מאמר מחקר

מסגרת GNN-Attention מבוססת למידה עמוקה למידול ערוצי שדה קרוב ועיצוב אלומה במערכות אלחוטיות של הדור השישי: מחקר סימולציה

3 צפיות

⸱

DOI:

10.3791/72011

⸱

1 בספטמבר 2026

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

במאמר זה

סיכום

עבודה זו מציגה מסגרת למידה עמוקה מבוססת פיזיקה עבור עיצוב אלומה (beamforming) ומידול ערוץ בשדה קרוב במערכות אלחוטיות של הדור השישי המשתמשות במשטחי מטא-חכמים גדולים במיוחד (Extremely Large Intelligent Metasurfaces). בהשוואה לטכניקות תקשורת מסורתיות בשדה רחוק, השיטה המוצעת משפרת את יעילות האנרגיה, את הגבר עיצוב האלומה ואת יעילות הספקטרום.

תקציר

הופעתן של רשתות דור שישי (6G) הניעה את הפיתוח של משטחים חכמים גדולים במיוחד (XL-IMS) כדי לספק מהירויות גבוהות במיוחד ויעילות ספקטרלית גבוהה. עם זאת, ערוצי שדה-רחוק קלאסיים אינם ישימים להעברה בשדה-קרוב בשל התפשטות גלים כדוריים והיעדר סטציונריות מרחבית, מה שמוביל לירידה בביצועי עיצוב האלומה (beamforming) ולעלייה במורכבות החישובית. לפיכך, מטרת מחקר זה היא לפתח שיטה למידול ערוץ בשדה-קרוב ולאופטימיזציה של עיצוב אלומה המבוססת על למידה עמוקה מונחית פיזיקה. הפתרון המוצע משתמש במודל ערוץ של גל כדורי המונחה פיזיקלית, יחד עם רשתות עצביות גרפיות (GNNs) ומנגנוני קשב (attention mechanisms), כדי ללכוד קשרים מרחביים מקומיים בין משתמשים לבין הרשת הגלובלית. בנוסף, מוצע אלגוריתם לעיצוב אלומה מבוסס למידה כדי להגביר את יעילות מיקוד האנרגיה במשתמשי שדה-קרוב. ביצועי המסגרת המוצעת מוערכים באמצעות תרחישי התפשטות ריאליסטיים ממאגר הנתונים DeepMIMO. תוצאות הסימולציה מראות כי הטכניקה המוצעת מניבה קצב בר-השגה של 11.6 bps/Hz, הגבר עיצוב אלומה של 28 dB, יעילות ספקטרלית של 10.5 bps/Hz, יעילות אנרגטית של 9.8 bits/Joule, ויחס אות לרעש ולהפרעות (SINR) של 25 dB. בהשוואה לטכניקות מסורתיות כגון Zero Forcing (ZF), Minimum Mean Square Error (MMSE), Semidefinite Relaxation (SDR) ו-Alternating Optimization (AO), הסכימה המוצעת משפרת את ביצועי התקשורת הכוללים בכ-10-15%. תוצאות אלו חושפות כי שילוב של מידול ערוץ בשדה-קרוב עם למידת קשב מבוססת GNN יכול לשמש כטכניקת עיצוב אלומה יעילה ומדויקת עבור רשתות אלחוטיות של 6G בעתיד המשתמשות בטכנולוגיית XL-IMS.

מבוא

העניין בעיצוב אלומה (beamforming) גדל באופן דרמטי בשנים האחרונות. דרישות קיבולת קיצוניות הפכו לנפוצות עם הצגת ה-6G, המונעות מהביקוש הגובר לקישוריות טובה יותר ולקצבי נתונים מהירים יותר. לכן, עיצוב אלומה הוא שיטה מבטיחה להנחיה יעילה של אותות ולשיפור ביצועי הרשת הכוללים1. מערכות תקשורת אלחוטית קונבנציונליות ניצלו ביעילות משאבים מרחביים בשדה הרחוק לצורך גיוון מרחבי. תחום מחקר מתהווה עם פוטנציאל עצום עבור תקשורת אלחוטית עתידית הוא עיצוב אלומה בשדה הקרוב2.

מצד שני, משטחים חכמים ניתנים להגדרה מחדש (RIS), מעניינים במיוחד מכיוון שהם יכולים להתגבר על חלק מבעיות ההגעה הקשורות לספקטרום ה-mmWave/THz3,4. RIS יכולים להחזיר, לשבור ולתמרן גלים אלקטרומגנטיים נכנסים5. במקרה זה, המטרה העיקרית היא ניווט האלומה לכיוון או צורה רצויים, וניתן לתאר את ה-RIS כמשנה של דפוסי הקרינה של מקור הקרינה. עבור RIS בשדה רחוק, מספר נושאים בסיסיים נחקרו לאורך השנים6,7,8,9,10,11, כולל אומדן ערוץ, לוקליזציה, סטנדרטיזציה ועיצוב אלומה פסיבי/אקטיבי. טכנולוגיה זו מאפשרת תקשורת רב-משתמשים על ידי מיקוד אלומות, המספקות פשרה בין הפסדי נתיב לבין חדירות, במיוחד בפס תדרים בינוניים כמו טווח ה-10 GHz12. ממשקים חכמים פותחו עוד יותר בתוך רשתות תקשורת ונחקרים כיום כדי לשפר את הרזולוציה המרחבית ואת רוחב פס התקשורת13. התדרים הגבוהים יותר ומפתחי האנטנה הגדולים יותר במהלך המעבר מ-5G ל-6G הופכים תרחישי תקשורת מסורתיים של שדה רחוק לתרחישי תקשורת של שדה קרב14,15.

אזור השדה הקרוב יהיה חשוב ברשתות 6G, מה שיחייב מחקר של טכניקות שדה קרוב חדשות16. על גלים להיחשב כגלים כדוריים ולא כגלים מישוריים כדי לשפר את התפשטות הגלים האלקטרומגנטיים בטכנולוגיית שדה קרוב. מאפיין פיזיקלי חדש זה מציג מגוון של אפקטים אלקטרומגנטיים, הכוללים אי-סטציונריות מרחבית, פיצול קרניים, קיטוב טרי-פולרי וגלים דועכים17. בשל כך, ייתכן ששיטות תקשורת קונבנציונליות רבות לא ינצלו באופן מלא את המאפיינים הפיזיקליים החדשים הללו או שיחוו הפסדי ביצועים חמורים בסביבות שדה קרוב של 6G18. פער בין טכנולוגיות תקשורת שדה רחוק נוכחיות לבין מודלים של התפשטות בשדה קרוב עלול להפחית משמעותית את יעילותן של טכניקות שדה רחוק קיימות במיקומי שדה קרוב19. בניגוד למערכות פס רחב מסורתיות של שדה רחוק, יש להתחשב באפקטים אלקטרומגנטיים (EM) חדשים במערכות RIS רחבות-פס של שדה קרוב. ראשית, ערוץ השדה הקרוב כולל שני זוויות וממדי מרחק בשל חזית הגל הכדורית בספקטרום השדה הקרוב, בניגוד להנחת חזית הגל השטוחה במודלים של ערוצי שדה רחוק. במקום ניווט קרניים של שדה רחוק, הדבר מביא לפעולת ריכוז קרניים של שדה קרוב20,21. המונח "אפקט פיצול קרניים" מתייחס לאפשרות שקרניים המיוצרים באירועים שונים ירוכזו במיקומים נפרדים22.

בניגוד לשדה הרחוק, שבו חזיתות גל אלקטרומגנטיות (EM) מקורבות כמישוריות, תקשורת בשדה הקרוב דורשת התחשבות בהתפשטות של חזיתות גל כדוריות. מאפיין זה מביא עמו הן הזדמנויות והן אתגרים עבור רשתות אלחוטיות עתידיות. באמצעות ניצול חזיתות גל כדוריות, מיקוד אלומה (beam focusing) יכול לרכז אותות בתוך אזור מרחבי ספציפי, מה שמאפשר דיכוי שיפורים של הפרעות ותקשורת רב-משתמשית משופרת בהשוואה להכוונת אלומה (beam steering) קונבנציונלית בשדה הרחוק. עם זאת, הדבר מציב גם מורכבויות נוספות בתכנון ובעיבוד אותות23,24. מחקרים מוקדמים על תקשורת בשדה הקרוב כוללים את העבודה ב25, אשר פירטה את ההבדלים בין אזורי השדה הקרוב והרחוק, מושגי מפתח, אתגרים טכניים, יישומים והערכת ערוץ מבוססת ספר קודים (codebook). לאחר מכן, המחבר26 בחן את ההבדלים הבסיסיים בין שידור בשדה הרחוק המבוסס על חזית גל מישורית לשידור בשדה הקרוב המבוסס על חזית גל כדורית, תוך התמקדות בגיבוש אלומה (beamforming), ניתוח ערוצים, ביצועי מערכת ושילוב עם טכנולוגיות מהדור הבא. יתרה מכך, המחבר27 חקר את האתגרים העיקריים בתקשורת בשדה הקרוב, כולל מידול ערוצים, הערכה, גיבוש אלומה, ארכיטקטורת חומרה וחשיסה, תוך סיכום התקדמויות אחרונות בתחומים אלה.

מחקרים אחרונים בחנו באופן נרחב תקשורת אלחוטית בשדה הקרוב ומידול ערוצים עבור מערכות 6G מתהוות. סקירות מקיפות בחנו את עקרונות התקשורת בשדה הקרוב, ארכיטקטורות holographic MIMO, טכניקות למידול ערוצים, שיטות עיבוד אותות ויישומים של חישוש ותקשורת משולבים, ובמקביל זיהו אתגרים מרכזיים הקשורים להערכת ערוצים ולתכנון מערכות בסביבות שדה קרוב28,29. כדי לטפל באפקט פיצול האלומה (beam-splitting) במערכות mmWave/THz נתמכות על ידי RIS, הוצעו פתרונות שונים, כולל אסטרטגיות פריסה מבוזרת של RIS וארכיטקטורות RIS נתמכות ב-true time delay (TTD). גישות אלו משפרות את בקרת האלומה הסלקטיבית לתדר ומפחיתות את הפגיעה כתוצאה מפיצול האלומה; עם זאת, הן כרוכות לעיתים קרובות בעלויות פריסה מוגברות, מורכבות חומרה רבה יותר או הסתמכות על רכיבי השהיה ייעודיים 30,31,32.

