需要JoVE订阅才能观看此内容。 请登录或开始免费试用

研究文章

基于深度学习的GNN-注意力框架在第六代无线系统近场信道建模与波束成形中的应用：一项仿真研究

45 次观看

⸱

DOI：

10.3791/72011

⸱

2026年9月1日

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

本文内容

摘要

本研究提出了一种基于物理原理的深度学习框架，用于第六代无线系统中基于超大规模智能超表面的波束成形与近场信道建模。与传统的远场通信技术相比，该方法提高了能量效率、波束成形增益和频谱效率。

摘要

第六代（6G）网络的出现推动了超大规模智能超表面（XL-IMS）的发展，以实现超高速率和高谱效率。然而，由于球面波传播以及缺乏空间平稳性，经典的远场信道模型不适用于近场传输，导致波束成形性能下降且计算复杂度增加。因此，本研究的目标是开发一种基于物理驱动深度学习的近场信道建模与波束成形优化方法。所提出的方案采用一种物理驱动的球面波信道模型，结合图神经网络（GNN）和注意力机制，以捕捉用户与全局网络之间的局部空间关系。此外，提出了一种基于学习的波束成形算法，以提高对近场用户的能量聚焦效率。所提框架的性能通过DeepMIMO数据集中的真实传播场景进行评估。仿真结果表明，该技术可实现11.6 bps/Hz的可达速率、28 dB的波束成形增益、10.5 bps/Hz的谱效率、9.8 bits/Joule的能量效率，以及25 dB的信干噪比（SINR）。与传统技术如零强迫（ZF）、最小均方误差（MMSE）、半定松弛（SDR）和交替优化（AO）相比，所提方案的整体通信性能提升了约10-15%。这些结果表明，将近场信道建模与基于GNN的注意力学习相结合，可作为未来采用XL-IMS技术的6G无线网络中一种高效且精确的波束成形技术。

引言

近年来，人们对波束成形的兴趣显著增长。随着6G的引入，由于对更好连接性和更高速数据速率的需求不断增长，极端容量要求已变得普遍。因此，波束成形是一种有望有效引导信号并提升整体网络性能的方法1。传统的无线通信系统已有效利用远场空间资源实现空间分集。近场波束成形则是未来无线通信中一个具有巨大潜力的新兴研究领域2。

另一方面，可重构智能表面（RIS）具有特别重要的研究价值，因为它能够克服与毫米波/太赫兹频谱相关的部分传播问题3,4。RIS 可以反射、折射并调控入射的电磁波5。在此类应用中，主要目标是将波束导向期望的方向或形成特定波束形状，RIS 可被视为改变辐射源辐射方向图的装置。针对远场 RIS，多年来已研究了多个基础性课题6,7,8,9,10,11，包括信道估计、定位、标准化以及被动/主动波束成形。该技术通过聚焦波束实现多用户通信，在路径损耗与穿透能力之间取得折衷，尤其适用于10 GHz频段等中频段12。智能界面在通信网络中进一步发展，目前正被研究以提升空间分辨率和通信带宽13。从5G向6G演进过程中，更高的频率和更大的天线孔径将传统的远场通信场景转变为近场通信场景14,15。

近场区域在6G网络中将变得至关重要，因此需要开展针对新型近场技术的研究16。为了改善近场技术中的电磁波传播，必须将电磁波视为球面波而非平面波。这一新的物理特性表现出多种电磁效应，包括空间非平稳性、波束分裂、三极化以及倏逝波17。因此，许多传统的通信方法可能无法充分利用这些新的物理特性，或在6G近场环境中会遭遇严重的性能下降18。当前的远场通信技术与近场传播模型之间的差异，可能导致现有远场技术在近场区域中的有效性显著降低19。与传统的远场窄带系统不同，在近场宽带可重构智能表面（RIS）系统中必须考虑新的电磁（EM）效应。首先，由于近场中的波前呈球面状，近场信道模型包含两个角度和距离三个维度，这与远场信道模型中平面波假设不同。这导致了近场中的波束聚焦作用，而非远场中的波束导向20,21。“波束分裂效应”这一术语指的是，在不同位置产生的波束可能分别聚焦于不同空间位置的现象22。

