Este trabajo presenta un marco de aprendizaje profundo basado en la física para la formación de haces y la modelización de canales en campo cercano en sistemas inalámbricos de sexta generación que utilizan metasuperficies inteligentes extremadamente grandes. En comparación con las técnicas tradicionales de comunicación en campo lejano, el método propuesto mejora la eficiencia energética, la ganancia en la formación de haces y la eficiencia espectral.
Se requiere una suscripción a JoVE para ver este contenido. Inicie sesión o comience su prueba gratuita.
Artículo de investigación
Marco de trabajo de atención basado en GNN y aprendizaje profundo para el modelado de canales de campo cercano y el conformado de haces en sistemas inalámbricos de sexta generación: un estudio de simulación
En este artículo
Resumen
Resumen
La aparición de redes de sexta generación (6G) ha impulsado el desarrollo de metasuperficies inteligentes extremadamente grandes (XL-IMS) para ofrecer velocidades ultraelevadas y alta eficiencia espectral. Sin embargo, los canales clásicos de campo lejano no son aplicables a la transmisión en campo cercano debido a la propagación de ondas esféricas y a la falta de estacionariedad espacial, lo que provoca una reducción en el rendimiento del formado de haces y un aumento en la complejidad computacional. Por lo tanto, el objetivo de esta investigación es desarrollar un método para la modelización del canal en campo cercano y la optimización del formado de haces basado en aprendizaje profundo guiado por la física. La solución propuesta utiliza un modelo de canal de onda esférica guiado por principios físicos, junto con redes neuronales en grafos (GNN) y mecanismos de atención, para capturar las relaciones espaciales locales entre los usuarios y la red global. Además, se propone un algoritmo de formado de haces basado en aprendizaje para aumentar la eficiencia en la concentración de energía sobre los usuarios en campo cercano. El rendimiento del marco propuesto se evalúa utilizando escenarios de propagación realistas del conjunto de datos DeepMIMO. Los resultados de simulación muestran que la técnica propuesta alcanza una tasa de 11,6 bps/Hz, una ganancia de formado de haces de 28 dB, una eficiencia espectral de 10,5 bps/Hz, una eficiencia energética de 9,8 bits/julio y una relación señal a interferencia más ruido (SINR) de 25 dB. En comparación con técnicas tradicionales como Forzado de Cero (ZF), Error Cuadrático Medio Mínimo (MMSE), Relajación Semidefinida (SDR) y Optimización Alternante (AO), el esquema propuesto mejora el rendimiento general de la comunicación en aproximadamente un 10-15 %. Estos resultados revelan que la integración de la modelización del canal en campo cercano con el aprendizaje basado en atención mediante GNN puede servir como una técnica eficiente y precisa de formado de haces para futuras redes inalámbricas 6G que utilicen la tecnología XL-IMS.
Introducción
El interés en la formación de haces ha crecido considerablemente en los últimos años. Con la introducción del 6G, se han vuelto comunes requisitos extremos de capacidad, impulsados por la creciente demanda de una mejor conectividad y tasas de datos más rápidas. Por lo tanto, la formación de haces es un método prometedor para guiar eficazmente las señales y mejorar el rendimiento general de la red1. Los sistemas convencionales de comunicación inalámbrica han aprovechado eficazmente los recursos espaciales de campo lejano para lograr diversidad espacial. Un área emergente de estudio con una enorme promesa para las futuras comunicaciones inalámbricas es la formación de haces de campo cercano2.
Las superficies inteligentes reconfigurables (RIS), por otro lado, son particularmente interesantes porque pueden superar algunos de los problemas de propagación asociados con el espectro mmWave/THz3,4. Las RIS pueden reflejar, refractar y manipular ondas electromagnéticas entrantes5. En este caso, el objetivo principal es dirigir el haz en una dirección o forma deseada, y la RIS puede representarse como un elemento que altera los patrones de radiación de la fuente radiante. Para las RIS en campo lejano, a lo largo de los años se han estudiado varios temas fundamentales6,7,8,9,10,11, incluyendo la estimación del canal, la localización, la normalización y la formación de haces pasiva/activa. Esta tecnología posibilita la comunicación multiusuario mediante el enfoque de haces, lo cual ofrece un equilibrio entre la pérdida de trayectoria y la penetración, especialmente en bandas de frecuencia media como el rango de 10 GHz12. Las interfaces inteligentes se han desarrollado aún más dentro de las redes de comunicación y actualmente se estudian para mejorar la resolución espacial y el ancho de banda de comunicación13. Las frecuencias más altas y las aberturas de antena más grandes durante la transición del 5G al 6G convierten los escenarios tradicionales de comunicación en campo lejano en escenarios de comunicación en campo cercano14,15.