אופטימיזציה של עיצוב אלומה (Beamforming) זכתה לתשומת לב רבה בשל ההשפעות המשולבות של מיקוד אלומה ועיוות רחב-פס מרחבי במערכות של מערכי מפתח רחבים במיוחד (ELAA). מחקרים קיימים בחנו שיטות מיקוד מבוססות עיכוב פאזה, ארכיטקטורות מבוססות TTD ומסגרות אופטימיזציה עבור אנטנות מטא-משטח הולוגרפי כדי לשפר את הגברון של עיצוב האלומה ולהפחית השפעות רחב-פס כפולות33,34,35,36. עם זאת, רוב המחקרים הקשורים ל-XL-IMS ממשיכים להסתמך על הנחות של גל מישורי בשדה הרחוק, אשר אינן מספקות עבור מפתחים רחבים במיוחד. כתוצאה מכך, מאפייני שדה קרוב חשובים, כולל התפשטות גלים כדוריים, אי-סטציונריות מרחבית, צימוד הדדי ומיקוד אלומה תלוי-מרחק, מושמטים לעיתים קרובות37,38. לאחרונה, טכניקות של בינה מלאכותית הופיעו כפתרונות מבטיחים לעיצוב אלומה בשדה הקרוב ולאופטימיזציה של תעלות ברשתות 6G מבוססות XL-IMS. בפרט, שיטות מבוססות למידה-מטא (meta-learning) הדגימו יכולת הסתגלות חזקה והתכנסות מהירה תחת תנאים אלחוטיים דינמיים עם נתוני אימון מוגבלים. גישות אלו מציעות פוטנציאל משמעותי למערכות תקשורת חכמות בשדה הקרוב ולאופטימיזציה עתידית של רשתות אלחוטיות אוטונומיות39,40.

טכניקות עיצוב אלומה (beamforming) קיימות מסתמכות במידה רבה על מודלים פשוטים של תעלות שדה רחוק, אשר אינם מצליחים ללכוד מאפייני שדה קרוב קריטיים במבנים אולטרה-מסיביים. יתרה מכך, הערכות מבוססות-נתונים בסביבות ריאליסטיות, כגון DeepMIMO, נותרות מוגבלות, ואופטימיזציה משותפת של מידול תעלות שדה קרוב ועיצוב אלומה עבור תרחישי משתמשים דינמיים לא קיבלה תשומת לב מספיקה. בנוסף, סקילביליות חישובית נותרת אתגר מרכזי עבור פריסות 6G מעשיות המאומצות ב-XL-IMS. כדי להתגבר על מגבלות אלו, מחקר זה מציע מסגרת מאוחדת המשלבת מידול תעלות של גלים כדוריים מבוסס-פיזיקה עם GNNs ומנגנוני קשב (attention mechanisms) עבור עיצוב אלומה בשדה קרוב. המסגרת המוצעת לוקחת בחשבון באופן מפורש אי-סטציונריות מרחבית, אינטראקציות של משטחים מטאליים (metasurfaces) והפגה תלוית-מרחק, והיא מתוקפת באמצעות מערך הנתונים DeepMIMO.

המסגרת המוצעת משלבת מידול של ערוצים פיזיים עם למידה עמוקה כדי לאפשר ייצוג מדויק של ערוצים בשדה הקרוב ואופטימיזציה של עיצוב אלומה (beamforming) עבור מערכות XL-IMS. באמצעות מידול מפורש של התפשטות גלי כדור ואי-סטציונריות מרחבית, מחקר זה מאפשר מיקוד אלומה מדויק תוך שיפור הקצאת האנרגיה, הגבר עיצוב האלומה ודיכוי הפרעות. המסגרת משלבת בנוסף אופטימיזציה ברמת האלמנט של תגובות הפאזה של המטא-משטח כדי לאפשר היגוי אלומה אדפטיבי בסביבות תקשורת צפופות. באמצעות תרחישי התפשטות ריאליסטיים ממאגר הנתונים DeepMIMO, הגישה המוצעת מדגימה שיפור ביעילות הספקטרלית, בביצועי עיצוב האלומה וביעילות החישובית, ובכך מספקת פתרון ניתן להרחבה עבור רשתות תקשורת 6G רחבות היקף המבוססות על XL-IMS.

פרוטוקול

המסגרת המוצעת למידול ערוצים בשדה קרוב (Near-Field) ועיצוב אלומה (Beamforming) במערכות 6G המאומצות ב-XL-IMS, משלבת מידול מבוסס פיזיקה עם אופטימיזציה באמצעות למידת מכונה כדי להתגבר על המגבלות של גישות שדה רחוק (far-field) קונבנציונליות. פותח מודל ערוץ לשדה קרוב המשלב התפשטות גלים ספריים ולא-סטציונריות מרחבית, אשר תוקף באמצעות מערך הנתונים DeepMIMO. מידע הערוץ מיוצג כגרף כדי ללכוד תלויות מרחביות בין אלמנטים של המשטח-מטא (metasurface) לבין המשתמשים, ורשת GNN-attention מקצה לקצה מיושמת ללימוד משקולות עיצוב אלומה עבור מיקוד אלומה בשדה קרוב. בניגוד לשיטות אופטימיזציה איטרטיביות קונבנציונליות, המסגרת מבוססת-הלמידה חוזה ישירות פתרונות עיצוב אלומה, ובכך מפחיתה את המורכבות החישובית תוך שמירה על דיוק גבוה ויכולת הסתגלות לתנאי ערוץ דינמיים. הביצועים מוערכים במונחים של קצב נתונים בר-השגה, הגבר עיצוב אלומה ויעילות אנרגטית, ומדגימים תוצאות עליונות בהשוואה לשיטות עיצוב אלומה מסורתיות לשדה רחוק. איור 1 ממחיש את המסגרת הכוללת.

להלן השלבים המוצעים:

שלב 1: הגדרת סביבת DeepMIMO

ראשית, פלטפורמת DeepMIMO v3.x מוגדרת באמצעות הגדרת O1 Outdoor, המשתמשת בתדר נשא של 28 GHz וברוחב פס של 100 MHz. בסימולציה, ה-XL-IMS מיוצג על ידי מערך מישורי אחיד של 16×16 הכולל 256 אלמנטים מחזירי-אות, במרווחים של λ/2 זה מזה. מודל ההפצה שנבחר הוא גל כדורי עם נתיבי LoS ו-NLoS.

שלב 2: הגדרת גיאומטריית XL-IMS ומיקומי משתמשים

תכננו את ה-XL-IMS כמשטח-מטא (metasurface) מישורי של 16×16, המורכב מ-256 אלמנטים מחזירי אור הניתנים להגדרה מחדש. מכשירי קצה של המשתמש פוזרו באופן אקראי בטווח השדה הקרוב, מ-0.5m עד 10m מה-XL-IMS, בהתבסס על קריטריון מרחק ריילי (Rayleigh distance).

שלב 3: יצירת ערוצי שדה קרוב באמצעות התפשטות גלים ספריים

מודל את הערוצים בין כל אלמנט של המשטח המטא-נстраи (reconfigurable metasurface) לבין המשתמש באמצעות התפשטות גל כדורי, הלוקחת בחשבון שינוי פאזה הנגרם מהמרחק.

שלב 4: יצירת נתוני ערוץ שדה קרוב

טרמינלי משתמש פוזרו באופן אחיד בתוך אזור השדה הקרוב (0.5-10 m) מפאנל ה-XL-IMS. לצורך יצירת הערוצים נעשה שימוש both בנתיבי התפשטות מסוג LoS ו-NLoS שהופקו על ידי תרחיש החוץ DeepMIMO O1.

שלב 5: הכנת מערך הנתונים לאימון ובדיקה

מאגר הנתונים שנוצר כלל 20,000 דגימות, מתוכן 16,000 (80%) שימשו לאימון ו-4,000 (20%) לבדיקה.

שלב 6: נרמול מאפייני קלט והכנת קלטי המודל

השלב הסופי של תהליך ההכנה כלל ביצוע נרמול Min-Max לכל מאפייני הקלט, כגון עוצמת הערוץ, מופע, מרחק וקואורדינטות משתמש. תהליך זה נרמל את הנתונים והמיר אותם לטנזורים, שהוזנו לרשת ה-GNN-attention. המודל עבר אופטימיזציה באמצעות אופטימייזר Adam עם קצב למידה של 0.001 ו-50 epochs.

שלב 7: החלת מנגנון הקשב (Attention mechanism)

הוסף מנגנון קשב (attention mechanism) כדי לשקול מידע גלובלי מהגרף וללכוד תלותיות ארוכות-טווח בין צמתי הגרף. דבר זה מסייע למודל להתמקד במאפיינים מרחביים חשובים.

שלב 8: חיזוי משקלי עיצוב האלומה (beamforming weights)

חזה את משקולות עיצוב האלומה (beamforming weights) ואת ערכי הזזת הפאזה באמצעות שיכון GNN-attention. הליכי עיצוב האלומה המורכבים, המייגעים והאיטרטיביים מוחלפים בשיטת החיזוי.

שלב 9: הערכת מדדי ביצועים

כדי להעריך את מידת היעילות של התקשורת והעיצוב האלומה (beamforming), חשבו מדדי ביצוע (KPIs) כגון הקצב הניתן להשגה, הגבר עיצוב אלומה, יעילות ספקטרלית, יעילות אנרגטית ו-SINR.

שלב 10: השוואה מול שיטות ייחוס

השווה את האלגוריתם המוצע לאלגוריתמים מסורתיים, כולל ZF, MMSE, SDR ו-AO.

