Diese Arbeit stellt einen auf Physik basierenden Deep-Learning-Ansatz für Beamforming und Kanalmodellierung im Nahfeld in drahtlosen Systemen der sechsten Generation unter Verwendung extrem großer intelligenter Metasurflächen vor. Im Vergleich zu herkömmlichen Fernfeld-Kommunikationstechniken verbessert die vorgeschlagene Methode die Energieeffizienz, den Beamforming-Gewinn und die Spektrumseffizienz.
Forschungsartikel
Deep-Learning-basiertes GNN-Attention-Framework für die Nahfeld-Kanalmodellierung und Beamforming in drahtlosen Systemen der sechsten Generation: Eine Simulationsstudie
In diesem Artikel
Zusammenfassung
Zusammenfassung
Die Entwicklung von Mobilfunknetzen der sechsten Generation (6G) hat die Einführung extrem großer intelligenter Metasurfaces (XL-IMS) vorangetrieben, um ultraschnelle Datenübertragungsraten und hohe spektrale Effizienz zu ermöglichen. Klassische Fernfeldkanäle sind jedoch auf die Nahfeldübertragung aufgrund der sphärischen Wellenausbreitung und des Fehlens räumlicher Stationarität nicht anwendbar, was zu einer verminderten Beamforming-Leistung und erhöhter Rechenkomplexität führt. Ziel dieser Forschungsarbeit ist daher die Entwicklung einer Methode zur Modellierung von Nahfeldkanälen und zur Optimierung des Beamformings basierend auf physikgeführtem Deep Learning. Die vorgeschlagene Lösung nutzt ein physikgeführtes Kanalmodell mit sphärischen Wellen sowie graphbasierte neuronale Netze (GNNs) und Attention-Mechanismen, um lokale räumliche Beziehungen zwischen Nutzern und dem globalen Netzwerk abzubilden. Zusätzlich wird ein algorithmisches, lernbasiertes Beamforming vorgeschlagen, um die Effizienz der Energiebündelung auf Nahfeldnutzer zu erhöhen. Die Leistung des vorgeschlagenen Frameworks wird anhand realistischer Ausbreitungsszenarien aus dem DeepMIMO-Datensatz evaluiert. Die Simulationsergebnisse zeigen, dass die vorgeschlagene Technik eine erreichbare Datenrate von 11,6 bps/Hz, einen Beamforming-Gewinn von 28 dB, eine spektrale Effizienz von 10,5 bps/Hz, eine Energieeffizienz von 9,8 bits/Joule sowie ein Signal-zu-Interferenz-und-Rausch-Verhältnis (SINR) von 25 dB erzielt. Im Vergleich zu herkömmlichen Verfahren wie Zero Forcing (ZF), Minimum Mean Square Error (MMSE), Semidefinite Relaxation (SDR) und Alternating Optimization (AO) verbessert das vorgeschlagene Verfahren die Gesamtkommunikationsleistung um etwa 10–15 %. Diese Ergebnisse zeigen, dass die Kombination von Nahfeldkanalmodellierung mit GNN-basiertem Attention-Learning eine effiziente und präzise Beamforming-Technik für zukünftige 6G-Funknetze darstellen kann, die auf XL-IMS-Technologie basieren.
Einleitung
Das Interesse an Beamforming hat in den letzten Jahren stark zugenommen. Mit der Einführung von 6G sind extreme Kapazitätsanforderungen verbreitet geworden, angetrieben durch die steigende Nachfrage nach besserer Konnektivität und höheren Datenraten. Beamforming ist daher eine vielversprechende Methode, um Signale effektiv zu lenken und die Gesamtleistung des Netzwerks zu verbessern1. Herkömmliche drahtlose Kommunikationssysteme haben räumliche Ressourcen im Fernfeld erfolgreich zur räumlichen Diversität genutzt. Ein aufstrebendes Forschungsgebiet mit enormem Potenzial für zukünftige drahtlose Kommunikationssysteme ist das Beamforming im Nahfeld2.
Wiederkonfigurierbare intelligente Oberflächen (RIS) sind hingegen besonders interessant, da sie einige der mit dem mmWellen/THz-Spektrum verbundenen Ausbreitungsprobleme überwinden können3,4. RIS können einfallende elektromagnetische Wellen reflektieren, brechen und manipulieren5. In diesem Fall besteht das Hauptziel darin, den Strahl in eine gewünschte Richtung oder Form zu lenken, wobei die RIS als Veränderung der Strahlungsmuster der strahlenden Quelle dargestellt werden können. Für Fernfeld-RIS wurden im Laufe der Jahre mehrere grundlegende Themen untersucht6,7,8,9,10,11, darunter Kanalschätzung, Lokalisierung, Standardisierung sowie passive/aktive Strahlansteuerung. Diese Technologie ermöglicht die Kommunikation mit mehreren Nutzern durch Fokussierung von Strahlen, die einen Kompromiss zwischen Pfadverlust und Durchdringung bieten, insbesondere in mittleren Frequenzbändern wie dem 10-GHz-Bereich12. Intelligente Schnittstellen wurden innerhalb von Kommunikationsnetzwerken weiterentwickelt und werden derzeit untersucht, um die räumliche Auflösung und die Kommunikationsbandbreite zu verbessern13. Die höheren Frequenzen und größeren Antennenöffnungen beim Übergang von 5G zu 6G verwandeln traditionelle Fernfeld-Kommunikationsszenarien in Nahfeld-Kommunikationsszenarien14,15.
Die Nahfeldregion wird in 6G-Netzen eine wichtige Rolle spielen, was Forschung zu neuen Nahfeld-Techniken erforderlich macht16. Zur Verbesserung der Ausbreitung elektromagnetischer Wellen in der Nahfeldtechnologie müssen Wellen als Kugelwellen und nicht als ebene Wellen betrachtet werden. Diese neue physikalische Eigenschaft zeigt eine Vielzahl elektromagnetischer Effekte, darunter räumliche Nicht-Stationarität, Strahlteilung, Drei-Farb-Polarisation und evaneszente Wellen17. Aus diesem Grund könnten viele herkömmliche Kommunikationsverfahren diese neuen physikalischen Eigenschaften nicht vollständig nutzen oder in 6G-Nahfeldumgebungen erhebliche Leistungseinbußen aufweisen18. Eine Diskrepanz zwischen gegenwärtigen Technologien für das Fernfeld und Nahfeld-Ausbreitungsmodellen kann die Effektivität aktueller Fernfeld-Verfahren in Nahfeld-Bereichen erheblich verringern19. Im Gegensatz zu traditionellen schmalbandigen Fernfeld-Systemen müssen in breitbandigen Nahfeld-RIS-Systemen neue elektromagnetische (EM) Effekte berücksichtigt werden. Erstens enthält der Nahfeld-Kanal aufgrund der kugelförmigen Wellenfront im Nahfeld-Spektrum zwei Winkel- und Abstandsdimensionen, im Gegensatz zur Annahme einer ebenen Welle in Fernfeld-Kanalmodellen. Dies führt im Gegensatz zur Fernfeld-Strahlnavigation zur Strahlbündelung im Nahfeld20,21. Der Begriff „Strahlteilungseffekt“ bezeichnet die Möglichkeit, dass Strahlen, die bei verschiedenen Ereignissen erzeugt werden, an unterschiedlichen Orten fokussiert werden22.
Im Gegensatz zum Fernfeld, bei dem elektromagnetische (EM) Wellenfronten als eben angenähert werden, erfordern Nahfeldkommunikation die Berücksichtigung der Ausbreitung kugelförmiger Wellenfronten. Diese Eigenschaft bringt sowohl Chancen als auch Herausforderungen für zukünftige drahtlose Netzwerke mit sich. Durch die Nutzung kugelförmiger Wellenfronten kann die Strahlfokussierung Signale in einem bestimmten räumlichen Bereich konzentrieren, was im Vergleich zur herkömmlichen Strahlnachführung im Fernfeld eine verbesserte Interferenzunterdrückung und eine effizientere Mehrnutzerkommunikation ermöglicht. Gleichzeitig führt dies jedoch auch zu zusätzlichen Komplexitäten in der Systemgestaltung und Signalverarbeitung23,24. Frühe Untersuchungen zur Nahfeldkommunikation umfassen die Arbeit in25, die die Unterschiede zwischen Nah- und Fernfeldbereichen, zentrale Konzepte, technische Herausforderungen, Anwendungen sowie die kanalbasierte Schätzung mittels Codebüchern darlegte. Anschließend untersuchte der Autor26 die grundlegenden Unterschiede zwischen der auf ebenen Wellenfronten basierenden Fernfeld- und der auf kugelförmigen Wellenfronten basierenden Nahfeldübertragung, wobei der Fokus auf Strahlformung, Kanalanalyse, Systemleistung und Integration mit Technologien der nächsten Generation lag. Darüber hinaus erforschte der Autor27 wesentliche Herausforderungen in der Nahfeldkommunikation, darunter Kanalmodellierung, -schätzung, Strahlformung, Hardwarearchitektur und Sensorik, und fasste dabei aktuelle Fortschritte in diesen Bereichen zusammen.
Aktuelle Studien haben Nahfeld-Funkkommunikationen und Kanalmodellierung für aufkommende 6G-Systeme ausführlich untersucht. Umfassende Übersichten haben Prinzipien der Nahfeld-Kommunikation, holografische MIMO-Architekturen, Verfahren zur Kanalmodellierung, Signalverarbeitungsmethoden sowie integrierte Anwendungen für Sensorik und Kommunikation analysiert und gleichzeitig zentrale Herausforderungen bei der Kanalschätzung und Systemgestaltung in Nahfeldumgebungen identifiziert28,29. Um den Beam-Splitting-Effekt in RIS-gestützten mmWave/THz-Systemen zu beheben, wurden verschiedene Lösungen vorgeschlagen, darunter Strategien für die verteilte Bereitstellung von RIS und RIS-Architekturen mit echter Zeitverzögerung (TTD). Diese Ansätze verbessern die frequenzselektive Strahlansteuerung und verringern die Beeinträchtigung durch Beam-Splitting; sie sind jedoch oft mit höheren Bereitstellungskosten, größerer Hardwarekomplexität oder der Abhängigkeit von spezialisierten Verzögerungskomponenten verbunden 30,31,32.
