Cadre GNN-Attention basé sur l'apprentissage profond pour la modélisation des canaux en champ proche et la formation de faisceaux dans les systèmes sans fil de sixième génération : une étude de simulation

Résumé

Ce travail présente un cadre d'apprentissage profond basé sur la physique pour le beamforming et la modélisation des canaux en champ proche dans les systèmes sans fil de sixième génération utilisant des métasurfaces intelligentes extrêmement grandes. Par rapport aux techniques traditionnelles de communication en champ lointain, la méthode proposée améliore l'efficacité énergétique, le gain de beamforming et l'efficacité spectrale.

Résumé

L’émergence des réseaux de sixième génération (6G) a stimulé le développement de métasurfaces intelligentes extrêmement grandes (XL-IMS) afin d’offrir des débits ultra-élevés et une efficacité spectrale élevée. Toutefois, les canaux classiques en champ lointain ne s’appliquent pas à la transmission en champ proche en raison de la propagation des ondes sphériques et de l’absence de stationnarité spatiale, ce qui entraîne une dégradation des performances du beamforming et une complexité computationnelle accrue. Par conséquent, l’objectif de cette recherche est de développer une méthode de modélisation du canal en champ proche et d’optimisation du beamforming fondée sur un apprentissage profond guidé par la physique. La solution proposée utilise un modèle de canal d’ondes sphériques guidé par la physique, combiné à des réseaux neuronaux graphiques (GNN) et à des mécanismes d’attention, afin de capturer les relations spatiales locales entre les utilisateurs et le réseau global. En outre, un algorithme de beamforming basé sur l’apprentissage est proposé pour améliorer l’efficacité du focalisation énergétique sur les utilisateurs en champ proche. Les performances du cadre proposé sont évaluées à l’aide de scénarios de propagation réalistes issus du jeu de données DeepMIMO. Les résultats de simulation montrent que la technique proposée atteint un débit réalisable de 11,6 bps/Hz, un gain de beamforming de 28 dB, une efficacité spectrale de 10,5 bps/Hz, une efficacité énergétique de 9,8 bits/joule, et un rapport signal sur interférence plus bruit (SINR) de 25 dB. Par rapport aux techniques classiques telles que le Zero Forcing (ZF), l’erreur quadratique moyenne minimale (MMSE), la relaxation semi-définie (SDR) et l’optimisation alternée (AO), le schéma proposé améliore les performances globales de communication d’environ 10 à 15 %. Ces résultats montrent que l’intégration de la modélisation du canal en champ proche avec un apprentissage par attention basé sur les GNN peut constituer une technique de beamforming efficace et précise pour les futurs réseaux sans fil 6G utilisant la technologie XL-IMS.

Introduction

L'intérêt pour le beamforming a considérablement augmenté ces dernières années. Des exigences extrêmes en matière de capacité sont devenues courantes avec l'introduction de la 6G, motivée par la demande croissante de meilleures connexions et de débits de données plus élevés. Le beamforming constitue donc une méthode prometteuse pour guider efficacement les signaux et améliorer globalement les performances du réseau¹. Les systèmes classiques de communication sans fil ont exploité efficacement les ressources spatiales en champ lointain afin d'assurer la diversité spatiale. Le beamforming en champ proche représente un domaine de recherche émergent au potentiel énorme pour les communications sans fil futures².

Les surfaces intelligentes reconfigurables (RIS), quant à elles, sont particulièrement intéressantes car elles peuvent surmonter certains problèmes de propagation associés au spectre mmWave/THz^3,4. Les RIS peuvent réfléchir, réfracter et manipuler les ondes électromagnétiques incidentes⁵. Dans ce cas, l'objectif principal consiste à orienter le faisceau dans une direction ou une forme souhaitée, et la RIS peut être représentée comme modifiant les diagrammes de rayonnement de la source émettrice. Pour les RIS en champ lointain, plusieurs sujets fondamentaux ont été étudiés au fil des années^{6,7,8,9,10,11}, notamment l'estimation de canal, la localisation, la normalisation et le beamforming passif/actif. Cette technologie permet la communication multi-utilisateurs en focalisant les faisceaux, offrant ainsi un compromis entre les pertes de trajet et la pénétration, en particulier dans les bandes de fréquences moyennes comme la gamme 10 GHz¹². Les interfaces intelligentes ont été davantage développées au sein des réseaux de communication et font actuellement l'objet d'études visant à améliorer la résolution spatiale et la bande passante de communication¹³. Les fréquences plus élevées et les ouvertures d'antenne plus grandes lors de la transition de la 5G à la 6G transforment les scénarios traditionnels de communication en champ lointain en scénarios de communication en champ proche^14,15.

La région du champ proche sera cruciale pour les réseaux 6G, ce qui impose de mener des recherches sur de nouvelles techniques en champ proche¹⁶. Les ondes doivent être traitées comme des ondes sphériques plutôt que comme des ondes planes afin d'améliorer la propagation des ondes électromagnétiques dans les technologies du champ proche. Cette nouvelle caractéristique physique présente divers effets électromagnétiques, notamment une non-stationnarité spatiale, une séparation du faisceau, une tri-polarisation et des ondes évanescentes¹⁷. En conséquence, de nombreuses méthodes classiques de communication pourraient ne pas exploiter pleinement ces nouvelles caractéristiques physiques ou subir de fortes pertes de performance dans les environnements 6G en champ proche¹⁸. Un décalage entre les technologies de communication actuelles en champ lointain et les modèles de propagation en champ proche peut réduire considérablement l'efficacité des techniques actuelles en champ lointain dans les zones en champ proche¹⁹. Contrairement aux systèmes traditionnels en bande étroite en champ lointain, de nouveaux effets électromagnétiques (EM) doivent être pris en compte dans les systèmes RIS en bande large en champ proche. Premièrement, le canal en champ proche intègre deux angles et une dimension de distance en raison du front d'onde sphérique dans le spectre du champ proche, contrairement à l'hypothèse de forme d'onde plane dans les modèles de canal en champ lointain. Cela conduit, à la place de la navigation du faisceau en champ lointain, à l'action de concentration du faisceau en champ proche^20,21. L'expression « effet de séparation du faisceau » désigne la possibilité que des faisceaux produits à différents moments soient concentrés en des emplacements distincts²².

Contrairement au champ lointain, où les fronts d'onde électromagnétiques (EM) sont approchés comme étant plans, les communications en champ proche nécessitent de prendre en compte la propagation des fronts d'onde sphériques. Cette caractéristique introduit à la fois des opportunités et des défis pour les futurs réseaux sans fil. En exploitant les fronts d'onde sphériques, le focalisation du faisceau peut concentrer les signaux dans une région spatiale spécifique, permettant ainsi une meilleure suppression des interférences et des communications multi-utilisateurs par rapport au guidage conventionnel du faisceau en champ lointain. Toutefois, cela introduit également des complexités supplémentaires en matière de conception et de traitement du signal^23,24. Les premières études sur les communications en champ proche incluent les travaux de²⁵, qui ont décrit les différences entre les régions en champ proche et en champ lointain, les concepts clés, les défis techniques, les applications et l'estimation de canal basée sur des codebooks. Par la suite, l'auteur²⁶ a examiné les distinctions fondamentales entre la transmission en champ lointain basée sur des fronts d'onde plans et celle en champ proche basée sur des fronts d'onde sphériques, en se concentrant sur le beamforming, l'analyse des canaux, la performance du système et l'intégration avec les technologies de nouvelle génération. En outre, l'auteur²⁷ a étudié les principaux défis des communications en champ proche, notamment la modélisation du canal, son estimation, le beamforming, l'architecture matérielle et la détection, tout en résumant les avancées récentes dans ces domaines.