הגדרת מודל המערכת

המערכת המוצעת בוחנת רשת אלחוטית מדור 6 (6G) המופעלת על ידי XL-IMS הכולל 256 אלמנטים מחזירי-אות הניתנים להגדרה, השולטים בהפצת גלי אלקטרומגנטיים באמצעות הזזות פאזה מתכווננות. כיוון שהמשתמשים פועלים באזור השדה הקרוב (near-field), הנחת הגל המישורי המקובלת לשדה הרחוק הופכת לבלתי רלוונטית, מה שמצריך התחשבות בהפצת גלים כדוריים, ניחות תלוי-מרחק וחוסר סטציונריות מרחבית. הגבול בין אזורי השדה הקרוב והרחוק נקבע על ידי מרחק ריילי (Rayleigh distance), התלוי בגודל המטא-משטח ובאורך גל הנשא, ומסמן את המעבר מהשפעות חזית גל כדורית להפצת גל מישורי. הדבר מתואר באופן הבא:

figure-protocol-1 (1)

כאן, D הוא גודל המטא-משטח (metasurface), λ הוא אורך הגל, ו-R הוא מרחק ריילי (Rayleigh distance). תופעת שדה קרוב מתרחשת בערוץ התקשורת כאשר משתמש נמצא במיקום הקרוב יותר ל-R מאשר לערכו הממשי. כאשר האות עובר דרך רכיבי מטא-משטח שונים, הוא עובר שינויי פאזה ואמפליטודה מובחנים.

הערוץ מהמטא-משטח ה-n למשתמש משתמש במודל גל כדורי להגבלה בשדה קרוב, אשר מיוצג על ידי משוואת מקדם הערוץ באופן הבא:

figure-protocol-2 (2)

כאן, α מתייחס לפרמטר הפסד הנתיב, λ מתייחס לאורך הגל של הנשאי, ו-dn הוא המרחק של המשתמש מהרכיב.

במקרה זה, βn הוא מקדם הפסד הנתיב עבור אלמנט ה-XL-IMS ה-nth  וניתן להביע אותו כ-βn = dn−α, כאשר α מייצג את מעריך הפסד הנתיב. יש לציין כי dn הוא המרחק האוקלידי ממיקום המשתמש לאלמנט המטא-משטח ה-nth. שינויים בערוץ ביחס למרחב נגרמים מההבדלים המשמעותיים ב-dn בין מטא-משטחים שונים, בניגוד למצב של ערוצי שדה רחוק. באופן כללי, ניתן להסביר את וקטור הערוץ באופן הבא:

figure-protocol-3 (3)

אות הכניסה המתקבל על ידי המשתמש תלוי בכוונון המופע של מערכת ה-XL-IMS. נניח ש-θ = [θ1, θ2, …., θN] מייצג את הזזת המופע המוממשת באמצעות המטא-משטח. אם כך, ניתן לבטא את אות הכניסה כך:

figure-protocol-4 (4)

כאשר Φ = diag(ejθ1, ….., ejθN) הוא האות המשודר, w הוא וקטור ה-precoding של קידוד הבסיס, ו-n מייצג רעש. וקטור ערוץ השדה הקרוב מוגדר כ-h ∈ ℂN×1, מטריצת הזזת הפאזה האלכסונית של ה-XL-IMS כ-Φ ∈ ℂN×N, וקטור עיצוב האלומה כ-x ∈ ℂN×1, והאות שהתקבל כ-y ∈ ℂ. רכיב הרעש האדיטיבי מוגדר כ-n ∼ CN (0, σ2). ממדים אלו שומרים על התקינות המתמטית של הניסוח.

במקרה זה, ws הוא וקטור ה-precoding של תחנת הבסיס המשמש לביצוע precoding לסמל המשודר (s). במהלך השוואת ביצועים, גישות precoding דיגיטליות נפוצות כגון ZF ו-MMSE מיושמות בתחנת הבסיס באמצעות מימושי ערוץ דומים בשדה הקרוב. עם זאת, הגישה החדשה שואפת לבצע אופטימיזציה למטריצת הסטה הפאזה (θ) של ה-XL-IMS באמצעות מנגנון למידת GNN-attention.

כדי לרכז את האנרגיה באזור השדה הקרוב, עבור המשתמש, יש להשיג תכנון θ שבו מתרחשת התאבכות בונה. אסטרטגיית עיצוב האלומה שואפת למקסם את היעילות הספקטרלית או את הספק האות שהתקבל. איור 2 מתאר את ארכיטקטורת מודל מערכת התקשורת בשדה הקרוב המבוססת על גישת XL-IMS.

מידול ערוצי שדה קרוב

מודל השדה הקרוב לרשתות תקשורת 6G המבוסס על XL-IMS שהוצע תוכנן במיוחד כדי לדמות את תנאי ההפצה בסמוך למרחק ריילי (Rayleigh distance) מהמטא-משטח (metasurface). באזור השדה הקרוב, ההפצה היא כדורית, עם ערכי פאזה משתנים ופרמטרים מרחביים לא הומוגניים על פני המטא-משטח, בניגוד למודלי הפצה קונבנציונליים של שדה רחוק המניחים גלים מישוריים. במחקר הנוכחי, נעשה שימוש במודל גל כדורי מבוסס פיזיקה כדי לתכנן מטריצת תגובה של דחף ערוץ מדויקת, המתחשבת במיקומים הפיזיים הן של רכיבי המטא-משטח והן של מסופי המשתמש.

ייצוג ערוצים המבוסס על מרחק

המרחק בין כל רכיב של המשטח-המעגל (metasurface) לבין המשתמש הוא גורם מכריע בבניית מודל הערוץ במשטר השדה הקרוב. האורך pn בין מיקומי המשתמשים pu לבין הרכיב ה-n של ה-XL-IMS ניתן על ידי:

figure-protocol-5 (5)

ערך זה משתנה באופן משמעותי על פני המטא-פני (metasurface) בשל שטחו הגדול במיוחד, מה שמוביל לזמני התפשטות ולהסתות פאזה שאינם שווים ויש להביאם בחשבון במודל.

מודל ערוץ גל כדורי

מקדם הערוץ בין האלמנט ה-n לבין המשתמש נקבע באמצעות מודל הגל הספרי שנתיאר במשוואה (2), הלוכד שינויי פאזה ואמפליטודה התלויים במרחק. לצורך יצירת מערך הנתונים ואימון המודל, מקדמי הערוץ מתקבלים ממסגרת ה-ray-tracing של DeepMIMO, המשלבת תגליות רב-נתיב הן בקו ראייה ישיר (LoS) והן ללא קו ראייה ישיר (NLoS), בהתבסס על מבני סביבה ריאליסטיים. מהנ"ל, ניתן לבנות את מטריצת תגובת הערוץ מתגובות הערוץ עבור כל N אלמנטי המשטח-הננו (meta-surface) כפי שמוצג במשוואה (3).

אי-סטציונריות מרחבית של ערוצים בשדה קרוב וחשיבות המודל

בניגוד לערוצי שדה רחוק, ערוצי שדה קרוב מראים אי-סטציונריות מרחבית, שבה האותות הנקבלים משתנים לאורך המטא-משטח (metasurface), מה שמאפשר מיקוד אלומה התלוי במיקום. מידע מרחבי זה מוטמע במטריצת תגובת הערוץ ונלכד על ידי מודל ה-GNN-attention. איור משלים 1 ממחיש את מסגרת מידול ערוצי השדה הקרוב המוצעת עבור מערכת תקשורת 6G מבוססת XL-IMS, ואת יצירת נתוני ערוץ ריאליסטיים עבור עיצוב אלומה (beamforming) מבוסס למידה עמוקה.

יצירת מערך נתונים

הפקת הנתונים בוצעה באמצעות מסגרת DeepMIMO, המספקת סימולציות ערוץ מציאותיות המבוססות על מעקב קרניים (ray-tracing) המשלבות גיאומטריה סביבתית, עקביות מרחבית וניידות משתמשים. תגובות ערוץ עבור מיקומי משתמשים מרובים בשדה הקרוב הופקו באמצעות תרחיש החוץ O1 בתדר נשא של 28 GHz וברוחב פס של 100 MHz. ה-XL-IMS כלל 256 אלמנטים מחזירי אור המפוזרים באופן אחיד, ומיקומי המשתמשים נבחרו בתוך אזור השדה הקרוב בהתבסס על קריטריון ריילי (Rayleigh criterion). מקדמי ערוץ, הגברי מסלול ומידע מרחבי הופקו באמצעות ספריית ה-Python של DeepMIMO. טבלה נספחת 1 מסכמת את פרמטרי הסימולציה והשחזור. המודל אומן באמצעות למידה מונחית, כאשר מאפייני מצב הערוץ שימשו כקלטים ומשקולות עיצוב אלומה (beamforming) אופטימליות מבוססות פיזיקה שימשו כתוויות המטרה.

יצירת מאפייני קלט ומבנה מערך הנתונים

בשלב הבא, נתוני הערוצים הגולמיים הומרו למאפיינים (features) עבור הזנה למודלים של למידה עמוקה. מאפיינים אלו כללו את גדלי התגובה (magnitudes) ואת הפאזות של הערוצים כמרכיבים נפרדים. ניתן לכלול פרמטרי קלט נוספים בהתאם לדרישות הבעיה. לדוגמה, ניתן לשקול קואורדינטות של משתמשים, מרחקים ופרמטרים מרחביים מסוימים כמאפיינים. מערך הנתונים פולח למערכות אימון ובדיקה ביחס של 80:20.

הכנת מערך הנתונים לאימון

השלב האחרון כלל נורמליזציה של מערך הנתונים שהוכן והמרתו לטנזורים המתאימים להזנה למבנה ה-GNN-attention לצורך אימון. מערך נתוני האימון שימש ללמידת המיפוי ממצב הערוץ למשקולות ה-beamforming האופטימליות, בעוד שמערך נתוני הבדיקה שימש להערכת יעילות המודל. מערך נתונים מוכן היטב זה הפך את תהליך הלמידה לקל ואפקטיבי יותר. טבלה נלווית 2 מציגה את פרטי תיאור מערך הנתונים של DeepMIMO.