La región de campo cercano será importante en las redes 6G, lo que exige investigar nuevas técnicas de campo cercano16. Las ondas deben tratarse como ondas esféricas en lugar de ondas planas para mejorar la propagación de las ondas electromagnéticas en la tecnología de campo cercano. Esta nueva característica física exhibe una variedad de efectos electromagnéticos, incluyendo no estacionariedad espacial, división de haces, tri-polarización y ondas evanescentes17. Debido a esto, muchos métodos convencionales de comunicación podrían no aprovechar completamente estas nuevas características físicas o experimentar pérdidas severas de rendimiento en entornos de campo cercano 6G18. Una discrepancia entre las tecnologías actuales de comunicación en campo lejano y los modelos de propagación en campo cercano puede reducir significativamente la eficacia de las técnicas actuales de campo lejano en ubicaciones de campo cercano19. En contraste con los sistemas angostos tradicionales de campo lejano, deben considerarse nuevos efectos electromagnéticos (EM) en los sistemas RIS de banda ancha en campo cercano. En primer lugar, el canal de campo cercano incorpora dos ángulos y dimensiones de distancia debido al frente de onda esférico en el espectro de campo cercano, a diferencia de la hipótesis de onda plana en los modelos de canal de campo lejano. Esto da lugar, en lugar de la navegación de haces en campo lejano, a la acción de concentración del haz en campo cercano20,21. La expresión «efecto de división de haces» hace referencia a la posibilidad de que los haces generados en diferentes instancias se concentren en ubicaciones separadas22.
A diferencia del campo lejano, donde los frentes de onda electromagnéticos (EM) se aproximan como planos, las comunicaciones en el campo cercano requieren considerar la propagación de frentes de onda esféricos. Esta característica introduce tanto oportunidades como desafíos para las redes inalámbricas futuras. Al aprovechar los frentes de onda esféricos, el enfoque de haces puede concentrar las señales dentro de una región espacial específica, permitiendo una mejor supresión de interferencias y una comunicación multiusuario en comparación con la orientación convencional de haces en campo lejano. Sin embargo, también introduce complejidades adicionales en el diseño y el procesamiento de señales23,24. Los estudios iniciales sobre comunicaciones en campo cercano incluyen el trabajo en25, que describió las diferencias entre las regiones de campo cercano y campo lejano, los conceptos clave, los desafíos técnicos, las aplicaciones y la estimación del canal basada en códigos. Posteriormente, el autor26 examinó las diferencias fundamentales entre la transmisión en campo lejano basada en frentes de onda planos y la transmisión en campo cercano basada en frentes de onda esféricos, centrándose en formación de haces, análisis del canal, rendimiento del sistema e integración con tecnologías de próxima generación. Además, el autor27 investigó los principales desafíos en las comunicaciones en campo cercano, incluyendo modelado del canal, estimación, formación de haces, arquitectura de hardware y detección, al tiempo que resumió los avances recientes en estas áreas.
Estudios recientes han investigado ampliamente las comunicaciones inalámbricas en campo cercano y la modelización de canales para los sistemas emergentes de 6G. Revisiones exhaustivas han examinado los principios de las comunicaciones en campo cercano, las arquitecturas MIMO holográficas, las técnicas de modelización de canales, los métodos de procesamiento de señales y las aplicaciones de comunicación e integración de sensores, además de identificar los principales desafíos asociados con la estimación del canal y el diseño del sistema en entornos de campo cercano28,29. Para abordar el efecto de división de haces en sistemas asistidos por RIS en bandas mmWave/THz, se han propuesto diversas soluciones, incluyendo estrategias de despliegue distribuido de RIS y arquitecturas de RIS asistidas por retardo de tiempo verdadero (TTD). Estos enfoques mejoran el control de haces selectivo en frecuencia y mitigar la degradación por división de haces; sin embargo, a menudo implican mayores costos de despliegue, una mayor complejidad del hardware o la dependencia de componentes de retardo especializados 30,31,32.
La optimización del formado de haces ha recibido considerable atención debido a los efectos combinados del enfoque del haz y la distorsión espacial de banda ancha en sistemas de arreglos de apertura extremadamente grande (ELAA). Estudios previos han explorado métodos de enfoque de retardo de fase, arquitecturas basadas en TTD y marcos de optimización para antenas holográficas de metasuperficies con el fin de mejorar la ganancia del formado de haces y mitigar los efectos de doble banda ancha33,34,35,36. Sin embargo, la mayoría de los estudios relacionados con XL-IMS continúan basándose en suposiciones de onda plana en campo lejano, que resultan inadecuadas para aperturas extremadamente grandes. Como consecuencia, características importantes del campo cercano, como la propagación de ondas esféricas, la no estacionariedad espacial, el acoplamiento mutuo y el enfoque del haz dependiente de la distancia, suelen pasarse por alto37,38. Recientemente, las técnicas de inteligencia artificial han surgido como soluciones prometedoras para el formado de haces y la optimización del canal en campo cercano en redes 6G habilitadas por XL-IMS. En particular, los métodos basados en metaaprendizaje han demostrado una fuerte adaptabilidad y una rápida convergencia bajo condiciones inalámbricas dinámicas con datos de entrenamiento limitados. Estos enfoques ofrecen un potencial significativo para sistemas inteligentes de comunicación en campo cercano y para la optimización futura de redes inalámbricas autónomas39,40.