De récentes études ont largement exploré les communications sans fil en champ proche et la modélisation des canaux pour les systèmes émergents de 6G. Des synthèses approfondies ont examiné les principes des communications en champ proche, les architectures MIMO holographiques, les techniques de modélisation des canaux, les méthodes de traitement du signal, ainsi que les applications intégrées de détection et de communication, tout en identifiant les principaux défis liés à l'estimation des canaux et à la conception de systèmes dans des environnements en champ proche^28,29. Pour remédier à l'effet de séparation de faisceau dans les systèmes en bande millimétrique/THz assistés par des surfaces intelligentes reconfigurables (RIS), diverses solutions ont été proposées, notamment des stratégies de déploiement distribué des RIS et des architectures RIS assistées par un retard temporel réel (TTD). Ces approches améliorent le contrôle sélectif en fréquence des faisceaux et atténuent la dégradation due à la séparation des faisceaux ; toutefois, elles entraînent souvent des coûts de déploiement accrus, une complexité matérielle plus élevée ou une dépendance à l'égard de composants de retard spécialisés ^30,31,32.

L'optimisation du beamforming a retenu une attention considérable en raison des effets combinés du focalisation du faisceau et de la distorsion spatiale large bande dans les systèmes de réseau à ouverture extrêmement grande (ELAA). Des études antérieures ont exploré des méthodes de focalisation par décalage de phase, des architectures basées sur le TTD et des cadres d'optimisation pour des antennes holographiques à base de métasurfaces afin d'améliorer le gain de beamforming et d'atténuer les effets double bande^33,34,35,36. Néanmoins, la plupart des études liées au XL-IMS continuent de s'appuyer sur des hypothèses d'ondes planes en champ lointain, qui s'avèrent inadéquates pour des ouvertures extrêmement grandes. En conséquence, des caractéristiques importantes en champ proche, telles que la propagation d'ondes sphériques, la non-stationnarité spatiale, le couplage mutuel et la focalisation du faisceau dépendante de la distance, sont souvent négligées^37,38. Récemment, les techniques d'intelligence artificielle se sont imposées comme des solutions prometteuses pour l'optimisation du beamforming en champ proche et du canal dans les réseaux 6G activés par le XL-IMS. En particulier, les méthodes fondées sur l'apprentissage par méta-apprentissage ont démontré une forte adaptabilité et une convergence rapide dans des conditions sans fil dynamiques avec des données d'entraînement limitées. Ces approches offrent un potentiel significatif pour des systèmes de communication intelligents en champ proche et pour l'optimisation future des réseaux sans fil autonomes^39,40.

Les techniques existantes de formation de faisceaux reposent largement sur des modèles de canal en champ lointain simplifiés, qui ne parviennent pas à capturer les caractéristiques critiques du champ proche dans les structures ultra-massives. De plus, les évaluations basées sur des ensembles de données dans des environnements réalistes, comme DeepMIMO, restent limitées, et l'optimisation conjointe de la modélisation du canal en champ proche et de la formation de faisceaux pour des scénarios d'utilisateurs dynamiques a fait l'objet d'une attention insuffisante. En outre, la scalabilité computationnelle demeure un défi majeur pour les déploiements pratiques de la 6G prenant en charge les XL-IMS. Pour remédier à ces limitations, cette étude propose un cadre unifié combinant une modélisation physique du canal basée sur des ondes sphériques avec des réseaux neuronaux graphiques (GNN) et des mécanismes d'attention pour la formation de faisceaux en champ proche. Le cadre proposé tient explicitement compte de la non-stationnarité spatiale, des interactions avec les métasurfaces et de la propagation dépendante de la distance, et est validé à l'aide du jeu de données DeepMIMO.

Le cadre proposé intègre la modélisation du canal physique avec l'apprentissage profond afin de permettre une représentation précise du canal en champ proche et d'optimiser le beamforming pour les systèmes XL-IMS. En modélisant explicitement la propagation des ondes sphériques et la non-stationnarité spatiale, cette étude permet un ciblage précis du faisceau tout en améliorant l'allocation d'énergie, le gain de beamforming et la suppression des interférences. Le cadre intègre en outre une optimisation élément par élément des réponses de phase de la métasurface afin de permettre un guidage adaptatif du faisceau dans des environnements de communication denses. En utilisant des scénarios de propagation réalistes issus du jeu de données DeepMIMO, l'approche proposée démontre une efficacité spectrale, des performances de beamforming et une efficacité computationnelle améliorées, offrant ainsi une solution évolutible pour les réseaux de communication 6G à grande échelle activés par XL-IMS.

Protocole

Le cadre proposé pour la modélisation des canaux en champ proche et le beamforming dans les systèmes 6G dotés d'IMS étendus (XL-IMS) combine une modélisation basée sur la physique avec une optimisation par apprentissage automatique afin de surmonter les limites des approches conventionnelles en champ lointain. Un modèle de canal en champ proche intégrant la propagation d'ondes sphériques et la non-stationnarité spatiale est développé et validé à l'aide du jeu de données DeepMIMO. L'information sur le canal est représentée sous forme de graphe afin de capturer les dépendances spatiales entre les éléments de la surface méta et les utilisateurs, et un réseau d'attention GNN de bout en bout est utilisé pour apprendre les poids de beamforming nécessaires à la focalisation du faisceau en champ proche. Contrairement aux méthodes d'optimisation itératives classiques, ce cadre fondé sur l'apprentissage prédit directement les solutions de beamforming, réduisant ainsi la complexité computationnelle tout en conservant une grande précision et une bonne adaptabilité aux conditions dynamiques du canal. Les performances sont évaluées en termes de débit atteignable, de gain de beamforming et d'efficacité énergétique, montrant des résultats supérieurs par rapport aux méthodes traditionnelles de beamforming en champ lointain. Figure 1 illustre le cadre global.

Les étapes proposées sont les suivantes :

Étape 1 : Configurer l'environnement DeepMIMO

La plateforme DeepMIMO v3.x est d'abord configurée à l'aide du paramétrage extérieur O1, qui utilise une fréquence porteuse de 28 GHz et une bande passante de 100 MHz. Dans la simulation, l'XL-IMS est représenté par un réseau plan uniforme de 256 éléments réfléchissants disposés en configuration 16×16, espacés de λ/2. Le modèle de propagation choisi est une onde sphérique comprenant des trajets en visibilité directe (LoS) et en visibilité non directe (NLoS).

Étape 2 : Définir la géométrie XL-IMS et les emplacements des utilisateurs

Concevoir le XL-IMS comme une métasurface plane de 16×16 comprenant 256 éléments réfléchissants reconfigurables. Les dispositifs terminaux ont été répartis aléatoirement dans la zone de champ proche, entre 0,5 m et 10 m du XL-IMS, selon le critère de la distance de Rayleigh.

Étape 3 : Générer des canaux en champ proche en utilisant la propagation d'ondes sphériques

Modélisez les canaux entre chaque élément de la métasurface reconfigurable et l'utilisateur en utilisant la propagation d'ondes sphériques, qui tient compte de la variation de phase induite par la distance.

Étape 4 : Générer des données de canal en champ proche

Les terminaux utilisateur étaient répartis de manière uniforme dans la zone en champ proche (0,5-10 m) par rapport au panneau XL-IMS. Les trajets de propagation en vue directe (LoS) et en vue non directe (NLoS), générés par le scénario extérieur DeepMIMO O1, ont été utilisés pour générer les canaux.

Étape 5 : Préparer le jeu de données pour l'entraînement et les tests

L'ensemble de données généré comprenait 20 000 échantillons, dont 16 000 (80 %) ont été utilisés pour l'apprentissage et 4 000 (20 %) pour les tests.

Étape 6 : Normaliser les caractéristiques d'entrée et préparer les entrées du modèle

La dernière étape du processus de préparation consistait à appliquer une normalisation Min-Max à toutes les caractéristiques d'entrée, telles que l'amplitude du canal, la phase, la distance et les coordonnées de l'utilisateur. Ce processus a permis de normaliser les données et de les convertir en tenseurs, qui ont ensuite été injectés dans le réseau GNN avec mécanisme d'attention. Le modèle a été optimisé à l'aide de l'optimiseur Adam avec un taux d'apprentissage de 0,001 et sur 50 époques.