与可将电磁波（EM）波前近似为平面波的远场不同，近场通信需要考虑球面波前的传播特性。这一特征为未来的无线网络带来了机遇与挑战。通过利用球面波前，波束聚焦可将信号集中于特定空间区域，从而在干扰抑制和多用户通信方面优于传统的远场波束成形。然而，这也带来了额外的设计与信号处理复杂性23,24。早期关于近场通信的研究包括文献25，该研究概述了近场与远场区域之间的差异、关键概念、技术挑战、应用场景以及基于码本的信道估计方法。随后，文献26探讨了基于平面波前的远场传输与基于球面波前的近场传输在波束成形、信道分析、系统性能以及与下一代技术融合方面的根本区别。此外，文献27研究了近场通信中的主要挑战，包括信道建模、信道估计、波束成形、硬件架构和感知技术，同时总结了这些领域的最新进展。

近期研究已广泛探讨了面向新兴6G系统的近场无线通信及信道建模。综合综述分析了近场通信原理、全息MIMO架构、信道建模技术、信号处理方法以及集成感知与通信应用，同时指出了近场环境中信道估计与系统设计面临的关键挑战28,29。为应对RIS辅助的毫米波/太赫兹系统中的波束分裂效应，已提出多种解决方案，包括分布式RIS部署策略和基于真时延（TTD）的RIS架构。这些方法可改善频率选择性波束控制并缓解波束分裂导致的性能退化；然而，它们通常伴随着更高的部署成本、更复杂的硬件结构，或对专用延迟组件的依赖30,31,32。

由于波束聚焦与空间宽带失真在超大规模孔径阵列（ELAA）系统中的综合作用，波束成形优化已受到广泛关注。现有研究探索了相位延迟聚焦方法、基于真时延（TTD）的架构，以及用于全息超表面天线的优化框架，以提升波束成形增益并缓解双宽带效应33,34,35,36。然而，大多数与超大规模智能表面（XL-IMS）相关的研究仍依赖远场平面波假设，这种假设对于超大规模孔径而言并不充分。因此，诸如球面波传播、空间非平稳性、互耦效应以及距离相关的波束聚焦等重要的近场特性常常被忽略37,38。近年来，人工智能技术已成为在支持XL-IMS的6G网络中实现近场波束成形与信道优化的有前景解决方案。特别是基于元学习的方法，在训练数据有限的动态无线环境下表现出强大的适应性和快速收敛能力。这些方法为智能近场通信系统及未来自主无线网络优化提供了巨大潜力39,40。

现有的波束成形技术在很大程度上依赖于简化的远场信道模型，无法捕捉超大规模结构中的关键近场特性。此外，在真实环境中基于数据集驱动的评估（例如 DeepMIMO）仍然有限，针对动态用户场景的近场信道建模与波束成形联合优化也尚未得到充分关注。同时，计算可扩展性仍是实际部署支持超大规模智能超表面（XL-IMS）的 6G 系统面临的关键挑战。为解决这些局限性，本研究提出了一种统一框架，将基于物理的球面波信道模型与图神经网络（GNN）及注意力机制相结合，用于近场波束成形。该框架明确考虑了空间非平稳性、超表面相互作用以及距离相关的传播特性，并利用 DeepMIMO 数据集进行了验证。

该框架将物理信道建模与深度学习相结合，旨在为超大规模智能超表面（XL-IMS）系统实现精确的近场信道表征与波束成形优化。通过显式建模球面波传播特性与空间非平稳性，本研究在提升能量分配、波束成形增益和干扰抑制能力的同时，实现了精准的波束聚焦。该框架进一步引入了对超表面单元相位响应的逐元素优化，从而在密集通信环境中实现自适应波束引导。基于DeepMIMO数据集中真实的传播场景，所提出的方法在频谱效率、波束成形性能和计算效率方面均表现出提升，为大规模XL-IMS支持的6G通信网络提供了可扩展的解决方案。

