本研究では、超大型インテリジェント・メタサーフェス（Extremely Large Intelligent Metasurfaces）を用いた第6世代無線システムにおけるビームフォーミングおよび近傍界チャネルモデリングのための、物理学に基づいたディープラーニングフレームワークを導入します。提案手法は、従来の遠方界通信技術と比較して、エネルギー効率、ビームフォーミング利得、およびスペクトル効率を向上させます。
研究記事
第6世代無線システムにおける近傍界チャネルモデリングおよびビームフォーミングのためのディープラーニングベースGNN-Attentionフレームワーク：シミュレーション研究
この記事について
サマリー
要約
第6世代（6G）ネットワークの出現により、超高速通信と高い周波数利用効率を実現するための超大型知能メタ表面（XL-IMS）の開発が進んでいます。しかし、近傍界伝送においては、球面波伝搬および空間定常性の欠如により、従来の遠方界チャネルモデルを適用できず、その結果、ビームフォーミング性能の低下と計算複雑度の増加を招いています。したがって、本研究の目的は、物理駆動ディープラーニングに基づく近傍界チャネルモデリングおよびビームフォーミング最適化の手法を開発することです。提案手法では、物理駆動の球面波チャネルモデルとともに、グラフニューラルネットワーク（GNN）とアテンションメカニズムを利用し、ユーザー間の局所的な空間関係とグローバルネットワークを捉えます。さらに、近傍界ユーザーへのエネルギー集束効率を高めるため、学習ベースのビームフォーミングアルゴリズムを提案します。提案フレームワークの性能は、DeepMIMOデータセットを用いた現実的な伝搬シナリオで評価されました。シミュレーション結果から、提案手法は、達成率 11.6 bps/Hz、ビームフォーミング利得 28 dB、周波数利用効率 10.5 bps/Hz、電力効率 9.8 bits/Joule、および信号対干渉雑音比（SINR） 25 dBを達成することが示されました。ゼロフォーシング（ZF）、最小平均二乗誤差（MMSE）、半正定値緩和（SDR）、交互最適化（AO）などの従来技術と比較して、提案スキームは通信性能全体を約 10-15% 向上させます。これらの結果は、近傍界チャネルモデリングとGNNベースのアテンション学習を統合することが、XL-IMS技術を利用する次世代6G無線ネットワークにおいて、効率的かつ正確なビームフォーミング技術となり得ることを明らかにしています。
概要
近年、ビームフォーミングへの関心は劇的に高まっています。より優れた接続性と高速なデータレートへの需要の増大に伴い、6Gの導入によって極めて高い容量要件が一般的となりました。そのため、信号を効果的に誘導し、ネットワーク全体のパフォーマンスを向上させるために、ビームフォーミングは有望な手法となります1。従来の無線通信システムでは、空間ダイバーシティを実現するために遠方場（far-field）の空間リソースが効果的に利用されてきました。今後の無線通信において非常に大きな可能性を秘めた新しい研究領域が、近傍場（near-field）ビームフォーミングです2。
一方で、再構成可能知能表面（RIS）は、mmWave/THzスペクトラムに関連する伝搬問題の一部を克服できるため、特に注目されています3,4。RISは、入射する電磁波を反射、屈折させ、制御することが可能です5。本事例では、ビームを望ましい方向や形状に制御することが主な目的であり、RISは放射源の放射パターンを変更するものとして描写されます。遠方場RISについては、チャネル推定、位置特定、標準化、およびパッシブ/アクティブビームフォーミングを含む多くの基礎的なトピックが長年にわたり研究されてきました6,7,8,9,10,11。この技術は、特に10 GHz帯のような中周波数帯において、パスロスと透過性の妥協点となるビームを集中させることで、マルチユーザ通信を可能にします12。さらに、通信ネットワーク内でスマートインターフェースが開発され、現在は空間分解能と通信帯域幅を向上させるために研究が進められています13。5Gから6Gへの移行に伴い、周波数の上昇とアンテナ開口面の大型化が進んだことで、従来の遠方場通信シナリオは近傍場通信シナリオへと変化しています14,15。
6Gネットワークでは近傍界領域が重要となり、新たな近傍界技術の研究が必要となります16。近傍界技術において電磁波伝搬を改善するためには、波を平面波ではなく球面波として扱う必要があります。この新たな物理的特性は、空間非定常性、ビーム分割、三偏波、エバネッセント波など、さまざまな電磁的効果を示します17。このため、多くの従来の通信手法では、これらの新たな物理的特性を十分に活用できない可能性があり、あるいは6G近傍界環境において深刻な性能低下を招く可能性があります18。現在の遠方界通信技術と近傍界伝搬モデルとの間の不一致は、近傍界地点における現在の遠方界技術の有効性を著しく低下させる可能性があります19。従来の遠方界狭帯域システムとは異なり、近傍界広帯域RISシステムでは、新たな電磁（EM）効果を考慮しなければなりません。まず、遠方界チャネルモデルにおける平面波仮説とは対照的に、近傍界スペクトルでは球面波面となるため、近傍界チャネルには2つの角度次元と距離次元が含まれます。これにより、遠方界のビームステアリングではなく、近傍界のビームフォーカシング動作がもたらされます20,21。「ビーム分割効果」という用語は、異なる条件下で生成されたビームが別々の場所に集中する可能性を指します22。
電磁（EM）波面が平面波として近似される遠方場とは異なり、近傍場通信では球状波面の伝播を考慮する必要があります。この特性は、次世代の無線ネットワークに機会と課題の両方をもたらします。球状波面を利用することで、ビームフォーカシングによって信号を特定の空間領域に集中させることができ、従来の遠方場ビームステアリングと比較して、干渉抑制やマルチユーザー通信の向上が可能になります。しかし、その一方で、設計および信号処理の複雑さが増すという課題も生じます23,24。近傍場通信に関する初期の研究には、近傍場領域と遠方場領域の違い、主要な概念、技術的課題、応用例、およびコードブックベースのチャネル推定の概要をまとめた文献25があります。その後、著者26は、平面波ベースの遠方場伝送と球状波ベースの近傍場伝送の根本的な違いを、ビームフォーミング、チャネル解析、システム性能、および次世代技術との統合に焦点を当てて検討しました。さらに、著者27は、チャネルモデリング、推定、ビームフォーミング、ハードウェアアーキテクチャ、センシングを含む近傍場通信における主要な課題を調査し、これらの分野における最新の進展をまとめました。
近年の研究では、次世代の6Gシステムに向けた近傍界無線通信およびチャネルモデリングが広範に調査されています。包括的なサーベイにより、近傍界通信の原理、ホログラフィックMIMOアーキテクチャ、チャネルモデリング手法、信号処理法、およびセンシングと通信の統合アプリケーションが検討されており、同時に、近傍界環境におけるチャネル推定とシステム設計に関連する主要な課題も特定されています28,29。RIS支援のmmWave/THzシステムにおけるビーム分裂（beam-splitting）効果に対処するため、分散RIS配置戦略や真時間遅延（TTD）支援RISアーキテクチャを含む、さまざまな解決策が提案されてきました。これらの手法は、周波数選択的なビーム制御を改善し、ビーム分裂による劣化を軽減しますが、多くの場合、導入コストの増大、ハードウェアの複雑化、または特殊な遅延コンポーネントへの依存を伴います30,31,32。