ייצוג תכונות

שלב ייצוג המאפיינים המיר נתוני ערוץ בשדה קרוב בעלי ערכים מרוכבים לפורמט המתאים ללמידה עמוקה. תגובות הערוץ פוּרקו למאפיינים הלוכדים תכונות מרחביות ותכונות התפשטות, תוך שימור מידע חיוני על השדה הקרוב לצורך למידה. איור משלים 2 ממחיש את מערך הנתונים DeepMIMO ששימש בתהליך זה. נתוני הערוץ מסביבת השדה הקרוב יוצגו כמספרים מרוכבים hn, כאשר הרכיבים הממשיים והמדומיינים מייצגים את מידע הפאזה והאמפליטודה של מקדמי הערוץ. כדי לאפשר שימוש יעיל באלגוריתמים של למידה מכונה, המקדמים פוּרקו לחלקיהם הממשיים (Rehn) והמדומיינים (Imhn). ניתן היה לייצג את הנתונים גם כמגניטודה hn וכפאזה של המקדמים ∠hn.

חילוץ מאפיינים מרחביים

בנוסף למקדם הערוץ, נכללו מאפיינים מרחביים כדי להתחשב בטבע הגאומטרי של סביבת השדה הקרוב. אלו כללו את המרחק dn מכל אלמנט של המשטח-העל (metasurface) למקלט, יחד עם קואורדינטות המקלט (x, y, z). באופן זה, המודל התחשב בעובדה שמאפייני האות עשויים להיות תלויים במיקום המרחבי של זוג המשדר-מקלט, תכונה החשובה להתפשטות בשדה הקרוב.

נורמליזציה והכנת קלט למודל

כשלב מקדימה לפני הזנת הקלטים למודל, בוצע תהליך נורמליזציה כדי למנוע אי-יציבות מספרית ולהאיץ את ההתכנסות. הווקטורים המובנים חולקו למערכי נתונים של אימון ובדיקה, המסומנים כ-(Xtrain, Xtest). באופן זה, הועברו הקלטים למודלי ה-GNN וה-attention.

בהתבסס על ייצוג המאפיינים באיור משלים 2, נעשה שימוש בסוגים שונים של מאפיינים במערך נתונים זה, כולל מקדמי ערוץ hn אשר הצביעו על תגובת האות המורכבת של כל אלמנטי המטא-משטח. מאפיין נוסף היה מרחק dn אשר הצביע במקרה זה על השפעות התפשטות. למרות שהרכיבים המדומים והממשיים מספקים תיאור מספרי של האות, חלקי הגודל והפאזה מעניקים תיאור מפורש של עוצמת האות והסטת הפאזה, בהתאמה. קואורדינטת מיקום המשתמש (x, y, z) הייתה מאפיין חשוב נוסף ששיפר את המודעות המרחבית של המודל.

תכנון למידה עמוקה באמצעות GNN למידול תלות מרחבית המשולב עם מנגנון קשב היברידי ללמידת הקשר גלובלי

אלגוריתם למידה זה פותח כדי לאמן ביעילות את ערוץ ה-XL-IMS המורכב בשדה הקרוב, על מאפייני המרחב וההפצה שלו, באמצעות GNNs ומנגנון קשב (attention mechanism). מכיוון שרכיבי המטא-משטח נמצאים במתאם גבוה זה עם זה והאינטראקציות ביניהם אינן אחידות בתוך אזור השדה הקרוב, רשת עם חיבור מלא אינה מתאימה לייצוג נכון של הערוץ. לפיכך, בגישה זו, המטא-משטח מיוצג כגרף, שבו כל רכיב משמש כצומת והאינטראקציות ביניהם כקשתות. ה-GNN לכד תלויות מרחביות מקומיות בין צמתים שכנים, בעוד שמנגנון הקשב שיפר את הלמידה של תלויות גלובליות.

ייצוג גרפי של XL-IMS

ה-XL-IMS נוצר כגרף G = (V, E), כאשר כל קדק vn ∈ V מייצג אלמנט אחד של מטא-משטח, בעוד שצלעות eij ∈ E מייצגות את היחסים המרחביים בין האלמנטים. לכל קדק יש וקטור מאפיינים xn, המתקבל באמצעות שלב ייצוג המאפיינים. מטריצת הסמיכות A לוכדת את הקישוריות בין קדקים הנמצאים בקרבה זה לזה או תחת מגבלות מרחק מסוימות. ניסוח זה של גרף משמש לשילוב המידע המרחבי הקיים בהפצה בשדה קרוב.

כדי להשיג הדירות, קישוריות הגרף נקבעת באמצעות גישת K-Nearest Neighbors כאשר k מוגדר כ-8. נניח ש-pi ו-pj מייצגים את וקטורי המיקום של תאי ה-XL-IMS ה- i וה- j, בהתאמה. המרחק בין שני קודקודים כלשהם נמדד באמצעות המטריקה האוקלידית באופן הבא: dij = ||pi − pj||2. תהיה קשת בין הקודקודים i ו-j אם קודקוד j נכלל בקבוצת שמונת השכנים הקרובים ביותר לקודקוד i. לכן, מטריצת הסמיכות נבנית לפי הכלל הבא: Aij = 1 אם j ∈ Nk(i) ו-Aij = 0 אחרת.

ב-GNN המוצע, העדכונים עבור כל צומת מחושבים על בסיס מידע מצומתים שכנים אחרים. בפרט, ניתן להגדיר את ההפצה של שכבה l באופן הבא:

figure-protocol-6 (6)

כאשר hi(l) מייצג את וקטור המאפיינים של הצומת i בשכבה l, N(i) היא השכנות של הצומת i, W(l) היא מטריצת המשקולות הלמידה, ו-σ(·) מסמל פונקציית אקטיבציה לא ליניארית.

מודל ה-GNN-attention כלל שלוש שכבות קונבולוציית גרף עם ממדים נסתרים שנקבעו ל-128, ופונקציית ההפעלה ששימשה הייתה Rectified Linear Unit (ReLU). יצירת הגרף בוצעה באמצעות שיטת k-השכנים הקרובים ביותר (k=8). כל מאפיין של XL-IMS משמש כצומת, בעוד שקשתות נוצרו על בסיס המרחק האוקלידי בין צמתים סמוכים. כדי לחלץ תלויות מרחביות גלובליות, השתמשנו ברשת self-attention מרובת ראשים עם 4 ראשים. הסתברות ה-dropout נקבעה ל-0.3 כדי למנוע overfitting.

מנגנון קשב

כדי למדל תלויות למרחק ארוך שהיו קיימות מעבר לטווח השכונה המקומית, הוכנס מנגנון קשב (attention) למודל, הפועל באופן הבא:

figure-protocol-7 (7)

כאשר eij = LeakyReLU(aT[Whi | Whj]) מייצג את חשיבות הצמתים i ו-j. באמצעות מודל זה, ניתן להקצות רמות חשיבות שונות לצמתים בהתבסס על תפקידיהם, מה שמקל על המודל להבין את ההקשר הגלובלי לאורך המשטח-העל (metasurface). המסגרת ההיברידית לוכדת מידע מרחבי מקומי וגלובלי כאחד, והמאפיינים הנלמדים מעובדים דרך שכבות מחוברות באופן מלא (fully connected layers) כדי להפיק משקולות לעיצוב אלומה (beamforming weights). כפי שמוצג בדמויות המשלימות 3 ו-4, ה-GNN ממדל תלויות מרחביות מקומיות באמצעות העברת הודעות ואגרגציה של מאפיינים, בעוד שמנגנון הקשב (attention mechanism) לוכד אינטראקציות גלובליות בין רכיבי המשטח-העל, מה שמאפשר עיצוב אלומה יעיל בשדה הקרוב. משקולות קשב מחושבות כדי לכמת את הרלוונטיות של זוגות צמתים, תוך הקצאת חשיבות גבוהה יותר לאינטראקציות אינפורמטיביות יותר. באמצעות משקולות אלו, כל צומת מאגרג מידע מכל שאר הצמתים, מה שמאפשר למודל ללכוד תלויות גלובליות מעבר לסביבות מקומיות. מיזוג המאפיינים המשוקלל שמתקבל יוצר ייצוג מאפיינים אופטימלי המדגיש מאפיינים מרחביים חשובים תוך דיכוי מידע פחות רלוונטי, ובכך תומך באופטימיזציה יעילה של עיצוב האלומה ובמיקוד אנרגיה.

אופטימיזציה של עיצוב אלומה (Beamforming)

שלב אופטימיזציית עיצוב האלומה (beamforming) קבע את הזזות הפאזה ואת משקולות עיצוב האלומה של ה-XL-IMS כדי למקד את האנרגיה במשתמשים בשדה הקרוב. בניגוד להכוונת אלומה קונבנציונלית בשדה הרחוק, עיצוב אלומה בשדה הקרוב מרכז את האנרגיה במיקומים מרחביים ספציפיים. במסגרת המוצעת, מודל GNN-attention למד את פרמטרי עיצוב האלומה האופטימליים ישירות ממאפייני הערוץ, ובכך הפחית את המורכבות של שיטות אופטימיזציה איטרטיביות. אות המשתמש שהתקבל מוצג במשוואה (4).

נתוני אימון התקבלו מ-DeepMIMO עבור כל מימוש של ערוץ, והזזות הפאזה המתאימות של ה-XL-IMS נקבעו באמצעות אלגוריתם ה-AO. מטריצת הערוץ בשדה הקרוב h ומטריצת הזזת הפאזה של ה-XL-IMS שימשו לחישוב וקטור הזזת הפאזה θ על ידי מקסום הספק האות שהתקבל:

figure-protocol-8 (8)

figure-protocol-9 (9)

מאימטיזציית ה-AO הורצה למשך 100 איטרציות עד שהגיעה לסף ההתכנסות הרצוי של 10−4. ערכים אופטימליים אלו שימשו כתוויות האימון עבור מודל ה-GNN-attention שלנו. המטרה הייתה להשיג התערבות בונה עבור מיקוד קרן יעיל בשדה הקרוב והגברת הספק האות שהתקבל. במקום שיטות אופטימיזציה קונבנציונליות כגון SDR או AO, הבעיה נפתרה באמצעות גישה מבוססת למידה. באופן ספציפי, בעיית אופטימיזציית עיצוב האלומה (beamforming) קורבה על ידי מודל למידה עמוקה fΘ(⋅).