访问受限。请登录或开始试用以查看此内容。

方案

在支持 XL-IMS 的 6G 系统中，所提出的近场信道建模与波束成形框架结合了基于物理的建模与机器学习优化，以克服传统远场方法的局限性。通过使用 DeepMIMO 数据集，建立并验证了一种包含球面波传播和空间非平稳特性的近场信道模型。信道信息以图的形式表示，以捕捉超表面单元与用户之间的空间依赖关系，并采用端到端的图神经网络-注意力网络（GNN-attention）来学习近场波束聚焦的波束成形权重。与传统的迭代优化方法不同，该基于学习的框架可直接预测波束成形解决方案，在保持高精度和对动态信道条件的适应性的同时，降低了计算复杂度。通过可实现速率、波束成形增益和能效等指标对性能进行评估，结果表明其优于传统的远场波束成形方法。图 1 展示了整体框架。

以下是建议的步骤：

步骤 1：配置 DeepMIMO 环境

首先通过使用 28 GHz 载波频率和 100 MHz 带宽的 O1 室外设置建立 DeepMIMO v3.x 平台。在仿真中，XL-IMS 由一个包含 256 个反射单元的 16×16 均匀平面阵列表示，单元间距为 λ/2。所选传播模型为包含直射路径（LoS）和非直射路径（NLoS）的球面波。

步骤 2：定义 XL-IMS 几何结构和用户位置

将 XL-IMS 设计为包含 256 个可重构反射单元的 16×16 平面超表面。根据瑞利距离准则，用户终端设备在 XL-IMS 的近场范围内（距其 0.5 m 至 10 m）随机分布。

步骤 3：利用球面波传播生成近场通道

使用球面波传播对每个可重构超表面单元与用户之间的信道进行建模，该模型考虑了由距离引起的相位变化。

步骤 4：生成近场信道数据

用户终端均匀分布在XL-IMS面板的近场区域（0.5-10 m）内。信道生成采用了DeepMIMO O1室外场景产生的视距（LoS）和非视距（NLoS）传播路径。

步骤 5：准备用于训练和测试的数据集

生成的数据集包含 20,000 个样本，其中 16,000 个（80%）用于训练，4,000 个（20%）用于测试。

步骤 6：归一化输入特征并准备模型输入

准备过程的最后阶段包括对所有输入特征（如通道幅度、相位、距离和用户坐标）进行Min-Max归一化处理。该过程对数据进行缩放并将其转换为张量，随后输入到GNN-注意力网络中。模型采用Adam优化器进行优化，学习率为0.001，训练50个epoch。

步骤 7：应用注意力机制

添加注意力机制以考虑图的全局信息，并捕获图节点之间的长程依赖关系。这有助于模型关注重要的空间特征。

步骤 8：预测波束成形权重

使用图神经网络注意力嵌入来预测波束成形权重和相位偏移值。这种复杂的、耗时的、迭代的波束成形过程被预测方法所取代。

步骤 9：评估性能指标

为了评估通信和波束成形的工作效果，需计算可实现速率、波束成形增益、频谱效率、能量效率以及信干噪比（SINR）等关键性能指标。

步骤 10：与基准方法进行比较

将所提出的算法与传统算法进行比较，包括 ZF、MMSE、SDR 和 AO。

系统模型定义

该系统设想了一种由超大规模智能磁表面（XL-IMS）赋能的6G无线网络，该磁表面包含256个可重构反射单元，可通过可调相位偏移来控制电磁波的传播。由于用户处于近场区域，传统的远场平面波假设不再成立，必须考虑球面波传播、距离相关的衰减以及空间非平稳性。近场与远场区域之间的边界由瑞利距离决定，该距离取决于超构表面的尺寸和载波波长，并标志着从球面波前效应向平面波传播的过渡。具体描述如下：

分辨率公式 R=2D²/λ，光学公式，与衍射分析相关。 (1)

其中，D 为超表面尺寸，λ 为波长，R 为瑞利距离。当用户所处位置比 R 的实际值更近时，通信信道中将出现近场现象。随着信号穿过不同的超表面组件，会经历不同的相位和幅度变化。

从第 n 个超表面到用户的信道采用球面波模型来描述近场传播，其信道系数方程表示如下：

信号衰减公式，\(h_n = \frac{\alpha}{d_n} e^{-j\frac{2\pi}{\lambda}d_n}\)，方程。 (2)