超大型アパチャアレイ（ELAA）システムにおけるビームフォーカシングと空間広帯域歪みの複合的な影響により、ビームフォーミングの最適化が大きな注目を集めています。既存の研究では、ビームフォーミング利得の向上とデュアルワイドバンド効果の軽減を目的として、位相遅延フォーカシング法、TTDベースのアーキテクチャ、およびホログラフィックメタサーフェスアンテナのための最適化フレームワークが検討されてきました33,34,35,36。しかしながら、XL-IMSに関連する研究の多くは、依然として遠方界平面波仮定に依存しており、これは超大型アパチャにおいては不十分です。その結果、球面波伝搬、空間非定常性、相互結合、および距離依存のビームフォーカシングを含む重要な近傍界特性が、しばしば見落とされています37,38。近年、XL-IMSを導入した6Gネットワークにおける近傍界ビームフォーミングおよびチャネル最適化のための有望な解決策として、人工知能技術が登場しています。特に、メタ学習ベースの手法は、限られた訓練データを用いた動的な無線条件下において、強力な適応性と迅速な収束性を実証しています。これらのアプローチは、インテリジェントな近傍界通信システムおよび将来の自律的な無線ネットワーク最適化に向けて大きな可能性を秘めています39,40。
既存のビームフォーミング技術は、主に簡略化された遠方場チャネルモデルに依存しており、超巨大構造における重要な近傍場特性を捉えきれていません。さらに、DeepMIMOのような現実的な環境におけるデータセット駆動型の評価は依然として限定的であり、動的なユーザーシナリオに対する近傍場チャネルモデリングとビームフォーミングの共同最適化には十分な注目が集まってきませんでした。加えて、計算のスケーラビリティは、実用的なXL-IMS対応6G展開における主要な課題となっています。これらの限界に対処するため、本研究では、物理ベースの球面波チャネルモデリングと、近傍場ビームフォーミングのためのGNNおよびアテンションメカニズムを組み合わせた統合フレームワークを提案します。提案するフレームワークは、空間的な非定常性、メタサーフェスの相互作用、および距離依存の伝搬を明示的に考慮しており、DeepMIMOデータセットを用いて検証されています。
提案されたフレームワークは、物理チャネルモデリングとディープラーニングを統合し、XL-IMSシステムにおける正確な近傍場チャネル表現とビームフォーミング最適化を実現します。球状波伝搬と空間非定常性を明示的にモデル化することで、本研究はエネルギー配分、ビームフォーミング利得、および干渉抑制を改善しつつ、精密なビームフォーカシングを促進します。さらに、このフレームワークはメタサーフェスの位相応答の要素別最適化を組み込んでおり、高密度通信環境における適応的なビームステアリングを可能にします。DeepMIMOデータセットを用いた現実的な伝搬シナリオにより、提案手法はスペクトル効率、ビームフォーミング性能、および計算効率の向上を実証しており、大規模なXL-IMS対応6G通信ネットワークに向けたスケーラブルなソリューションを提供します。
プロトコル
XL-IMSを搭載した6Gシステムにおける近傍界チャネルモデリングおよびビームフォーミングに向けて提案された本フレームワークは、物理ベースのモデリングと機械学習による最適化を組み合わせることで、従来の遠方界アプローチの限界を克服しています。球面波伝搬と空間的な非定常性を組み込んだ近傍界チャネルモデルを構築し、DeepMIMOデータセットを用いて検証しました。メタサーフェス素子とユーザー間の空間的依存性を捉えるために、チャネル情報をグラフとして表現し、エンドツーエンドのGNN-attentionネットワークを採用して、近傍界ビームフォーカシングのためのビームフォーミング重みを学習させています。従来の反復最適化手法とは異なり、この学習ベースのフレームワークはビームフォーミング解を直接予測するため、高い精度と動的なチャネル条件への適応性を維持しつつ、計算複雑性を低減しています。達成レート、ビームフォーミング利得、およびエネルギー効率の観点から性能を評価した結果、従来の遠方界ビームフォーミング手法と比較して優れた結果が得られました。図1に全体のフレームワークを示します。
提案される手順は以下の通りです：
ステップ 1：DeepMIMO環境の設定
DeepMIMO v3.xプラットフォームは、まず、搬送波周波数28 GHz、帯域幅100 MHzを使用するO1 Outdoorセットアップを通じて構築されます。シミュレーションにおいて、XL-IMSはλ/2の間隔で配置された256個の反射素子からなる16×16の一様平面アレイで表現されます。伝搬モデルには、LoS（見通し内）およびNLoS（見通し外）パスを持つ球面波が選択されています。
ステップ 2：XL-IMS のジオメトリとユーザー位置の定義
XL-IMSを、256個の再構成可能な反射素子で構成される16×16の平面メタ表面として設計します。ユーザー端末デバイスは、レイリー距離の基準に基づき、XL-IMSから0.5mから10mの近傍界範囲内にランダムに配置されました。
ステップ 3：球面波伝搬を用いた近傍場チャネルの生成
距離に起因する位相変動を考慮した球面波伝搬を用い、各再構成可能メタサーフェス素子とユーザー間のチャネルをモデル化します。
ステップ 4：近傍場チャネルデータの生成
ユーザー端末は、XL-IMSパネルからの近傍界領域（0.5-10 m）内に均一に配置されました。チャネルの生成には、DeepMIMO O1 Outdoor Scenarioによって生成されたLoSおよびNLoSの両方の伝搬経路が使用されました。
ステップ 5：学習およびテスト用データセットの準備
生成されたデータセットは20,000サンプルで構成され、そのうち16,000サンプル（80%）をトレーニング用に、4,000サンプル（20%）をテスト用に用いた。
ステップ 6：入力特徴量の正規化とモデル入力の準備
準備プロセスの最終段階として、チャネル強度、位相、距離、ユーザー座標などのすべての入力特徴量に対してMin-Maxスケーリングを実施しました。このプロセスによってデータがスケーリングされ、テンソルに変換された後、GNN-attentionネットワークに供給されました。モデルの最適化には、学習率0.001、エポック数50でAdamオプティマイザーを使用しました。
ステップ 7：アテンションメカニズムの適用
グローバルなグラフ情報を考慮し、グラフノード間の長距離依存関係を捉えるために、アテンションメカニズムを追加します。これにより、モデルが重要な空間的特徴に集中することが可能になります。
ステップ 8: ビームフォーミング重みの予測
GNNアテンション埋め込みを用いて、ビームフォーミングウェイトと位相シフト値を予測します。これにより、複雑で労力を要する反復的なビームフォーミング手順が、予測手法に置き換えられます。
ステップ 9：パフォーマンス指標の評価
通信とビームフォーミングがどの程度適切に機能しているかを評価するために、達成可能レート、ビームフォーミング利得、スペクトル効率、エネルギー効率、およびSINRなどのKPIを算出します。
ステップ 10：ベンチマーク手法との比較
提案されたアルゴリズムを、ZF、MMSE、SDR、およびAOを含む従来のアルゴリズムと比較します。
システムモデルの定義
提案するシステムでは、調整可能な位相シフトを通じて電磁波の伝搬を制御する256個の再構成可能な反射素子で構成されるXL-IMSによって有効化された6G無線ネットワークを想定しています。ユーザーが近傍界領域で動作する場合、従来の遠方界平面波近似は不適切となるため、球面波伝搬、距離依存の減衰、および空間非定常性を考慮する必要があります。近傍界領域と遠方界領域の境界はレイリー距離によって決定されます。これはメタ表面のサイズと搬送波波長に依存し、球面波面の影響から平面波伝搬への遷移点となります。これは以下のように記述されます：