Die Optimierung der Strahlführung hat aufgrund der kombinierten Effekte der Strahlfokussierung und der breitbandigen räumlichen Verzerrung in Systemen mit extrem großem Antennendurchmesser (ELAA) erhebliche Aufmerksamkeit erhalten. Bisherige Studien haben Phasenverzögerungs-Fokussierungsmethoden, TTD-basierte Architekturen sowie Optimierungsansätze für holografische Metasurface-Antennen untersucht, um die Strahlgewinnung zu verbessern und duale Breitbandeffekte zu verringern33,34,35,36. Dennoch stützen sich die meisten Studien im Zusammenhang mit XL-IMS weiterhin auf Fernfeld-Annahmen bezüglich ebener Wellen, die für extrem große Aperturen unzureichend sind. Folglich werden wichtige Nahfeld-Eigenschaften wie sphärische Wellenausbreitung, räumliche Nichtstationarität, gegenseitige Kopplung und distanzabhängige Strahlfokussierung häufig vernachlässigt37,38. Kürzlich haben sich Techniken der künstlichen Intelligenz als vielversprechende Lösungen für die Nahfeld-Strahlführung und Kanaloptimierung in XL-IMS-fähigen 6G-Netzen herauskristallisiert. Insbesondere Methoden auf Basis von Meta-Learning haben unter dynamischen drahtlosen Bedingungen bei begrenzten Trainingsdaten eine starke Anpassungsfähigkeit und schnelle Konvergenz gezeigt. Diese Ansätze bieten erhebliches Potenzial für intelligente Nahfeld-Kommunikationssysteme und die zukünftige autonome Optimierung drahtloser Netzwerke39,40.
Bestehende Beamforming-Verfahren stützen sich weitgehend auf vereinfachte Fernfeld-Kanalmodelle, die entscheidende Nahfeld-Charakteristika bei ultramassiven Strukturen nicht erfassen können. Darüber hinaus sind datensatzbasierte Bewertungen in realistischen Umgebungen, wie beispielsweise DeepMIMO, weiterhin begrenzt, und die gemeinsame Optimierung von Nahfeld-Kanalmodellierung und Beamforming für dynamische Nutzerszenarien hat bisher unzureichend Beachtung gefunden. Zusätzlich bleibt die rechentechnische Skalierbarkeit eine zentrale Herausforderung für praktische, durch XL-IMS ermöglichte 6G-Einsätze. Um diese Einschränkungen zu überwinden, schlägt diese Studie einen einheitlichen Rahmen vor, der physikbasierte Kugelwellen-Kanalmodelle mit GNNs und Attention-Mechanismen für Nahfeld-Beamforming kombiniert. Der vorgeschlagene Ansatz berücksichtigt explizit räumliche Nichtstationarität, Wechselwirkungen mit Metasurfaces sowie distanzabhängige Ausbreitungseigenschaften und wird anhand des DeepMIMO-Datensatzes validiert.
Der vorgeschlagene Rahmen integriert die Modellierung physikalischer Kanäle mit Deep Learning, um eine genaue Darstellung des Nahfeldkanals und eine Optimierung der Beamforming-Technik für XL-IMS-Systeme zu ermöglichen. Durch die explizite Modellierung der kugelwellenförmigen Ausbreitung und räumlichen Nicht-Stationarität ermöglicht diese Studie eine präzise Fokussierung der Strahlrichtung, während gleichzeitig die Energieverteilung, der Beamforming-Gewinn und die Unterdrückung von Interferenzen verbessert werden. Der Rahmen beinhaltet außerdem eine elementweise Optimierung der Phasenreaktionen der Metasurfaces, um eine adaptive Strahlansteuerung in dichten Kommunikationsumgebungen zu ermöglichen. Unter Verwendung realistischer Ausbreitungsszenarien aus dem DeepMIMO-Datensatz zeigt der vorgeschlagene Ansatz eine verbesserte spektrale Effizienz, bessere Beamforming-Leistung und höhere Recheneffizienz, wodurch eine skalierbare Lösung für großflächige, XL-IMS-basierte 6G-Kommunikationsnetzwerke bereitgestellt wird.
Protokoll
Der vorgeschlagene Rahmen für die Kanalmodellierung und Beamforming im Nahfeld für XL-IMS-fähige 6G-Systeme kombiniert physikbasierte Modellierung mit maschinellem Lernen zur Optimierung, um die Einschränkungen herkömmlicher Fernfeld-Ansätze zu überwinden. Ein Kanalmodell für das Nahfeld, das die sphärische Wellenausbreitung und räumliche Nichtstationarität berücksichtigt, wird mithilfe des DeepMIMO-Datensatzes entwickelt und validiert. Die Kanalinformation wird als Graph dargestellt, um räumliche Abhängigkeiten zwischen den Elementen der Metasurface und den Nutzern abzubilden; ein End-to-End-GNN-Auffälligkeitsnetzwerk wird eingesetzt, um die Beamforming-Gewichte für die Fokussierung im Nahfeld zu erlernen. Im Gegensatz zu herkömmlichen iterativen Optimierungsverfahren prognostiziert der lernbasierte Ansatz die Beamforming-Lösungen direkt, wodurch der Rechenaufwand reduziert wird, während gleichzeitig hohe Genauigkeit und Anpassungsfähigkeit an dynamische Kanalbedingungen erhalten bleibt. Die Leistung wird anhand der erreichbaren Datenrate, des Beamforming-Gewinns und der Energieeffizienz bewertet und zeigt überlegene Ergebnisse im Vergleich zu traditionellen Fernfeld-Beamforming-Verfahren. Abbildung 1 veranschaulicht den gesamten Rahmen.
Die folgenden Schritte werden vorgeschlagen:
Schritt 1: Konfigurieren der DeepMIMO-Umgebung
Die DeepMIMO v3.x-Plattform wird zunächst über den O1 Outdoor-Setup konfiguriert, der eine Trägerfrequenz von 28 GHz und eine Bandbreite von 100 MHz verwendet. In der Simulation wird das XL-IMS durch ein gleichmäßiges, planares Array mit 16×16 reflektierenden Elementen, bestehend aus insgesamt 256 Elementen, dargestellt, die jeweils einen Abstand von λ/2 aufweisen. Als Ausbreitungsmodell wird eine sphärische Welle mit direkter Sichtverbindung (LoS) und Pfaden ohne direkte Sichtverbindung (NLoS) gewählt.
Schritt 2: Geometrie des XL-IMS und Benutzerpositionen definieren
Konstruieren Sie das XL-IMS als planare Metasoberfläche mit 16×16, die aus 256 rekonfigurierbaren reflektierenden Elementen besteht. Die Benutzerendgeräte wurden zufällig im Nahfeldbereich, zwischen 0,5 m und 10 m vom XL-IMS ausgehend, basierend auf dem Rayleigh-Abstandskriterium verteilt.
Schritt 3: Erzeugung von Nahfeldkanälen mithilfe der sphärischen Wellenausbreitung
Modellieren Sie die Kanäle zwischen jedem rekonfigurierbaren Metasurface-Element und dem Benutzer unter Verwendung der sphärischen Wellenausbreitung, die die distanzbedingte Phasenvariation berücksichtigt.
Schritt 4: Erzeugung von Nahfeld-Kanaldaten
Die Benutzerterminals waren gleichmäßig in der Nahfeldzone (0,5–10 m) um die XL-IMS-Panel verteilt. Sowohl LoS- als auch NLoS-Ausbreitungswege, die vom DeepMIMO O1 Outdoor-Szenario erzeugt wurden, wurden zur Kanalerzeugung verwendet.
Schritt 5: Vorbereitung des Datensatzes für Training und Test
Der generierte Datensatz umfasste 20.000 Stichproben, von denen 16.000 (80 %) zum Training und 4.000 (20 %) zur Testung verwendet wurden.
Schritt 6: Eingangsmerkmale normalisieren und Modelleingaben vorbereiten
Die letzte Phase des Vorbereitungsprozesses bestand darin, eine Min-Max-Normalisierung für alle Eingabemerkmale wie Kanalmagnitude, Phase, Distanz und Benutzerkoordinaten durchzuführen. Dieser Prozess skalierte die Daten und wandelte sie in Tensoren um, die dem GNN-Attention-Netzwerk zugeführt wurden. Das Modell wurde mithilfe des Adam-Optimierers mit einer Lernrate von 0,001 und 50 Epochen optimiert.
Schritt 7: Anwendung des Attention-Mechanismus
Fügen Sie einen Attention-Mechanismus hinzu, um globale Graphinformationen zu berücksichtigen und langreichweitige Abhängigkeiten zwischen den Knoten des Graphen zu erfassen. Dies hilft dem Modell, sich auf wichtige räumliche Merkmale zu konzentrieren.
Schritt 8: Berechnung der Beamforming-Gewichtungsfaktoren
Vorhersage der Beamforming-Gewichtungen und Phasenverschiebungswerte mithilfe der GNN-Attention-Einbettung. Die komplexen, aufwendigen, iterativen Beamforming-Verfahren werden durch die Vorhersagemethode ersetzt.
Schritt 9: Bewertung der Leistungskennzahlen
Um zu bewerten, wie gut die Kommunikation und das Beamforming funktionieren, berechnen Sie KPIs wie die erreichbare Datenrate, den Beamforming-Gewinn, die Spektrum-Effizienz, die Energieeffizienz und das SINR.