Las técnicas de formación de haces existentes dependen en gran medida de modelos de canal simplificados de campo lejano que no logran capturar características críticas del campo cercano en estructuras ultra-masivas. Además, las evaluaciones basadas en conjuntos de datos en entornos realistas, como DeepMIMO, siguen siendo limitadas, y la optimización conjunta del modelado del canal en campo cercano y la formación de haces para escenarios dinámicos de usuarios ha recibido escasa atención. Asimismo, la escalabilidad computacional sigue siendo un desafío clave para implementaciones prácticas de 6G habilitadas por XL-IMS. Para abordar estas limitaciones, este estudio propone un marco unificado que combina el modelado de canal basado en ondas esféricas y fundamentado en la física con redes neuronales gráficas (GNN) y mecanismos de atención para la formación de haces en campo cercano. El marco propuesto considera explícitamente la no estacionariedad espacial, las interacciones con metasuperficies y la propagación dependiente de la distancia, y se valida utilizando el conjunto de datos DeepMIMO.
El marco propuesto integra la modelización del canal físico con el aprendizaje profundo para permitir una representación precisa del canal en campo cercano y la optimización del formado de haces en sistemas XL-IMS. Al modelar explícitamente la propagación de ondas esféricas y la no estacionariedad espacial, este estudio facilita un enfoque preciso del haz, al tiempo que mejora la asignación de energía, la ganancia en el formado de haces y la supresión de interferencias. El marco incorpora además una optimización por elemento de las respuestas de fase de la metasuperficie para permitir la dirección adaptativa del haz en entornos de comunicación densos. Utilizando escenarios de propagación realistas del conjunto de datos DeepMIMO, el enfoque propuesto demuestra una mayor eficiencia espectral, un mejor desempeño en el formado de haces y una mayor eficiencia computacional, ofreciendo una solución escalable para redes de comunicación 6G de gran escala habilitadas por XL-IMS.
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Protocolo
El marco propuesto para la modelización del canal en campo cercano y formación de haces en sistemas 6G habilitados por XL-IMS combina la modelización basada en principios físicos con la optimización mediante aprendizaje automático para superar las limitaciones de los enfoques convencionales de campo lejano. Se desarrolla y valida un modelo de canal en campo cercano que incorpora la propagación de ondas esféricas y la no estacionariedad espacial, utilizando el conjunto de datos DeepMIMO. La información del canal se representa como un grafo para capturar las dependencias espaciales entre los elementos de la metasuperficie y los usuarios, y se emplea una red de atención-GNN de extremo a extremo para aprender los pesos de formación de haces destinados al enfoque de haces en campo cercano. A diferencia de los métodos convencionales de optimización iterativa, el marco basado en aprendizaje predice directamente las soluciones de formación de haces, reduciendo la complejidad computacional mientras mantiene una alta precisión y adaptabilidad a condiciones dinámicas del canal. El rendimiento se evalúa en términos de tasa alcanzable, ganancia de formación de haces y eficiencia energética, mostrando resultados superiores en comparación con los métodos tradicionales de formación de haces en campo lejano. Figura 1 ilustra el marco general.
A continuación se presentan los pasos propuestos:
Paso 1: Configurar el entorno DeepMIMO
La plataforma DeepMIMO v3.x se configura primero mediante la configuración exterior O1, que utiliza una frecuencia portadora de 28 GHz y un ancho de banda de 100 MHz. En la simulación, el XL-IMS está representado por una matriz plana uniforme de 16×16 con 256 elementos reflectores espaciados λ/2 entre sí. El modelo de propagación elegido es una onda esférica con trayectorias LoS y NLoS.
Paso 2: Definir la geometría de XL-IMS y las ubicaciones del usuario
Diseñe el XL-IMS como una metasuperficie plana de 16×16 que comprende 256 elementos reflectantes reconfigurables. Los dispositivos de terminal de usuario se distribuyeron aleatoriamente dentro del rango de campo cercano, desde 0,5 m hasta 10 m del XL-IMS, según el criterio de distancia de Rayleigh.
Paso 3: Generar canales de campo cercano utilizando propagación de ondas esféricas
Modele los canales entre cada elemento de la metasuperficie reconfigurable y el usuario utilizando la propagación de ondas esféricas, que considera la variación de fase inducida por la distancia.