(1)
ここで、Dはメタ表面のサイズ、λは波長、Rはレイリー距離を表します。ユーザーがRの実値よりも近い位置に存在する場合、通信チャネルにおいて近傍場現象が発生します。信号が異なるメタ表面コンポーネントを通過する際、信号はそれぞれ異なる位相および振幅の変化を受けます。
n番目のメタ表面からユーザーまでのチャネルには、近傍場伝搬のための球面波モデルが用いられ、これは以下のチャネル係数方程式によって表されます：
(2)
ここで、αはパスロスパラメータ、λは搬送波波長、dnはコンポーネントからユーザーまでの距離を表します。
この場合、βnはn番目 のXL-IMS要素のパスロス係数であり、βn = dn−αとして表されます。ここで、αはパスロス指数を示します。dnは、ユーザーの位置からn番目のメタサーフェス要素までのユークリッド距離であることに留意してください。遠方場チャネルの場合とは対照的に、空間に関するチャネルの変化は、さまざまなメタサーフェス間におけるdnの顕著な差異によって生じます。一般的に、チャネルベクトルは次のように説明できます：
(3)
ユーザーが受信する入力信号は、XL-IMSシステムの位相チューニングに依存します。メタサーフェスを用いて実現される位相シフトを θ = [θ1, θ2, …., θN] とすると、入力信号は次のように表されます：
(4)
ここで、Φ = diag(ejθ1, ….., ejθN) は送信信号、w はベースコーディング・プリコーディングベクトル、n はノイズを表します。近傍界チャネルベクトルは h ∈ ℂN×1、XL-IMS の対角位相シフト行列は Φ ∈ ℂN×N、ビームフォーミングベクトルは x ∈ ℂN×1、そして受信信号は y ∈ ℂ と定義されます。加法性ノイズ項は n ∼ CN (0, σ2) と定義されます。これらの次元により、定式化の数学的な正当性が維持されます。
このケースにおいて、wsは送信シンボル(s)のプリコーディングに使用される基地局プリコーディングベクトルです。性能ベンチマークの間、ZFやMMSEなどの一般的なデジタルプリコーディング手法が、同様の近傍界チャネル実現を用いて基地局に実装されます。しかし、新しいアプローチでは、GNN-attention学習メカニズムを通じてXL-IMS位相シフト行列(θ)の最適化を図ります。
近傍場領域にエネルギーを集中させるためには、ユーザーにおいて建設的干渉が発生する設計θを実現する必要があります。ビームフォーミング戦略は、スペクトル効率または受信信号電力を最大化することを目的としています。図2に、XL-IMSアプローチに基づく近傍場通信システムモデルのアーキテクチャを示します。
近傍界チャネルモデリング
提案されたXL-IMSベースの6G通信ネットワーク近傍場モデルは、メタサーフェスからのレイリー距離付近の伝搬条件を模倣するように特別に設計されました。平面波を想定する従来の遠方場伝搬モデルとは対照的に、近傍場領域では伝搬は球面状であり、メタサーフェス全体で位相値が変化し、空間パラメータが不均質になります。本研究では、物理ベースの球面波モデルを使用して、メタサーフェス素子とユーザ端末の両方の物理的な位置を考慮した正確なチャネルインパルス応答行列を設計しました。
距離に基づくチャネル表現
各メタサーフェス構成要素とユーザーとの間の距離は、近傍界領域におけるチャネルモデルを構築する上で極めて重要な要因となります。ユーザー位置puとn番目のXL-IMS構成要素との間の距離pnは、以下によって提供されます：
(5)
この値は、メタ表面の面積が極めて広いため、表面内で大きく変動します。その結果、伝搬時間や位相シフトに不均一が生じるため、モデルにおいてこれを考慮する必要があります。
球面波チャネルモデル
n番目の素子とユーザー間のチャネル係数は、距離に依存する位相および振幅の変化を捉える式(2)に記載の球面波モデルを用いて決定されます。データセットの生成およびモデルの学習には、現実的な環境構造に基づいた視認外（NLoS）および見通し内（LoS）の両方のマルチパス伝搬を組み込んだDeepMIMOレイトレーシングフレームワークからチャネル係数を取得します。以上により、式(3)に示すように、すべてのN個のメタサーフェス素子のチャネル応答からチャネル応答行列を構築できます。
近接場チャネルの空間的非定常性とモデルの重要性
遠方界チャネルとは異なり、近傍界チャネルは空間非定常性を示し、受信信号がメタサーフェス全体で変動するため、位置依存のビームフォーカシングが可能になります。この空間情報はチャネル応答行列に組み込まれており、GNN-attentionモデルによって抽出されます。補足図1に、XL-IMSベースの6G通信システム向けに提案された近傍界チャネルモデリングフレームワークと、ディープラーニングベースのビームフォーミングのための現実的なチャネルデータの生成について示します。
データセットの作成
データ生成は、環境ジオメトリ、空間的一貫性、およびユーザーの可動性を組み込んだ、現実的なレイトレーシングに基づくチャネルシミュレーションを提供するDeepMIMOフレームワークを用いて行われました。複数の近傍界ユーザー位置におけるチャネル応答は、キャリア周波数 28 GHz、帯域幅 100 MHz のO1屋外シナリオを用いて生成されました。XL-IMSは均一に配置された256個の反射素子で構成され、ユーザー位置はレイリー基準に基づき近傍界領域内で選択されました。チャネル係数、パス利得、および空間情報は、DeepMIMO Pythonライブラリを用いて抽出されました。シミュレーションおよび再現性のパラメータは付録表1にまとめられています。モデルの学習には教師あり学習が用いられ、チャネル状態の特徴量を入力とし、物理ベースで最適化されたビームフォーミング重みをターゲットラベルとしました。
入力特徴量の作成とデータセット構造
次に、ディープラーニングモデルへの入力とするため、チャネルの生データを特徴量に変換しました。これらの特徴量には、独立した成分としてチャネル応答の振幅と位相が含まれています。問題の要件に応じて、他の入力パラメータを含めることも可能です。例えば、ユーザーの座標、距離、およびいくつかの空間パラメータを特徴量として検討することもできます。データセットは、訓練セットとテストセットに80:20の割合で分割されました。
トレーニング用データセットの作成
最終ステップでは、準備したデータセットを正規化し、トレーニング用のGNN-attentionアーキテクチャへの入力に適したテンソルに変換しました。トレーニングデータセットは、チャネル状態から最適なビームフォーミングウェイトへのマッピングを学習するために使用し、テストデータセットはモデルの有効性を評価するために使用しました。このように適切に準備されたデータセットにより、学習プロセスがより容易かつ効果的になりました。補足表2に、DeepMIMOのデータセット記述の詳細を示します。
特徴量表現
特徴量表現ステージでは、複素数形式の近傍場チャネルデータをディープラーニングに適した形式に変換した。チャネル応答は、学習に必要な近傍場の不可欠な情報を保持しつつ、空間的特性および伝搬特性を捉える特徴量へと分解された。 付随図2 本プロセスで使用されるDeepMIMOデータセットについて示します。近傍界環境からのチャネルデータは複素数として表現されました。 hnであり、実部および虚部はチャネル係数の位相および振幅情報を表します。機械学習アルゴリズムで効果的に利用できるよう、係数は実部（Rehn) および虚数部 (Imhn）部分。また、データは大きさとして表現することも可能です。 hn および係数の位相 ∠hn.