Étape 7 : Appliquer le mécanisme d'attention

Ajouter un mécanisme d'attention afin de prendre en compte les informations globales du graphe et de capturer les dépendances à longue portée entre les nœuds du graphe. Cela aide le modèle à se concentrer sur les caractéristiques spatiales importantes.

Étape 8 : Prédire les poids de formation de faisceau

Prédire les poids de formation de faisceau et les valeurs de décalage de phase à l'aide d'un embedding basé sur l'attention des GNN. Les procédures complexes, fastidieuses et itératives de formation de faisceau sont remplacées par une méthode de prédiction.

Étape 9 : Évaluer les métriques de performance

Pour évaluer l'efficacité de la communication et du beamforming, calculez des indicateurs clés de performance tels que le débit réalisable, le gain de beamforming, l'efficacité spectrale, l'efficacité énergétique et le SINR.

Étape 10 : Comparer aux méthodes de référence

Comparer l'algorithme proposé aux algorithmes traditionnels, notamment ZF, MMSE, SDR et AO.

Définition du modèle système

Le système proposé considère un réseau sans fil 6G rendu possible par un XL-IMS composé de 256 éléments réfléchissants reconfigurables qui contrôlent la propagation des ondes électromagnétiques grâce à des décalages de phase ajustables. Étant donné que les utilisateurs fonctionnent dans la région du champ proche, l'hypothèse classique d'onde plane en champ lointain devient invalide, ce qui impose de prendre en compte la propagation d'ondes sphériques, l'atténuation dépendante de la distance et la non-stationnarité spatiale. La limite entre les régions du champ proche et du champ lointain est déterminée par la distance de Rayleigh, qui dépend de la taille de la métasurface et de la longueur d'onde porteuse, et marque la transition entre les effets de front d'onde sphérique et la propagation d'onde plane. Ceci est décrit comme suit :

 (1)

Ici, D est la taille de la métasurface, λ est la longueur d'onde, et R est la distance de Rayleigh. Un phénomène de champ proche se produit dans le canal de communication lorsqu'un utilisateur se trouve à une position plus proche de R que sa valeur réelle. Lorsque le signal traverse différents composants de la métasurface, il subit des variations distinctes de phase et d'amplitude.

Le canal de la n-ième méta-surface vers l'utilisateur utilise un modèle d'onde sphérique pour la propagation en champ proche, représenté par l'équation du coefficient de canal suivante :

 (2)

Ici, α désigne le paramètre de perte de parcours, λ désigne la longueur d'onde porteuse, et d_n est la distance de l'utilisateur par rapport au composant.

Dans ce cas, β_n est le facteur de perte de trajet pour l'élément XL-IMS n^ème  et peut s'exprimer par β_n = d_n^−α, où α représente l'exposant de perte de trajet. Il convient de noter que d_n est la distance euclidienne entre la position de l'utilisateur et l'élément n^ème de la métasurface. Les variations du canal en fonction de l'espace sont dues aux différences significatives de d_n entre les différentes métasurfaces, contrairement à la situation rencontrée avec les canaux en champ lointain. En général, le vecteur de canal peut être expliqué comme suit :

 (3)

Le signal d'entrée reçu par l'utilisateur dépend du réglage de phase du système XL-IMS. Considérons θ = [θ₁, θ₂, …., θ_N] pour représenter le déphasage réalisé à l'aide de la métasurface. Le signal d'entrée peut alors être exprimé comme suit :

 (4)

où Φ = diag(e^jθ₁, ….., e^jθ_N) est le signal transmis, w est le vecteur de précodage de base, et n représente le bruit. Le vecteur de canal en champ proche est défini comme h ∈ ℂ^N×1, la matrice diagonale de décalage de phase du XL-IMS comme Φ ∈ ℂ^N×N, le vecteur de formation de faisceau comme x ∈ ℂ^N×1, et le signal reçu comme y ∈ ℂ. Le terme de bruit additif est défini comme n ∼ CN (0, σ²). Ces dimensions préservent la rigueur mathématique de la formulation.

Dans ce cas, ws est le vecteur de précodage de la station de base utilisé pour pré-coder le symbole transmis (s). Lors de l'évaluation des performances, des approches courantes de précodage numérique telles que ZF et MMSE sont mises en œuvre au niveau de la station de base à l'aide de réalisations similaires du canal en champ proche. Toutefois, la nouvelle approche vise à optimiser la matrice de déphasage XL-IMS (θ) grâce au mécanisme d'apprentissage par attention GNN.

Afin de concentrer l'énergie dans la région du champ proche, un angle de conception θ permettant une interférence constructive pour l'utilisateur doit être réalisable. La stratégie de formation de faisceau vise à maximiser l'efficacité spectrale ou la puissance du signal reçu. La figure 2 décrit l'architecture du modèle de système de communication en champ proche basé sur l'approche XL-IMS.

Modélisation des canaux en champ proche

Le modèle de réseau de communication 6G basé sur XL-IMS proposé a été spécifiquement conçu pour imiter les conditions de propagation proches de la distance de Rayleigh par rapport à la métasurface. Dans la région du champ proche, la propagation est sphérique, avec des valeurs de phase variables et des paramètres spatiaux non homogènes à travers la métasurface, contrairement aux modèles conventionnels de propagation en champ lointain qui supposent des ondes planes. Dans la présente étude, un modèle d'onde sphérique fondé sur la physique a été utilisé pour concevoir une matrice de réponse impulsionnelle de canal précise, tenant compte des positions physiques des éléments de la métasurface ainsi que des terminaux utilisateur.

Représentation des canaux basée sur la distance

La distance entre chaque composant de la métasurface et l'utilisateur est un facteur crucial dans l'élaboration du modèle de canal en régime proche. La longueur p_n entre les positions de l'utilisateur p_u et le n-ième composant du XL-IMS est donnée par :

 (5)

Cette valeur varie considérablement sur l'ensemble de la métasurface en raison de sa surface extrêmement grande, ce qui entraîne des temps de propagation et des décalages de phase inégaux qui doivent être pris en compte dans le modèle.

Modèle de canal à onde sphérique

Le coefficient de canal entre l'élément n-ième et l'utilisateur est déterminé à l'aide du modèle d'onde sphérique décrit dans l'équation (2), qui prend en compte les variations de phase et d'amplitude dépendant de la distance. Pour la génération du jeu de données et l'entraînement du modèle, les coefficients de canal sont obtenus à partir du cadre de travail DeepMIMO basé sur le tracé de rayons, qui intègre à la fois la propagation multipath en vue directe (LoS) et hors vue directe (NLoS), selon des structures environnementales réalistes. À partir de ce qui précède, il est possible de construire la matrice de réponse de canal à partir des réponses de canal pour les N éléments de la surface métamatérielle, comme indiqué dans l'équation (3).

Non-stationnarité spatiale des canaux en champ proche et importance du modèle

Contrairement aux canaux en champ lointain, les canaux en champ proche présentent une non-stationnarité spatiale, où les signaux reçus varient à travers la surface métamatérielle, permettant une focalisation de faisceau dépendante de la position. Cette information spatiale est intégrée dans la matrice de réponse du canal et est capturée par le modèle d'attention GNN. Figure supplémentaire 1 illustre le cadre proposé de modélisation du canal en champ proche pour le système de communication 6G basé sur XL-IMS et la génération de données de canal réalistes pour le beamforming basé sur l'apprentissage profond.