Paso 4: Generar datos del canal de campo cercano
Los terminales de usuario se distribuyeron uniformemente dentro de la zona de campo cercano (0,5-10 m) desde el panel XL-IMS. Se utilizaron tanto las trayectorias de propagación LoS como NLoS generadas por el Escenario Exterior DeepMIMO O1 para generar los canales.
Paso 5: Preparar el conjunto de datos para el entrenamiento y la prueba
El conjunto de datos generado constó de 20.000 muestras, de las cuales 16.000 (80 %) se utilizaron para entrenamiento y 4.000 (20 %) para pruebas.
Paso 6: Normalizar las características de entrada y preparar las entradas del modelo
La etapa final del proceso de preparación consistió en realizar una normalización Min-Máx sobre todas las características de entrada, como la magnitud del canal, la fase, la distancia y las coordenadas del usuario. Este proceso escaló los datos y los convirtió en tensores, que se introdujeron en la red GNN con atención. El modelo se optimizó utilizando el optimizador Adam con una tasa de aprendizaje de 0,001 y 50 épocas.
Paso 7: Aplicar el mecanismo de atención
Agregue un mecanismo de atención para considerar la información global del grafo y capturar dependencias de largo alcance entre los nodos del grafo. Esto ayuda al modelo a enfocarse en características espaciales importantes.
Paso 8: Predecir los pesos de formación de haces
Prediga los pesos de formación de haces y los valores de desplazamiento de fase utilizando la incorporación de atención GNN. Los procedimientos complejos, laboriosos e iterativos de formación de haces se sustituyen por el método de predicción.
Paso 9: Evaluar las métricas de rendimiento
Para evaluar qué tan bien funcionan la comunicación y la formación de haces, calcule indicadores clave de rendimiento (KPI) como la tasa alcanzable, la ganancia de formación de haces, la eficiencia espectral, la eficiencia energética y la SINR.
Paso 10: Comparar con métodos de referencia
Compare el algoritmo propuesto con los algoritmos tradicionales, incluidos ZF, MMSE, SDR y AO.
Definición del modelo del sistema
El sistema propuesto considera una red inalámbrica 6G habilitada por un XL-IMS que comprende 256 elementos reflectores reconfigurables que controlan la propagación de ondas electromagnéticas mediante desplazamientos de fase ajustables. Dado que los usuarios operan en la región de campo cercano, la suposición convencional de onda plana en campo lejano deja de ser válida, lo que requiere considerar la propagación de ondas esféricas, la atenuación dependiente de la distancia y la no estacionariedad espacial. El límite entre las regiones de campo cercano y campo lejano está determinado por la distancia de Rayleigh, que depende del tamaño de la metasuperficie y de la longitud de onda portadora, y marca la transición desde los efectos de frente de onda esférico hacia la propagación de onda plana. Esto se describe de la siguiente manera:
(1)
Aquí, D es el tamaño de la metasuperficie, λ es la longitud de onda y R es la distancia de Rayleigh. Un fenómeno de campo cercano ocurre en el canal de comunicación cuando un usuario se encuentra en una posición más cercana a R que su valor real. A medida que la señal atraviesa diferentes componentes de la metasuperficie, experimenta variaciones distintas de fase y amplitud.
El canal desde la n-ésima superficie meta hasta el usuario utiliza un modelo de onda esférica para la propagación en campo cercano, que se representa mediante la ecuación del coeficiente de canal de la siguiente manera:
(2)
Aquí, α se refiere al parámetro de pérdida de trayectoria, λ se refiere a la longitud de onda de la portadora, y dn es la distancia del usuario desde el componente.
En este caso, βn es el factor de pérdida por trayectoria para el elemento nº de XL-IMS y puede expresarse como βn = dn−α, donde α representa el exponente de pérdida por trayectoria. Cabe señalar que dn es la distancia euclidiana desde la posición del usuario hasta el elemento nº de la metasuperficie. Los cambios en el canal con respecto al espacio se deben a las diferencias significativas en dn entre distintos elementos de la metasuperficie, a diferencia de la situación con canales de campo lejano. En general, el vector de canal puede explicarse de la siguiente manera:
![Fórmula de notación matricial \( h = [h_1, h_2, ..., h_N]^T \), utilizada en estudios de álgebra lineal.](/files/ftp_upload/72011/72011eq3.jpg "figure-protocol-3")
(3)
La señal de entrada recibida por el usuario depende del ajuste de fase del sistema XL-IMS. Considere θ = [θ1, θ2, …., θN] para representar el desplazamiento de fase logrado mediante la metasuperficie. Entonces, la señal de entrada puede expresarse como:
(4)
donde Φ = diag(ejθ1, ….., ejθN) es la señal transmitida, w es el vector de precodificación de codificación básica y n representa el ruido. El vector del canal de campo cercano se define como h ∈ ℂN×1, la matriz diagonal de desplazamiento de fase del XL-IMS como Φ ∈ ℂN×N, el vector de formación de haces como x ∈ ℂN×1 y la señal recibida como y ∈ ℂ. El término de ruido aditivo se define como n ∼ CN (0, σ2). Estas dimensiones mantienen la corrección matemática de la formulación.