Schritt 10: Vergleich mit Referenzmethoden
Vergleichen Sie den vorgeschlagenen Algorithmus mit herkömmlichen Algorithmen, einschließlich ZF, MMSE, SDR und AO.
Definition des Systemmodells
Das vorgeschlagene System berücksichtigt ein durch ein XL-IMS mit 256 rekonfigurierbaren reflektierenden Elementen ermöglichtes 6G-Funknetz, das die Ausbreitung elektromagnetischer Wellen durch einstellbare Phasenverschiebungen steuert. Da sich die Nutzer im Nahfeldbereich befinden, wird die herkömmliche Annahme einer ebenen Welle im Fernfeld ungültig, weshalb die sphärische Wellenausbreitung, die entfernungsabhängige Dämpfung sowie die räumliche Nichtstationarität berücksichtigt werden müssen. Die Grenze zwischen Nah- und Fernfeldbereich wird durch die Rayleigh-Distanz bestimmt, die von der Größe der Metasoberfläche und der Trägerwellenlänge abhängt und den Übergang von sphärischen Wellenfronteffekten zur Ausbreitung ebener Wellen markiert. Dies wird wie folgt beschrieben:
(1)
Hier ist D die Größe der Metasoberfläche, λ die Wellenlänge und R der Rayleigh-Abstand. Ein Nahfeld-Phänomen tritt im Kommunikationskanal auf, wenn sich ein Benutzer an einer Position befindet, die näher an R liegt als dessen tatsächlicher Wert. Während das Signal durch verschiedene Komponenten der Metasoberfläche verläuft, erfährt es charakteristische Phasen- und Amplitudenänderungen.
Der Kanal von der n-ten Metasoberfläche zum Benutzer verwendet ein Kugelwellenmodell für die Nahfeldausbreitung, das durch die folgende Gleichung des Kanalkoeffizienten dargestellt wird:
(2)
Hier bezeichnet α den Pfadverlustparameter, λ bezeichnet die Trägerwellenlänge und dn ist der Abstand des Nutzers von der Komponente.
In diesem Fall ist βn der Pfadverlustfaktor für das nte XL-IMS-Element und kann ausgedrückt werden als βn = dn−α, wobei α für den Pfadverlustexponenten steht. Es ist anzumerken, dass dn der euklidische Abstand von der Position des Benutzers zum nten Metasurface-Element ist. Kanaländerungen bezüglich des Raums ergeben sich aus den erheblichen Unterschieden in dn zwischen verschiedenen Metasurfaces, im Gegensatz zur Situation bei Fernfeldkanälen. Im Allgemeinen kann der Kanalvektor wie folgt erklärt werden:
(3)
Das vom Benutzer empfangene Eingangssignal hängt von der Phasenabstimmung des XL-IMS-Systems ab. Sei θ = [θ1, θ2, …., θN] die unter Verwendung der Metasoberfläche realisierte Phasenverschiebung. Dann kann das Eingangssignal ausgedrückt werden als:
(4)
wobei Φ = diag(ejθ1, ….., ejθN) das gesendete Signal, w der Basis-Codierungs-Vorcodierungsvektor und n das Rauschen bezeichnet. Der Nahfeld-Kanalvektor ist definiert als h ∈ ℂN×1, die diagonale Phasenverschiebungsmatrix des XL-IMS als Φ ∈ ℂN×N, der Beamforming-Vektor als x ∈ ℂN×1 und das empfangene Signal als y ∈ ℂ. Der additive Rauschterm ist definiert als n ∼ CN (0, σ2). Diese Dimensionen gewährleisten die mathematische Korrektheit der Formulierung.
In diesem Fall ist ws der Vorcodierungsvektor der Basisstation, der zur Vorcodierung des gesendeten Symbols (s) verwendet wird. Bei der Leistungsbewertung werden gängige Verfahren der digitalen Vorcodierung wie ZF und MMSE an der Basisstation unter Verwendung ähnlicher Nahfeld-Kanalrealisierungen implementiert. Der neue Ansatz zielt jedoch darauf ab, die Phasenverschiebungsmatrix (θ) des XL-IMS durch den GNN-Attention-Lernmechanismus zu optimieren.
Um die Energie im Nahfeldbereich zu konzentrieren, sollte ein Design θ erreichbar sein, bei dem für den Benutzer konstruktive Interferenz auftritt. Die Beamforming-Strategie zielt darauf ab, die spektrale Effizienz oder die empfangene Signalleistung zu maximieren. Abbildung 2 beschreibt die Architektur des Nahfeld-Kommunikationssystemmodells basierend auf dem XL-IMS-Ansatz.
Modellierung von Nahfeldkanälen
Das vorgeschlagene Nahfeldmodell für XL-IMS-basierte 6G-Kommunikationsnetzwerke wurde speziell entwickelt, um die Ausbreitungsbedingungen in der Nähe der Rayleigh-Distanz von der Metasoberfläche nachzuahmen. In der Nahfeldregion ist die Ausbreitung kugelförmig, mit sich ändernden Phasenwerten und inhomogenen räumlichen Parametern über die Metasoberfläche hinweg, im Gegensatz zu herkömmlichen Fernfeld-Ausbreitungsmodellen, die ebene Wellen annehmen. In der vorliegenden Studie wurde ein physikbasiertes Kugelwellenmodell verwendet, um eine genaue Kanalimpulsantwortmatrix zu entwerfen, die die physikalischen Positionen sowohl der Metasoberflächenelemente als auch der Nutzereinheiten berücksichtigt.
Kanalrepräsentation basierend auf Distanz
Der Abstand zwischen jeder Metasurface-Komponente und dem Benutzer ist ein entscheidender Faktor bei der Erstellung des Kanalmodells im Nahfeldbereich. Die Länge pn zwischen den Benutzerpositionen pu und der n-ten XL-IMS-Komponente ergibt sich wie folgt:
(5)
Dieser Wert variiert aufgrund der extrem großen Fläche erheblich über die Metasoberfläche, was zu ungleichen Ausbreitungszeiten und Phasenverschiebungen führt, die im Modell berücksichtigt werden müssen.
Kugelwellen-Kanalmodell
Der Kanalkoeffizient zwischen dem n-ten Element und dem Benutzer wird mithilfe des Kugelwellenmodells aus Gleichung (2) bestimmt, das phasen- und amplitudenmäßige, distanzabhängige Variationen erfasst. Zur Erzeugung des Datensatzes und zum Trainieren des Modells werden die Kanalkoeffizienten aus dem DeepMIMO-Ray-Tracing-Framework gewonnen, das sowohl die direkte Sichtverbindung (LoS) als auch die nicht direkte Sichtverbindung (NLoS) umfassende Mehrwegeausbreitung basierend auf realistischen Umgebungsstrukturen einbezieht. Daraus kann die Kanalantwortmatrix aus den Kanalantworten aller N Metaoberflächenelemente gemäß Gleichung (3) aufgebaut werden.
Räumliche Nicht-Stationarität von Nahfeldkanälen und Bedeutung des Modells
Im Gegensatz zu Fernfeldkanälen weisen Nahfeldkanäle eine räumliche Nichtstationarität auf, bei der die empfangenen Signale über die gesamte Metasoberfläche variieren, wodurch eine ortsabhängige Strahlfokussierung ermöglicht wird. Diese räumliche Information ist in der Kanalantwortmatrix enthalten und wird vom GNN-Attention-Modell erfasst. Supplementary Figure 1 veranschaulicht den vorgeschlagenen Rahmen für die Modellierung von Nahfeldkanälen für das auf XL-IMS basierende 6G-Kommunikationssystem sowie die Erzeugung realistischer Kanaldaten für das Deep-Learning-basierte Beamforming.
Erstellung des Datensatzes
Die Datenerzeugung erfolgte mithilfe des DeepMIMO-Frameworks, das realitätsnahe, auf Ray-Tracing basierende Kanalsimulationen bietet, welche die Umgebungsgeometrie, räumliche Konsistenz und Benutzerbeweglichkeit berücksichtigen. Kanalantworten für mehrere Nutzerpositionen im Nahfeld wurden anhand des O1-Außenszenarios bei einer Trägerfrequenz von 28 GHz und einer Bandbreite von 100 MHz generiert. Der XL-IMS bestand aus 256 gleichmäßig verteilten reflektierenden Elementen, und die Nutzerpositionen wurden im Nahfeldbereich basierend auf dem Rayleigh-Kriterium ausgewählt. Kanalkoeffizienten, Pfadverstärkungen und räumliche Informationen wurden mit der DeepMIMO-Python-Bibliothek extrahiert. Ergänzende Tabelle 1 fasst die Simulations- und Reproduzierbarkeitsparameter zusammen. Das Modell wurde mittels überwachtem Lernen trainiert, wobei Merkmale des Kanalzustands als Eingaben und physikbasiert optimierte Beamforming-Gewichte als Zielbezeichnungen dienten.
Erstellung der Eingangsmerkmale und Datensatzstruktur
Anschließend wurden die Rohkanaldaten in Merkmale umgewandelt, die als Eingabe für Deep-Learning-Modelle verwendet wurden. Zu diesen Merkmalen gehörten die Beträge und Phasen der Kanalantworten als separate Komponenten. Je nach Anforderungen des Problems konnten auch weitere Eingabeparameter einbezogen werden. Beispielsweise könnten die Koordinaten der Nutzer, Abstände und einige räumliche Parameter ebenfalls als Merkmale berücksichtigt werden. Der Datensatz wurde im Verhältnis 80:20 in Trainings- und Testmengen aufgeteilt.
Vorbereitung des Datensatzes zum Trainieren
Der letzte Schritt bestand darin, den vorbereiteten Datensatz zu normalisieren und in Tensoren umzuwandeln, die für die Eingabe in die GNN-Attention-Architektur zum Training geeignet sind. Der Trainingsdatensatz wurde verwendet, um die Abbildung vom Kanalzustand auf die optimalen Beamforming-Gewichte zu erlernen, während der Testdatensatz zur Bewertung der Effektivität des Modells diente. Dieser sorgfältig vorbereitete Datensatz erleichterte und verbesserte den Lernprozess. Supplementary Table 2 zeigt die Details zur Datensatzbeschreibung von DeepMIMO.