Génération du jeu de données

La génération des données a été réalisée à l'aide du cadre DeepMIMO, qui fournit des simulations de canal réalistes basées sur le tracé de rayons, intégrant la géométrie de l'environnement, la cohérence spatiale et la mobilité des utilisateurs. Les réponses de canal pour plusieurs emplacements d'utilisateurs en champ proche ont été générées à l'aide du scénario extérieur O1, à une fréquence porteuse de 28 GHz et une largeur de bande de 100 MHz. Le XL-IMS était composé de 256 éléments réfléchissants uniformément répartis, et les emplacements des utilisateurs ont été choisis dans la région de champ proche selon le critère de Rayleigh. Les coefficients de canal, les gains de trajet et les informations spatiales ont été extraits à l'aide de la bibliothèque Python DeepMIMO. Tableau supplémentaire 1 résume les paramètres de simulation et de reproductibilité. Le modèle a été entraîné selon un apprentissage supervisé, les caractéristiques d'état de canal servant d'entrées et les poids de formation de faisceau optimisés selon des principes physiques servant de labels cibles.

Création des caractéristiques d'entrée et structure du jeu de données

Ensuite, les données brutes des canaux ont été converties en caractéristiques en vue de leur entrée dans des modèles d'apprentissage profond. Ces caractéristiques comprenaient les amplitudes et les phases des réponses des canaux, prises séparément. D'autres paramètres d'entrée pouvaient également être inclus selon les exigences du problème. Par exemple, les coordonnées des utilisateurs, les distances et certains paramètres spatiaux pouvaient également être considérés comme des caractéristiques. L'ensemble de données a été divisé en ensembles d'apprentissage et de test selon un ratio de 80:20.

Préparation du jeu de données pour l'apprentissage

La dernière étape consistait à normaliser le jeu de données préparé et à le convertir en tenseurs adaptés en entrée pour l'architecture GNN avec mécanisme d'attention lors de l'apprentissage. Le jeu de données d'apprentissage a été utilisé pour apprendre l'application de l'état du canal vers les poids optimaux de formation de faisceau, tandis que le jeu de données de test a permis d'évaluer l'efficacité du modèle. Ce jeu de données soigneusement préparé a facilité et rendu plus efficace le processus d'apprentissage. Supplementary Table 2 présente les détails de la description du jeu de données DeepMIMO.

Représentation des caractéristiques

L'étape de représentation des caractéristiques a transformé les données de canal en champ proche à valeurs complexes en un format adapté à l'apprentissage profond. Les réponses du canal ont été décomposées en caractéristiques capturant les propriétés spatiales et de propagation, tout en préservant les informations essentielles du champ proche pour l'apprentissage. Figure supplémentaire 2 illustre le jeu de données DeepMIMO utilisé dans ce processus. Les données de canal provenant de l'environnement en champ proche ont été représentées sous forme de nombres complexes h_n, avec des composantes réelle et imaginaire qui représentent l'information de phase et d'amplitude des coefficients du canal. Afin d'être efficacement utilisées dans des algorithmes d'apprentissage automatique, les coefficients ont été décomposés en leurs parties réelle (Reh_n) et imaginaire (Imh_n). Les données peuvent également être représentées par l'amplitude h_n et la phase des coefficients ∠h_n.

Extraction de caractéristiques spatiales

En plus du coefficient de canal, des caractéristiques spatiales ont été incluses afin de tenir compte de la nature géométrique de l'environnement en champ proche. Cela comprenait la distance d_n entre chaque élément de la métasurface et le récepteur, ainsi que les coordonnées du récepteur (x, y, z). De cette manière, le modèle prenait en compte le fait que les caractéristiques du signal peuvent dépendre de la position spatiale de la paire émetteur-récepteur, une propriété importante pour la propagation en champ proche.

Normalisation et préparation des entrées du modèle

Comme étape préliminaire avant de fournir les entrées au modèle, un processus de normalisation a été effectué afin d'éviter l'instabilité numérique et d'accélérer la convergence. Les vecteurs structurés ont été divisés en ensembles de données d'entraînement et de test, notés (X_train, X_test). De cette manière, les entrées ont ensuite été fournies aux modèles GNN et aux modèles d'attention.

Sur la base de la représentation des caractéristiques présentée dans la Figure supplémentaire 2, différents types de caractéristiques ont été utilisés dans ce jeu de données, notamment les coefficients de canal h_n, qui indiquaient la réponse complexe du signal de tous les éléments de la métasurface. Une autre caractéristique était la distance d_n, qui, dans ce cas, indiquait les effets de propagation. Bien que les composantes imaginaire et réelle fournissent une description numérique du signal, les parties en amplitude et en phase décrivent explicitement l'intensité du signal et le déphasage, respectivement. La coordonnée de position de l'utilisateur (x, y, z) constituait une autre caractéristique importante qui améliorait la perception spatiale du modèle.

Conception par apprentissage profond utilisant un GNN pour la modélisation des dépendances spatiales, intégrée à un mécanisme d'attention hybride pour l'apprentissage du contexte global

Cet algorithme d'apprentissage a été conçu pour entraîner efficacement le canal XL-IMS en champ proche complexe, avec ses caractéristiques spatiales et de propagation, en utilisant des réseaux neuronaux graphiques (GNN) et un mécanisme d'attention. Étant donné que les éléments de la métasurface sont fortement corrélés entre eux et que leurs interactions sont non uniformes dans la zone de champ proche, un réseau entièrement connecté n'est pas adapté pour représenter correctement le canal. Ainsi, dans cette approche, la métasurface est représentée sous forme de graphe, chaque élément jouant le rôle d'un nœud et les interactions entre eux constituant les arêtes. Le GNN a capturé les dépendances spatiales localisées entre les nœuds voisins, tandis que le mécanisme d'attention a amélioré l'apprentissage des dépendances globales.

Représentation graphique de la SM-IPL

Le XL-IMS est créé sous la forme d'un graphe G = (V, E), chaque sommet v_n ∈ V représentant un élément de la méta-surface, tandis que les arêtes e_ij ∈ E représentent les relations spatiales entre les éléments. Chaque sommet possède un vecteur de caractéristiques x_n, obtenu lors de la phase de représentation des caractéristiques. La matrice d'adjacence A décrit les connexions entre les sommets proches ou situés dans certaines limites de distance. Une telle formulation sous forme de graphe permet d'intégrer l'information spatiale présente dans la propagation en champ proche.

Pour assurer la reproductibilité, la connectivité du graphe est déterminée à l'aide de l'approche des K-plus proches voisins avec k fixé à 8. Soient p_i et p_j les vecteurs de position respectifs des cellules XL-IMS de rang i et j. La distance entre deux sommets quelconques est mesurée à l'aide de la métrique euclidienne selon la formule suivante : d_ij = ||p_i − p_j||². Une arête existera entre les sommets i et j si le sommet j appartient au groupe des huit voisins les plus proches du sommet i. Par conséquent, la matrice d'adjacence est construite selon la règle suivante : A_ij = 1 si j ∈ N_k(i) et A_ij = 0 sinon.

Dans le GNN proposé, les mises à jour de chaque nœud sont calculées à partir des informations provenant des autres nœuds voisins. En particulier, la propagation de la couche l peut être exprimée comme suit :

 (6)

où h_i^(l) représente le vecteur de caractéristiques du sommet i dans la couche l, N(i) est le voisinage du sommet i, W^(l) est la matrice de poids apprenable, et σ(·) symbolise une fonction d'activation non linéaire.

Le modèle d'attention GNN comprenait trois couches de convolution sur graphes avec des dimensions cachées fixées à 128, et l'unité rectifiée linéaire (ReLU) était utilisée comme fonction d'activation. La génération du graphe a été réalisée à l'aide de la méthode des k-plus proches voisins (k = 8). Chaque caractéristique XL-IMS agit comme un nœud, tandis que les arêtes sont formées en fonction de la distance euclidienne entre les nœuds adjacents. Pour extraire les dépendances spatiales globales, nous avons utilisé un réseau d'auto-attention multi-têtes avec 4 têtes. La probabilité de dropout a été fixée à 0,3 afin d'éviter le surapprentissage.

