب. وتحديداً، لنرمز لمتجه إزاحة الطور الأمثل الناتج عن AO بالرمز θAO,i وتنبؤات الشبكة بالرمز figure-protocol-10. ومن ثم، صِيغ معيار التدريب على النحو التالي:

figure-protocol-11 (10)

حيث N هو عدد عينات التدريب.

الخوارزمية 1: يظهر تشكيل الحزم 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 سمات القناة في المجال القريب لكل عينة باستخدام نموذج الموجة الكروية، ومن ثم استُخلصت السمات المهمة، مثل معاملات القناة والسمات المكانية، من قاعدة البيانات. حُوّلت السمات المستخلصة إلى شكل مهيكل ثم مُثلت كرسم بياني، بحيث تكون عناصر السطح الخارق بمثابة العقد. تم إنشاء نموذج التعلم العميق باستخدام طبقات GNN لالتقاط التبعيات المكانية المحلية، كما تم إدراج آلية الانتباه لتعلم التبعيات العالمية. تم تدريب إطار التعلم العميق باستخدام التعلم الخاضع للإشراف مع فقدان MSE بين إزاحات الطور المتوقعة وتسميات إزاحة الطور المثلى الناتجة عن AO.

تم تنفيذ هذا التطبيق باستخدام Python وPyTorch. وتم الحصول على عينات قناة DeepMIMO من سيناريو O1 الخارجي. كما تم تحويل معاملات القناة هذه إلى رسوم بيانية ومعالجتها باستخدام GNN تتكون من ثلاث طبقات وآلية انتباه متعددة الرؤوس. وتم تدريب النموذج باستخدام محسّن Adam مع دالة خسارة MSE. وقد أنتج هذا النموذج إزاحات طورية وأوزانًا لتشكيل الحزمة للمستخدمين في المجال القريب، وتم تقييم النتائج من حيث المعدل، والكفاءة، ونسبة الإشارة إلى التداخل والضجيج (SINR).

النتائج

يتم تقييم أداء إطار عمل نمذجة القنوات في المجال القريب وتشكيل الشعاع الذي تم تقديمه للأسطح الذكية الضخمة (XL-IMS) في شبكات اتصالات الجيل السادس (6G) باستخدام مجموعة بيانات DeepMIMO، والتي توفر بيئات انتشار عملية وبيانات قنوات متسقة مكانياً. ولتكوين مجموعة البيانات هذه، يجب توليد العديد من عينات القنوات التي تمثل مواقع مستخدمين متنوعة في المجال القريب للسطح الميتافيزيقي. وبالتحديد، تستخدم هذه الدراسة ما يصل إلى 10,000–20,000 عينة تم جمعها تحت ظروف انتشار ومواقع مستخدمين مختلفة. وقد تم استخدام نسبة 80:20 لتقسيم عينات القنوات هذه إلى 80% للتدريب و20% للاختبار. وبهذا المعنى، تقوم مجموعة الاختبار بتقييم قدرة النموذج على التعميم، بينما توفر مجموعة التدريب أساساً للتعلم.

تظهر النتائج التجريبية أن إطار عمل GNN-Attention المقترح يتفوق على طرق تكوين الشعاع في المجال البعيد التقليدية والطرق القائمة على التحسين. ومن خلال الجمع بين نمذجة قناة الموجة الكروية واستخراج الميزات المكانية القائم على التعلم العميق، يحقق النهج المقترح كسباً أعلى في تكوين 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 تكوين الشعاع التقليدية، بما في ذلك ZF وMMSE، بالإضافة إلى الطرق القائمة على التحسين مثل SDR وAO. 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 تكويناً فعالاً للشعاع مع عبء حسابي أقل. ولضمان عدالة المقارنة، تم تقييم جميع الطرق باستخدام نفس قنوات المجال القريب التي أنتجها DeepMIMO، وتكوين XL-IMS، وتردد الموجة الحاملة، ومواقع المستخدمين، وقدرة الإرسال، وظروف نسبة الإشارة إلى الضوضاء (SNR). وافترضت طريقتا ZF وMMSE تماثل معلومات حالة القناة، بينما تم تنفيذ SDR وAO تحت نفس قيود القدرة وإزاحة الطور باستخدام إعدادات المعاملات القياسية المستمدة من الأدبيات العلمية.

التحقق من صحة نمذجة القناة في المجال القريب

تُستخدم الطرق المرجعية، بما في ذلك ZF وMMSE وSDR وAO، لمقارنة أداء المعدل القابل للتحقيق لنموذج تشكيل الحزم المقترح القائم على الشبكة العصبية الرسومية وآلية الانتباه في الشكل 3مع زيادة نسبة الإشارة إلى الضجيج (SNR) من 0 إلى 30 ديسيبل، تظهر جميع الطرق تحسناً في المعدلات القابلة للتحقيق؛ ومع ذلك، يتفوق النموذج المقترح باستمرار على النماذج المرجعية. حيث يحقق 2.1 بت/ثانية/هرتز عند 0 ديسيبل، و7.8 بت/ثانية/هرتز عند 15 ديسيبل، و11.6 بت/ثانية/هرتز عند 30 ديسيبل، متجاوزاً أداء كل من ZF وMMSE وSDR وAO عبر جميع مستويات نسبة الإشارة إلى الضجيج. الجدول 1 يُقدّم مقارنة بين المعدلات القابلة للتحقيق مقابل نسبة الإشارة إلى الضوضاء (SNR).