此处，α 表示路径损耗参数，λ 表示载波波长，dn 表示用户到该组件的距离。

在此情况下，βn 是路径损耗因子 nth XL-IMS 元件，可表示为 βn = dn−α，其中 α 表示路径损耗指数。需要注意的是 dn 是从用户位置到该点的欧几里得距离 nth 超表面单元。空间上的信道变化源于显著的差异 dn 与远场信道情况不同，不同超表面之间的信道向量可一般性地解释如下：

矩阵表示公式 \( h = [h_1, h_2, ..., h_N]^T \)，用于线性代数研究。 (3)

用户接收到的输入信号取决于XL-IMS系统的相位调谐。设θ = [θ1, θ2, …., θN]表示利用超表面实现的相移。则输入信号可表示为：

信号处理方程：y=h^HΦws+n。算法分析的数学公式。 (4)

其中，Φ = diag(ejθ1, ….., ejθN) 为发射信号，w 为基础编码预编码向量，n 表示噪声。近场信道向量定义为 h ∈ ℂN×1，XL-IMS 的对角相位偏移矩阵为 Φ ∈ ℂN×N，波束成形向量为 x ∈ ℂN×1，接收信号为 y ∈ ℂ。加性噪声项定义为 n ∼ CN (0, σ2)。这些维度保证了公式在数学上的正确性。

在此情况下，ws 是基站使用的预编码向量，用于对发射符号（s）进行预编码。在性能基准测试过程中，基站采用类似的近场信道实现方式，实施诸如零迫（ZF）和最小均方误差（MMSE）等常见的数字预编码方法。然而，新方法旨在通过图神经网络注意力学习机制优化超大规模智能超表面（XL-IMS）的相移矩阵（θ）。

为了在近场区域集中能量，应为用户实现一个可达到的设计 θ，使其产生相长干涉。波束成形策略旨在最大化频谱效率或接收信号功率。图2描述了基于XL-IMS方法的近场通信系统模型的架构。

近场信道建模

所提出的基于 XL-IMS 的 6G 通信网络近场模型专门设计用于模拟电磁表面附近瑞利距离处的传播条件。在近场区域，传播呈球面波形式，电磁表面各点的相位值和空间参数具有非均匀性，这与假设平面波传播的传统远场模型不同。在本研究中，采用基于物理原理的球面波模型，设计了一个精确的信道冲激响应矩阵，该矩阵考虑了电磁表面单元和用户终端的物理位置。

基于距离的通道表示

每个超表面组件与用户之间的距离是构建近场区域信道模型的关键因素。用户位置 pu 与第 n 个 XL-IMS 组件之间的距离 pn 由以下公式给出：

静力平衡方程：dn=|pn−pu|；结构分析流程图。 (5)

由于超表面面积极大，该数值在超表面各处存在显著差异，导致传播时间与相位偏移不均，这些因素必须在模型中予以考虑。

球面波信道模型

第 n 个单元与用户之间的信道系数通过公式（2）中描述的球面波模型确定，该模型能够捕捉与距离相关的相位和幅度变化。在数据集生成和模型训练过程中，信道系数来源于 DeepMIMO 射线追踪框架，该框架基于真实的环境结构，同时包含了视距（LoS）和非视距（NLoS）多径传播。根据上述方法，可利用所有 N 个超表面单元的信道响应构建信道响应矩阵，如公式（3）所示。

近场信道的空间非平稳性及模型重要性

与远场信道不同，近场信道表现出空间非平稳性，即接收信号在超构表面（metasurface）上各位置处发生变化，从而实现依赖于位置的波束聚焦。这种空间信息嵌入在信道响应矩阵中，并由GNN-注意力模型捕获。补充图1展示了基于超大规模智能反射面（XL-IMS）的6G通信系统的近场信道建模框架，以及用于基于深度学习的波束成形的真实信道数据生成方法。

数据集生成

数据生成采用 DeepMIMO 框架完成，该框架提供基于射线追踪的信道仿真，能够真实反映环境几何结构、空间一致性和用户移动性。在载波频率为 28 GHz、带宽为 100 MHz 的条件下，使用 O1 户外场景生成多个近场用户位置的信道响应。XL-IMS 由 256 个均匀分布的反射单元组成，用户位置根据瑞利准则在近场区域内选取。利用 DeepMIMO Python 库提取信道系数、路径增益和空间信息。补充表 1 总结了仿真与可重复性参数。模型采用监督学习方式进行训练，以信道状态特征作为输入，以基于物理原理优化的波束成形权重作为目标标签。