Mécanisme d'attention

Pour modéliser les dépendances à longue distance existant au-delà de la portée du voisinage local, l'attention a été introduite dans le modèle, qui fonctionne comme suit :

 (7)

où e_ij = LeakyReLU(a^T[Wh_i | Wh_j]) représente l'importance des nœuds i et j. Grâce à ce modèle, il est possible d'attribuer différents niveaux d'importance aux nœuds en fonction de leurs rôles, facilitant ainsi la compréhension du contexte global à travers la métasurface. Le cadre hybride capture à la fois les informations spatiales locales et globales, et les caractéristiques apprises sont traitées par des couches entièrement connectées afin de générer les poids de formation de faisceau. Comme illustré dans les figures supplémentaires 3 et 4, le réseau de neurones graphique (GNN) modélise les dépendances spatiales locales par le biais de la transmission de messages et de l'agrégation de caractéristiques, tandis que le mécanisme d'attention capture les interactions globales entre les éléments de la métasurface, permettant une formation efficace de faisceau en champ proche. Des poids d'attention sont calculés pour quantifier la pertinence des paires de nœuds, en attribuant une importance plus grande aux interactions les plus informatives. À l'aide de ces poids, chaque nœud agrège l'information provenant de tous les autres nœuds, permettant au modèle de capturer des dépendances globales allant au-delà des voisinages locaux. La fusion pondérée des caractéristiques qui en résulte produit une représentation optimisée des caractéristiques, mettant en évidence les caractéristiques spatiales importantes tout en supprimant les informations moins pertinentes, ce qui soutient une optimisation efficace de la formation de faisceau et un focalisation précise de l'énergie.

Optimisation du beamforming

L'étape d'optimisation du beamforming a déterminé les décalages de phase XL-IMS et les poids de beamforming afin de focaliser l'énergie sur les utilisateurs en champ proche. Contrairement au pointage de faisceau classique en champ lointain, le beamforming en champ proche concentre l'énergie à des emplacements spatiaux spécifiques. Dans le cadre proposé, un modèle à attention basé sur un GNN a appris directement les paramètres optimaux de beamforming à partir des caractéristiques du canal, réduisant ainsi la complexité des méthodes d'optimisation itératives. Le signal reçu par l'utilisateur est donné par l'équation (4).

Les données d'entraînement ont été obtenues à partir de DeepMIMO pour chaque réalisation de canal, et les décalages de phase XL-IMS correspondants ont été déterminés à l'aide de l'algorithme AO. La matrice de canal en champ proche h et la matrice de décalage de phase XL-IMS ont été utilisées pour calculer le vecteur de décalage de phase θ en maximisant la puissance du signal reçu :

 (8)

 (9)

L'optimiseur AO a été exécuté pendant 100 itérations jusqu'à ce qu'il atteigne le seuil de convergence souhaité de 10⁻⁴. Ces valeurs optimisées ont servi de labels d'apprentissage pour notre modèle GNN avec attention. L'objectif était d'obtenir une interférence constructive afin de concentrer efficacement le faisceau en champ proche et d'améliorer la puissance du signal reçu. Plutôt que d'utiliser des méthodes d'optimisation classiques telles que SDR ou AO, le problème a été résolu par une approche fondée sur l'apprentissage. Plus précisément, le problème d'optimisation du beamforming a été approché par un modèle de deep learning f_Θ(⋅).

Un apprentissage supervisé a été utilisé pour entraîner le modèle GNN avec attention, les vecteurs de déphasage optimaux issus de l'algorithme AO servant de cibles d'entraînement. Plus précisément, notons le vecteur de déphasage optimal généré par AO comme étant θ_AO,i et les prédictions du réseau comme . Le critère d'entraînement a alors été formulé comme suit :

 (10)

où N est le nombre d'échantillons d'apprentissage.

Algorithme 1 : La formation de faisceau en champ proche à l’aide d’un modèle avec attention basée sur les GNN est présentée dans le Fichier Supplémentaire 1. Dans cet algorithme, la première étape consiste à configurer les paramètres du système et la base de données DeepMIMO afin de créer des conditions de canal réalistes. La caractéristique de canal en champ proche pour chaque échantillon est calculée à l’aide du modèle d’onde sphérique, puis les caractéristiques importantes, telles que les coefficients de canal et les caractéristiques spatiales, sont extraites de la base de données. Les caractéristiques extraites sont converties sous une forme structurée, puis représentées sous forme de graphe, les éléments de la métasurface constituant les nœuds. Le modèle d’apprentissage profond est construit à l’aide de couches GNN afin de capturer les dépendances spatiales locales, et un mécanisme d’attention est introduit pour apprendre les dépendances globales. Le cadre d’apprentissage profond est entraîné selon une approche supervisée, en utilisant une fonction de perte MSE entre les décalages de phase prédits et les étiquettes de décalages de phase optimaux générées par AO.

Cette implémentation a été réalisée avec Python et PyTorch. Les échantillons pour le canal DeepMIMO ont été obtenus à partir du scénario extérieur O1. Ces coefficients de canal ont été convertis en graphes et traités à l'aide d'un GNN comportant trois couches et un mécanisme d'attention multi-têtes. Le modèle a été entraîné à l'aide de l'optimiseur Adam avec une fonction de perte MSE. Ce modèle a généré des décalages de phase et des poids pour le beamforming auprès d'utilisateurs en champ proche, et les résultats ont été évalués en termes de débit, d'efficacité et de SINR.

Résultats

Les performances du cadre de modélisation des canaux en champ proche et de formation de faisceaux introduit pour les IMS étendus dans les réseaux de communication 6G sont évaluées à l'aide du jeu de données DeepMIMO, qui offre des environnements de propagation réalistes et des données de canal spatialement cohérentes. Pour configurer ce jeu de données, de nombreux échantillons de canal représentant différentes positions d'utilisateurs dans le champ proche de la surface métamatériau doivent être générés. Plus précisément, cette étude utilise jusqu'à 10 000 à 20 000 échantillons recueillis dans diverses conditions de propagation et positions d'utilisateurs. Un ratio de 80:20 a été utilisé pour répartir ces échantillons de canal, avec 80 % pour l'entraînement et 20 % pour les tests. Dans ce contexte, l'ensemble de test évalue la capacité du modèle à se généraliser, tandis que l'ensemble d'entraînement fournit la base nécessaire à l'apprentissage.

Les résultats expérimentaux montrent que le cadre GNN-Attention proposé surpasse les méthodes conventionnelles de formation de faisceaux en champ lointain et les approches fondées sur l'optimisation. En combinant une modélisation de canal en onde sphérique avec une extraction d'attributs spatiaux basée sur l'apprentissage profond, la méthode proposée atteint un gain de formation de faisceaux, une efficacité spectrale et une performance de focalisation énergétique supérieures. Les performances sont évaluées à l'aide du débit atteignable, du gain de formation de faisceau et de l'efficacité énergétique, qui mesurent respectivement la capacité de communication, l'efficacité du focalisation du signal et l'efficacité de la transmission des données par rapport à la consommation d'énergie.

La méthode proposée est comparée à des techniques conventionnelles de formation de faisceaux, notamment le ZF et le MMSE, ainsi qu'à des méthodes fondées sur l'optimisation telles que le SDR et l'AO. Alors que les approches en champ lointain sont limitées par les hypothèses d'ondes planes et offrent de mauvaises performances dans les environnements XL-IMS en champ proche, les méthodes d'optimisation entraînent souvent une complexité computationnelle élevée. En revanche, le cadre GNN-attention permet une formation de faisceaux efficace avec une surcharge computationnelle réduite. Pour une comparaison équitable, toutes les méthodes ont été évaluées à l'aide des mêmes canaux en champ proche générés par DeepMIMO, de la même configuration XL-IMS, de la même fréquence porteuse, des mêmes emplacements des utilisateurs, de la même puissance d'émission et des mêmes conditions de rapport signal-sur-bruit (SNR). Le ZF et le MMSE supposaient une information identique sur l'état du canal, tandis que le SDR et l'AO ont été mis en œuvre sous les mêmes contraintes de puissance et de décalage de phase, en utilisant des paramètres standards issus de la littérature.