الشكل 4 يقارن كسب تشكيل الشعاع 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، تقل قدرة إشارة تشكيل الشعاع المستلمة بسبب زيادة فقدان مسار الانتشار، مما يؤدي إلى انخفاض كسب تشكيل الشعاع في جميع الطرق. ومع ذلك، يحقق إطار GNN-attention المقترح باستمرار أعلى كسب لتشكيل الشعاع، 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. وتبرهن هذه النتائج على القدرة الفائقة للإطار المقترح في تركيز الشعاع في المجال القريب والقدرة على الاحتفاظ بالكسب، مما يؤدي إلى تحسين كفاءة تشكيل الشعاع مقارنة بالطرق الحالية.

أداء إطار تعلم الشبكة العصبية الرسومية المعتمد على آلية الانتباه (GNN-attention)

تقارن الشكل 5 الكفاءة الطيفية لمخطط تكوين الشعاع المقترح المعتمد على GNN-attention مع كل من ZF وMMSE وSDR وAO عبر قيم SNR تتراوح من 0 إلى 30 dB. وعلى الرغم من زيادة الكفاءة الطيفية لجميع الطرق مع ارتفاع 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 المعتمد على GNN-attention مع 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 2.5 bits/Joule تقريباً 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 حقبات التدريب. ينخفض متوسط مربع الخطأ بسرعة خلال المراحل المبكرة من التدريب، حيث يهبط 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) يقارب 0.04, مما يشير إلى استقرار التدريب والتعلم الفعال لخصائص القناة الأساسية.

نتائج تحسين تشكيل الشعاع

تقارن الشكل 8 أداء معدل المجموع لطريقة تكوين الشعاع المقترحة القائمة على شبكات العصبونات الرسومية مع الانتباه (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 حقق 12.5 bps/Hz لمستخدمين اثنين، و31.6 bps/Hz لستة مستخدمين، و50.3 bps/Hz لاثني عشر مستخدماً، متفوقاً 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 طرق ZF وMMSE وSDR وAO. تحقق الطريقة المقترحة أعلى كفاءة لتعدد المستخدمين (92.5%)، وأعلى نسبة إشارة إلى تداخل وضوضاء SINR بقيمة (24.8 dB)، وأعلى زيادة في السعة (50.3 bps/Hz)، مما يثبت قدرة فائقة على التوسع وإدارة التداخل وتخصيص الموارد مقارنة بالطرق المرجعية. يعرض الشكل 9 مقارنة لدوال التوزيع التراكمي (CDFs) لـ SINR. يُظهر النهج المقترح توزيعاً مزاحاً نحو اليمين، مما يشير إلى قيم SINR أعلى باستمرار عبر المستخدمين. وعند الوسيط (المئوية 50)، يحقق قيمة SINR تبلغ تقريباً 25 dB، متفوقاً بذلك 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 attention، مما يتيح تكويناً فعالاً للشعاع في المجال القريب. وتثبت نتائج CDF إدارة أكثر قوة للتداخل وقيم SINR أعلى باستمرار مقارنة بطرق ZF وMMSE وSDR وAO التقليدية.

يعرض الجدول 3 متوسط الأداء، والانحراف المعياري، وفترات الثقة 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 المعتمد على GNN-attention المقترح مع الطرق التقليدية. خلال التدريب، يتم تحديد التكلفة الحسابية بشكل أساسي من خلال تمرير الرسائل في الرسم البياني وآلية الانتباه، مما يؤدي إلى تعقيد قدره O(E·L·F2 + N2). وعلى الرغم من هذه الأعباء الإضافية أثناء التدريب، فإن مكون تكوين الشعاع المكتسب 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 المدعومة 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. يتضمن الإطار الكامل جميع المكونات الثلاثة، 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 إجراء تقييم الأداء باستخدام مقاييس مثل المعدل القابل للتحقيق، وكسب تشكيل الحزمة (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 يكون له الأثر السلبي الأكبر عند حذفه. يشير هذا إلى أهمية نمذجة القناة بدقة في نظام المجال القريب.

من خلال نتائج الاستئصال الواردة في الجدول 5، يمكن التحقق من أهمية كل جزء من البنية المقترحة. وكما يظهر في نتائج التجربة أعلاه، يحقق النموذج الذي يشتمل على جميع الأجزاء أفضل أداء، بمعدل قابل للتحقيق يبلغ 11.6 bps/Hz، وكسب تشكيل حزمة قدره 28 dB، ونسبة إشارة إلى تداخل وضجيج (SINR) تبلغ 25 dB، مما يثبت كفاءة البنية المقترحة. أما بدون آلية الانتباه، فيحقق النموذج 10.2 bps/Hz فقط، مما يشير إلى ضعف سياق الإشارة العالمي. بالإضافة إلى ذلك، يؤدي إزالة مكون GNN إلى أداء ضعيف يبلغ 9.8 bps/Hz، مما يشير إلى أن نمذجة التبعيات المكانية ضرورية للاتصالات في المجال القريب. ولوحظ أكبر تدهور في الأداء عند تجاهل نموذج الموجات الكروية القائم على الفيزياء، حيث تحقق معدل قابل للتحقيق قدره 8.5 bps/Hz ونسبة SINR تبلغ 19.2 dB، مما يثبت أن نمذجة القنوات في المجال القريب ضرورية أيضاً.