למידה מונחית (Supervised learning) אומצה כדי לאמן את מודל ה-GNN-attention, כאשר וקטורי הסטה של הפאזה (phase-shift) אופטימליים עבור עיצוב אלומה (beamforming) שסופקו על ידי אלגוריתם ה-AO שימשו כמטרות האימון. באופן ספציפי, נסמן את וקטור הסטת הפאזה האופטימלי שנוצר על ידי ה-AO כ-θAO,i ואת תחזיות הרשת כ-figure-protocol-10. אם כן, קריטריון האימון נוסח באופן הבא:

figure-protocol-11 (10)

כאשר N הוא מספר דגימות האימון.

אלגוריתם 1: עיצוב אלומה בשדה הקרוב באמצעות מודל GNN-attention מוצג ב- קובץ משלים 1באלגוריתם זה, השלב הראשון היה הגדרת פרמטרי המערכת ומסד הנתונים DeepMIMO כדי ליצור תנאי ערוץ ריאליסטיים. מאפייני ערוץ השדה הקרוב עבור כל דגימה חושבו באמצעות מודל גלים כדוריים, ולאחר מכן חולצו ממסד הנתונים המאפיינים החשובים, כגון מקדמי ערוץ ומאפיינים מרחביים. המאפיינים שחולצו הומרו לצורה מובנית ולאחר מכן יוצגו כגרף, כאשר רכיבי המטא-משטח משמשים כצמתים. מודל הלמידה העמוקה נוצר באמצעות שכבות GNN כדי ללכוד תלויות מרחביות מקומיות, ומנגנון קשב (attention mechanism) הוטמע כדי ללמוד תלויות גלובליות. מסגרת הלמידה העמוקה אומנה באמצעות למידה מונחית עם הפסד MSE בין הזזות הפאזה החזויות לבין תוויות הזזת הפאזה האופטימליות שנוצרו באמצעות AO.

מימוש זה בוצע באמצעות Python ו-PyTorch. דגימות עבור ערוץ ה-DeepMIMO התקבלו תרחיש החוץ O1. מקדמי ערוץ אלו הומרו לגרפים ועובדו באמצעות GNN בעל שלוש שכבות ומנגנון multihead attention. המודל אומן באמצעות אופטימייזר Adam עם פונקציית הפסד MSE. מודל זה יצר הזזות פאזה ומשקולות עבור עיצוב אלומה (beamforming) במשתמשים בשדה קרוב, והתוצאות הוערכו במונחים של קצב, יעילות ו-SINR.

תוצאות

ביצועי מסגרת מידול הערוץ בשדה הקרוב ועיצוב האלומה (Beamforming) שהוצגה עבור XL-IMS ברשתות תקשורת 6G מוערכים באמצעות מערך הנתונים DeepMIMO, המספק סביבות התפשטות מעשיות ונתוני ערוץ עקביים מרחבית. כדי להגדיר מערך נתונים זה, יש להפיק דגימות ערוץ רבות המייצגות מיקומי משתמשים שונים בשדה הקרוב של המשטח-העל (meta-surface). באופן ספציפי, מחקר זה משתמש בעד 10,000–20,000 דגימות שנאספו תחת תנאי התפשטות ומיקומי משתמשים שונים. נעשה שימוש ביחס של 80:20 כדי לפצל את דגימות ערוץ אלו ל-80% לאימון ו-20% לבדיקה. במובן זה, קבוצת הבדיקה מעריכה את יכולת ההכללה של המודל, בעוד שקבוצת האימון מספקת את הבסיס ללמידה.

התוצאות הניסיוניות מדגימות כי מסגרת ה-GNN-Attention המוצעת עולה בביצועיה על שיטות אופטימיזציה ועיצוב אלומה (beamforming) קונבנציונליות בשדה רחוק. באמצעות שילוב של מידול ערוץ גלי כדור עם הפקת תכונות מרחביות המבוססת על למידה עמוקה, הגישה המוצעת משיגה הגבר עיצוב אלומה, יעילות ספקטרלית וביצועי מיקוד אנרגיה גבוהים יותר. הביצועים מוערכים באמצעות קצב בר-השגה, הגבר עיצוב אלומה ויעילות אנרגטית, המודדים בהתאמה את קיבולת התקשורת, את אפקטיביות מיקוד האות ואת יעילות שידור הנתונים ביחס לצריכת החשמל.

השיטה המוצעת מושווית לטכניקות עיצוב אלומה (beamforming) קונבנציונליות, כולל ZF ו-MMSE, וכן לשיטות מבוססות אופטימיזציה כגון SDR ו-AO. בעוד שגישות שדה רחוק (far-field) מוגבלות על ידי הנחות של גל מישורי ומציגות ביצועים נמוכים בסביבות XL-IMS של שדה קרוב (near-field), שיטות אופטימיזציה גוררות לעיתים קרובות סיבוכיות חישובית גבוהה. לעומת זאת, מסגרת ה-GNN-attention מספקת עיצוב אלומה יעיל עם תקורה חישובית נמוכה יותר. לצורך השוואה הוגנת, כל השיטות הוערכו באמצעות אותם תעלות שדה קרוב שנוצרו ב-DeepMIMO, תצורת XL-IMS, תדר נשא, מיקומי משתמשים, הספק שידור ותנאי יחס אות לרעש (SNR). ZF ו-MMSE הניחו מידע זהה על מצב התעלה (CSI), בעוד ש-SDR ו-AO הוטמעו תחת אותן מגבלות הספק והזזת פאזה תוך שימוש בהגדרות פרמטרים סטנדרטיות המבוססות על הספרות המקצועית.

תיקוף של מידול ערוץ בשדה קרוב

שיטות ייחוס (Benchmark), הכוללות את ZF, MMSE, SDR ו-AO, משמשות להשוואת ביצועי קצב ההעברה ההשגיב של מודל עיצוב האלומה המוצע, המבוסס על רשת עצבית גרפית ותשומת לב (graph neural network-attention), ב- איור 3ככל ש-SNR עולה מ-0 ל-30 dB, כל השיטות מראות שיפור בקצבים הניתנים להשגה; עם זאת, המודל המוצע מציג ביצועים עדיפים באופן עקבי על פני שיטות הייחוס. הוא משיג 2.1 bps/Hz ב-0 dB, ‏7.8 bps/Hz ב-15 dB ו-11.6 bps/Hz ב-30 dB, ובכך עולה על ביצועיהם של ZF, MMSE, SDR ו-AO בכל רמות ה-SNR. טבלה 1 מציג השוואה בין קצבים נישגשים לבין SNR.

איור 4 משווה את הגבר של גיבוש האלומה (beamforming gain) של המודל המוצע המבוסס על GNN-attention אל מול שיטות קונבנציונליות, כולל ZF, MMSE, SDR ו-AO, כפונקציה של מרחק המשתמש באזור השדה הקרוב. ככל שמרחק המשתמש גדל, הספק אות גיבוש האלומה שהתקבל פוחת בשל עלייה בהפסדי הנתיב (propagation path loss), מה שמוביל לירידה בהגבר של גיבוש האלומה בכל השיטות. עם זאת, מסגרת ה-GNN-attention המוצעת משיגה בעקביות את הגבר גיבוש האלומה הגבוה ביותר, עם ערכים של כ-28 dB ב-1 m, 25 dB ב-4 m ו-22 dB ב-7 m, ובכך עולה בביצועיה על SDR, AO, MMSE ו-ZF בכל המרחקים שנבדקו. תוצאות אלו מדגימות את היכולת העדיפה של המסגרת המוצעת למיקוד אלומה בשדה הקרוב ואת שימור ההגבר, מה שמוביל ליעילות גבוהה יותר בגיבוש האלומה בהשוואה לשיטות קיימות.

ביצועי מסגרת למידה מבוססת GNN-attention

איור 5 משווה את היעילות הספקטרלית של סכימת עיצוב האלומה (beamforming) המוצעת המבוססת על GNN-attention אל מול ZF, MMSE, SDR ו-AO בערכי SNR שבין 0 ל-30 dB. למרות שהיעילות הספקטרלית עולה בכל השיטות עם עליית ה-SNR, הגישה המוצעת משיגה באופן עקבי את הביצועים הטובים ביותר, ומגיעה ל-1.8 bps/Hz ב-0 dB, ל-6.8 bps/Hz ב-15 dB ול-10.5 bps/Hz ב-30 dB, ובכך עולה בביצועיה על כל שיטות הייחוס. איור 6 משווה את יעילות האנרגיה של מערכת עיצוב האלומה המוצעת המבוססת על GNN-attention אל מול ZF, MMSE, SDR ו-AO תחת תנאי SNR משתנים. יעילות האנרגיה משתפרת עם עליית ה-SNR בכל השיטות; עם זאת, הגישה המוצעת משיגה באופן עקבי את הביצועים הגבוהים ביותר, ומגיעה לכ-2.5 bits/Joule ב-0 dB, ל-7.2 bits/Joule ב-15 dB ול-9.8 bits/Joule ב-30 dB, ובכך עולה בביצועיה על כל טכניקות הייחוס.

הערכה של מערך הנתונים וייצוג המאפיינים

איור 7 מדגים את התנהגות ההתכנסות של מודל ה-GNN-attention המוצע במונחים של טעות ריבועית ממוצעת (MSE) לאורך תקופות האימון (epochs). ה-MSE יורד במהירות בשלבים המוקדמים של האימון, וצונח מכ- 0.69 באפוקה 5 ל-0.22 באפוקה 20, ובירידה נוספת לכ- 0.08 עד עידן (epoch) 35. המודל מתכנס בהדרגה על ידי איפוק 50, תוך השגת MSE של בערך 0.04, המצביע על אימון יציב ולמידה יעילה של מאפייני הערוץ הבסיסיים.

תוצאות אופטימיזציה של עיצוב אלומה (Beamforming)

איור 8 משווה את ביצועי סכום הקצב (sum-rate) של שיטת עיצוב האלומה המבוססת על GNN-attention המוצעת אל מול ZF, MMSE, SDR ו-AO, כאשר מספר המשתמשים עולה מ-2 ל-12. למרות שכל השיטות משיגות סכומי קצב גבוהים יותר עם מספר רב יותר של משתמשים, הגישה המוצעת מספקת בעקביות את הביצועים הטובים ביותר, ומשיגה 12.5 bps/Hz עבור 2 משתמשים, 31.6 bps/Hz עבור 6 משתמשים, ו-50.3 bps/Hz עבור 12 משתמשים, ובכך עולה בביצועיה על כל שיטות הייחוס במצבי צפיפות משתמשים שונים.