Merkmalsdarstellung
Die Phase der Merkmalsdarstellung wandelte die komplexwertigen Nahfeld-Kanaldaten in ein Format um, das für das tiefe Lernen geeignet ist. Die Kanalantworten wurden in Merkmale zerlegt, die räumliche und Ausbreitungscharakteristika erfassen, wobei gleichzeitig wesentliche Informationen des Nahfelds für das Lernen erhalten blieben. Zusätzliche Abbildung 2 veranschaulicht den in diesem Prozess verwendeten DeepMIMO-Datensatz. Die Kanaldaten aus der Nahfeldumgebung wurden als komplexe Zahlen hn dargestellt, mit Real- und Imaginärteilen, die die Phasen- und Amplitudeninformation der Kanalkoeffizienten repräsentieren. Um eine effektive Nutzung in maschinellen Lernalgorithmen zu ermöglichen, wurden die Koeffizienten in ihre Realteile (Rehn) und Imaginärteile (Imhn) zerlegt. Die Daten konnten außerdem als Betrag hn und Phase der Koeffizienten ∠hn dargestellt werden.
Räumliche Merkmalsextraktion
Zusätzlich zum Kanalkoeffizienten wurden räumliche Merkmale einbezogen, um der geometrischen Beschaffenheit der Nahfeldumgebung Rechnung zu tragen. Dazu gehörten der Abstand dn von jedem Metasurface-Element zum Empfänger sowie die Koordinaten des Empfängers (x, y, z). Auf diese Weise berücksichtigte das Modell die Tatsache, dass die Signaleigenschaften von der räumlichen Position des Sender-Empfänger-Paars abhängen können, eine Eigenschaft, die für die Ausbreitung im Nahfeld von Bedeutung ist.
Normalisierung und Vorbereitung der Modelleingabe
Als vorbereitende Maßnahme vor der Eingabe der Daten in das Modell wurde ein Normalisierungsprozess durchgeführt, um numerische Instabilität zu vermeiden und die Konvergenz zu beschleunigen. Die strukturierten Vektoren wurden in Trainings- und Testdatensätze unterteilt, bezeichnet als (Xtrain, Xtest). Auf diese Weise wurden die Eingaben anschließend den GNN- und Attention-Modellen bereitgestellt.
Basierend auf der Merkmalsdarstellung in der Zusätzlichen Abbildung 2 wurden verschiedene Arten von Merkmalen in diesem Datensatz verwendet, einschließlich der Kanalkoeffizienten hn, die die komplexe Signalantwort aller Metasurface-Elemente angeben. Ein weiteres Merkmal war der Abstand dn, der in diesem Fall die Ausbreitungseffekte angibt. Obwohl die imaginären und reellen Komponenten eine numerische Beschreibung des Signals liefern, geben die Betrags- und Phasenanteile eine explizite Beschreibung der Signalstärke bzw. der Phasenverschiebung an. Die Koordinate der Benutzerposition (x, y, z) war ein weiteres wichtiges Merkmal, das das räumliche Bewusstsein des Modells verbesserte.
Deep-Learning-Design unter Verwendung von GNN zur Modellierung räumlicher Abhängigkeiten in Kombination mit einem hybriden Attention-Mechanismus für das Lernen des globalen Kontexts
Dieser Lernalgorithmus wurde entwickelt, um den komplexen Nahfeld-XL-IMS-Kanal unter Berücksichtigung seiner räumlichen und Ausbreitungseigenschaften mithilfe von GNNs und einem Attention-Mechanismus effizient zu trainieren. Da die Metasurface-Elemente stark miteinander korreliert sind und ihre Wechselwirkungen innerhalb der Nahfeldzone nicht einheitlich sind, eignet sich ein vollständig verbundenes Netzwerk nicht zur angemessenen Darstellung des Kanals. Daher wird in diesem Ansatz die Metasurface als Graph dargestellt, wobei jedes Element als Knoten fungiert und die Wechselwirkungen zwischen ihnen als Kanten. Die GNN erfasste lokale räumliche Abhängigkeiten zwischen benachbarten Knoten, während der Attention-Mechanismus das Lernen globaler Abhängigkeiten verbesserte.
Grafische Darstellung der XL-IMS
Der XL-IMS wird als Graph G = (V, E) erstellt, wobei jeder Knoten vn ∈ V ein Meta-Oberflächenelement darstellt, während Kanten eij ∈ E die räumlichen Beziehungen zwischen den Elementen repräsentieren. Jeder Knoten besitzt einen Merkmalsvektor xn, der über die Phase der Merkmalsdarstellung gewonnen wird. Die Adjazenzmatrix A erfasst die Verbindungen zwischen benachbarten Knoten, die nahe beieinander liegen oder innerhalb bestimmter Distanzbeschränkungen sind. Eine solche Graphformulierung dient dazu, die im Nahfeld-Propagationsprozess vorhandenen räumlichen Informationen einzubeziehen.
Um die Reproduzierbarkeit zu gewährleisten, wird die Graphenverbindung mittels des K-nächsten-Nachbarn-Ansatzes bestimmt, wobei k auf 8 festgelegt ist. Seien pi und pj die Ortsvektoren der i-ten bzw. der j-ten XL-IMS-Zelle. Der Abstand zwischen zwei beliebigen Knoten wird über die euklidische Metrik wie folgt gemessen: dij = ||pi − pj||2. Es besteht eine Kante zwischen den Knoten i und j, falls der Knoten j zu der Gruppe der acht nächstgelegenen Nachbarn des Knotens i gehört. Daher wird die Adjazenzmatrix nach folgender Regel konstruiert: Aij = 1, wenn j ∈ Nk(i) gilt, andernfalls Aij = 0.
In dem vorgeschlagenen GNN werden Aktualisierungen für jeden Knoten basierend auf Informationen von anderen benachbarten Knoten berechnet. Insbesondere kann die Ausbreitung der Schicht l wie folgt angegeben werden:
(6)
wobei hi(l) den Merkmalsvektor des Knotens i in der Schicht l darstellt, N(i) die Nachbarschaft des Knotens i ist, W(l) die lernfähige Gewichtsmatrix bezeichnet und σ(·) eine nichtlineare Aktivierungsfunktion symbolisiert.
Das GNN-Attention-Modell bestand aus drei Graph-Faltungsschichten mit versteckten Dimensionen von 128, und als Aktivierungsfunktion wurde die rectifizierte lineare Einheit (ReLU) verwendet. Die Grapherzeugung erfolgte mittels der Methode der k-nächsten Nachbarn (k=8). Jedes XL-IMS-Merkmal fungiert als Knoten, während Kanten basierend auf dem euklidischen Abstand zwischen benachbarten Knoten gebildet werden. Zur Extraktion globaler räumlicher Abhängigkeiten verwendeten wir ein Multi-Head-Self-Attention-Netzwerk mit 4 Köpfen. Die Dropout-Wahrscheinlichkeit wurde zur Vermeidung von Überanpassung auf 0,3 festgelegt.
Aufmerksamkeitsmechanismus
Um langreichweitige Abhängigkeiten abzubilden, die über den lokalen Nachbarschaftsbereich hinausgehen, wurde im Modell die sogenannte „Attention“ eingeführt, die wie folgt funktioniert:
(7)
wobei eij = LeakyReLU(aT[Whi | Whj]) die Bedeutung der Knoten i und j angibt. Mit diesem Modell lassen sich unterschiedliche Wichtigkeitsgrade für Knoten basierend auf ihren Rollen zuweisen, wodurch das Modell den globalen Kontext über die gesamte Metasoberfläche besser erfassen kann. Der hybride Ansatz erfasst sowohl lokale als auch globale räumliche Informationen, und die gelernten Merkmale werden über vollverknüpfte Schichten verarbeitet, um Beamforming-Gewichte zu erzeugen. Wie in den ergänzenden Abbildungen 3 und 4 gezeigt, modelliert das GNN lokale räumliche Abhängigkeiten durch Nachrichtenaustausch und Merkmalsaggregation, während der Attention-Mechanismus globale Wechselwirkungen zwischen den Elementen der Metasoberfläche erfasst und so ein effektives Nahfeld-Beamforming ermöglicht. Attention-Gewichte werden berechnet, um die Relevanz von Knotenpaaren zu quantifizieren, wobei informativeren Wechselwirkungen eine höhere Bedeutung zugewiesen wird. Mithilfe dieser Gewichte aggregiert jeder Knoten Informationen von allen anderen Knoten, wodurch das Modell globale Abhängigkeiten erfassen kann, die über lokale Nachbarschaften hinausgehen. Die resultierende gewichtete Merkmalsfusion erzeugt eine optimierte Merkmalsdarstellung, die wichtige räumliche Eigenschaften betont und weniger relevante Informationen unterdrückt, was eine effektive Optimierung des Beamformings und eine gezielte Energiebündelung unterstützt.
Optimierung der Strahlansteuerung
Die Optimierungsstufe der Strahlenaufbereitung bestimmte die Phasenverschiebungen und Strahlenaufbereitungsgewichte von XL-IMS, um Energie auf Nutzer im Nahfeld zu fokussieren. Im Gegensatz zur herkömmlichen Strahlenlenkung im Fernfeld konzentriert die Strahlenaufbereitung im Nahfeld die Energie an bestimmten räumlichen Positionen. In dem vorgeschlagenen Framework lernte ein GNN-Aufmerksamkeitsmodell optimale Parameter der Strahlenaufbereitung direkt aus den Kanaleigenschaften, wodurch die Komplexität iterativer Optimierungsverfahren reduziert wurde. Das empfangene Nutzersignal ist in Gleichung (4) angegeben.