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

توافر البيانات

إن مجموعات البيانات والمواد الداعمة التي تم إنشاؤها وتحليلها خلال هذه الدراسة متاحة للعموم في مستودع Zenodo على الرابط https://doi.org/10.5281/zenodo.21037047. وقد 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.

figure-results-1
الشكل 1: البنية العامة للعمل المقترح. توضيح تخطيطي للمسار الكامل لطريقة نمذجة القناة في المجال القريب وتشكيل الحزمة المقترحة. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

figure-results-2
الشكل 2: بنية نموذج النظام. يوضح مخطط تخطيطي بنية مستوى النظام لاتصالات 6G القائمة على XL-IMS مع تركيز الحزمة في المجال القريب. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

figure-results-3
الشكل 3: نتيجة المعدل القابل للتحقيق مقابل SNR. أداء المعدل كدالة في SNR للمنهجيات المقترحة والحالية. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

figure-results-4
الشكل 4: كسب تشكيل الشعاع مقابل المسافة. كسب تشكيل الشعاع الذي تم تحقيقه بواسطة طرق تشكيل شعاع مختلفة كدالة لمسافة 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.

figure-results-5
الشكل 5: نتيجة الكفاءة الطيفية مقابل نسبة الإشارة إلى الضوضاء (SNR). مقارنة الكفاءة الطيفية عند قيم مختلفة من SNR. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

figure-results-6
الشكل 6: نتيجة كفاءة الطاقة مقابل نسبة الإشارة إلى الضوضاء (SNR). أداء كفاءة الطاقة عند قيم SNR مختلفة. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

figure-results-7
الشكل 7: نتيجة تقارب متوسط مربع الخطأ (MSE). تقارب خسارة MSE أثناء التدريب. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

figure-results-8
الشكل 8: نتيجة معدل المجموع مقابل عدد المستخدمين. أداء معدل المجموع مع زيادة عدد المستخدمين. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

figure-results-9
الشكل 9: نتيجة مقارنة نسبة الإشارة إلى التداخل والضجيج (SINR) باستخدام دالة التوزيع التراكمي (CDF). مقارنة SINR بناءً على 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 للمعدل القابل للتحقيق. يوضح معدل الأداء للتقنيات المقترحة والقائمة.

الطريقةكفاءة المستخدمين المتعددين (%)معالجة التداخل (نسبة الإشارة إلى التداخل والضجيج، ديسبل)تحسين السعة (بت/ثانية/هرتز)
المقترح (GNN-Attention)92.5 ± 0.824.8 ± 0.550.3 ± 0.7
SDR86.3 ± 1.122.1 ± 0.745.0 ± 0.9
أكسيد الأريتول (AO)84.7 ± 1.021.5 ± 0.843.2 ± 1.0
اختبار الحالة العقلية المصغر (MMSE)78.9 ± 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.

المقياسالمتوسطالانحراف المعياريفاصل الثقة 95% CI
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]
SINR25.0 ± 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 الاستنتاج (ملي ثانية)
عامل النسخ (ZF)نظرًا لعدم وجود نص مصدر مقدم للترجمة، يرجى تزويدي بالنص الإنجليزي الذي ترغب في ترجمته إلى اللغة العربية وفقًا للمعايير العلمية والأكاديمية المذكورة.O(N)³)12.8
اختبار الحالة العقلية المصغر (MMSE)يرجى تقديم النص المصدر المراد ترجمته.O(N)³)15.6
SDRلم يتم توفير نص للمراجعة أو الترجمة. يرجى تزويدي بالنص المصدر باللغة الإنجليزية للبدء في ترجمته إلى اللغة العربية وفقاً للمعايير العلمية والأكاديمية المحددة.O(N)³·⁵)85.4
أكسيد الألومنيوميرجى تقديم النص المصدر المراد ترجمته.(IN)O²)63.7
آلية انتباه الشبكة العصبية الرسومية (GNN-attention) المقترحةO(E·لـ·ف² + N²)O(E·لـ·ف² + 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 (فرضية 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. سمات مجموعة بيانات DeepMIMO المستخدمة في التقييم. السمات 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 لتحميل 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 النماذج واختبارها.يرجى النقر هنا لتحميل هذا الملف.

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

الملف التكميلي 1: سير عمل إطار تكوين الشعاع المقترح القائم على آلية الانتباه في الشبكات العصبية الرسومية (GNN-attention). يوضح الخوارزمي 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

اتصل بنا
أوصِ بها للمكتبة

الخصوصية

شروط الاستخدام

السياسات

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