טבלה 2 משווה את ביצועי הרב-משתמשים של מסגרת ה-GNN-attention beamforming המוצעת מול ZF, MMSE, SDR ו-AO. השיטה המוצעת משיגה את יעילות הרב-משתמשים הגבוהה ביותר (92.5%), SINR (24.8 dB), ותגבר קיבולת (50.3 bps/Hz), מה שמעיד על סקלאביליות, ניהול הפרעות והקצאת משאבים עדיפים בהשוואה לשיטות הייחוס. איור 9 מציג השוואה של פונקציות ההתפלגות המצטברת (CDFs) של ה-SINR. הגישה המוצעת מראה התפלגות מוסטתת ימינה, דבר המצביע על ערכי SINR גבוהים יותר באופן עקבי בין המשתמשים. בחציון (אחוזון 50), היא משיגה SINR של כ-25 dB, ביצועים העולים על SDR (23 dB), AO (22 dB), MMSE (20 dB) ו-ZF (17 dB). ביצועי ה-SINR העדיפים של המודל המוצע נובעים מיכולתו ללכוד הן תלויות מרחביות מקומיות באמצעות GNNs והן אינטראקציות גלובליות באמצעות מנגנוני attention, מה שמאפשר beamforming אפקטיבי בשדה קרוב. תוצאות ה-CDF מדגימות ניהול הפרעות חסון יותר ו-SINR גבוה יותר באופן עקבי מאשר שיטות ZF, MMSE, SDR ו-AO קונבנציונליות.

טבלה 3 מציגה את הביצועים הממוצעים, את סטיית התקן ואת רווחי הסמך של 95% שהתקבלו מחמישה הרצות ניסיוניות עצמאיות, המדגימות את היציבות והשחזוריות של המסגרת המוצעת. טבלה 4 משווה בין הסיבוכיות החישובית וזמן ההסקה של סכימת ה-GNN-attention beamforming המוצעת לבין שיטות קונבנציונליות. במהלך האימון, העלות החישובית נקבעת בעיקר על ידי העברת הודעות בגרף ומנגנון התשומת לב (attention), מה שמוביל לסיבוכיות של O(E·L·F2 + N2). למרות תקורה זו בשלב האימון, ה-beamformer הנלמד מבטל את הצורך באופטימיזציה איטרטיבית במהלך הפריסה. המודל המוצע משיג זמן הסקה ממוצע של 4.9 ms, נמוך משמעותית מ-SDR (85.4 ms), AO (63.7 ms), MMSE (15.6 ms) ו-ZF (12.8 ms). יתרה מכך, ניתוח סקילביליות מעיד על ביצועים יציבים ככל שמספר המשתמשים ואלמנטים של המשטח-מטא (metasurface) עולים, מה שמדגיש את התאמת המסגרת המוצעת למערכות תקשורת 6G רחבות היקף המאפשרות XL-IMS.

ניתוח אבלאציה

ניתן להעריך את ההשפעה של רכיבים בודדים במסגרת באמצעות ניתוח אבלציה (ablation analysis), שבו רכיבים מושמטים או משונויים, כגון ה-GNN, ה-Attention ומידול הערוץ בשדה הקרוב המבוסס פיזיקה. המסגרת המלאה כוללת את כל שלושת הרכיבים, בעוד שמודלי האבלציה מורכבים מ: (i) מודל ה-GNN בלבד, (ii) מודל ה-Attention בלבד, ו-(iii) ללא מודל הגל הכדורי המבוסס פיזיקה (הנחת שדה רחוק). הערכת הביצועים מתבצעת באמצעות מדדים כגון קצב ניתן להשגה (achievable rate), הגבר עיצוב אלומה (beamforming gain) ו-SINR. התוצאות מראות כי ביצועי המערכת הכוללים מושפעים באופן משמעותי מהרכיבים, ובמיוחד ממודל הערוץ המבוסס פיזיקה, שסילוקו גורם להשפעה השלילית הגדולה ביותר. הדבר מצביע על החשיבות של מידול מדויק של הערוץ במשטר השדה הקרוב.

מתוצאות האבלאציה ב- טבלה 5ניתן לאמת את המשמעות של כל אחד מחלקי הארכיטקטורה המוצעת. כפי שמוצג בתוצאות הניסוי לעיל, המודל הכולל את כל החלקים משיג את הביצועים הטובים ביותר, עם קצב בר-השגה של 11.6 bps/Hz, הגבר עיצוב אלומה (beamforming gain) של 28 dB, ו-SINR של 25 dB, מה שמוכיח כי הארכיטקטורה המוצעת פועלת היטב. ללא מנגנון הקשב (attention mechanism), המודל משיג רק 10.2 bps/Hz, מה שמעיד על כך שההקשר הגלובלי של האות נחלש. בנוסף, הסרת רכיב ה-GNN מובילה לביצועים נמוכים של 9.8 bps/Hz, מה שמעיד על כך שמידול תלויות מרחביות הוא נחוץ לתקשורת בשדה קרוב (near-field communications). הנסיגה הגדולה ביותר בביצועים נצפתה כאשר מודל הגל הכדורי מבוסס הפיזיקה נשמט, עם קצב בר-השגה של 8.5 bps/Hz ו-SINR של 19.2 dB, מה שמוכיח כי גם מידול ערוץ בשדה קרוב הוא נחוץ.

לסיכום, התוצאות הניסייניות מאשרות את מטרות המחקר של פיתוח מודלים של ערוצים ועיצוב אלומה (beamforming) המבוססים על השדה הקרוב של גלים אלקטרומגנטיים, עם יישום לרשתות 6G המאפשרות XL-IMS. ארכיטקטורת ה-GNN-attention השיגה ביצועים גבוהים יותר במונחים של קצב בר-השגה, הגבר עיצוב אלומה, יעילות ספקטרלית, יעילות אנרגטית ו-SINR בהשוואה לגישות מסורתיות כגון שיטות ZF, MMSE, SDR ו-AO. ניתוח ה-ablations הראה כי שימוש במודלים פיזיקליים לגלים כדוריים, רשתות נוירונים גרפיות (graph neural networks) ומנגנוני קשב (attention) בעל ערך רב לשיפור הביצועים.

זמינות נתונים

מערכי הנתונים והחומרים התומכים שהופקו ונותחו במהלך מחקר זה זמינים לציבור במאגר Zenodo בכתובת https://doi.org/10.5281/zenodo.21037047. מערכי הנתונים של הסימולציה הופקו באמצעות מאגר ה-Python של DeepMIMO עם תרחיש מעקב קרניים (ray-tracing) חיצוני O1, תדר נשא של 28 GHz ותצורת XL-MIMO בשדה קרוב. מאגר ה-Python של DeepMIMO זמין בכתובת: https://github.com/DeepMIMO/DeepMIMO-python.

figure-results-1
איור 1: ארכיטקטורה כללית של העבודה המוצעת. איור סכמטי של כל שלבי התהליך (pipeline) של שיטת מידול הערוץ בשדה הקרוב ועיצוב האלומה המוצעת. אנא לחצו כאן כדי לצפות בגרסה מורחבת של איור זה.

figure-results-2
איור 2: ארכיטקטורת מודל המערכת. תרשים סכימטי הממחיש את ארכיטקטורת המערכת של תקשורת 6G מבוססת XL-IMS עם מיקוד אלומה בשדה קרוב (near-field beam focusing). אנא לחצו כאן כדי לצפות בגרסה מורחבת של איור זה.

figure-results-3
איור 3: תוצאת הקצב ההשגי רק מול SNR. ביצועי קצב כפונקציה של SNR עבור הגישות המוצעות והקיימות. אנא לחצו כאן כדי לצפות בגרסה גדולה יותר של איור זה.

figure-results-4
איור 4: הגבר Beamforming לעומת מרחק. הגבר Beamforming שהושג באמצעות שיטות beamforming שונות כפונקציה של מרחק המשתמש באזור השדה הקרוב (near-field), הממחיש את יעילות המיקוד המרחבי של האות ואת שימור ההגבר עם הגדלת המרחק. אנא לחץ כאן כדי לצפות בגרסה גדולה יותר של איור זה.

figure-results-5
איור 5: תוצאה של יעילות ספקטרלית לעומת SNR. השוואת יעילות ספקטרלית בערכי SNR שונים. אנא לחצו כאן כדי לצפות בגרסה גדולה יותר של איור זה.

figure-results-6
איור 6: תוצאות של יעילות אנרגטית לעומת SNR. ביצועי יעילות אנרגטית בערכי SNR שונים. אנא לחץ כאן כדי לצפות בגרסה גדולה יותר של איור זה.

figure-results-7
איור 7: תוצאת התבדרות ה-MSE. התבדרות של הפסד MSE במהלך האימון. אנא לחץ כאן כדי לצפות בגרסה גדולה יותר של איור זה.

figure-results-8
איור 8: תוצאה של קצב הסכום לעומת מספר המשתמשים. ביצועי קצב הסכום ככל שמספר המשתמשים עולה. אנא לחץ כאן כדי לצפות בגרסה גדולה יותר של איור זה.

figure-results-9
איור 9: תוצאת השוואה של SINR באמצעות CDF. השוואת SINR המבוססת על גרפי CDF. אנא לחץ כאן כדי לצפות בגרסה מורחבת של איור זה.

שיטהקצב ממוצע בר השגה (bps/Hz)רמת ביצועים
המוצע (GNN-attention)7.36*****
SDR6.66****
AO6.5****
MMSE (בחינת המצב המנטלי המינימלית)6.03***
ZF5.23***

טבלה 1: השוואה של הקצב הניתן להשגה. מדגימה את קצב הביצועים של הטכניקות המוצעות והקיימות.