空間的特徴抽出
チャネル係数に加えて、近傍界環境の幾何学的特性を考慮するために空間的特徴を組み込みました。これには、各メタ表面素子から受信機までの距離 dn と、受信機の座標 (x, y, z) が含まれます。これにより、信号特性が送信機と受信機のペアの空間的位置に依存するという、近傍界伝搬において重要な特性をモデルに反映させました。
正規化およびモデル入力の準備
モデルにインプットを入力する前の予備段階として、数値的不安定性を回避し収束を加速させるために正規化処理を行った。構造化ベクトルは、(Xtrain, Xtest)で表されるトレーニングデータセットとテストデータセットに分割した。これにより、インプットがGNNおよびアテンションモデルに提供された。
補足図2の特徴量表現に基づき、本データセットでは、すべてのメタ表面要素の複素信号応答を示すチャネル係数 hn を含む、異なる種類の特徴量が使用されました。もう一つの特徴量は、本ケースにおける伝搬効果を示す距離 dn でした。虚部および実部は信号を数値的に記述しますが、振幅および位相部分は、それぞれ信号強度と位相偏移を明示的に記述します。ユーザーの位置座標 (x, y, z) も、モデルの空間認識能力を高める重要な特徴量となりました。
空間依存性モデリングのためのGNNを用いたディープラーニング設計と、グローバルコンテキスト学習のためのハイブリッドアテンションメカニズムの統合
この学習アルゴリズムは、GNN（グラフニューラルネットワーク）とアテンションメカニズムを用いて、空間的および伝搬的な特性を持つ複雑な近傍場XL-IMSチャネルを効率的に学習させるために開発されました。メタサーフェス素子は互いに高度に相関しており、近傍場領域内での相互作用は不均一であるため、チャネルを適切に表現するには全結合ネットワークは適していません。したがって、本アプローチでは、メタサーフェスをグラフとして表現し、各素子をノード、素子間の相互作用をエッジとして定義しています。GNNは隣接ノード間の局所的な空間依存性を捉え、アテンションメカニズムがグローバルな依存性の学習を向上させました。
XL-IMSのグラフ表現
XL-IMSはグラフ G = (V, E) として構築され、各頂点 vn ∈ V は1つのメタ表面素子を表し、エッジ eij ∈ E は素子間の空間的関係を表します。各頂点は、特徴量表現フェーズを通じて得られる特徴ベクトル xn を持ちます。隣接行列 A は、近接しているか、あるいは特定の距離制約内にある頂点間の接続性を捉えます。このようなグラフ形式を用いることで、近傍界伝搬に存在する空間情報を組み込むことができます。
再現性を確保するため、グラフの接続性はK近傍法（K-Nearest Neighbors）を用いて決定されます。 k 8に設定する。次に、 pi および pj の位置ベクトルを表します i-番目および jそれぞれ、XL-IMS細胞を用いた。任意の2つの頂点間の距離は、以下のようにユークリッド距離を用いて測定する。 dij = ||pi − pj||2頂点間にエッジが存在することになります。 i および 入力がありません。翻訳するテキストをご提示ください。 頂点の場合 j 頂点に最も近い8つの近傍グループに含まれる iしたがって、隣接行列は以下のルールに基づいて構築されます。 Aij = 1 の場合 申し訳ございませんが、翻訳対象となる英文テキストが提供されておりません。翻訳が必要なテキストをご提示ください。 ∈ Nk(i）および Aij それ以外の場合は 0 となる。
提案されたGNNでは、各ノードの更新は、他の隣接ノードからの情報に基づいて計算されます。具体的に、レイヤー l の伝播は次のように記述されます：
(6)
ここで、hi(l)は層lにおける頂点iの特徴ベクトル、N(i)は頂点iの近傍、W(l)は学習可能な重み行列、そしてσ(·)は非線形活性化関数を表します。
GNN-attentionモデルは、隠れ次元を128に設定した3つのグラフ畳み込み層で構成され、活性化関数にはRectified Linear Unit (ReLU)を使用した。グラフの生成にはk近傍法（k=8）を用いた。各XL-IMS特徴量をノードとし、隣接するノード間のユークリッド距離に基づいてエッジを形成した。全域的な空間的依存性を抽出するために、4つのヘッドを持つマルチヘッド自己注意ネットワークを使用した。過学習を防ぐため、ドロップアウト確率は0.3に設定した。
アテンションメカニズム
局所的な近傍範囲を超えて存在する長距離依存性をモデル化するため、アテンションがモデルに導入されました。その仕組みは以下の通りです。
(7)
ここで eij = LeakyReLU(aT[Whi | Whj]) はノード i と j の重要度を表します。このモデルを用いることで、ノードの役割に基づいて異なる重要度を割り当てることができ、メタ表面全体のグローバルなコンテキストをモデルが理解しやすくなります。このハイブリッドフレームワークは、局所的および広域的な空間情報の両方を捉え、学習された特徴量は全結合層で処理されてビームフォーミング重みを生成します。付録図3および4に示すように、GNNはメッセージパッシングと特徴量アグリゲーションを通じて局所的な空間依存性をモデル化し、一方でアテンションメカニズムはメタ表面素子間のグローバルな相互作用を捉え、効果的な近傍界ビームフォーミングを可能にします。ノードペアの関連性を定量化するためにアテンション重みが計算され、より情報量の多い相互作用に高い重要度が割り当てられます。これらの重みを用いて、各ノードは他のすべてのノードから情報を集約し、モデルが局所的な近傍を超えてグローバルな依存性を捉えることを可能にします。得られた重み付き特徴量融合により、重要度の低い情報を抑制しつつ、重要な空間的特性を強調した最適化された特徴表現が生成され、効果的なビームフォーミング最適化とエネルギー集束が支援されます。
ビームフォーミングの最適化
ビームフォーミング最適化段階では、近傍界ユーザーにエネルギーを集中させるためのXL-IMS位相シフトおよびビームフォーミング重みが決定されました。従来の遠方界ビームステアリングとは異なり、近傍界ビームフォーミングは特定の空間的位置にエネルギーを集中させます。提案されたフレームワークでは、GNN-attentionモデルがチャネル特性から直接最適なビームフォーミングパラメータを学習し、反復的な最適化手法の複雑さを軽減しました。受信したユーザー信号は式(4)で与えられます。
各チャネル実現に対するトレーニングデータはDeepMIMOから取得し、対応するXL-IMS位相シフトはAOアルゴリズムを用いて決定した。受信信号電力を最大化することで位相シフトベクトルθを算出するために、近傍界チャネル行列hおよびXL-IMS位相シフト行列を使用した：
(8)
(9)
AOオプティマイザーを100回反復して実行し、目的の収束しきい値である10−4に到達させました。これらの最適化された値は、GNN-attentionモデルのトレーニングラベルとして使用されました。目的は、効果的な近接場ビームフォーカシングと受信信号電力の向上を実現するために、建設的干渉を達成することでした。SDRやAOのような従来の最適化手法ではなく、学習ベースのアプローチを用いてこの問題を解決しました。具体的には、ビームフォーミングの最適化問題をディープラーニングモデル fΘ(⋅)によって近似しました。
GNN-attentionモデルの学習には教師あり学習を採用し、AOアルゴリズムによって提供される最適なビームフォーミング位相シフトベクトルを学習ターゲットとしました。具体的には、AOによって生成された最適位相シフトベクトルをθAO,i、ネットワークによる予測値を
と定義します。そして、学習基準を以下のように策定しました：
(10)
ここで N はトレーニングサンプルの数である。
アルゴリズム 1：GNNアテンションモデルを用いた近傍界ビームフォーミングを補足ファイル 1に示します。このアルゴリズムでは、まずシステムパラメータとDeepMIMOデータベースを設定し、現実的なチャネル条件を作成しました。各サンプルの近傍界チャネル特性を球面波モデルを用いて算出し、次にデータベースからチャネル係数や空間特性などの重要な特徴量を抽出しました。抽出された特徴量は構造化形式に変換され、メタサーフェス素子をノードとするグラフとして表現されました。ディープラーニングモデルは、局所的な空間依存性を捉えるためにGNNレイヤーを用いて構築し、さらに大域的な依存性を学習させるためにアテンションメカニズムを導入しました。このディープラーニングフレームワークは、予測された位相シフトとAOによって生成された最適位相シフトラベルとの間のMSE損失を用いた教師あり学習によってトレーニングされました。
本実装はPythonおよびPyTorchを用いて行われました。DeepMIMOチャネルのサンプルは、O1屋外シナリオから取得しました。これらのチャネル係数はグラフに変換され、3層のGNNとマルチヘッドアテンションメカニズムを用いて処理されました。モデルの学習には、MSE損失関数を用いたAdamオプティマイザが使用されました。このモデルにより、近傍界ユーザーに対するビームフォーミングのための位相シフトとウェイトが生成され、その結果を伝送速度、効率、およびSINRの観点から評価しました。