Die Trainingsdaten wurden für jede Kanalrealisierung aus DeepMIMO gewonnen, und die entsprechenden Phasenverschiebungen des XL-IMS wurden mithilfe des AO-Algorithmus bestimmt. Die Nahfeld-Kanal-Matrix h und die XL-IMS-Phasenverschiebungs-Matrix wurden verwendet, um den Phasenverschiebungsvektor θ durch Maximierung der empfangenen Signalstärke zu berechnen:
(8)
(9)
Der AO-Optimierer wurde für 100 Iterationen ausgeführt, bis er den gewünschten Konvergenzschwellenwert von 10−4 erreichte. Diese optimierten Werte dienten als Trainingslabels für unser GNN-Attention-Modell. Das Ziel bestand darin, konstruktive Interferenz für eine effektive Nahfeld-Strahlfokussierung und eine verbesserte empfangene Signalstärke zu erzielen. Anstelle herkömmlicher Optimierungsverfahren wie SDR oder AO wurde das Problem mithilfe eines lernbasierten Ansatzes gelöst. Insbesondere wurde das Beamforming-Optimierungsproblem durch ein Deep-Learning-Modell fΘ(⋅) angenähert.
Überwachtes Lernen wurde zur Schulung des GNN-Attention-Modells verwendet, wobei die optimalen Beamforming-Phasenverschiebungsvektoren, die vom AO-Algorithmus bereitgestellt wurden, als Trainingsziele dienten. Genauer gesagt, bezeichnen wir den vom AO-Algorithmus erzeugten optimalen Phasenverschiebungsvektor als θAO,i und die Netzwerkvorhersagen als 
. Dann wurde das Trainingskriterium wie folgt formuliert:
(10)
wobei N die Anzahl der Trainingsstichproben ist.
Algorithmus 1: Nahfeld-Beamforming unter Verwendung eines GNN-Attention-Modells ist in der Zusatzdatei 1 dargestellt. In diesem Algorithmus bestand der erste Schritt darin, die Systemparameter und die DeepMIMO-Datenbank einzurichten, um realistische Kanalbedingungen zu erzeugen. Die Nahfeld-Kanaleigenschaften für jede Probe wurden mithilfe des Kugelwellenmodells berechnet, und anschließend wurden wichtige Merkmale wie Kanalkoeffizienten und räumliche Eigenschaften aus der Datenbank extrahiert. Die extrahierten Merkmale wurden in eine strukturierte Form umgewandelt und dann als Graph dargestellt, wobei die Metasurface-Elemente als Knoten fungierten. Das Deep-Learning-Modell wurde unter Verwendung von GNN-Schichten generiert, um lokale räumliche Abhängigkeiten abzubilden, und ein Attention-Mechanismus wurde eingeführt, um globale Abhängigkeiten zu lernen. Der Deep-Learning-Algorithmus wurde mittels überwachtem Lernen mit MSE-Verlust zwischen den vorhergesagten Phasenverschiebungen und den vom AO generierten optimalen Phasenverschiebungslabels trainiert.
Diese Implementierung wurde mit Python und PyTorch durchgeführt. Die Datenproben für den DeepMIMO-Kanal wurden aus dem Außenbereichsszenario O1 bezogen. Diese Kanalkoeffizienten wurden in Graphen umgewandelt und mithilfe eines GNN mit drei Schichten sowie einem Multihead-Attention-Mechanismus verarbeitet. Das Modell wurde mit dem Adam-Optimierer und einer MSE-Verlustfunktion trainiert. Das Modell erzeugte Phasenverschiebungen und Gewichte für das Beamforming bei Nahfeldnutzern, und die Ergebnisse wurden hinsichtlich Datenrate, Effizienz und SINR bewertet.
Ergebnisse
Die Leistung des vorgestellten Nahfeld-Kanalmodellierungs- und Beamforming-Frameworks für XL-IMS in 6G-Kommunikationsnetzen wird mithilfe des DeepMIMO-Datensatzes bewertet, der praktische Ausbreitungsbedingungen und räumlich konsistente Kanaldaten bereitstellt. Zur Konfiguration dieses Datensatzes müssen zahlreiche Kanalproben erzeugt werden, die verschiedene Benutzerpositionen im Nahfeld der Metaoberfläche repräsentieren. Insbesondere verwendet diese Studie bis zu 10.000–20.000 Proben, die unter unterschiedlichen Ausbreitungsbedingungen und Benutzerpositionen gesammelt wurden. Ein Aufteilungsverhältnis von 80:20 wurde verwendet, um diese Kanalproben in 80 % zum Training und 20 % zur Testung aufzuteilen. In diesem Sinne bewertet die Testmenge die Fähigkeit des Modells zur Verallgemeinerung, während die Trainingsmenge die Grundlage für das Lernen bildet.
Die experimentellen Ergebnisse zeigen, dass der vorgeschlagene GNN-Attention-Ansatz herkömmliche Verfahren der Fernfeld-Beamforming und optimierungsbasierte Methoden übertrifft. Durch die Kombination eines sphärischen Wellenkanalmodells mit einer auf Deep Learning basierenden räumlichen Merkmalsextraktion erreicht der vorgeschlagene Ansatz eine höhere Beamforming-Verstärkung, spektrale Effizienz und Energiebündelungsleistung. Die Leistung wird anhand der erreichbaren Datenrate, der Beamforming-Verstärkung und der Energieeffizienz bewertet, welche die Kommunikationskapazität, die Effektivität der Signalbündelung bzw. die Effizienz der Datenübertragung im Verhältnis zum Leistungsverbrauch messen.
Die vorgeschlagene Methode wird mit herkömmlichen Beamforming-Verfahren verglichen, einschließlich ZF und MMSE, sowie mit optimierungsbasierten Verfahren wie SDR und AO. Während Nahfeld-Ansätze durch Annahmen über ebene Wellen eingeschränkt sind und in Nahfeld-XL-IMS-Umgebungen schlecht abschneiden, verursachen Optimierungsverfahren oft einen hohen Rechenaufwand. Im Gegensatz dazu bietet der GNN-Attention-Algorithmus ein effizientes Beamforming mit geringerem Rechenaufwand. Zu einem fairen Vergleich wurden alle Verfahren unter Verwendung identischer, von DeepMIMO erzeugter Nahfeldkanäle, der gleichen XL-IMS-Konfiguration, Trägerfrequenz, Benutzerpositionen, Sendeleistung und Signal-Rausch-Verhältnis (SNR)-Bedingungen evaluiert. ZF und MMSE gingen von identischer Kanalzustandsinformation aus, während SDR und AO unter denselben Leistungs- und Phasenverschiebungsbeschränkungen implementiert wurden, wobei standardmäßige, literaturbasierte Parametereinstellungen verwendet wurden.
Validierung der Nahfeld-Kanalmodellierung
Referenzmethoden, einschließlich ZF, MMSE, SDR und AO, werden verwendet, um die erreichbare Datenrate des vorgeschlagenen Graph-Neural-Network-basierten Beamforming-Modells mit Attention-Mechanismus in Abbildung 3 zu vergleichen. Wenn das SNR von 0 auf 30 dB ansteigt, zeigen alle Methoden verbesserte erreichbare Raten; das vorgeschlagene Modell übertrifft jedoch durchgängig die Referenzmethoden. Es erreicht 2,1 bps/Hz bei 0 dB, 7,8 bps/Hz bei 15 dB und 11,6 bps/Hz bei 30 dB und liegt damit in allen SNR-Bereichen über den Leistungen von ZF, MMSE, SDR und AO. Tabelle 1 zeigt einen Vergleich der erreichbaren Raten in Abhängigkeit vom SNR.
Abbildung 4 vergleicht die Beamforming-Verstärkung des vorgeschlagenen GNN-basierten Modells mit Aufmerksamkeitsmechanismus gegenüber herkömmlichen Verfahren, einschließlich ZF, MMSE, SDR und AO, in Abhängigkeit vom Benutzerabstand im Nahfeldbereich. Mit zunehmendem Benutzerabstand nimmt die empfangene, gebündelte Signalleistung aufgrund höherer Ausbreitungsverluste ab, was bei allen Verfahren zu einer Verringerung der Beamforming-Verstärkung führt. Dennoch erreicht das vorgeschlagene GNN-Aufmerksamkeits-Framework durchgängig die höchste Beamforming-Verstärkung und kommt bei 1 m auf etwa 28 dB, bei 4 m auf 25 dB und bei 7 m auf 22 dB, wodurch es SDR, AO, MMSE und ZF bei allen untersuchten Abständen übertrifft. Diese Ergebnisse zeigen die überlegene Nahfeld-Strahlfokussierungsfähigkeit und die bessere Verstärkungsstabilität des vorgeschlagenen Frameworks, was im Vergleich zu bestehenden Verfahren eine verbesserte Beamforming-Effizienz bedeutet.
Leistung des GNN-Attention-Lernframeworks
Abbildung 5 vergleicht die spektrale Effizienz des vorgeschlagenen GNN-Attention-Beamforming-Verfahrens mit ZF, MMSE, SDR und AO über einen SNR-Bereich von 0 bis 30 dB. Obwohl die spektrale Effizienz bei allen Verfahren mit steigendem SNR zunimmt, erreicht der vorgeschlagene Ansatz durchgängig die beste Leistung und erzielt 1,8 bps/Hz bei 0 dB, 6,8 bps/Hz bei 15 dB und 10,5 bps/Hz bei 30 dB, wodurch alle Vergleichsverfahren übertroffen werden. Abbildung 6 vergleicht die Energieeffizienz des vorgeschlagenen GNN-Attention-Beamforming-Systems mit ZF, MMSE, SDR und AO unter variierenden SNR-Bedingungen. Die Energieeffizienz steigt für alle Verfahren mit zunehmendem SNR; der vorgeschlagene Ansatz erreicht jedoch durchgängig die höchste Leistung und erreicht etwa 2,5 bit/Joule bei 0 dB, 7,2 bit/Joule bei 15 dB und 9,8 bit/Joule bei 30 dB, wodurch alle Vergleichstechniken übertroffen werden.