En este caso, ws es el vector de precodificación de la estación base que se utiliza para predecodificar el símbolo transmitido (s). Durante la evaluación de rendimiento, se implementan en la estación base enfoques comunes de precodificación digital, como ZF y MMSE, utilizando realizaciones de canal cercanas similares. Sin embargo, el nuevo enfoque busca optimizar la matriz de desplazamiento de fase XL-IMS (θ) mediante el mecanismo de aprendizaje con atención GNN.
Para concentrar la energía en la región de campo cercano, debe ser posible lograr un diseño de θ en el que ocurra interferencia constructiva para el usuario. La estrategia de formación de haces tiene como objetivo maximizar la eficiencia espectral o la potencia de la señal recibida. La figura 2 describe la arquitectura del modelo de sistema de comunicación de campo cercano basado en el enfoque XL-IMS.
Modelado de canales de campo cercano
El modelo propuesto de redes de comunicación 6G basadas en XL-IMS para la zona cercana fue diseñado específicamente para imitar las condiciones de propagación cerca de la distancia de Rayleigh desde la metasuperficie. En la región cercana, la propagación es esférica, con valores de fase cambiantes y parámetros espaciales no homogéneos a través de la metasuperficie, en contraste con los modelos convencionales de propagación en campo lejano que asumen ondas planas. En el presente estudio, se utilizó un modelo de onda esférica basado en principios físicos para diseñar una matriz precisa de respuesta al impulso del canal que tiene en cuenta las ubicaciones físicas tanto de los elementos de la metasuperficie como de los terminales de usuario.
Representación del canal basada en la distancia
La distancia entre cada componente de la metasuperficie y el usuario es un factor crucial para construir el modelo de canal en el régimen de campo cercano. La longitud pn entre las ubicaciones del usuario pu y el componente n-ésimo del XL-IMS viene dada por:
(5)
Este valor varía significativamente a través de la metasuperficie debido a su área extremadamente grande, lo que provoca tiempos de propagación y desplazamientos de fase desiguales que deben tenerse en cuenta en el modelo.
Modelo de canal de onda esférica
El coeficiente del canal entre el elemento n-ésimo y el usuario se determina utilizando el modelo de onda esférica descrito en la Ecuación (2), que captura las variaciones de fase y amplitud dependientes de la distancia. Para la generación del conjunto de datos y el entrenamiento del modelo, los coeficientes del canal se obtienen del marco de trabajo de trazado de rayos DeepMIMO, que incorpora la propagación multipercurso de línea de vista (LoS) y sin línea de vista (NLoS) basada en estructuras ambientales realistas. A partir de lo anterior, puede construir la matriz de respuesta del canal a partir de las respuestas del canal para los N elementos de la superficie meta, como se muestra en la Ecuación (3).
No estacionariedad espacial de los canales de campo cercano y relevancia del modelo
A diferencia de los canales de campo lejano, los canales de campo cercano presentan no estacionariedad espacial, donde las señales recibidas varían a lo largo de la superficie metacromática, lo que permite un enfoque de haz dependiente de la ubicación. Esta información espacial está incorporada en la matriz de respuesta del canal y es capturada por el modelo de atención GNN. Supplementary Figure 1 ilustra el marco propuesto de modelado de canal de campo cercano para el sistema de comunicación 6G basado en XL-IMS y la generación de datos de canal realistas para el formado de haces basado en aprendizaje profundo.
Generación del conjunto de datos
La generación de datos se realizó utilizando el marco DeepMIMO, que proporciona simulaciones realistas de canales basadas en trazado de rayos, incorporando la geometría del entorno, la consistencia espacial y la movilidad del usuario. Las respuestas del canal para múltiples ubicaciones de usuarios en campo cercano se generaron utilizando el escenario exterior O1 a una frecuencia portadora de 28 GHz y un ancho de banda de 100 MHz. El XL-IMS constaba de 256 elementos reflectantes distribuidos uniformemente, y las ubicaciones de los usuarios se seleccionaron dentro de la región de campo cercano según el criterio de Rayleigh. Los coeficientes del canal, las ganancias de trayectoria y la información espacial se extrajeron utilizando la biblioteca Python DeepMIMO. Tabla Suplementaria 1 resume los parámetros de simulación y reproducibilidad. El modelo se entrenó mediante aprendizaje supervisado, utilizando características del estado del canal como entradas y pesos de formación de haces optimizados basados en principios físicos como etiquetas objetivo.