输入特征构建与数据集结构

接下来，将原始通道数据转换为深度学习模型的输入特征。这些特征包括通道响应的幅度和相位，作为独立的组成部分。根据具体问题的需求，还可以包含其他输入参数。例如，用户的坐标、距离以及一些空间参数也可以作为特征加以考虑。数据集按照80:20的比例划分为训练集和测试集。

训练数据集的制备

最后一步包括对准备好的数据集进行归一化处理，并将其转换为适合输入到GNN-注意力架构中进行训练的张量。训练数据集用于学习从信道状态到最优波束成形权重的映射，而测试数据集则用于评估模型的有效性。这一充分准备的数据集使学习过程更加简便且高效。补充表2展示了DeepMIMO的数据集描述详情。

特征表示

特征表示阶段将复数值的近场信道数据转换为适用于深度学习的格式。信道响应被分解为能够捕捉空间和传播特性的特征，同时保留了用于学习的关键近场信息。补充图2展示了此过程中使用的DeepMIMO数据集。来自近场环境的信道数据以复数hn表示，其实部和虚部分别代表信道系数的相位和幅度信息。为了有效应用于机器学习算法，这些系数被分解为实部（Rehn）和虚部（Imhn）。数据也可表示为系数的幅度hn和相位∠hn。

空间特征提取

除了信道系数外，还引入了空间特征以考虑近场环境的几何特性。这包括每个超表面单元到接收机的距离 dn，以及接收机的坐标 (x, y, z)。通过这种方式，模型考虑了信号特性可能依赖于收发机对空间位置的事实，这一特性对于近场传播至关重要。

标准化与模型输入准备

在向模型提供输入之前，首先进行归一化处理，以避免数值不稳定并加速收敛。将结构化向量划分为训练数据集和测试数据集，分别记为（Xtrain，Xtest）。随后，将这些输入提供给图神经网络（GNN）和注意力模型。

根据补充图2中的特征表示，本数据集使用了多种类型的特征，包括通道系数 hn，其表示所有超表面单元的复信号响应。另一项特征是距离 dn，用于表征本例中的传播效应。尽管实部和虚部分量可对信号进行数值描述，但幅度和相位部分则分别明确地描述了信号强度和相位偏移。用户位置坐标（x, y, z）是另一项重要特征，可增强模型的空间感知能力。

使用图神经网络（GNN）进行深度学习设计以建模空间依赖性，并结合混合注意力机制实现全局上下文学习

该学习算法旨在利用图神经网络（GNN）和注意力机制，高效地训练具有空间特性和传播特性的复杂近场XL-IMS信道。由于超构表面单元之间具有高度相关性，且其在近场区域内的相互作用呈现非均匀性，因此全连接网络难以准确表征信道特性。为此，本方法将超构表面表示为图结构，其中每个单元作为节点，单元间的相互作用作为边。图神经网络捕捉了相邻节点之间的局部空间依赖性，而注意力机制则增强了全局依赖关系的学习能力。

XL-IMS 的图表示法

XL-IMS 被构建为一个图 G = (V, E)，其中每个顶点 vn ∈ V 代表一个超表面单元，而边 eij ∈ E 表示各单元之间的空间关系。每个顶点具有一个特征向量 xn，该向量通过特征表示阶段获得。邻接矩阵 A 描述了彼此接近或在特定距离约束范围内的顶点之间的连接性。这种图结构用于整合近场传播中存在的空间信息。

为实现可重复性，采用 K-近邻方法确定图的连通性，其中 k 设为 8。设 pi 和 pj 分别表示第 i 个和第 j 个 XL-IMS 细胞的位置向量。任意两个顶点之间的距离通过欧氏度量计算，如下所示：dij = ||pi − pj||2。若顶点 j 属于顶点 i 的八个最近邻集合，则在顶点 i 和 j 之间建立一条边。因此，邻接矩阵按以下规则构建：Aij = 1 当且仅当 j ∈ Nk(i)，否则 Aij = 0。

在所提出的图神经网络（GNN）中，每个节点的更新是基于其相邻节点的信息计算得出的。具体而言，第 l 层的传播过程可表示如下：

图神经网络方程，节点更新公式，神经计算过程，数学表达式。 (6)