Validation de la modélisation du canal en champ proche

Des méthodes de référence, notamment ZF, MMSE, SDR et AO, sont utilisées pour comparer les performances en termes de débit réalisable du modèle de formation de voies basé sur un réseau de neurones graphiques avec attention proposé dans la Figure 3. Lorsque le rapport signal sur bruit (SNR) augmente de 0 à 30 dB, toutes les méthodes montrent une amélioration du débit réalisable ; toutefois, le modèle proposé surpasse systématiquement les méthodes de référence. Il atteint 2,1 bps/Hz à 0 dB, 7,8 bps/Hz à 15 dB et 11,6 bps/Hz à 30 dB, dépassant ainsi les performances de ZF, MMSE, SDR et AO à tous les niveaux de SNR. Tableau 1 présente une comparaison des débits réalisables en fonction du SNR.

Figure 4 compare le gain de formation de faisceau du modèle proposé basé sur GNN et attention avec des méthodes classiques, incluant ZF, MMSE, SDR et AO, en fonction de la distance de l'utilisateur dans la région en champ proche. Lorsque la distance de l'utilisateur augmente, la puissance du signal formé reçu diminue en raison de la perte accrue de propagation, entraînant une réduction du gain de formation de faisceau pour toutes les méthodes. Néanmoins, le cadre proposé basé sur GNN et attention atteint systématiquement le gain de formation de faisceau le plus élevé, atteignant environ 28 dB à 1 m, 25 dB à 4 m et 22 dB à 7 m, surpassant SDR, AO, MMSE et ZF à toutes les distances évaluées. Ces résultats démontrent la capacité supérieure de focalisation du faisceau en champ proche et la meilleure rétention de gain du cadre proposé, conduisant à une efficacité de formation de faisceau améliorée par rapport aux méthodes existantes.

Performance du cadre d'apprentissage par attention GNN

Figure 5 compare l'efficacité spectrale du schéma de formation de faisceaux GNN-attention proposé avec celle des méthodes ZF, MMSE, SDR et AO, pour des valeurs de SNR allant de 0 à 30 dB. Bien que l'efficacité spectrale augmente pour toutes les méthodes lorsque le SNR s'élève, l'approche proposée atteint systématiquement les meilleures performances, avec 1,8 bps/Hz à 0 dB, 6,8 bps/Hz à 15 dB et 10,5 bps/Hz à 30 dB, surpassant toutes les méthodes de référence. Figure 6 compare l'efficacité énergétique du système de formation de faisceaux GNN-attention proposé avec celles des méthodes ZF, MMSE, SDR et AO dans des conditions de SNR variables. L'efficacité énergétique s'améliore avec l'augmentation du SNR pour toutes les méthodes ; toutefois, l'approche proposée atteint constamment la performance la plus élevée, environ 2,5 bits/joule à 0 dB, 7,2 bits/joule à 15 dB et 9,8 bits/joule à 30 dB, surpassant ainsi toutes les techniques de référence.

Évaluation du jeu de données et de la représentation des caractéristiques

Figure 7 illustre le comportement de convergence du modèle GNN-attention proposé en termes d'erreur quadratique moyenne (MSE) au cours des époques d'entraînement. La MSE diminue rapidement durant les premières phases de l'entraînement, passant d'environ 0,69 à l'époque 5 à 0,22 à l'époque 20, puis continue de baisser jusqu'à environ 0,08 à l'époque 35. Le modèle converge progressivement d'ici l'époque 50, atteignant une MSE d'environ 0,04, ce qui indique un entraînement stable et un apprentissage efficace des caractéristiques sous-jacentes du canal.

Résultats de l'optimisation du beamforming

Figure 8 compare les performances de débit total de la méthode proposée de formation de faisceaux par réseautage neuronal graphique avec attention (GNN-attention) à celles de ZF, MMSE, SDR et AO, lorsque le nombre d'utilisateurs augmente de 2 à 12. Bien que toutes les méthodes atteignent des débits totaux plus élevés avec davantage d'utilisateurs, l'approche proposée offre systématiquement les meilleures performances, atteignant 12,5 bps/Hz pour 2 utilisateurs, 31,6 bps/Hz pour 6 utilisateurs et 50,3 bps/Hz pour 12 utilisateurs, surpassant ainsi toutes les méthodes de référence à différentes densités d'utilisateurs.

Tableau 2 compare les performances multi-utilisateurs du cadre de formation de faisceaux GNN-attention proposé avec celles de ZF, MMSE, SDR et AO. La méthode proposée atteint la plus grande efficacité multi-utilisateurs (92,5 %), le SINR le plus élevé (24,8 dB) et le gain de capacité maximal (50,3 bps/Hz), démontrant une évolutivité, une gestion des interférences et une allocation des ressources supérieures par rapport aux méthodes de référence. Figure 9 présente une comparaison des fonctions de distribution cumulative (CDF) du SINR. L'approche proposée présente une distribution décalée vers la droite, indiquant des valeurs de SINR systématiquement plus élevées pour tous les utilisateurs. Au niveau de la médiane (50e centile), elle atteint un SINR d'environ 25 dB, dépassant SDR (23 dB), AO (22 dB), MMSE (20 dB) et ZF (17 dB). La performance supérieure en termes de SINR du modèle proposé découle de sa capacité à capturer à la fois les dépendances spatiales locales grâce aux GNN et les interactions globales par des mécanismes d'attention, permettant une formation de faisceaux en champ proche efficace. Les résultats de la CDF montrent une gestion des interférences plus robuste et des valeurs de SINR systématiquement plus élevées que les méthodes conventionnelles ZF, MMSE, SDR et AO.

Tableau 3 présente les performances moyennes, l'écart type et les intervalles de confiance à 95 % obtenus à partir de cinq exécutions expérimentales indépendantes, démontrant la stabilité et la reproductibilité du cadre proposé. Tableau 4 compare la complexité computationnelle et le temps d'inférence du schéma de formation de faisceau GNN-attention proposé avec les méthodes classiques. Pendant l'apprentissage, le coût computationnel est principalement déterminé par le passage de messages sur le graphe et le mécanisme d'attention, ce qui conduit à une complexité de O(E·L·F² + N²). Malgré ce surcoût d'apprentissage, le formateur de faisceau appris élimine la nécessité d'une optimisation itérative lors du déploiement. Le modèle proposé atteint un temps d'inférence moyen de 4,9 ms, nettement inférieur à celui du SDR (85,4 ms), de l'AO (63,7 ms), du MMSE (15,6 ms) et du ZF (12,8 ms). De plus, l'analyse de la scalabilité indique une performance stable lorsque le nombre d'utilisateurs et d'éléments de la surface métaugmentent, soulignant l'adéquation du cadre proposé pour les systèmes de communication 6G à grande échelle activés par XL-IMS.

Étude d'ablation

L'effet des composants individuels du cadre peut être évalué par une analyse d'ablation, dans laquelle les composants sont soit omis, soit modifiés, comme le GNN, l'attention et la modélisation physique du canal en champ proche. Le cadre complet intègre les trois composants, tandis que les modèles d'ablation comprennent : (i) uniquement le modèle GNN, (ii) uniquement le modèle d'attention, et (iii) l'absence du modèle d'onde sphérique basé sur la physique (hypothèse de champ lointain). L'évaluation des performances est effectuée à l'aide de métriques telles que le débit réalisable, le gain de formation de faisceau et le SINR. Les résultats montrent que les composants influencent fortement la performance globale du système, en particulier le modèle de canal basé sur la physique, dont l'omission a l'effet négatif le plus marqué. Cela souligne l'importance d'une modélisation précise du canal dans le régime du champ proche.