結果
6G通信ネットワークにおけるXL-IMS向けに導入された近傍界チャネルモデリングおよびビームフォーミングフレームワークの性能は、実際の伝搬環境と空間的に一貫したチャネルデータを提供するDeepMIMOデータセットを用いて評価されます。このデータセットを構成するには、メタサーフェスの近傍界における様々なユーザー位置を表す多数のチャネルサンプルを生成する必要があります。具体的に、本研究では異なる伝搬条件およびユーザー位置の下で収集された最大10,000〜20,000個のサンプルを使用しています。これらのチャネルサンプルを分割するため、トレーニング用に80％、テスト用に20％という80:20の比率が用いられました。このように、トレーニングセットが学習の基礎を提供し、テストセットによってモデルの汎化能力を評価します。
実験結果により、提案したGNN-Attentionフレームワークが、従来の遠方界ビームフォーミングおよび最適化ベースの手法よりも優れていることが実証されました。球面波チャネルモデリングとディープラーニングベースの空間特徴抽出を組み合わせることで、提案手法はより高いビームフォーミング利得、周波数利用効率、およびエネルギー集束性能を実現しています。 性能評価には、通信容量、信号集束の有効性、および消費電力に対するデータ伝送効率をそれぞれ測定する、達成可能レート、ビームフォーミング利得、およびエネルギー効率を用いました。
提案手法を、ZFやMMSEを含む従来のビームフォーミング技術、およびSDRやAOなどの最適化ベースの手法と比較した。遠方界アプローチは平面波仮定による制限があり、近傍界XL-IMS環境では性能が低下する一方、最適化手法は計算複雑性が高くなることが多い。対照的に、GNN-attentionフレームワークは、より低い計算オーバーヘッドで効率的なビームフォーミングを実現する。公正な比較を行うため、すべての手法において、DeepMIMOで生成された同一の近傍界チャネル、XL-IMS構成、搬送波周波数、ユーザー位置、送信電力、および信号対雑音比（SNR）条件を用いて評価を行った。ZFとMMSEでは同一のチャネル状態情報を想定し、SDRとAOは、標準的な文献に基づくパラメータ設定を用いて、同一の電力および位相シフト制約の下で実装した。
近傍界チャネルモデリングの検証
図3では、提案するグラフニューラルネットワーク・アテンションベースのビームフォーミングモデルの達成率パフォーマンスを比較するために、ZF、MMSE、SDR、およびAOを含むベンチマーク手法を用いています。SNRが0から30 dBに増加するにつれて、すべての手法で達成率の向上が見られますが、提案モデルは一貫してベンチマークを上回る性能を示しています。具体的には、0 dBで2.1 bps/Hz、15 dBで7.8 bps/Hz、30 dBで11.6 bps/Hzを達成し、すべてのSNRレベルにおいてZF、MMSE、SDR、およびAOの性能を上回りました。表1に、SNRに対する達成率の比較を示します。
図4は、近傍界領域におけるユーザー距離の関数として、提案するGNN-attentionベースのモデルと、ZF、MMSE、SDR、AOを含む従来手法のビームフォーミング利得を比較したものである。ユーザー距離が増加すると、伝搬パス損失の増大により受信ビームフォーミング信号電力は低下し、その結果、すべての手法においてビームフォーミング利得が減少する。それにもかかわらず、提案するGNN-attentionフレームワークは、1 mで約28 dB、4 mで25 dB、7 mで22 dBという、一貫して最高のビームフォーミング利得を達成しており、評価したすべての距離においてSDR、AO、MMSE、およびZFを上回っている。これらの結果は、提案フレームワークの優れた近傍界ビームフォーカシング能力と利得保持能力を実証しており、既存手法と比較してビームフォーミング効率が向上していることを示している。
GNN-attention学習フレームワークの性能
図5では、提案するGNN-attentionビームフォーミング手法とZF、MMSE、SDR、AOのスペクトル効率を、0から30 dBのSNR値にわたって比較しています。すべての手法においてSNRが高くなるにつれてスペクトル効率は向上しますが、提案手法は一貫して最高の性能を達成し、0 dBで1.8 bps/Hz、15 dBで6.8 bps/Hz、30 dBで10.5 bps/Hzに達し、すべてのベンチマーク手法を上回っています。図6では、さまざまなSNR条件下における提案するGNN-attentionビームフォーミングシステムとZF、MMSE、SDR、AOのエネルギー効率を比較しています。すべての手法でSNRの増加に伴いエネルギー効率が向上しますが、提案手法は一貫して最高の性能を達成し、0 dBで約2.5 bits/Joule、15 dBで7.2 bits/Joule、30 dBで9.8 bits/Jouleに達し、すべてのベンチマーク技術を上回っています。
データセットの評価と特徴量表現
図7 提案されたGNN-attentionモデルの、トレーニングエポック数に対する平均二乗誤差（MSE）による収束挙動を示しています。MSEはトレーニングの初期段階で急速に減少し、約（から）まで低下し、 エポック5における0.69からエポック20における0.22まで、さらに約まで減少する エポック35までに0.08。 モデルは、～することによって徐々に収束します。 エポック 50、約（数値）の平均二乗誤差（MSE）を達成し、 0.04, これは、トレーニングが安定しており、基礎となるチャネル特性の効率的な学習が行われていることを示している。
ビームフォーミング最適化の結果
図 8 では、ユーザー数が 2 から 12 に増加したときの、提案する GNN-attention ビームフォーミング手法と、ZF、MMSE、SDR、および AO の和レート性能を比較しています。すべての手法において、ユーザー数の増加に伴い和レートが向上していますが、提案手法は一貫して最高の性能を示し、ユーザー数 2 で 12.5 bps/Hz、6 で 31.6 bps/Hz、12 で 50.3 bps/Hz を達成し、さまざまなユーザー密度においてすべてのベンチマーク手法を上回りました。
表2では、提案するGNN-attentionビームフォーミングフレームワークと、ZF、MMSE、SDR、AOのマルチユーザ性能を比較しています。提案手法は、最高のマルチユーザ効率（92.5%）、SINR（24.8 dB）、および容量利得（50.3 bps/Hz）を達成しており、ベンチマーク手法と比較して優れたスケーラビリティ、干渉管理、およびリソース割り当てを実証しています。図9に、SINRの累積分布関数（CDF）の比較を示します。提案アプローチは分布が右側にシフトしており、ユーザ全体で一貫して高いSINR値が得られていることを示しています。中央値（第50パーセンタイル）において、提案手法は約25 dBのSINRを達成し、SDR（23 dB）、AO（22 dB）、MMSE（20 dB）、およびZF（17 dB）を上回っています。提案モデルの優れたSINR性能は、GNNによる局所的な空間依存性と、アテンションメカニズムによる大域的な相互作用の両方を捉える能力に由来しており、これにより効果的な近傍界ビームフォーミングが可能になります。CDFの結果は、従来のZF、MMSE、SDR、およびAO手法よりも、より堅牢な干渉管理と一貫して高いSINRを実現していることを示しています。
表3に、5回の独立した実験から得られた平均性能、標準偏差、および95%信頼区間を示しており、提案フレームワークの安定性と再現性が実証されています。表4では、提案するGNNアテンションビームフォーミングスキームと従来手法の計算量および推論時間を比較しています。学習時の計算コストは、主にグラフメッセージパッシングとアテンションメカニズムによって決定され、その計算量は O(E·L·F2 + N2) となります。このような学習時のオーバーヘッドはあるものの、学習済みのビームフォーマーを用いることで、展開時の反復的な最適化が不要になります。提案モデルの平均推論時間は 4.9 ms であり、SDR (85.4 ms)、AO (63.7 ms)、MMSE (15.6 ms)、および ZF (12.8 ms) よりも大幅に短縮されています。さらに、スケーラビリティ解析の結果、ユーザー数およびメタ表面素子数の増加に伴っても安定した性能が維持されることが示されており、提案フレームワークが大規模な XL-IMS 対応 6G 通信システムに適していることが強調されています。
アブレーション解析