Creación de características de entrada y estructura del conjunto de datos
A continuación, los datos brutos de los canales se convirtieron en características para la entrada a modelos de aprendizaje profundo. Estas características incluían las magnitudes y fases de la respuesta del canal como componentes separados. También se podrían incluir otros parámetros de entrada según los requisitos del problema. Por ejemplo, las coordenadas de los usuarios, las distancias y algunos parámetros espaciales también podrían considerarse como características. El conjunto de datos se dividió en conjuntos de entrenamiento y prueba en una proporción de 80:20.
Preparación del conjunto de datos para el entrenamiento
El último paso consistió en normalizar el conjunto de datos preparado y convertirlo en tensores adecuados para la entrada en la arquitectura GNN-attention durante el entrenamiento. El conjunto de datos de entrenamiento se utilizó para aprender la correspondencia entre el estado del canal y los pesos óptimos de formación de haces, mientras que el conjunto de datos de prueba se empleó para evaluar la eficacia del modelo. Este conjunto de datos bien preparado facilitó y mejoró el proceso de aprendizaje. Supplementary Table 2 muestra los detalles descriptivos del conjunto de datos DeepMIMO.
Representación de características
La etapa de representación de características transformó los datos del canal de campo cercano con valores complejos en un formato adecuado para el aprendizaje profundo. Las respuestas del canal se descompusieron en características que capturan las propiedades espaciales y de propagación, al tiempo que conservan la información esencial del campo cercano para el aprendizaje. Figura suplementaria 2 ilustra el conjunto de datos DeepMIMO utilizado en este proceso. Los datos del canal del entorno de campo cercano se representaron como números complejos hn, con componentes reales e imaginarios que representan la información de fase y amplitud de los coeficientes del canal. Para permitir un uso eficaz en algoritmos de aprendizaje automático, los coeficientes se descompusieron en sus partes reales (Rehn) e imaginarias (Imhn). Los datos también podrían representarse como la magnitud hn y la fase de los coeficientes ∠hn.
Extracción de características espaciales
Además del coeficiente del canal, se incluyeron características espaciales para tener en cuenta la naturaleza geométrica del entorno de campo cercano. Esto incluyó la distancia dn desde cada elemento de la metasuperficie hasta el receptor, junto con las coordenadas del receptor (x, y, z). De esta manera, el modelo tuvo en cuenta el hecho de que las características de la señal pueden depender de la posición espacial del par transmisor-receptor, una propiedad importante en la propagación en campo cercano.
Normalización y preparación de la entrada del modelo
Como paso preliminar antes de proporcionarle los datos de entrada al modelo, se realizó un proceso de normalización para evitar inestabilidad numérica y acelerar la convergencia. Los vectores estructurados se dividieron en conjuntos de datos de entrenamiento y prueba, denotados por (Xtrain, Xtest). De esta manera, las entradas se proporcionaron posteriormente a los modelos GNN y de atención.
Basándose en la representación de características en la Figura Suplementaria 2, se utilizaron diferentes tipos de características en este conjunto de datos, incluyendo los coeficientes de canal hn, que indicaban la respuesta de señal compleja de todos los elementos de la metasuperficie. Otra característica fue la distancia dn, que en este caso indicaba los efectos de propagación. Aunque las componentes imaginaria y real proporcionan una descripción numérica de la señal, las partes de magnitud y fase ofrecen una descripción explícita de la intensidad de la señal y del desplazamiento de fase, respectivamente. La coordenada de posición del usuario (x, y, z) fue otra característica importante que mejoró la percepción espacial del modelo.
Diseño de aprendizaje profundo mediante GNN para la modelización de dependencias espaciales integrado con un mecanismo de atención híbrido para el aprendizaje del contexto global
Este algoritmo de aprendizaje fue desarrollado para entrenar de manera eficiente el complejo canal XL-IMS de campo cercano, con sus características espaciales y de propagación, utilizando redes neuronales gráficas (GNN) y un mecanismo de atención. Dado que los elementos de la metasuperficie están altamente correlacionados entre sí y sus interacciones son no uniformes dentro de la zona de campo cercano, una red completamente conectada no es adecuada para representar correctamente el canal. Por lo tanto, en este enfoque, la metasuperficie se representa como un grafo, donde cada elemento actúa como un nodo y las interacciones entre ellos como aristas. La GNN capturó dependencias espaciales localizadas entre nodos vecinos, mientras que el mecanismo de atención mejoró el aprendizaje de las dependencias globales.
Representación gráfica de XL-IMS
El XL-IMS se crea como un grafo G = (V, E), donde cada vértice vn ∈ V representa un elemento de la meta-superficie, mientras que las aristas eij ∈ E representan las relaciones espaciales entre los elementos. Cada vértice tiene un vector de características xn, que se obtiene mediante la fase de representación de características. La matriz de adyacencia A captura la conectividad entre vértices que están cercanos entre sí o dentro de ciertas restricciones de distancia. Esta formulación de grafo se utiliza para incorporar la información espacial existente en la propagación en campo cercano.