Auswertung des Datensatzes und der Merkmalsdarstellung
Abbildung 7 veranschaulicht das Konvergenzverhalten des vorgeschlagenen GNN-Attention-Modells in Bezug auf den mittleren quadratischen Fehler (MSE) über die Trainingsepochen hinweg. Der MSE sinkt in den frühen Phasen des Trainings rapide, von etwa 0,69 in Epoche 5 auf 0,22 in Epoche 20, und nimmt weiter auf ungefähr 0,08 bis zur Epoche 35 ab. Das Modell konvergiert allmählich bis zur Epoche 50 und erreicht einen MSE von ungefähr 0,04, was auf ein stabiles Training und ein effektives Lernen der zugrundeliegenden Kanaleigenschaften hinweist.
Ergebnisse der Beamforming-Optimierung
Abbildung 8 vergleicht die Summen-Datenratenleistung der vorgeschlagenen GNN-basierten Beamforming-Methode mit Attention-Mechanismus gegenüber ZF, MMSE, SDR und AO, während die Anzahl der Nutzer von 2 auf 12 ansteigt. Obwohl alle Verfahren mit steigender Nutzeranzahl höhere Summenraten erreichen, liefert der vorgeschlagene Ansatz durchgängig die beste Leistung und erzielt 12,5 bps/Hz bei 2 Nutzern, 31,6 bps/Hz bei 6 Nutzern und 50,3 bps/Hz bei 12 Nutzern, wodurch er alle Vergleichsverfahren über verschiedenen Nutzerdichten hinweg übertrifft.
Tabelle 2 vergleicht die Mehrnutzereffizienz des vorgeschlagenen GNN-Attention-Beamforming-Frameworks mit ZF, MMSE, SDR und AO. Die vorgeschlagene Methode erreicht die höchste Mehrnutzereffizienz (92,5 %), den höchsten SINR (24,8 dB) und den größten Kapazitätsgewinn (50,3 bps/Hz) und zeigt damit eine überlegene Skalierbarkeit, Interferenzunterdrückung und Ressourcenverteilung im Vergleich zu den Referenzverfahren. Abbildung 9 zeigt einen Vergleich der kumulativen Verteilungsfunktionen (CDFs) des SINR. Der vorgeschlagene Ansatz weist eine nach rechts verschobene Verteilung auf, was auf durchgängig höhere SINR-Werte über alle Nutzer hinweg hindeutet. Bei der Medianleistung (50. Perzentil) erreicht er einen SINR von etwa 25 dB und übertrifft damit SDR (23 dB), AO (22 dB), MMSE (20 dB) und ZF (17 dB). Die überlegene SINR-Leistung des vorgeschlagenen Modells resultiert aus seiner Fähigkeit, sowohl lokale räumliche Abhängigkeiten durch GNNs als auch globale Wechselwirkungen durch Attention-Mechanismen abzubilden, wodurch ein effektives Near-Field-Beamforming ermöglicht wird. Die CDF-Ergebnisse belegen eine robustere Interferenzunterdrückung und durchgängig höhere SINR-Werte im Vergleich zu den herkömmlichen Verfahren ZF, MMSE, SDR und AO.
Tabelle 3 zeigt die mittlere Leistung, Standardabweichung und 95 %-Konfidenzintervalle, die aus fünf unabhängigen experimentellen Durchläufen ermittelt wurden, und demonstriert damit die Stabilität und Reproduzierbarkeit des vorgeschlagenen Frameworks. Tabelle 4 vergleicht die rechnerische Komplexität und die Inferenzzeit des vorgeschlagenen GNN-Attention-Beamforming-Verfahrens mit herkömmlichen Methoden. Während des Trainings wird der Rechenaufwand hauptsächlich durch die Nachrichtenübertragung im Graphen und den Attention-Mechanismus bestimmt, was zu einer Komplexität von O(E·L·F2 + N2) führt. Trotz dieses zusätzlichen Aufwands im Trainingsprozess entfällt bei der Bereitstellung die Notwendigkeit iterativer Optimierung. Das vorgeschlagene Modell erreicht eine durchschnittliche Inferenzzeit von 4,9 ms, was deutlich niedriger ist als bei SDR (85,4 ms), AO (63,7 ms), MMSE (15,6 ms) und ZF (12,8 ms). Darüber hinaus zeigt die Skalierbarkeitsanalyse eine stabile Leistung mit zunehmender Anzahl von Nutzern und Metasurface-Elementen, was die Eignung des vorgeschlagenen Frameworks für großskalige, XL-IMS-basierte 6G-Kommunikationssysteme unterstreicht.
Ablationsstudie
Die Wirkung einzelner Komponenten im Framework kann durch eine Ablationsanalyse bewertet werden, bei der Komponenten entweder weggelassen oder verändert werden, beispielsweise das GNN, die Attention-Mechanismen und die physikbasierte Nahfeld-Kanalmodellierung. Das vollständige Framework umfasst alle drei Komponenten, während die Ablationsmodelle bestehen aus: (i) ausschließlich dem GNN-Modell, (ii) ausschließlich dem Attention-Modell und (iii) ohne das physikbasierte Kugelwellenmodell (Fernfeldannahme). Die Leistungsbewertung erfolgt anhand von Metriken wie erreichbarer Datenrate, Beamforming-Gewinn und SINR. Die Ergebnisse zeigen, dass die Gesamtsystemleistung stark von den Komponenten abhängt, insbesondere vom physikbasierten Kanalmodell, dessen Weglassen den stärksten negativen Effekt hat. Dies unterstreicht die Bedeutung einer genauen Kanalmodellierung im Nahfeldbereich.
Aus den Ablationsergebnissen in Tabelle 5 lässt sich die Bedeutung jedes Teils der vorgeschlagenen Architektur überprüfen. Wie die oben gezeigten Experimentierergebnisse zeigen, erreicht das Modell mit allen Komponenten die beste Leistung mit einer erreichbaren Rate von 11,6 bps/Hz, einem Beamforming-Gewinn von 28 dB und einem SINR von 25 dB, was belegt, dass die vorgeschlagene Architektur gut funktioniert. Ohne den Attention-Mechanismus erreicht das Modell lediglich 10,2 bps/Hz, was darauf hinweist, dass der globale Signalzusammenhang geschwächt wird. Außerdem führt das Entfernen der GNN-Komponente zu einer schlechten Leistung von 9,8 bps/Hz, was zeigt, dass die Modellierung räumlicher Abhängigkeiten für Near-Field-Kommunikation notwendig ist. Der stärkste Leistungsabfall wird beobachtet, wenn das physikbasierte Kugelwellenmodell ignoriert wird, wodurch eine erreichbare Rate von 8,5 bps/Hz und ein SINR von 19,2 dB erreicht werden, was belegt, dass auch die Kanalmodellierung im Nahfeld notwendig ist.
Zusammenfassend bestätigen die experimentellen Ergebnisse die Forschungsziele, Kanal- und Beamforming-Modelle basierend auf dem Nahfeld elektromagnetischer Wellen zu entwickeln, angewendet auf XL-IMS-fähige 6G-Netzwerke. Die GNN-Attention-Architektur erreichte eine höhere Leistung hinsichtlich erzielbarer Datenrate, Beamforming-Gewinn, spektraler Effizienz, Energieeffizienz und SINR im Vergleich zu herkömmlichen Ansätzen wie ZF-, MMSE-, SDR- und AO-Verfahren. Die Abbruchanalysen zeigten, dass die Verwendung physikalischer Modelle für sphärische Wellen, Graph-Neuronale-Netzwerke und Attention äußerst wertvoll ist, um die Leistung zu verbessern.
Datenverfügbarkeit
Die in dieser Studie generierten und analysierten Datensätze sowie die unterstützenden Materialien sind öffentlich im Zenodo-Repository unter https://doi.org/10.5281/zenodo.21037047 verfügbar. Die Simulationsdatensätze wurden mithilfe des DeepMIMO Python-Repositorys unter Verwendung des O1-Außenszenarios mit Ray-Tracing, einer Trägerfrequenz von 28 GHz und der Nahfeld-XL-MIMO-Konfiguration erzeugt. Das DeepMIMO Python-Repository ist verfügbar unter: https://github.com/DeepMIMO/DeepMIMO-python.
Abbildung 1: Gesamtarchitektur der vorgeschlagenen Arbeit. Schematische Darstellung der gesamten Pipeline der vorgeschlagenen Nahfeldkanalmodellierung und Beamforming-Methode. Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.
Abbildung 2: Aufbau des Systemmodells. Ein schematisches Diagramm veranschaulicht die Systemarchitektur der auf XL-IMS basierenden 6G-Kommunikation mit Nahfeld-Strahlfokussierung. Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.
Abbildung 3: Ergebnis der erreichbaren Rate in Abhängigkeit vom SNR. Leistungskennlinie der Rate als Funktion des SNR für die vorgeschlagenen und bestehenden Ansätze. Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.
Abbildung 4: Beamforming-Gewinn im Vergleich zur Distanz. Beamforming-Gewinn, erzielt durch verschiedene Beamforming-Methoden, in Abhängigkeit vom Benutzerabstand im Nahfeldbereich, wodurch die Wirksamkeit der räumlichen Signalbündelung und die Gewinnbeibehaltung mit zunehmender Distanz veranschaulicht wird. Klicken Sie bitte hier, um eine vergrößerte Version dieser Abbildung anzusehen.
Abbildung 5: Ergebnis der spektralen Effizienz in Abhängigkeit vom SNR. Vergleich der spektralen Effizienz bei verschiedenen SNR-Werten. Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.