フレームワーク内の個々のコンポーネントの影響は、GNN、Attention、および物理ベース近傍界チャネルモデリングなどのコンポーネントを省略または変更するアブレーション解析を通じて評価できます。完全なフレームワークはこれら3つのコンポーネントすべてを包含しますが、アブレーションモデルは以下の構成となります：(i) GNNモデルのみ、(ii) Attentionモデルのみ、(iii) 物理ベース球面波モデルなし（遠方界近似）。性能評価は、達成レート、ビームフォーミング利得、およびSINRなどの指標を用いて行われます。結果から、システム全体の性能は各コンポーネントによって大きく影響を受け、特に物理ベースのチャネルモデルを省略した場合に最も大きな悪影響が出ることが示されました。これは、近傍界領域におけるチャネルを正確にモデリングすることの重要性を示唆しています。
表5のアブレーション解析の結果から、提案するアーキテクチャの各構成要素の重要性を検証できる。上記の実験結果に示されるように、すべての構成要素を備えたモデルが最高の性能を達成し、達成レート 11.6 bps/Hz、ビームフォーミング利得 28 dB、SINR 25 dB を記録しており、提案するアーキテクチャが有効に機能することが実証された。アテンション機構がない場合、モデルの達成レートは 10.2 bps/Hz に留まり、グローバルな信号コンテキストが弱まることが示された。さらに、GNNコンポーネントを削除すると 9.8 bps/Hz という低い性能となり、近傍界通信においては空間的な依存関係のモデリングが必要であることが示された。最も大きな性能低下は、物理ベースの球面波モデルを無視した場合に観察され、達成レート 8.5 bps/Hz、SINR 19.2 dB となったことから、近傍界チャネルモデリングも不可欠であることが実証された。
要約すると、実験結果により、電磁波の近傍界に基づいたチャネルおよびビームフォーミングモデルの開発という研究目標が達成され、XL-IMS対応の6Gネットワークへの適用可能性が確認されました。GNN-attentionアーキテクチャは、達成レート、ビームフォーミング利得、周波数利用効率、エネルギー効率、およびSINRにおいて、ZF、MMSE、SDR、AO法などの従来の手法よりも高い性能を実現しました。アブレーション解析の結果、球面波の物理モデル、グラフニューラルネットワーク、およびアテンションの利用が、性能向上に非常に有用であることが示されました。
データの利用可能性
本研究で作成および解析されたデータセットと補足資料は、Zenodoリポジトリ（https://doi.org/10.5281/zenodo.21037047）にて公開されています。シミュレーションデータセットは、DeepMIMO Python Repositoryを用い、O1屋外レイトレーシングシナリオ、28 GHzの搬送波周波数、および近傍界XL-MIMO構成を使用して作成されました。DeepMIMO Python Repositoryは、https://github.com/DeepMIMO/DeepMIMO-python で入手可能です。
図1: 提案手法の全体構成。提案された近傍界チャネルモデリングおよびビームフォーミング手法の全パイプラインの概略図。こちらをクリックして、この図の拡大版を表示してください。
図 2: システムモデルのアーキテクチャ。 近傍界ビームフォーカシングを備えたXL-IMSベースの6G通信のシステムレベルアーキテクチャを示す概略図。ここをクリックして、この図の拡大版を表示してください。
図 3: 達成可能レート対SNRの結果。提案手法および既存手法における、SNRの関数としてのレート性能。この図の拡大版を表示するには、ここをクリックしてください。
図 4: ビームフォーミング利得と距離の関係。 近傍界領域におけるユーザー距離の関数として、異なるビームフォーミング手法によって得られたビームフォーミング利得を示す。これは、空間的な信号フォーカシングの有効性と、距離の増加に伴う利得の保持特性を例示している。こちらのリンクをクリックして、この図の拡大版を表示してください。
図 5: SNRに対するスペクトル効率の結果。さまざまなSNR値におけるスペクトル効率の比較。こちらのリンクをクリックして、この図の拡大版を表示してください。
図 6: エネルギー効率対SNRの結果。異なるSNR値におけるエネルギー効率のパフォーマンス。こちらのリンクをクリックして、この図の拡大版を表示してください。
図 7: MSE収束の結果。トレーニング中のMSE損失の収束。 ここをクリックして、この図の拡大版を表示してください。
図 8: 合計レート対ユーザ数の結果。ユーザ数の増加に伴う合計レートの性能。 こちらのリンクをクリックして、この図の拡大版を表示してください。
図 9: CDFを用いたSINRの比較結果。 CDFプロットに基づくSINRの比較。 この図の拡大版を表示するには、ここをクリックしてください。
| 手法 | 平均達成レート (bps/Hz) | パフォーマンスレベル |
| 提案手法 (GNN-attention) | 7.36 | ***** |
| SDR | 6.66 | **** |
| AO | 6.5 | **** |
| MMSE | 6.03 | *** |
| ZF | 5.23 | *** |
表 1： 達成可能なレートの比較。提案手法と既存手法のパフォーマンスレートを示す。
| 方法 | マルチユーザー効率 (%) | 干渉制御（SINR, dB） | 容量改善 (bps/Hz) |
| 提案手法（GNN-Attention） | 92.5 ± 0.8 | 24.8 ± 0.5 | 50.3 ± 0.7 |
| ソフトウェア定義無線 | 86.3 ± 1.1 | 22.1 ± 0.7 | 45.0 ± 0.9 |
| アセトアルデヒド酸化酵素 | 84.7 ± 1.0 | 21.5 ± 0.8 | 43.2 ± 1.0 |
| ミニメンタルステート検査（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 |
表 2: スケーラビリティ性能の実験結果。 マルチユーザー通信環境におけるスケーラビリティ性能を示す。
| 指標 | 平均値 | 標準偏差 | 95% 信頼区間 |
| 達成可能な速度 | 11.6 ± 0.21 | 0.21 | [11.42,11.78] |
| 周波数利用効率 | 10.5 ± 0.18 | 0.18 | [10.34,10.66] |
| エネルギー効率 | 9.8 ± 0.15 | 0.15 | [9.67,9.93] |
| 信号対干渉雑音比 | 25.0 ± 0.42 | 0.42 | [24.63,25.37] |
表 3: 統計解析。統計解析のパフォーマンスは、平均値、標準偏差、および信頼区間を用いて評価されます。
| 方法 | トレーニングの複雑性 | 推論計算量 | 平均推論時間 (ms) |
| ZF | 該当なし | O(N)³) | 12.8 |
| ミニメンタルステート検査（MMSE） | 該当なし | O(N)³) | 15.6 |
| ソフトウェア定義無線 | 該当なし | O(N)³·⁵) | 85.4 |
| AO | 該当なし | O(IN²) | 63.7 |
| 提案されたGNNアテンション | O(E·L·F² + N²) | O(E·L·F² + N²) | 4.9 |
表 4: 計算量とスケーラビリティの解析。本提案手法の計算量およびスケーラビリティの解析結果を示す。
| モデルバリアント | 達成可能レート (bps/Hz) | ビームフォーミング利得 (dB) | SINR (dB) | 周波数利用効率 (bps/Hz) |
| 提案された完全なモデル（GNN + アテンション + 物理ベース） | 11.6 ± 0.2 | 28.0 ± 0.4 | 25.0 ± 0.3 | 10.5 ± 0.2 |
| アテンションメカニズムなし | 10.2 ± 0.3 | 25.5 ± 0.5 | 22.8 ± 0.4 | 9.1 ± 0.3 |
| GNNなし（MLPのみ） | 9.8 ± 0.3 | 24.0 ± 0.6 | 21.5 ± 0.5 | 8.7 ± 0.3 |
| 物理ベースのチャネルモデル（遠方界近似）を用いない場合 | 8.5 ± 0.4 | 21.0 ± 0.7 | 19.2 ± 0.6 | 7.4 ± 0.4 |
表 5: アブレーション解析の結果。すべてのモデル構成要素に関するアブレーション解析を示す。
補足図1. 近接場チャネルモデリング。球面波に基づく近接場チャネルモデリングおよび行列構成の概略図。こちらをクリックしてファイルをダウンロードしてください。
補足図2. 評価に使用したDeepMIMOデータセットの特徴量。DeepMIMOデータセットから抽出され、トレーニングおよび評価のモデル入力として使用された特徴量。こちらをクリックしてファイルをダウンロードしてください。
補足図 3. 空間依存性モデリングのための GNN。 GNN による空間相関モデリング。こちらをクリックしてファイルをダウンロードしてください。
補足図 4. グローバルコンテキスト認識のためのアテンションメカニズム。グローバルコンテキスト情報を捉えるためのアテンションモジュールの図解。こちらのリンクからファイルをダウンロードしてください。