À partir des résultats d'ablation du Tableau 5, l'importance de chaque composante de l'architecture proposée peut être vérifiée. Comme le montrent les résultats expérimentaux ci-dessus, le modèle comprenant toutes les composantes atteint les meilleures performances, avec un débit réalisable de 11,6 bps/Hz, un gain de formation de faisceau de 28 dB et un SINR de 25 dB, ce qui démontre que l'architecture proposée fonctionne efficacement. En l'absence du mécanisme d'attention, le modèle n'atteint que 10,2 bps/Hz, indiquant que le contexte global du signal est affaibli. De plus, la suppression du composant GNN entraîne une performance médiocre de 9,8 bps/Hz, ce qui indique que la modélisation des dépendances spatiales est nécessaire pour les communications en champ proche. La dégradation de performance la plus importante est observée lorsque le modèle d'onde sphérique basé sur la physique est ignoré, avec un débit réalisable de 8,5 bps/Hz et un SINR de 19,2 dB, démontrant ainsi que la modélisation du canal en champ proche est également indispensable.

En résumé, les résultats expérimentaux confirment les objectifs de recherche visant à développer des modèles de canal et de formation de faisceaux fondés sur le champ proche des ondes électromagnétiques, avec une application aux réseaux 6G dotés de XL-IMS. L'architecture GNN-attention a atteint des performances supérieures en termes de débit réalisable, de gain de formation de faisceaux, d'efficacité spectrale, d'efficacité énergétique et de SINR par rapport aux approches traditionnelles telles que les méthodes ZF, MMSE, SDR et AO. L'analyse des ablations a montré que l'utilisation de modèles physiques pour les ondes sphériques, les réseaux neuronaux graphiques et le mécanisme d'attention est particulièrement précieuse pour améliorer les performances.

Disponibilité des données

Les ensembles de données et les matériaux complémentaires générés et analysés au cours de cette étude sont accessibles publiquement dans le dépôt Zenodo à l'adresse https://doi.org/10.5281/zenodo.21037047. Les ensembles de données de simulation ont été générés à l'aide du référentiel Python DeepMIMO avec le scénario de traçage de rayons extérieur O1, une fréquence porteuse de 28 GHz et la configuration XL-MIMO en champ proche. Le référentiel Python DeepMIMO est disponible à l'adresse suivante : https://github.com/DeepMIMO/DeepMIMO-python.

Figure 1 : Architecture générale du travail proposé. Illustration schématique de l'ensemble du pipeline de la méthode proposée de modélisation du canal en champ proche et de formation de faisceau. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.

Figure 2 : Architecture du modèle de système. Un schéma illustre l'architecture au niveau du système pour les communications 6G basées sur XL-IMS avec focalisation de faisceau en champ proche. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.

Figure 3 : Résultat du débit atteignable en fonction du RSB. Performance en débit en fonction du RSB pour les approches proposées et existantes. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.

Figure 4 : Gain du beamforming en fonction de la distance. Gain de beamforming obtenu par différentes méthodes de beamforming en fonction de la distance de l'utilisateur dans la région du champ proche, illustrant l'efficacité de la focalisation spatiale du signal et la conservation du gain avec l'augmentation de la distance. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.

Figure 5 : Résultat de l'efficacité spectrale en fonction du RSB. Comparaison de l'efficacité spectrale à différentes valeurs de RSB. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.

Figure 6 : Résultat de l'efficacité énergétique par rapport au RSB. Performance de l'efficacité énergétique à différentes valeurs de RSB. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.

Figure 7 : Résultat de la convergence de l'ERM. Convergence de la perte d'erreur quadratique moyenne (ERM) pendant l'apprentissage. Veuillez cliquer ici pour afficher une version agrandie de cette figure.

Figure 8 : Résultat du débit total en fonction du nombre d'utilisateurs. Performance du débit total à mesure que le nombre d'utilisateurs augmente. Veuillez cliquer ici pour afficher une version agrandie de cette figure.

Figure 9 : Résultat comparatif du SINR avec la FDC. Comparaison du SINR basée sur des graphiques de la fonction de répartition cumulative (FDC). Veuillez cliquer ici pour visualiser une version agrandie de cette figure.

Méthode	Débit moyen réalisable (bps/Hz)	Niveau de performance
Proposée (GNN-attention)	7,36	*****
SDR	6,66	****
AO	6,5	****
MMSE	6,03	***
ZF	5,23	***

Tableau 1 : Comparaison du débit réalisable. Illustre le taux de performance des techniques proposées et existantes.

Méthode	Efficacité multi-utilisateurs (%)	Gestion des interférences (SINR, dB)	Amélioration de la capacité (bps/Hz)
Proposée (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

Tableau 2 : Résultat expérimental des performances de montée en charge. Présente les performances de montée en charge dans des environnements de communication multi-utilisateurs.

Métrique	Moyenne	Écart type	IC à 95 %
Débit réalisable	11.6 ± 0.21	0.21	[11.42,11.78]
Efficacité spectrale	10.5 ± 0.18	0.18	[10.34,10.66]
Efficacité énergétique	9.8 ± 0.15	0.15	[9.67,9.93]
SINR	25.0 ± 0.42	0.42	[24.63,25.37]

Tableau 3 :  Analyse statistique. La performance de l'analyse statistique est évaluée à l'aide de la moyenne, de l'écart type et des intervalles de confiance.

Méthode	Complexité d'entraînement	Complexité d'inférence	Temps moyen d'inférence (ms)
ZF	N/A	O(N³)	12,8
MMSE	N/A	O(N³)	15,6
SDR	N/A	O(N³·⁵)	85,4
AO	N/A	O(IN²)	63,7
GNN-attention proposé	O(E·L·F² + N²)	O(E·L·F² + N²)	4,9

Tableau 4 :  Analyse de la complexité computationnelle et de la scalabilité. Il présente l'analyse de la complexité computationnelle et de la scalabilité du travail proposé.

Variant du modèle	Débit atteignable (bps/Hz)	Gain de formation de faisceau (dB)	SINR (dB)	Efficacité spectrale (bps/Hz)
Modèle complet proposé (GNN + attention + basé sur la physique)	11.6 ± 0.2	28.0 ± 0.4	25.0 ± 0.3	10.5 ± 0.2
Sans mécanisme d'attention	10.2 ± 0.3	25.5 ± 0.5	22.8 ± 0.4	9.1 ± 0.3
Sans GNN (uniquement MLP)	9.8 ± 0.3	24.0 ± 0.6	21.5 ± 0.5	8.7 ± 0.3
Sans modèle de canal basé sur la physique (hypothèse du champ lointain)	8.5 ± 0.4	21.0 ± 0.7	19.2 ± 0.6	7.4 ± 0.4

Tableau 5 : Résultat de l'étude d'ablation. Présente l'étude d'ablation de tous les composants du modèle.

Figure supplémentaire 1. Modélisation du canal en champ proche. Illustration schématique de la modélisation du canal en champ proche basée sur des ondes sphériques et de la construction de la matrice.Veuillez cliquer ici pour télécharger ce fichier.

Figure supplémentaire 2. Caractéristiques du jeu de données DeepMIMO utilisées pour l'évaluation. Caractéristiques extraites du jeu de données DeepMIMO et utilisées comme entrées du modèle pour l'entraînement et l'évaluation.Veuillez cliquer ici pour télécharger ce fichier.

Figure supplémentaire 3. RNAG pour la modélisation de la dépendance spatiale. Modélisation de la corrélation spatiale par le biais de réseaux de neurones graphiques (RNAG).Veuillez cliquer ici pour télécharger ce fichier.

Figure supplémentaire 4. Mécanisme d'attention pour la prise en compte du contexte global. Illustration graphique du module d'attention permettant de capturer les informations de contexte global.Veuillez cliquer ici pour télécharger ce fichier.

Tableau supplémentaire 1. Environnement de simulation. Présente les paramètres de simulation utilisés pour l'entraînement et les tests des modèles.Veuillez cliquer ici pour télécharger ce fichier.

Tableau supplémentaire 2. Description du jeu de données. Présente les caractéristiques du jeu de données DeepMIMO à utiliser lors de l'entraînement et de l'évaluation.Veuillez cliquer ici pour télécharger ce fichier.