Para lograr la reproducibilidad, la conectividad del grafo se determina utilizando el enfoque de los K vecinos más cercanos con k igual a 8. Sean pi y pj los vectores de ubicación de las celdas XL-IMS de la i-ésima y la j-ésima, respectivamente. La distancia entre dos vértices cualesquiera se mide mediante la métrica euclidiana de la siguiente manera: dij = ||pi − pj||2. Habrá una arista entre los vértices i y j si el vértice j está incluido en el grupo de los ocho vecinos más cercanos al vértice i. Por lo tanto, la matriz de adyacencia se construye con la siguiente regla: Aij = 1 si j ∈ Nk(i) y Aij = 0 en caso contrario.
En la GNN propuesta, las actualizaciones para cada nodo se calculan en función de la información procedente de otros nodos vecinos. En particular, la propagación de la capa l puede expresarse de la siguiente manera:
(6)
donde hi(l) representa el vector de características del vértice i en la capa l, N(i) es la vecindad del vértice i, W(l) es la matriz de pesos aprendible y σ(·) simboliza una función de activación no lineal.
El modelo de atención GNN consistió en tres capas de convolución de grafos con dimensiones ocultas establecidas en 128, y se utilizó la unidad lineal rectificada (ReLU) como función de activación. La generación del grafo se realizó mediante el método de los k vecinos más cercanos (k=8). Cada característica XL-IMS actúa como un nodo, mientras que las aristas se forman en función de la distancia euclidiana entre nodos adyacentes. Para extraer dependencias espaciales globales, utilizamos una red de autoatención multi-cabeza con 4 cabezas. La probabilidad de abandono (dropout) se estableció en 0,3 para prevenir el sobreajuste.
Mecanismo de atención
Para modelar las dependencias de largo alcance que existían más allá del rango de vecindad local, se introdujo la atención en el modelo, que funciona de la siguiente manera:
(7)
donde eij = LeakyReLU(aT[Whi | Whj]) es la importancia de los nodos i y j. Con este modelo, se pueden asignar diferentes niveles de importancia a los nodos según sus funciones, facilitando que el modelo comprenda el contexto global a través de la metasuperficie. El marco híbrido captura tanto la información espacial local como global, y las características aprendidas se procesan mediante capas completamente conectadas para generar pesos de formación de haces. Como se muestra en las Figuras Suplementarias 3 y 4, la red neuronal gráfica (GNN) modela las dependencias espaciales locales mediante el paso de mensajes y la agregación de características, mientras que el mecanismo de atención captura las interacciones globales entre los elementos de la metasuperficie, posibilitando una formación eficaz de haces en campo cercano. Se calculan pesos de atención para cuantificar la relevancia de los pares de nodos, asignando mayor importancia a las interacciones más informativas. Utilizando estos pesos, cada nodo agrega información de todos los demás nodos, permitiendo que el modelo capture dependencias globales más allá de las vecindades locales. La fusión ponderada resultante de características genera una representación optimizada de las características que enfatiza las características espaciales importantes mientras suprime la información menos relevante, apoyando así una optimización eficaz de la formación de haces y el enfoque de energía.
Optimización de la formación de haces
La etapa de optimización de formación de haces determinó los desplazamientos de fase XL-IMS y los pesos de formación de haces para enfocar la energía en usuarios del campo cercano. A diferencia de la orientación convencional de haces de campo lejano, la formación de haces de campo cercano concentra la energía en ubicaciones espaciales específicas. En el marco propuesto, un modelo de atención GNN aprendió directamente los parámetros óptimos de formación de haces a partir de las características del canal, reduciendo la complejidad de los métodos de optimización iterativa. La señal recibida del usuario se indica en la Ecuación (4).
Los datos de entrenamiento se obtuvieron de DeepMIMO para cada realización del canal, y los correspondientes desplazamientos de fase XL-IMS se determinaron utilizando el algoritmo AO. Se utilizó la matriz del canal en campo cercano h y la matriz de desplazamientos de fase XL-IMS para calcular el vector de desplazamiento de fase θ maximizando la potencia de la señal recibida:
(8)
(9)
El optimizador AO se ejecutó durante 100 iteraciones hasta alcanzar el umbral de convergencia deseado de 10−4. Estos valores optimizados sirvieron como etiquetas de entrenamiento para nuestro modelo GNN con atención. El objetivo era lograr una interferencia constructiva para una focalización efectiva del haz en campo cercano y una potencia de señal recibida mejorada. En lugar de métodos de optimización convencionales como SDR u AO, el problema se resolvió mediante un enfoque basado en aprendizaje. Específicamente, el problema de optimización de formación de haces fue aproximado por un modelo de aprendizaje profundo fΘ(⋅).