補足表1. シミュレーション環境。モデルのトレーニングおよびテストに使用したシミュレーション設定を示す。こちらのリンクからファイルをダウンロードしてください。
付録表2. データセットの説明。トレーニングおよび評価に使用するDeepMIMOデータセットの特徴を示す。こちらをクリックしてファイルをダウンロードしてください。
補足ファイル 1：提案されたGNNアテンションベースのビームフォーミングフレームワークのワークフロー。このアルゴリズムは、データセットの生成、グラフ構築、モデル訓練、ビームフォーミングの最適化、および性能評価の手順を概説しています。こちらをクリックしてファイルをダウンロードしてください。
ディスカッション
提案されたアルゴリズムは、非線形プリコーディングを用いて近傍界球面波伝搬をモデル化し、ZF、MMSE、SDR、AOなどの線形プリコーディングベースのアルゴリズムよりも優れたビームフォーカシングを実現します。SDRおよびAOアルゴリズムの結果は最適に近いものの、提案されたGNN-attentionネットワークは、大幅に低い計算コストでより優れた性能を達成しており、これは将来の6GネットワークにおけるXL-IMSの導入にとって極めて重要です 21,26,27。
上述の通り、この主張を定量的な観点から経験的に検証するために計算量解析を行い、その結果を表4に示します。提案されたGNN-attentionアーキテクチャの学習プロセスにおける計算量は O(E · d + N2 · d) であり、ここで E はグラフのエッジ数、N はメタサーフェス素子数、d は隠れ特徴量の次元数を指します。最も重要な点は、推論時にこの学習フレームワークを使用すると、ビームフォーミング重みを O(N · d) の計算量で1パスで算出できる一方で、SDRやAOでは各チャネル実現に対して反復的な最適化が必要になることです。
成功を収めるために正しく行われるべき重要な段階は、球面波伝搬の原理に基づいた近傍界チャネルモデルの構築です。ユーザー位置データの誤用や不適切なチャネル特性の作成は、特徴抽出プロセスおよびビームフォーミングの結果に悪影響を及ぼします。グラフ構築もまた重要な要素であり、ノードの接続性が不十分であると、GNNが空間関係を識別する能力が妨げられます。また、ネットワークを少数の伝搬条件下のみで学習させた場合にオーバーフィッティングが発生する可能性があり、これが新しいユーザー位置における汎化性能に影響を与えます。
潜在的な問題に対処するために、いくつかの対策を講じることが可能です。ニューラルネットワークの収束が不十分な場合は、学習率の減衰や正則化を用いてこの問題に対処できます。特徴量の正規化やグラフの疎密化を行うことで、トレーニング中の不安定さを防げる可能性があります。ビームフォーミング利得に予期しない低下が見られる場合は、より多くのデータポイントを用いてアルゴリズムを再学習させることで、問題を解決できます。
ディープラーニングのもう一つの利点は、従来の最適化手法では困難であった、チャネル状態の変化に動的に適応できるアルゴリズムの能力にあります。これにより、実行時間が最小限に抑えられてビームフォーマアルゴリズムの効率が向上し、動的なチャネル環境においてもより堅牢になります16,18,20.
提案されたモデルは、物理チャネルモデリングとグラフベースのディープラーニング手法を組み合わせているため、近接場通信の理論において革命的であると考えられています。電磁気的効果を考慮するための球面波の導入によりモデルの精度が向上しており、さらにGNNとアテンションメカニズムの使用により、メタサーフェス素子間の数学的な依存関係の記述が可能になっています。このように、機械学習と電磁気学の原理を組み合わせることで、インテリジェント無線環境を構築するための新しい理論的枠組みが登場することになります21,27,28。
応用的な観点から、開発されたアプローチは、実用的な6Gネットワーク展開に対するXL-IMSの適用性を大幅に向上させます。最適化プロセスを排除したことによる計算負荷の軽減により、極低遅延サービスに不可欠なリアルタイムのビームフォーミング決定が可能になります。さらに、提案されたモデルは周波数利用効率とエネルギー効率の両方を実証しており、これにより、高密度な都市部、モノのインターネット（IoT）、および高速移動するユーザーへの技術適用が可能となります。
提案された手法には多くの利点がある一方で、システムにはいくつかの弱点もあります。DeepMIMOはレイトレーシングを通じて現実的な伝搬シナリオを提供しますが、依然としてシミュレーションフレームワークであるため、環境の変化や未知の散乱体、時間的なチャネル影響、天候の影響、およびハードウェアのキャリブレーション影響などが常に考慮される必要があり、実環境における無線伝搬挙動とシミュレーション結果との間にはある程度の乖離が生じます。したがって、その結果は上限推定値として見なされるべきです26,38。現在のモデルでは、送信機と受信機に完全なコンポーネントを想定しています。実際のシステムでは、発振器の位相雑音、増幅器の歪み、同期装置の誤差、A/Dコンバータによる量子化雑音、および不正確なチャネル推定などがすべて性能低下を招く可能性があります。これらの問題はアライメントに影響を及ぼし、システムのデータレートを低下させる可能性があります。
XL-IMS対応の近傍界通信を大規模に実装するには、依然として対処すべきいくつかの導入上の課題があります。これらの課題には、大規模メタ表面に対するリアルタイムのチャネル推定、数千本のアンテナに対する計算のスケールアップ、分散ネットワークにおける同期、設備コスト、電力要件、および既存の6Gシステムとの統合などが含まれます。今後の研究では、軽量な学習モデルとビームフォーミングの探索に焦点を当てるべきです。
本研究では、6G通信におけるXL-IMSに向けた先駆的な近傍界チャネルモデリングおよびビームフォーミングアーキテクチャを提案します。この革新的な手法は、物理学に基づいた球面波チャネルモデリングにグラフニューラルネットワークとアテンションメカニズムを組み合わせることで、正確な近傍界チャネル表現と最適なビームフォーミング利得を実現しています。本システムは、近傍界チャネルモデリング、DeepMIMOを用いたデータセット設計、特徴表現、空間依存性モデリング、およびビームフォーミング最適化で構成されています。実験的評価の結果、達成レート、ビームフォーミング利得、周波数利用効率、エネルギー効率、およびSINRにおいて、ZF、MMSE、SDR、AOなどの他の最先端の手法よりも優れた結果を示しました。さらに、アブレーションスタディにより、システムの各コンポーネントの有効性が証明されました。
開示事項
著者に利益相反はありません。
謝辞
本研究は、中国国家自然科学基金（助成金番号 62466036）および广东大学研究開始基金（助成金番号 12225000423）の支援を一部受けて実施されました。著者らは、必要な研究設備および組織的支援を提供してくださった广东大学に感謝いたします。また、本研究は、中国福州市の广东大学情報工学院および人工知能アルゴリズム・応用研究所の支援を受けて行われました。
材料
| 名前 | 会社 | カタログ番号 | コメント |
|---|---|---|---|
| CUDA Toolkit | NVIDIA | CUDA 12.4 | https://developer.nvidia.com/cuda-toolkit |
| ジグリセリド | DGLチーム | DGL 2.2.1 | https://www.dgl.ai |
| Matplotlib | Matplotlib開発チーム | Matplotlib 3.9.0 | https://matplotlib.org |
| NumPy | NumPy開発者 | NumPy 1.26.4 | https://numpy.org |
| Python | Python Software Foundation | Python 3.10.13 | https://www.python.org |
| PyTorch | Meta AI | PyTorch 2.3.1 | https://pytorch.org |
| PyTorch Geometric | PyGチーム | PyG 2.5.3 | https://pytorch-geometric.readthedocs.io |
| Seaborn | Seaborn開発者 | Seaborn 0.13.2 | https://seaborn.pydata.org |
| TensorFlow | TensorFlow 2.16.1 | https://www.tensorflow.org |
参考文献
- Yang S, et al. Near-field channel estimation for extremely large-scale reconfigurable intelligent surface (XL-RIS)-aided wideband mmWave systems. IEEE J Sel Areas Commun. 2024;42:1567-82.