Fichier supplémentaire 1 : Flux de travail du cadre de formation de faisceau basé sur l'attention GNN proposé. L'algorithme décrit les étapes de génération du jeu de données, de construction du graphe, d'entraînement du modèle, d'optimisation de la formation de faisceau et d'évaluation des performances.Veuillez cliquer ici pour télécharger ce fichier.

Discussion

L'algorithme proposé utilise un précodage non linéaire pour modéliser la propagation d'ondes sphériques en champ proche, permettant une focalisation du faisceau meilleure que celle des algorithmes basés sur un précodage linéaire tels que ZF, MMSE, SDR et AO. Bien que les résultats des algorithmes SDR et AO soient presque optimaux, le réseau proposé avec attention basée sur GNN atteint de meilleures performances à un coût computationnel nettement inférieur, ce qui est crucial pour le déploiement futur des XL-IMS dans les réseaux 6G ^21,26,27.

Comme mentionné ci-dessus, afin de vérifier empiriquement cet argument d'un point de vue quantitatif, une analyse de la complexité a été réalisée, et les résultats sont fournis dans le tableau 4. L'architecture proposée de type GNN avec mécanisme d'attention présente une complexité computationnelle de O(E · d + N² · d) en ce qui concerne son processus d'entraînement, où E fait référence aux arêtes du graphe, N aux éléments de la métasurface, et d à la dimensionnalité de la caractéristique cachée. Plus important encore, lors de l'utilisation du cadre d'apprentissage en phase d'inférence, les poids de formation de faisceau peuvent être calculés en une seule passe avec O(N · d) complexité, alors que les méthodes SDR et AO nécessitent des optimisations itératives pour chaque réalisation de canal.

Une étape importante qui doit être correctement réalisée pour assurer le succès est la création de modèles de canal en champ proche basés sur les principes de la propagation d'ondes sphériques. Une utilisation incorrecte des données de localisation des utilisateurs et une création inadéquate des caractéristiques du canal affecteront négativement le processus d'extraction des caractéristiques et les résultats du beamforming. La construction du graphe constitue un autre élément clé, car une connectivité insuffisante entre les nœuds entrave la capacité du GNN à identifier les relations spatiales. Le surapprentissage est un autre problème pouvant survenir lorsque le réseau est entraîné sur un nombre limité de conditions de propagation, ce qui nuit à ses performances de généralisation dans de nouvelles positions d'utilisateurs.

Il est possible de mettre en œuvre plusieurs mesures pour remédier aux problèmes potentiels. Lorsque la convergence du réseau de neurones est médiocre, une décroissance du taux d'apprentissage et une régularisation peuvent être utilisées pour résoudre le problème. La normalisation des caractéristiques et l'espacement du graphe peuvent prévenir l'instabilité pendant l'entraînement. En cas de chute inattendue du gain de formation de faisceau, un nouvel entraînement de l'algorithme avec davantage de points de données peut résoudre le problème.

Un autre avantage de l'apprentissage profond est la capacité de l'algorithme à s'adapter dynamiquement aux variations des conditions de canal, une tâche qui s'est révélée difficile pour les méthodes d'optimisation existantes. Cela augmente l'efficacité de l'algorithme de formation de voies en minimisant son temps d'exécution et le rend plus robuste en cas d'environnements de canal dynamiques^16,18,20.

Le modèle proposé est considéré comme révolutionnaire pour la théorie de la communication en champ proche, car il associe la modélisation du canal physique à des méthodes d'apprentissage profond basées sur les graphes. L'inclusion d'ondes sphériques afin de prendre en compte les effets électromagnétiques améliore la précision du modèle ; par ailleurs, l'utilisation de réseaux de neurones graphiques (GNN) et de mécanismes d'attention permet de décrire les dépendances mathématiques entre les éléments de la métasurface. La combinaison de l'apprentissage automatique avec les principes électromagnétiques conduit ainsi à l'émergence d'un nouveau cadre théorique pour la création d'environnements sans fil intelligents^21,27,28.

D'un point de vue appliqué, l'approche développée améliore considérablement l'applicabilité de la XL-IMS aux déploiements pratiques de réseaux 6G. La réduction de la charge de calcul, due à l'absence d'un processus d'optimisation, permet de prendre en temps réel des décisions de formation de faisceaux, ce qui est essentiel pour des services à latence extrêmement faible. De plus, le modèle proposé démontre une efficacité à la fois spectrale et énergétique, rendant ainsi la technologie adaptée aux villes denses, à l'Internet des objets et aux utilisateurs hautement mobiles.

Bien que la méthodologie proposée présente de nombreux avantages, le système comporte également certaines faiblesses. Même si DeepMIMO offre des scénarios de propagation réalistes grâce au tracé de rayons, il s'agit néanmoins d'un cadre de simulation, et des écarts subsisteront entre le comportement réel de la propagation hertzienne et celui simulé, en raison notamment de variations environnementales, de diffuseurs inconnus, d'effets temporels du canal, de conditions météorologiques et de problèmes de calibration du matériel. Par conséquent, ses résultats doivent être considérés comme une estimation de borne supérieure^26,38. Le modèle actuel suppose des composants parfaits pour l'émetteur et le récepteur. Dans les systèmes réels, le bruit de phase des oscillateurs, la distorsion des amplificateurs, les erreurs de synchronisation, le bruit de quantification des convertisseurs analogique-numérique et une estimation imprécise du canal peuvent tous entraîner une dégradation des performances. Ces problèmes pourraient nuire à l'alignement et réduire le débit de données du système.

Plusieurs problématiques de déploiement doivent encore être résolues avant que les communications en champ proche dotées de XL-IMS puissent être mises en œuvre à grande échelle. Ces problématiques incluent l'estimation en temps réel du canal pour des métasurfaces de grande taille, l'extensibilité du calcul pour plusieurs milliers d'antennes, la synchronisation dans un réseau distribué, les coûts du matériel, les exigences en puissance et l'intégration avec les systèmes 6G existants. Les recherches futures devraient se concentrer sur l'exploration de modèles d'apprentissage légers et du beamforming.

L'étude présente une architecture innovante de modélisation de canal en champ proche et de formation de faisceaux pour les systèmes XL-IMS dans le contexte des communications 6G. L'innovation combine une modélisation de canal par ondes sphériques inspirée de la physique avec des réseaux neuronaux graphiques et des mécanismes d'attention afin d'obtenir une représentation précise du canal en champ proche et des gains optimaux en formation de faisceaux. Le système englobe la modélisation du canal en champ proche, la conception de jeux de données basée sur DeepMIMO, la représentation des caractéristiques, la modélisation des dépendances spatiales et l'optimisation de la formation de faisceaux. Une évaluation expérimentale a montré de meilleurs résultats que d'autres approches de pointe, telles que ZF, MMSE, SDR et AO, en termes de débit atteignable, gain de formation de faisceaux, efficacité spectrale, efficacité énergétique et SINR. De plus, l'étude d'ablation a démontré l'efficacité de chaque composant du système.

Matériaux

Liste des matériaux utilisés dans cet article

Nom	Entreprise	Numéro de catalogue	Commentaires
Outil CUDA	NVIDIA	CUDA 12.4	https://developer.nvidia.com/cuda-toolkit
DGL	Équipe DGL	DGL 2.2.1	https://www.dgl.ai
Matplotlib	Équipe de développement de Matplotlib	Matplotlib 3.9.0	https://matplotlib.org
NumPy	Développeurs de NumPy	NumPy 1.26.4	https://numpy.org
Python	Fondation Python Software	Python 3.10.13	https://www.python.org
PyTorch	Meta AI	PyTorch 2.3.1	https://pytorch.org
PyTorch Geometric	Équipe PyG	PyG 2.5.3	https://pytorch-geometric.readthedocs.io
Seaborn	Développeurs de Seaborn	Seaborn 0.13.2	https://seaborn.pydata.org
TensorFlow	Google	TensorFlow 2.16.1	https://www.tensorflow.org