Abbildung 6: Ergebnis der Energieeffizienz im Vergleich zum SNR. Leistung der Energieeffizienz bei verschiedenen SNR-Werten. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.
Abbildung 7: Ergebnis der MSE-Konvergenz. Konvergenz des MSE-Verlusts während des Trainings. Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.
Abbildung 8: Ergebnis der Summenrate in Abhängigkeit von der Anzahl der Nutzer. Die Leistungsfähigkeit der Summenrate mit zunehmender Anzahl von Nutzern. Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.
Abbildung 9: Vergleichsergebnis des SINR mit der Verteilungsfunktion (CDF). SINR-Vergleich basierend auf CDF-Diagrammen. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.
| Methode | Durchschnittlich erreichbare Rate (bps/Hz) | Leistungsniveau |
| Vorgeschlagen (GNN-Attention) | 7.36 | ***** |
| SDR | 6.66 | **** |
| AO | 6.5 | **** |
| MMSE | 6.03 | *** |
| ZF | 5.23 | *** |
Tabelle 1: Vergleich der erreichbaren Rate. Veranschaulicht die Leistungsrate der vorgeschlagenen und bestehenden Techniken.
| Methode | Mehrfachnutzereffizienz (%) | Interferenzbehandlung (SINR, dB) | Kapazitätsverbesserung (bps/Hz) |
| Vorgeschlagen (GNN-Attention) | 92.5 ± 0.8 | 24.8 ± 0.5 | 50.3 ± 0.7 |
| SDR | 86.3 ± 1.1 | 22.1 ± 0.7 | 45.0 ± 0.9 |
| AO | 84.7 ± 1.0 | 21.5 ± 0.8 | 43.2 ± 1.0 |
| MMSE | 78.9 ± 1.3 | 19.2 ± 0.9 | 38.7 ± 1.2 |
| ZF | 72.5 ± 1.5 | 17.0 ± 1.0 | 33.5 ± 1.4 |
Tabelle 2: Experimentelles Ergebnis der Skalierbarkeitsleistung. Zeigt die Skalierbarkeitsleistung in Mehrbenutzer-Kommunikationsumgebungen.
| Metrik | Mittelwert | Standardabweichung | 95 % KI |
| Ermittelbare Rate | 11.6 ± 0.21 | 0.21 | [11.42,11.78] |
| Spektrale Effizienz | 10.5 ± 0.18 | 0.18 | [10.34,10.66] |
| Energieeffizienz | 9.8 ± 0.15 | 0.15 | [9.67,9.93] |
| SINR | 25.0 ± 0.42 | 0.42 | [24.63,25.37] |
Tabelle 3: Statistische Analyse. Die Leistung der statistischen Analyse wird anhand des Mittelwerts, der Standardabweichung und der Konfidenzintervalle bewertet.
| Methode | Trainingskomplexität | Inferenzkomplexität | Durchschnittliche Inferenzzeit (ms) |
| ZF | N/V | O(N³) | 12,8 |
| MMSE | N/V | O(N³) | 15,6 |
| SDR | N/V | O(N³·⁵) | 85,4 |
| AO | N/V | O(IN²) | 63,7 |
| Vorgeschlagene GNN-Attention | O(E·L·F² + N²) | O(E·L·F² + N²) | 4,9 |
Tabelle 4: Analyse der Rechenkomplexität und Skalierbarkeit. Sie zeigt die Analyse der Rechenkomplexität und Skalierbarkeit der vorgeschlagenen Arbeit.
| Modellvariante | Erreichbare Datenrate (bps/Hz) | Beamforming-Gewinn (dB) | SINR (dB) | Spektrale Effizienz (bps/Hz) |
| Vollständiges vorgeschlagenes Modell (GNN + Attention + physikbasiert) | 11.6 ± 0.2 | 28.0 ± 0.4 | 25.0 ± 0.3 | 10.5 ± 0.2 |
| Ohne Attention-Mechanismus | 10.2 ± 0.3 | 25.5 ± 0.5 | 22.8 ± 0.4 | 9.1 ± 0.3 |
| Ohne GNN (nur MLP) | 9.8 ± 0.3 | 24.0 ± 0.6 | 21.5 ± 0.5 | 8.7 ± 0.3 |
| Ohne physikbasiertes Kanalmodell (Fernfeldannahme) | 8.5 ± 0.4 | 21.0 ± 0.7 | 19.2 ± 0.6 | 7.4 ± 0.4 |
Tabelle 5: Ergebnis der Ablationsstudie. Zeigt die Ablationsstudie aller Modellkomponenten.
Zusatzabbildung 1. Modellierung des Nahfeldkanals. Schematische Darstellung der modellbasierten Kanalmodellierung im Nahfeld mithilfe sphärischer Wellen und der Matrixkonstruktion.Bitte klicken Sie hier, um diese Datei herunterzuladen.
Abbildung 2. Merkmale des DeepMIMO-Datensatzes, die für die Bewertung verwendet wurden. Aus dem DeepMIMO-Datensatz extrahierte Merkmale, die als Modelleingaben für Training und Bewertung verwendet wurden.Klicken Sie hier, um diese Datei herunterzuladen.
Zusatzabbildung 3. GNN zur Modellierung räumlicher Abhängigkeiten. Modellierung räumlicher Korrelationen mittels GNNs.Bitte klicken Sie hier, um diese Datei herunterzuladen.
Abbildung 4. Ergänzende Informationen: Aufmerksamkeitsmechanismus zur Erfassung des globalem Kontexts. Grafische Darstellung des Aufmerksamkeitsmoduls zur Erfassung von Informationen zum globalen Kontext.Bitte klicken Sie hier, um diese Datei herunterzuladen.
Ergänzende Tabelle 1. Simulationsumgebung. Zeigt die Simulationsparameter, die für das Training und Testen der Modelle verwendet wurden.Bitte klicken Sie hier, um diese Datei herunterzuladen.
Ergänzende Tabelle 2. Datensatzbeschreibung. Zeigt die Merkmale des DeepMIMO-Datensatzes, die für Training und Bewertung verwendet werden sollen.Bitte klicken Sie hier, um die Datei herunterzuladen.
Zusatzdatei 1: Ablauf des vorgeschlagenen GNN-Aufforderungs-basierten Beamforming-Frameworks. Der Algorithmus beschreibt die Schritte zur Datensatzerzeugung, Graphenkonstruktion, Modelltraining, Beamforming-Optimierung und Leistungsbewertung.Bitte klicken Sie hier, um diese Datei herunterzuladen.
Diskussion
Der vorgeschlagene Algorithmus verwendet eine nichtlineare Vorcodierung, um die sphärische Wellenausbreitung im Nahfeld zu modellieren, und erreicht dadurch eine bessere Strahlfokussierung als Algorithmen auf Basis linearer Vorcodierung wie ZF, MMSE, SDR und AO. Obwohl die Ergebnisse der SDR- und AO-Algorithmen nahezu optimal sind, erzielt das vorgeschlagene GNN-Attention-Netzwerk eine bessere Leistung bei deutlich geringeren Rechenkosten, was für die zukünftige Implementierung von XL-IMS in 6G-Netzen entscheidend ist 21,26,27.
Wie oben erwähnt, wurde zur empirischen Überprüfung dieses Arguments aus quantitativer Sicht eine Komplexitätsanalyse durchgeführt, deren Ergebnisse in Tabelle 4 dargestellt sind. Die vorgeschlagene GNN-Attention-Architektur weist eine rechnerische Komplexität von O(E · d + N2 · d) wenn es um den Trainingsprozess geht, wobei E bezieht sich auf Graphkanten, N zu den Metasurface-Elementen und d zur Dimensionalität der verborgenen Merkmale. Am wichtigsten ist, dass bei Verwendung des Lernframeworks während der Inferenz die Beamforming-Gewichte in einem Durchgang mit O(N · d) Komplexität auf, während SDR und AO für jede Kanalrealisierung iterative Optimierungen erfordern.
Ein wichtiger Schritt, der korrekt durchgeführt werden sollte, um Erfolg zu erzielen, ist die Erstellung von Nahfeldkanalmodellen basierend auf den Prinzipien der sphärischen Wellenausbreitung. Eine fehlerhafte Verwendung von Nutzerstandortdaten und die falsche Erzeugung von Kanalcharakteristika beeinträchtigen negativ den Merkmalsextraktionsprozess und die Beamforming-Ergebnisse. Die Graphenerstellung ist eine weitere Schlüsselkomponente, da unzureichende Knotenverbindungen die Fähigkeit des GNN, räumliche Beziehungen zu erkennen, einschränken. Überanpassung ist ein weiteres Problem, das auftreten kann, wenn das Netzwerk nur anhand weniger Ausbreitungsbedingungen trainiert wird, was die Generalisierungsleistung an neuen Nutzerpositionen beeinträchtigt.
Es ist möglich, verschiedene Maßnahmen zu ergreifen, um potenzielle Probleme zu beheben. Wenn die Konvergenz des neuronalen Netzwerks schlecht ist, können Lernratenabsenkung und Regularisierung eingesetzt werden, um das Problem zu lösen. Die Normalisierung von Merkmalen und die Verspärung des Graphen können Instabilitäten während des Trainings verhindern. Wenn ein unerwarteter Rückgang des Beamforming-Gewinns auftritt, kann eine erneute Schulung des Algorithmus mit mehr Datenpunkten das Problem beheben.
Ein weiterer Vorteil des maschinellen Lernens ist die Fähigkeit des Algorithmus, sich dynamisch an Variationen der Kanalbedingungen anzupassen, eine Aufgabe, die für bestehende Optimierungsverfahren herausfordernd gewesen ist. Dies erhöht die Effizienz des Beamforming-Algorithmus, indem die Laufzeit minimiert wird, und macht ihn robuster bei dynamischen Kanalumgebungen16,18,20.