Se utilizó aprendizaje supervisado para entrenar el modelo GNN con atención, empleando como objetivos de entrenamiento los vectores de desplazamiento de fase de formación de haces óptimos proporcionados por el algoritmo AO. Específicamente, denotemos el vector de desplazamiento de fase óptimo generado por AO como θAO,i y las predicciones de la red como 
. Entonces, el criterio de entrenamiento se formuló de la siguiente manera:
(10)
donde N es el número de muestras de entrenamiento.
Algoritmo 1: La formación de haces en campo cercano mediante un modelo con atención de redes neuronales gráficas (GNN) se presenta en el Archivo Suplementario 1. En este algoritmo, el primer paso consistió en configurar los parámetros del sistema y la base de datos DeepMIMO para crear condiciones de canal realistas. La característica del canal en campo cercano para cada muestra se calculó utilizando el modelo de onda esférica, y posteriormente se extrajeron de la base de datos características importantes, como los coeficientes del canal y las características espaciales. Las características extraídas se convirtieron a una forma estructurada y luego se representaron como un grafo, con los elementos de la metasuperficie como nodos. El modelo de aprendizaje profundo se generó utilizando capas GNN para capturar dependencias espaciales locales, y se introdujo un mecanismo de atención para aprender dependencias globales. El marco de aprendizaje profundo se entrenó mediante aprendizaje supervisado con una pérdida de MSE entre los desplazamientos de fase predichos y las etiquetas de desplazamientos de fase óptimos generadas mediante AO.
Esta implementación se realizó con Python y PyTorch. Las muestras para el canal DeepMIMO se obtuvieron del escenario exterior O1. Estos coeficientes de canal se convirtieron en grafos y se procesaron utilizando una GNN con tres capas y un mecanismo de atención multinúcleo. El modelo se entrenó utilizando el optimizador Adam con una función de pérdida MSE. Este modelo generó desplazamientos de fase y pesos para la formación de haces en usuarios del campo cercano, y los resultados se evaluaron en términos de tasa, eficiencia y SINR.
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Resultados
El rendimiento del marco introducido de modelado de canal de campo cercano y formación de haces para XL-IMS en redes de comunicación 6G se evalúa utilizando el conjunto de datos DeepMIMO, que ofrece entornos de propagación prácticos y datos de canal espacialmente consistentes. Para configurar este conjunto de datos, deben generarse muchas muestras de canal que representen diversas posiciones de usuario en el campo cercano de la superficie metamatérica. Específicamente, este estudio utiliza hasta 10 000–20 000 muestras re...
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Discusión
El algoritmo propuesto utiliza precodificación no lineal para modelar la propagación de ondas esféricas en campo cercano, logrando un enfoque de haz más preciso que los algoritmos basados en precodificación lineal, como ZF, MMSE, SDR y AO. Aunque los resultados de los algoritmos SDR y AO son casi óptimos, la red propuesta con atención GNN alcanza un mejor rendimiento con un costo computacional significativamente menor, lo cual es fundamental para la futura implementación de XL-IMS en redes 6G 21
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Divulgaciones
Los autores no tienen conflictos de intereses.
Agradecimientos
Este trabajo fue apoyado en parte por la Fundación Nacional de Ciencias Naturales de China (número de beca 62466036) y por el Fondo de Inicio de Investigación de la Universidad GanDong (número de beca 12225000423). Los autores desean agradecer a la Universidad GanDong por proporcionar las instalaciones de investigación necesarias y el apoyo institucional. Este trabajo fue respaldado por la Escuela de Ingeniería de la Información y por el Laboratorio de Algoritmos y Aplicaciones de Inteligencia Artificial de la Universidad GanDong, Fuzhou, China.
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Materiales
| Nombre | Empresa | Número de catálogo | Comentarios |
|---|---|---|---|
| Kit de herramientas CUDA | NVIDIA | CUDA 12.4 | https://developer.nvidia.com/cuda-toolkit |
| DGL | Equipo DGL | DGL 2.2.1 | https://www.dgl.ai |
| Matplotlib | Equipo de desarrollo de Matplotlib | Matplotlib 3.9.0 | https://matplotlib.org |
| NumPy | Desarrolladores de NumPy | NumPy 1.26.4 | https://numpy.org |
| Python | Fundación Python | Python 3.10.13 | https://www.python.org |
| PyTorch | Meta AI | PyTorch 2.3.1 | https://pytorch.org |
| Geometría de PyTorch | Equipo PyG | PyG 2.5.3 | https://pytorch-geometric.readthedocs.io |
| Seaborn | Desarrolladores de Seaborn | Seaborn 0.13.2 | https://seaborn.pydata.org |
| TensorFlow | TensorFlow 2.16.1 | https://www.tensorflow.org |
Referencias
- 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.
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.