- Ni H, et al. Energy-efficient near-field beamforming: A review on practical channel models. Energies. 2025;18:2966.
- Di Renzo M, et al. Smart radio environments empowered by reconfigurable intelligent surfaces: How it works, state of research, and the road ahead. IEEE J Sel Areas Commun. 2020;38:2450-525.
- Tang W, et al. Wireless communications with reconfigurable intelligent surface: Path loss modeling and experimental measurement. IEEE Trans Wirel Commun. 2021;20:421-39.
- Li R, et al. Joint design of hybrid beamforming and reflection coefficients in RIS-aided mmWave MIMO systems. IEEE Trans Commun. 2022;70:2404-16.
- Wei L, et al. Joint channel estimation and signal recovery for RIS-empowered multiuser communications. IEEE Trans Commun. 2022;70:4640-55.
- Yang S, et al. Separate channel estimation with hybrid RIS-aided multi-user communications. IEEE Trans Veh Technol. 2022;72(1):1318-24.
- Wei L, et al. Channel estimation for RIS-empowered multi-user MISO wireless communications. IEEE Trans Commun. 2021;69:4144-57.
- Huang C, et al. Multi-hop RIS-empowered terahertz communications: A DRL-based hybrid beamforming design. IEEE J Sel Areas Commun. 2021;39:1663-77.
- Fascista A, et al. RIS-aided joint localization and synchronization with a single-antenna receiver: Beamforming design and low-complexity estimation. IEEE J Sel Top Signal Process. 2022;16:1141-56.
- Huang C, et al. Reconfigurable intelligent surfaces for energy efficiency in wireless communication. IEEE Trans Wirel Commun. 2019;18:4157-70.
- Fan W, et al. Near-field channel characterization for mid-band ELAA systems: Sounding, parameter estimation, and modeling. arXiv. 2024;arXiv:2405.06159.
- Hasan SR, et al. A comprehensive review on reconfigurable intelligent surface for 6G communications: Overview, deployment, control mechanism, application, challenges, and opportunities. Wirel Pers Commun. 2024;139:375-429.
- Cui M, et al. Near-field MIMO communications for 6G: Fundamentals, challenges, potentials, and future directions. IEEE Commun Mag. 2023;61:40-6.
- Zhang H, Shlezinger N, Guidi F, Dardari D, Eldar YC. 6G wireless communications: From far-field beam steering to near-field beam focusing. IEEE Commun Mag. 2023;61(4):72-7.
- Ning B, et al. Beamforming technologies for ultra-massive MIMO in terahertz communications. IEEE Open J Commun Soc. 2023;4:614-58.
- Xu B, et al. Resource allocation for near-field communications: Fundamentals, tools, and outlooks. IEEE Wirel Commun. 2024;31:42-50.
- Devi P, Bharti MR, Gautam D. A survey on physical layer security for 5G/6G communications over different fading channels: Approaches, challenges, and future directions. Veh Commun. 2025;53:100891.
- Elzanaty A, et al. Near and far field model mismatch: Implications on 6G communications, localization, and sensing. IEEE Internet Things Mag. 2024;7:120-6.
- Liu Y, et al. Near-field communications: A tutorial review. IEEE Open J Commun Soc. 2023;4:1999-2049.
- Wang Z, Mu X, Liu Y. Near-field integrated sensing and communications. IEEE Commun Lett. 2023;27:2048-52.
- Dai L, Tan J, Chen Z, Poor HV. Delay-phase precoding for wideband THz massive MIMO. IEEE Trans Wirel Commun. 2022;21:7271-86.
- Zhang H, et al. Beam focusing for near-field multiuser MIMO communications. IEEE Trans Wirel Commun. 2022;21(9):7476-90.
- Lu H, Zeng Y. Near-field modeling and performance analysis for multi-user extremely large-scale MIMO communication. IEEE Commun Lett. 2022;26:277-81.
- Zhang J, Björnson E, Matthaiou M, Ng DWK, Larsson EG. Prospective multiple antenna technologies for beyond 5G. IEEE J Sel Areas Commun. 2020;38:1637-60.
- Liu Y, et al. Near-field communications: A comprehensive survey. IEEE Commun Surv Tutor. 2025;27:1687-728.
- Liu Y, et al. Near-field communications: What will be different? IEEE Wirel Commun. 2025;32:262-70.
- Gong T, et al. Holographic MIMO communications: Theoretical foundations, enabling technologies, and future directions. IEEE Commun Surv Tutor. 2024;26:196-257.
- Lu S, et al. Integrated sensing and communications: Recent advances and ten open challenges. IEEE Internet Things J. 2024;11:19094-120.
- Yan W, et al. Beamforming analysis and design for wideband THz reconfigurable intelligent surface communications. IEEE J Sel Areas Commun. 2023;41:2306-20.
- Hao W, et al. Ultra-wideband THz IRS communications: Applications, challenges, key techniques, and research opportunities. IEEE Netw. 2022;36:214-20.
- Sun H, et al. Time-delay unit-based beam squint mitigation for RIS-aided communications. IEEE Commun Lett. 2022;26:2220-4.
- Cui M, Dai L. Near-field wideband beamforming for extremely large antenna arrays. IEEE Trans Wirel Commun. 2024;23(10):13110-24.
- Wang Z, et al. TTD configurations for near-field beamforming: Parallel, serial, or hybrid? IEEE Trans Commun. 2024;72:3783-99.
- Xu J, et al. Near-field wideband extremely large-scale MIMO transmission with holographic metasurface antennas. arXiv. 2022;arXiv:2205.02533.
- Nordio A, et al. Near-field IRS configuration techniques for wideband signals and THz communications. In: Proc IEEE Int Conf Commun Workshops (ICC Workshops); 2023. p. 1198-203.
- Huang C, Zappone A, Alexandropoulos GC, Debbah M, Yuen C. Holographic MIMO surfaces for 6G wireless networks: Opportunities, challenges, and trends. IEEE Wirel Commun. 2020;27:118-25.
- Monemi M, et al. 6G Fresnel spot beamfocusing using large-scale metasurfaces: A distributed DRL-based approach. IEEE Trans Mob Comput. 2024;23:11670-84.
- Zhu F, et al. Robust beamforming for RIS-aided communications: Gradient-based manifold meta learning. IEEE Trans Wirel Commun. 2024;23(11):15945-56.
- Wang X, et al. Energy-efficient beamforming for RISs-aided communications: Gradient based meta learning. In: Proc IEEE Int Conf Commun (ICC); 2024. p. 1-6.