שיטהיעילות רב-משתמשים (%)טיפול בהפרעות (SINR, dB)שיפור קיבולת (bps/Hz)
המוצע (GNN-Attention)92.5 ± 0.824.8 ± 0.550.3 ± 0.7
SDR86.3 ± 1.122.1 ± 0.745.0 ± 0.9
AO84.7 ± 1.021.5 ± 0.843.2 ± 1.0
MMSE (בדיקת מצב מנטלי מינימלית)78.9 ± 1.319.2 ± 0.938.7 ± 1.2
ZF72.5 ± 1.517.0 ± 1.033.5 ± 1.4

טבלה 2: תוצאה ניסיונית של ביצועי סקלאביליות (Scalability). מציגה ביצועי סקלאביליות בסביבות תקשורת רב-משתמשים.

מדדממוצעסטיית תקן95% CI
קצב בר השגה11.6 ± 0.210.21[11.42,11.78]
נצילות ספקטרלית10.5 ± 0.180.18[10.34,10.66]
נצילות אנרגטית9.8 ± 0.150.15[9.67,9.93]
SINR25.0 ± 0.420.42[24.63,25.37]

טבלה 3: ניתוח סטטיסטי. ביצועי הניתוח הסטטיסטי מוערכים באמצעות הממוצע, סטיית התקן ומרווחי סמך.

שיטהמורכבות אימוןמורכבות הסקהזמן הסקה ממוצע (ms)
ZFN/AO(N³)12.8
MMSEN/AO(N³)15.6
SDRN/AO(N³·⁵)85.4
AON/AO(IN²)63.7
GNN-attention המוצעO(E·L·F² + N²)O(E·L·F² + N²)4.9

טבלה 4: ניתוח סיבוכיות חישובית ויכולת הרחבה. היא מציגה את ניתוח הסיבוכיות החישובית ויכולת ההרחבה של העבודה המוצעת.

גרסת מודלקצב בר השגה (bps/Hz)הגבר עיצוב אלומה (dB)SINR (dB)יעילות ספקטרלית (bps/Hz)
המודל המוצע המלא (GNN + קשב + מבוסס פיזיקה)11.6 ± 0.228.0 ± 0.425.0 ± 0.310.5 ± 0.2
ללא מנגנון קשב10.2 ± 0.325.5 ± 0.522.8 ± 0.49.1 ± 0.3
ללא GNN (MLP בלבד)9.8 ± 0.324.0 ± 0.621.5 ± 0.58.7 ± 0.3
ללא מודל תעלה מבוסס פיזיקה (הנחת שדה רחוק)8.5 ± 0.421.0 ± 0.719.2 ± 0.67.4 ± 0.4

טבלה 5: תוצאות מחקר האבליציה. מציגה את מחקר האבליציה של כל מרכיבי המודל.

איור משלים 1. מידול ערוץ בשדה קרוב. איור סכמטי של מידול ערוץ בשדה קרוב המבוסס על גל כדורי ובניית מטריצה.אנא לחץ כאן להורדת קובץ זה.

איור משלים 2. מאפייני מערך הנתונים DeepMIMO ששימשו להערכה. מאפיינים שהופקו ממערך הנתונים DeepMIMO ושימשו כקלטים למודל לצורך אימון והערכה.אנא לחצו כאן כדי להוריד קובץ זה.

איור משלים 3. GNN למידול תלות מרחבית. מידול קורלציה מרחבית באמצעות GNNs.אנא לחצו כאן להורדת קובץ זה.

איור משלים 4. מנגנון קשב למודעות להקשר גלובלי. איור גרפי של מודול הקשב ללכידת מידע על הקשר גלובלי.אנא לחץ כאן להורדת הקובץ.

טבלה נלווית 1. סביבת סימולציה. מציגה את הגדרות הסימולציה ששימשו לאימון ובדיקה של המודלים.אנא לחצו כאן להורדת קובץ זה.

טבלה נלווית 2. תיאור מערך הנתונים. מציגה את מאפייני מערך הנתונים של DeepMIMO לשימוש באימון ובהערכה.אנא לחץ כאן להורדת קובץ זה.

קובץ משלים 1: זרימת העבודה של מסגרת ה-beamforming המוצעת המבוססת על GNN-attention. האלגוריתם מפרט את השלבים ליצירת מערך נתונים, בניית גרף, אימון מודל, אופטימיזציה של ה-beamforming והערכת ביצועים.אנא לחץ כאן להורדת קובץ זה.

דיון

האלגוריתם המוצע משתמש ב-precoding לא לינארי כדי למדל התפשטות גלי ספירה בשדה הקרוב, ובכך משיג מיקוד אלומה טוב יותר מאלגוריתמים המבוססים על precoding לינארי כגון ZF, MMSE, SDR ו-AO. למרות שהתוצאות מאלגוריתמי SDR ו-AO הן קרובות לאופטימליות, רשת ה-GNN-attention המוצעת משיגה ביצועים טובים יותר בעלות חישובית נמוכה משמעותית, דבר שהוא קריטי עבור פריסה עתידית של XL-IMS ברשתות 6G 21,26,27.

כפי שצוין לעיל, כדי לאמת טיעון זה באופן אמפירי מנקודת מבט כמותית, בוצע ניתוח סיבוכיות, והתוצאות מוצגות בטבלה 4. לארכיטקטורת ה-GNN-attention המוצעת יש סיבוכיות חישובית של O(E · d + N2 · d) בכל הנוגע לתהליך האימון שלה, כאשר E מתייחס לקשתות הגרף, N לאלמנטים של המטא-משטח, ו-d לממדיות של התכונה החבויה. חשוב מכך, כאשר משתמשים במסגרת הלמידה במהלך הסקת המסקנות (inference), ניתן לחשב את משקולות עיצוב האלומה (beamforming) במעבר אחד עם סיבוכיות של O(N · d), בעוד ש-SDR ו-AO דורשים אופטימיזציות איטרטיביות עבור כל מימוש של הערוץ.

שלב חשוב שיש לבצע נכון כדי להשיג הצלחה הוא יצירת מודלים של ערוצי שדה קרוב המבוססים על עקרונות של התפשטות גלים ספריים. שימוש שגוי בנתוני מיקום המשתמש ויצירה שגויה של מאפייני הערוץ ישפיעו לרעה על תהליך חילוץ המאפיינים ועל תוצאות עיצוב האלומה (beamforming). בניית הגרף היא מרכיב מפתח נוסף, שכן קישוריות צמתים לא מספקת פוגעת ביכולתו של ה-GNN לזהות יחסים מרחביים. התאמת יתר (Overfitting) היא בעיה נוספת שעלולה להיווצר כאשר הרשת מאומנת על מספר קטן בלבד של תנאי התפשטות, דבר המשפיע על ביצועי ההכללה במיקומי משתמשים חדשים.

ניתן ליישם מספר אמצעים לטיפול בבעיות פוטנציאליות. כאשר התכנסות הרשת הנוירונית דלה, ניתן להשתמש בדעיכת קצב למידה (learning rate decay) וברגולריזציה כדי לפתור את הבעיה. נורמליזציה של מאפיינים והפיכת הגרף לדליל (sparsifying) עשויות למנוע חוסר יציבות במהלך האימון. במקרה של ירידה בלתי צפויה בהגבר של עיצוב האלומה (beamforming gain), אימון מחדש של האלגוריתם עם נקודות נתונים נוספות יכול לפתור את הבעיה.

יתרון נוסף של למידה עמוקה הוא יכולתו של האלגוריתם להסתגל באופן דינמי לשינויים בתנאי הערוץ, משימה שהיוותה אתגר עבור שיטות אופטימיזציה קיימות. דבר זה מגביר את היעילות של אלגוריתם עיצוב האלומה (beamformer) על ידי מזעור זמן ההרצה שלו, והופך אותו לעמיד יותר במקרה של סביבות ערוץ דינמיות16,18,20.

המודל המוצע נחשב למהפכני עבור התאוריה של תקשורת בשדה קרוב, שכן הוא משלב מידול של הערוץ הפיזי עם שיטות למידה עמוקה מבוססות גרפים. הכללת גלים ספריים לצורך התחשבות בהשפעות אלקטרומגנטיות משפרת את דיוק המודל; יתרה מכך, השימוש ב-GNNs ובמנגנוני קשב (attention mechanisms) מאפשר תיאור של התלויות המתמטיות בין אלמנטים של המטא-משטח. השילוב של למידת מכונה עם עקרונות אלקטרומגנטיים מוביל אפוא להיווצרותו של מסגרת תאורטית חדשה ליצירת סביבות אלחוטיות חכמות21,27,28.

מנקודת מבט יישומית, הגישה שפותחה משפרת באופן משמעותי את הישימות של XL-IMS לפריסות רשת 6G מעשיות. ההפחתה בעומס החישוב הנובעת מהיעדר תהליך אופטימיזציה מאפשרת קבלת החלטות beamforming בזמן אמת, החיוניות לשירותים בעלי שיהוי נמוך במיוחד. בנוסף, המודל המוצע מדגים יעילות ספקטרלית ואנרגטית, מה שהופך את הטכנולוגיה לישימה בערים צפופות, באינטרנט של הדברים (IoT) ובשימוש על ידי משתמשים בעלי ניידות גבוהה.

למרות שלמתודולוגיה המוצעת ישנם יתרונות רבים, למערכת יש גם מספר חסרונות. עם זאת, אף על פי ש-DeepMIMO מציעה תרחישי התפשטות ריאליסטיים באמצעות מעקב קרניים (ray tracing), היא עדיין מהווה מסגרת סימולציה, ויהיו פערים מסוימים בין התנהגות התפשטות אלחוטית במציאות לבין זו המדומית, כיוון שתמיד יהיו שינויים סביבתיים ומפזרי גלים לא ידועים, השפעות ערוץ זמניות, השפעות מזג אוויר והשפעות כיול חומרה שיש לקחת בחשבון. לכן, יש להתייחס לתוצאותיה כהערכה של גבול עליון26,38. המודל הנוכחי מניח רכיבים מושלמים עבור המשדר והמקלט. במערכות אמיתיות, רעש פאזה במתנדים, עיוות מגבר, שגיאות סנכרון, רעש קוונטיזציה מממירי אנלוג-לדיגיטל והערכת ערוץ לא מדויקת עלולים להוביל לביצועים נמוכים. בעיות אלו עלולות להשפיע על היישור ולהפחית את קצב הנתונים של המערכת.