Das vorgeschlagene Modell gilt als revolutionär für die Theorie der Nahfeldkommunikation, da es die physikalische Kanalmodellierung mit graphbasierten Deep-Learning-Verfahren kombiniert. Die Einbeziehung sphärischer Wellen zur Berücksichtigung elektromagnetischer Effekte verbessert die Modellgenauigkeit; zudem ermöglicht der Einsatz von GNNs und Attention-Mechanismen die Beschreibung der mathematischen Abhängigkeiten zwischen den Elementen der Metasurface. Die Kombination von maschinellem Lernen mit elektromagnetischen Prinzipien führt somit zur Entstehung eines neuen theoretischen Rahmens zur Schaffung intelligenter drahtloser Umgebungen21,27,28.
Aus anwendungsbezogener Sicht verbessert der entwickelte Ansatz die Anwendbarkeit von XL-IMS für praktische 6G-Netzwerk-Installationen erheblich. Die Verringerung des Rechenaufwands durch den Verzicht auf einen Optimierungsprozess ermöglicht Echtzeit-Beamforming-Entscheidungen, die für extrem latenzarme Dienste unerlässlich sind. Darüber hinaus weist das vorgeschlagene Modell sowohl spektrale als auch energetische Effizienz auf, wodurch die Technologie für dichte Stadtgebiete, das Internet der Dinge und hochmobile Nutzer geeignet wird.
Obwohl die vorgeschlagene Methodik zahlreiche Stärken aufweist, weist das System auch einige Schwächen auf. Obwohl DeepMIMO durch Strahlverfolgung realistische Ausbreitungsszenarien bietet, handelt es sich dennoch um einen Simulationsrahmen, und es werden Unterschiede zwischen dem realen Funkausbreitungsverhalten und den simulierten Szenarien bestehen, da stets einige Umweltveränderungen sowie unbekannte Streuer, zeitliche Kanaleffekte, Wettereinflüsse und Hardware-Kalibrierungseffekte zu berücksichtigen sind. Daher sollten die Ergebnisse als Schätzung einer oberen Grenze betrachtet werden26,38. Das derzeitige Modell geht von perfekten Komponenten für Sender und Empfänger aus. In realen Systemen können Phasenrauschen von Oszillatoren, Verzerrungen durch Verstärker, Synchronisationsfehler, Quantisierungsrauschen von Analog-Digital-Wandlern und ungenaue Kanalschätzung alle zu einer schlechten Leistung führen. Diese Probleme könnten die Ausrichtung beeinträchtigen und die Datenrate des Systems verringern.
Es gibt mehrere Bereitstellungsprobleme, die noch gelöst werden müssen, bevor nahe Feldkommunikation mit XL-IMS auf breiter Ebene implementiert werden kann. Solche Probleme umfassen die Echtzeit-Kanalschätzung für große Metasurfaces, die Skalierbarkeit der Berechnung für mehrere tausend Antennen, die Synchronisation in einem verteilten Netzwerk, Gerätekosten, Energieanforderungen und die Integration mit bestehenden 6G-Systemen. Zukünftige Forschungsarbeiten sollten sich auf die Untersuchung leichtgewichtiger Lernmodelle und des Beamforming konzentrieren.
Die Studie stellt eine bahnbrechende Architektur für die Kanalmodellierung und Beamforming im Nahfeld für XL-IMS im Kontext von 6G-Kommunikationssystemen vor. Die Innovation kombiniert physikbasierte Kanalmodellierung mit sphärischen Wellenansätzen mit Graph-Neural-Networks und Attention-Mechanismen, um eine präzise Darstellung des Nahfeld-Kanals sowie optimale Beamforming-Gewinne zu erreichen. Das System umfasst die Kanalmodellierung im Nahfeld, das Design des Datensatzes basierend auf DeepMIMO, die Merkmalsdarstellung, die Modellierung räumlicher Abhängigkeiten und die Optimierung des Beamformings. Die experimentelle Evaluierung zeigte bessere Ergebnisse als andere aktuelle Ansätze wie ZF, MMSE, SDR und AO hinsichtlich erreichbarer Datenrate, Beamforming-Gewinn, spektraler Effizienz, Energieeffizienz und SINR. Darüber hinaus belegte die Ablationsstudie die Wirksamkeit jedes einzelnen Systembestandteils.
Offenlegungen
Die Autoren haben keine Interessenkonflikte.
Danksagungen
Diese Arbeit wurde teilweise durch die Nationale Natürliche Wissenschaftsstiftung Chinas (Förderkennzeichen Nr. 62466036) und durch das Anschubfinanzierungsfonds für Forschung der Gandong University (Förderkennzeichen Nr. 12225000423) unterstützt. Die Autoren danken der GanDong University für die Bereitstellung der notwendigen Forschungseinrichtungen und institutionellen Unterstützung. Diese Arbeit wurde unterstützt von der Fakultät für Informationstechnik und dem Labor für Künstliche-Intelligenz-Algorithmen-und-Anwendungen an der Gandong University, Fuzhou, China.
Materialien
| Name | Unternehmen | Katalognummer | Kommentare |
|---|---|---|---|
| CUDA Toolkit | NVIDIA | CUDA 12.4 | https://developer.nvidia.com/cuda-toolkit |
| DGL | DGL-Team | DGL 2.2.1 | https://www.dgl.ai |
| Matplotlib | Matplotlib-Entwicklungsteam | Matplotlib 3.9.0 | https://matplotlib.org |
| NumPy | NumPy-Entwickler | NumPy 1.26.4 | https://numpy.org |
| Python | Python Software Foundation | Python 3.10.13 | https://www.python.org |
| PyTorch | Meta AI | PyTorch 2.3.1 | https://pytorch.org |
| PyTorch Geometric | PyG-Team | PyG 2.5.3 | https://pytorch-geometric.readthedocs.io |
| Seaborn | Seaborn-Entwickler | Seaborn 0.13.2 | https://seaborn.pydata.org |
| TensorFlow | TensorFlow 2.16.1 | https://www.tensorflow.org |
Referenzen
- 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.
- Ni H, et al. Energy-efficient near-field beamforming: A review on practical channel models. Energies. 2025;18:2966.
- 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.
- Tang W, et al. Wireless communications with reconfigurable intelligent surface: Path loss modeling and experimental measurement. IEEE Trans Wirel Commun. 2021;20:421-39.
- 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.
- Wei L, et al. Joint channel estimation and signal recovery for RIS-empowered multiuser communications. IEEE Trans Commun. 2022;70:4640-55.
- Yang S, et al. Separate channel estimation with hybrid RIS-aided multi-user communications. IEEE Trans Veh Technol. 2022;72(1):1318-24.
- Wei L, et al. Channel estimation for RIS-empowered multi-user MISO wireless communications. IEEE Trans Commun. 2021;69:4144-57.
- 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.
- 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.
- Huang C, et al. Reconfigurable intelligent surfaces for energy efficiency in wireless communication. IEEE Trans Wirel Commun. 2019;18:4157-70.
- Fan W, et al. Near-field channel characterization for mid-band ELAA systems: Sounding, parameter estimation, and modeling. arXiv. 2024;arXiv:2405.06159.
- 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.
- Cui M, et al. Near-field MIMO communications for 6G: Fundamentals, challenges, potentials, and future directions. IEEE Commun Mag. 2023;61:40-6.
- 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.
- Ning B, et al. Beamforming technologies for ultra-massive MIMO in terahertz communications. IEEE Open J Commun Soc. 2023;4:614-58.
- Xu B, et al. Resource allocation for near-field communications: Fundamentals, tools, and outlooks. IEEE Wirel Commun. 2024;31:42-50.
- 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.
- 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.
- Liu Y, et al. Near-field communications: A tutorial review. IEEE Open J Commun Soc. 2023;4:1999-2049.
- Wang Z, Mu X, Liu Y. Near-field integrated sensing and communications. IEEE Commun Lett. 2023;27:2048-52.
- Dai L, Tan J, Chen Z, Poor HV. Delay-phase precoding for wideband THz massive MIMO. IEEE Trans Wirel Commun. 2022;21:7271-86.
- Zhang H, et al. Beam focusing for near-field multiuser MIMO communications. IEEE Trans Wirel Commun. 2022;21(9):7476-90.
- 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.
- 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.
- Liu Y, et al. Near-field communications: A comprehensive survey. IEEE Commun Surv Tutor. 2025;27:1687-728.
- Liu Y, et al. Near-field communications: What will be different? IEEE Wirel Commun. 2025;32:262-70.
- Gong T, et al. Holographic MIMO communications: Theoretical foundations, enabling technologies, and future directions. IEEE Commun Surv Tutor. 2024;26:196-257.
- Lu S, et al. Integrated sensing and communications: Recent advances and ten open challenges. IEEE Internet Things J. 2024;11:19094-120.
- Yan W, et al. Beamforming analysis and design for wideband THz reconfigurable intelligent surface communications. IEEE J Sel Areas Commun. 2023;41:2306-20.
- Hao W, et al. Ultra-wideband THz IRS communications: Applications, challenges, key techniques, and research opportunities. IEEE Netw. 2022;36:214-20.
- Sun H, et al. Time-delay unit-based beam squint mitigation for RIS-aided communications. IEEE Commun Lett. 2022;26:2220-4.
- Cui M, Dai L. Near-field wideband beamforming for extremely large antenna arrays. IEEE Trans Wirel Commun. 2024;23(10):13110-24.
- Wang Z, et al. TTD configurations for near-field beamforming: Parallel, serial, or hybrid? IEEE Trans Commun. 2024;72:3783-99.
- Xu J, et al. Near-field wideband extremely large-scale MIMO transmission with holographic metasurface antennas. arXiv. 2022;arXiv:2205.02533.
- 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.
- 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.
- 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.
- Zhu F, et al. Robust beamforming for RIS-aided communications: Gradient-based manifold meta learning. IEEE Trans Wirel Commun. 2024;23(11):15945-56.
- 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.