其中 hi(l) 表示该顶点的特征向量 i 在层中 l, N(i）是该顶点的邻域 i, W(l) 是可学习的权重矩阵，σ(·) 表示非线性激活函数。

GNN-注意力模型包含三个图卷积层，隐藏维度设置为128，并使用修正线性单元（ReLU）作为激活函数。图结构生成采用k近邻方法（k=8），每个XL-IMS特征作为一个节点，边则根据相邻节点之间的欧氏距离建立。为提取全局空间依赖关系，我们采用具有4个注意力头的多头自注意力网络。为防止过拟合，丢弃率（dropout probability）设置为0.3。

注意机制

为了对局部邻域范围之外存在的长距离依赖关系进行建模，模型中引入了注意力机制，其工作方式如下：

Softmax函数公式，aij=exp(eij)/Σkexp(eik)，符号表示，数学概念。 (7)

其中 eij LeakyReLU(aT[Whi | Whj]）是节点的重要性 i 和 j通过该模型，可根据节点的角色为其分配不同的重要性级别，从而帮助模型更易理解超表面的全局上下文。该混合框架同时捕捉局部和全局空间信息，所学习到的特征经全连接层处理后生成波束成形权重。如补充图3和图4所示，图神经网络（GNN）通过消息传递和特征聚合来建模局部空间依赖关系，而注意力机制则捕捉超表面单元之间的全局交互，实现高效的近场波束成形。注意力权重的计算用于量化节点对之间的相关性，对更具信息量的交互赋予更高的重要性。利用这些权重，每个节点聚合来自所有其他节点的信息，使模型能够捕捉超出局部邻域范围的全局依赖关系。最终的加权特征融合生成一种优化的特征表示，在突出关键空间特征的同时抑制无关信息，从而支持有效的波束成形优化与能量聚焦。

波束成形优化

波束成形优化阶段确定了XL-IMS的相位偏移和波束成形权重，以将能量聚焦于近场用户。与传统的远场波束 steering 不同，近场波束成形将能量集中在特定的空间位置。在所提出的框架中，图神经网络注意力（GNN-attention）模型直接从信道特征中学习最优的波束成形参数，从而降低了迭代优化方法的复杂性。接收用户信号如公式（4）所示。

针对每种信道实现，训练数据均从 DeepMIMO 获取，相应的 XL-IMS 相移通过 AO 算法确定。利用近场信道矩阵 h 和 XL-IMS 相移矩阵，通过最大化接收信号功率来计算相移向量 θ：

优化公式 max |h^H Θx|^2；用于信号处理分析的数学方程。 (8)

静态平衡公式，Σ|θn|=1，研究示意图中的方程。 (9)

AO优化器运行了100次迭代，直至达到10−4的期望收敛阈值。这些优化后的数值被用作我们GNN-注意力模型的训练标签。目标是实现有效的近场波束聚焦和增强接收信号功率所需的相长干涉。该问题并未采用SDR或AO等传统优化方法，而是通过基于学习的方法求解。具体而言，波束成形优化问题由一个深度学习模型fΘ(⋅)进行逼近。

采用监督学习方法训练GNN-注意力模型，以AO算法提供的最优波束成形相位移矢量作为训练目标。具体而言，记AO算法生成的最优相位移矢量为 θAO,i，网络预测结果为 在数学语境、图示中表示统计估计方法相关的 θ̂ᵢ 符号。。则训练准则定义如下：

均方误差公式，\(L_{MSE}=\frac{1}{N}\sum_{i=1}^{N}||\hat{\theta}_i-\theta_{AO,i}||^2\) (10)

其中 N 为训练样本的数量。

算法 1： 使用图神经网络-注意力模型的近场波束成形方法见于补充文件 1。在该算法中，第一步是设置系统参数和 DeepMIMO 数据库，以构建真实的信道条件。每个样本的近场信道特征通过球面波模型计算，并从数据库中提取信道系数和空间特征等关键特征。提取的特征被转换为结构化形式，并表示为图结构，其中超表面单元作为节点。通过图神经网络（GNN）层构建深度学习模型，以捕获局部空间依赖性，并引入注意力机制以学习全局依赖关系。该深度学习框架采用监督学习方式进行训练，损失函数为预测相位偏移与 AO 生成的最优相位偏移标签之间的均方误差（MSE）。