ישנם מספר סוגיות פריסה שעדיין יש לטפל בהן לפני שניתן יהיה להטמיע תקשורת בשדה קרוב המבוססת על XL-IMS בקנה מידה רחב. סוגיות אלו כוללות הערכת ערוץ בזמן אמת עבור מטא-משטחים (metasurfaces) גדולים, סקילביליות של החישוב עבור כמה אלפי אנטנות, סנכרון ברשת מבוזרת, עלויות ציוד, דרישות הספק ואינטגרציה עם מערכות 6G קיימות. מחקרים עתידיים צריכים להתמקד בבחינת מודלי למידה קלילים ובעיצוב אלומה (beamforming).

המחקר מציג ארכיטקטורה חלוצית למידול ערוצים בשדה הקרוב ולעיצוב אלומה עבור XL-IMS בהקשר של תקשורת 6G. החדשנות משלבת מידול ערוצי גלים כדוריים בהשראת הפיזיקה עם רשתות עצביות גרפיות (Graph Neural Networks) ומנגנוני קשב (attention mechanisms) כדי להשיג ייצוג מדויק של הערוץ בשדה הקרוב והבקי מאימון אלומה אופטימליים. המערכת כוללת מידול ערוצי שדה קרוב, תכנון מערכי נתונים מבוססי DeepMIMO, ייצוג מאפיינים, מידול תלות מרחבית ואופטימיזציה של עיצוב אלומה. הערכה ניסיונית הראתה תוצאות טובות יותר מגישות מתקדמות אחרות, כגון ZF, MMSE, SDR ו-AO, עבור קצב נתונים בר-השגה, בקי עיצוב אלומה, יעילות ספקטרלית, יעילות אנרגטית ו-SINR. יתרה מכך, מחקר אבלאציה (ablation study) הוכיח את יעילותו של כל רכיב במערכת.

גילויים

אין למחברים ניגודי עניינים.

תודות

עבודה זו נתמכה בחלקה על ידי הקרן הלאומית למדעים טבעיים של סין (מענק מס' 62466036) ועל ידי קרן ייזום המחקר של אוניברסיטת Gandong (מענק מס' 12225000423). המחברים מבקשים להודות לאוניברסיטת GanDong על אספקת מתקני המחקר הדרושים והתמיכה המוסדית. עבודה זו נתמכה על ידי בית הספר להנדסת מידע והמעבדה לאלגוריתמים ויישומים של בינה מלאכותית באוניברסיטת GanDong, פוז'ו, סין.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
CUDA ToolkitNVIDIACUDA 12.4https://developer.nvidia.com/cuda-toolkit
DGLDGL TeamDGL 2.2.1https://www.dgl.ai
MatplotlibMatplotlib Development TeamMatplotlib 3.9.0https://matplotlib.org
NumPyNumPy DevelopersNumPy 1.26.4https://numpy.org
PythonPython Software FoundationPython 3.10.13https://www.python.org
PyTorchMeta AIPyTorch 2.3.1https://pytorch.org
PyTorch GeometricPyG TeamPyG 2.5.3https://pytorch-geometric.readthedocs.io
SeabornSeaborn DevelopersSeaborn 0.13.2https://seaborn.pydata.org
TensorFlowGoogleTensorFlow 2.16.1https://www.tensorflow.org

מקורות

  1. Yang S, et al. Near-field channel estimation for extremely large-scale reconfigurable intelligent surface (XL-RIS)-aided wideband mmWave systems. IEEE J Sel Areas Commun. 2024;42:1567-82.
  2. Ni H, et al. Energy-efficient near-field beamforming: A review on practical channel models. Energies. 2025;18:2966.
  3. Di Renzo M, et al. Smart radio environments empowered by reconfigurable intelligent surfaces: How it works, state of research, and the road ahead. IEEE J Sel Areas Commun. 2020;38:2450-525.
  4. Tang W, et al. Wireless communications with reconfigurable intelligent surface: Path loss modeling and experimental measurement. IEEE Trans Wirel Commun. 2021;20:421-39.
  5. Li R, et al. Joint design of hybrid beamforming and reflection coefficients in RIS-aided mmWave MIMO systems. IEEE Trans Commun. 2022;70:2404-16.
  6. Wei L, et al. Joint channel estimation and signal recovery for RIS-empowered multiuser communications. IEEE Trans Commun. 2022;70:4640-55.
  7. Yang S, et al. Separate channel estimation with hybrid RIS-aided multi-user communications. IEEE Trans Veh Technol. 2022;72(1):1318-24.
  8. Wei L, et al. Channel estimation for RIS-empowered multi-user MISO wireless communications. IEEE Trans Commun. 2021;69:4144-57.
  9. Huang C, et al. Multi-hop RIS-empowered terahertz communications: A DRL-based hybrid beamforming design. IEEE J Sel Areas Commun. 2021;39:1663-77.
  10. Fascista A, et al. RIS-aided joint localization and synchronization with a single-antenna receiver: Beamforming design and low-complexity estimation. IEEE J Sel Top Signal Process. 2022;16:1141-56.
  11. Huang C, et al. Reconfigurable intelligent surfaces for energy efficiency in wireless communication. IEEE Trans Wirel Commun. 2019;18:4157-70.
  12. Fan W, et al. Near-field channel characterization for mid-band ELAA systems: Sounding, parameter estimation, and modeling. arXiv. 2024;arXiv:2405.06159.
  13. Hasan SR, et al. A comprehensive review on reconfigurable intelligent surface for 6G communications: Overview, deployment, control mechanism, application, challenges, and opportunities. Wirel Pers Commun. 2024;139:375-429.
  14. Cui M, et al. Near-field MIMO communications for 6G: Fundamentals, challenges, potentials, and future directions. IEEE Commun Mag. 2023;61:40-6.
  15. Zhang H, Shlezinger N, Guidi F, Dardari D, Eldar YC. 6G wireless communications: From far-field beam steering to near-field beam focusing. IEEE Commun Mag. 2023;61(4):72-7.
  16. Ning B, et al. Beamforming technologies for ultra-massive MIMO in terahertz communications. IEEE Open J Commun Soc. 2023;4:614-58.
  17. Xu B, et al. Resource allocation for near-field communications: Fundamentals, tools, and outlooks. IEEE Wirel Commun. 2024;31:42-50.
  18. Devi P, Bharti MR, Gautam D. A survey on physical layer security for 5G/6G communications over different fading channels: Approaches, challenges, and future directions. Veh Commun. 2025;53:100891.
  19. Elzanaty A, et al. Near and far field model mismatch: Implications on 6G communications, localization, and sensing. IEEE Internet Things Mag. 2024;7:120-6.
  20. Liu Y, et al. Near-field communications: A tutorial review. IEEE Open J Commun Soc. 2023;4:1999-2049.
  21. Wang Z, Mu X, Liu Y. Near-field integrated sensing and communications. IEEE Commun Lett. 2023;27:2048-52.
  22. Dai L, Tan J, Chen Z, Poor HV. Delay-phase precoding for wideband THz massive MIMO. IEEE Trans Wirel Commun. 2022;21:7271-86.
  23. Zhang H, et al. Beam focusing for near-field multiuser MIMO communications. IEEE Trans Wirel Commun. 2022;21(9):7476-90.
  24. Lu H, Zeng Y. Near-field modeling and performance analysis for multi-user extremely large-scale MIMO communication. IEEE Commun Lett. 2022;26:277-81.
  25. Zhang J, Björnson E, Matthaiou M, Ng DWK, Larsson EG. Prospective multiple antenna technologies for beyond 5G. IEEE J Sel Areas Commun. 2020;38:1637-60.
  26. Liu Y, et al. Near-field communications: A comprehensive survey. IEEE Commun Surv Tutor. 2025;27:1687-728.
  27. Liu Y, et al. Near-field communications: What will be different? IEEE Wirel Commun. 2025;32:262-70.
  28. Gong T, et al. Holographic MIMO communications: Theoretical foundations, enabling technologies, and future directions. IEEE Commun Surv Tutor. 2024;26:196-257.
  29. Lu S, et al. Integrated sensing and communications: Recent advances and ten open challenges. IEEE Internet Things J. 2024;11:19094-120.
  30. Yan W, et al. Beamforming analysis and design for wideband THz reconfigurable intelligent surface communications. IEEE J Sel Areas Commun. 2023;41:2306-20.
  31. Hao W, et al. Ultra-wideband THz IRS communications: Applications, challenges, key techniques, and research opportunities. IEEE Netw. 2022;36:214-20.
  32. Sun H, et al. Time-delay unit-based beam squint mitigation for RIS-aided communications. IEEE Commun Lett. 2022;26:2220-4.
  33. Cui M, Dai L. Near-field wideband beamforming for extremely large antenna arrays. IEEE Trans Wirel Commun. 2024;23(10):13110-24.
  34. Wang Z, et al. TTD configurations for near-field beamforming: Parallel, serial, or hybrid? IEEE Trans Commun. 2024;72:3783-99.
  35. Xu J, et al. Near-field wideband extremely large-scale MIMO transmission with holographic metasurface antennas. arXiv. 2022;arXiv:2205.02533.
  36. Nordio A, et al. Near-field IRS configuration techniques for wideband signals and THz communications. In: Proc IEEE Int Conf Commun Workshops (ICC Workshops); 2023. p. 1198-203.
  37. Huang C, Zappone A, Alexandropoulos GC, Debbah M, Yuen C. Holographic MIMO surfaces for 6G wireless networks: Opportunities, challenges, and trends. IEEE Wirel Commun. 2020;27:118-25.
  38. Monemi M, et al. 6G Fresnel spot beamfocusing using large-scale metasurfaces: A distributed DRL-based approach. IEEE Trans Mob Comput. 2024;23:11670-84.
  39. Zhu F, et al. Robust beamforming for RIS-aided communications: Gradient-based manifold meta learning. IEEE Trans Wirel Commun. 2024;23(11):15945-56.
  40. Wang X, et al. Energy-efficient beamforming for RISs-aided communications: Gradient based meta learning. In: Proc IEEE Int Conf Commun (ICC); 2024. p. 1-6.

הדפסות חוזרות והרשאות

תגיות

צור קשר
המלצה לספרייה

פרטיות

תנאי שימוש

מדיניות

2026 © זכויות יוצרים MyJoVE Corporation. כל הזכויות שמורות.