本实现采用 Python 和 PyTorch 完成。DeepMIMO 信道的样本数据来自 O1 户外场景。这些信道系数被转换为图结构，并通过一个包含三层且具有多头注意力机制的图神经网络（GNN）进行处理。模型使用 Adam 优化器和均方误差（MSE）损失函数进行训练。该模型为近场用户生成波束成形的相位偏移和权重，并从速率、效率和信干噪比（SINR）方面对结果进行了评估。

访问受限。请登录或开始试用以查看此内容。

结果

本研究采用DeepMIMO数据集评估所提出的面向6G通信网络中XL-IMS的近场信道建模与波束成形框架的性能，该数据集提供了实际的传播环境和空间一致的信道数据。为配置该数据集，需生成大量代表超表面近场区域内不同用户位置的信道样本。具体而言，本研究在不同的传播条件和用户位置下采集了最多10,000至20,000个样本。这些信道样本按照80:20的比例划分为训练集和测试集，其中80%用于训练，20%用于测试。在此意义上，测试集用于评估模型的泛化能力，而训练集则为模型学习提供基础。

实验结果表明，所提出的GNN-Attention框架优于传统的远场波束成形方法和基于优化的方法。通过将球面波信道建模与基于深度学习的空间特征提取相结合，该方法实现了更高的波束成形增益、频谱效率和能量聚焦性能。 性能评估采用可达速率、波束成形增益和能量效率作为指标，分别衡量通信容量、信号聚焦效果以及相对于功耗的数据传输效率。

所提出的方法与传统的波束成形技术（包括零强迫（ZF）和最小均方误差（MMSE））以及基于优化的方法...

访问受限。请登录或开始试用以查看此内容。

讨论

所建议的算法采用非线性预编码来建模近场球面波传播，实现了比基于线性预编码的算法（如ZF、MMSE、SDR和AO）更优的波束聚焦效果。尽管SDR和AO算法的结果接近最优，但所提出的GNN-注意力网络在显著降低计算成本的同时实现了更优的性能，这对于未来在6G网络中部署XL-IMS至关重要21,26,27。

如上所述，为了从定量角度实证验证这一论点，进行了复杂度分析，结果见表4。所提出的GNN-attention架构具有以下计算复杂度 O(E · d + N2 · d在其训练过程中 E 指图中的边， N 到超表面单元，d 表示隐藏特征的维度。最重要的是，在推理过程中使用该学习框架时，波束成形权重可通过一次前向传播计算得出 O

访问受限。请登录或开始试用以查看此内容。

致谢

本工作部分得到了中国国家自然科学基金（项目编号：62466036）和广东大学科研启动基金（项目编号：12225000423）的支持。作者感谢广东大学提供必要的科研设施和机构支持。本工作得到了中国福州广东大学信息工程学院以及人工智能算法与应用实验室的支持。

访问受限。请登录或开始试用以查看此内容。

材料

本文使用的材料清单
姓名公司目录编号评论
CUDA ToolkitNVIDIACUDA 12.4https://developer.nvidia.com/cuda-toolkit
DGLDGL TeamDGL 2.2.1https://www.dgl.ai
MatplotlibMatplotlib 开发团队Matplotlib 3.9.0https://matplotlib.org
NumPyNumPy 开发者NumPy 1.26.4https://numpy.org
PythonPython 软件基金会Python 3.10.13https://www.python.org
PyTorchMeta AIPyTorch 2.3.1https://pytorch.org
PyTorch GeometricPyG 团队PyG 2.5.3https://pytorch-geometric.readthedocs.io
SeabornSeaborn 开发者Seaborn 0.13.2https://seaborn.pydata.org
TensorFlowGoogleTensorFlow 2.16.1https://www.tensorflow.org

参考文献

  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.

访问受限。请登录或开始试用以查看此内容。

重印与许可

探索更多文章

波束成形优化图神经网络注意力机制深度学习框架球面波传播超大规模智能超表面频谱效率能量效率
联系我们
向图书馆推荐

隐私政策

使用条款

政策

版权所有 © 2026 MyJoVE Corporation。保留所有权利。