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対応の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のために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するものである。球面波伝搬と空間非定常性を組み込んだ近傍界チャネルモデルが開発され、DeepMIMOデータセットを用いて検証された。チャネル情報は、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グラフとして表現され、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るために、エンドツーエンドのGNN-attentionネットワークが採用されている。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る。性能は、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評価され、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示された。図1に全体的なフレームワークを示す。
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設定されます。シミュレーションにおいて、XL-IMSはλ/2間隔で配置された256個の反射素子による16×16の均一平面アレイで表されます。選択された伝搬モデルは、LoSおよびNLoSパスを伴う球面波です。
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：球面波伝播を用いた近接場チャネルの生成
距離による位相変化を考慮した球面波伝搬を用いて、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：近接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の両方の伝搬パスが使用されました。
ステップ 5：トレーニングおよびテスト用のデータセットを準備する
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（80%）をトレーニング用に、4,000（20%）をテスト用に使用した。
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、チャネル振幅、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スケーリングを行いました。このプロセスでデータをスケーリングしてテンソルに変換し、GNN-attentionネットワークに入力しました。モデルの最適化には、学習率0.001、50エポックの条件で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性を捉えるためにアテンション機構を追加します。これにより、モデルが重要な空間的特徴に焦点を当て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ウェイトの予測
GNN-attention embeddingを用いて、ビームフォーミング重みと位相シフト値を予測します。これにより、複雑で手間のかかる反復的なビームフォーミングの手順が、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を評価する
通信とビームフォーミングがどの程度機能しているかを評価するため、達成可能レート、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
提案したアルゴリズムを、ZF、MMSE、SDR、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
提案されるシステムでは、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によって実現される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仮定は無効となり、球面波伝搬、距離依存の減衰、および空間的な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、メタサーフェスのサイズと搬送波波長に依存するレイリー距離によって決定され、球面波面効果から平面波伝搬への遷移点となります。これは次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。ユーザーが実際のR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界現象が発生します。信号が異なるメタ表面コンポーネントを通過する際、それぞれ異なる位相および振幅の変化が生じます。
n番目のメタ表面からユーザーまでのチャネルには、近傍界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式で表されます：
(2)
ここで、αはパスロスパラメータを、λは搬送波波長を、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要素の経路損失係数であり、βn = dn−αとして表されます。ここで、αは経路損失指数を示します。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。遠方界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の著しい差異によって引き起こされます。一般的に、チャネルベクトルは以下のように説明できます：
![線形代数の研究で使用される行列表記の公式 \( h = [h_1, h_2, ..., h_N]^T \)](/files/ftp_upload/72011/72011eq3.jpg "figure-protocol-3")
(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、そして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、受信信号はy ∈ ℂとして定義されます。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、数式の数学的な正当性が維持されます。
このケースでは、wsは送信シンボル（s）をプリコードするために使用される基地局プリコーディングベクトルです。性能ベンチマーキングにおいて、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、新しい手法では、GNN-attention学習メカニズムを通じてXL-IMS位相シフト行列（θ）を最適化することを目的としています。
近傍場領域にエネルギーを集中させるためには、ユーザーに対して建設的干渉が発生する設計θを達成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界モデルは、メタ表面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。従来の遠方界伝搬モデルでは平面波を想定しますが、近傍界領域における伝搬は球面状であり、メタ表面全体で位相値が変化し、空間パラメータが非均質になります。本研究では、物理ベースの球面波モデルを用いて、メタ表面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距離は、近傍場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、以下によって与えられます：
(5)
この値は、メタ表面の面積が非常に大きいため、表面全体で大きく異なります。その結果、伝搬時間と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、距離依存の位相および振幅変動を捉える式(2)で記述された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向けて、チャネル係数はDeepMIMOレイトレーシングフレームワークから取得されます。このフレームワークは、現実的な環境構造に基づいた視線内（LoS）および非視線内（NLoS）の両方のマルチパス伝搬を組み込んでいます。以上のことから、式(3)に示すように、全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することが可能です。
近接場チャネルの空間的非定常性とモデルの重要性
遠方場チャネルとは異なり、近接場チャネルは空間的な非定常性を示し、受信信号がメタ表面上で変動するため、位置依存のビームフォーカシングが可能となります。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モデルによって捉えられます。 付随図1 XL-IMSベースの6G通信システムに向けた提案近傍界チャネルモデリングフレームワークと、深層学習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ています。
データセットの作成
データ生成には、環境ジオメトリ、空間的一貫性、およびユーザーの移動性を組み込んだ、現実的なレイトレーシングベースのチャネルシミュレーションを提供するDeepMIMOフレームワークを使用した。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、複数の近傍場ユーザー位置におけるチャネル応答を生成した。XL-IMSは256個の均等に分布した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場領域内で選択された。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した。付録表 1に、シミュレーションおよび再現性のパラメータをまとめる。モデルの学習には教師あり学習を用い、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ウェイトをターゲットラベルとした。
入力特徴量の作成とデータセット構造
次に、深層学習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、個別のコンポーネントとしてチャネル応答の振幅と位相が含まれています。また、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、および一部の空間パラメータを特徴量として検討することができます。データセットは、トレーニングセットとテストセットに80:20の比率で分割されました。
トレーニング用データセットの調製
最終ステップでは、作成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。このように十分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ました。チャネル応答は、学習に不可欠な近傍場情報を保持しつつ、空間的および伝搬的特性を捉える特徴量に分解されました。補足図2に、このプロセスで使用したDeepMIMOデータセットを示します。近傍場環境からのチャネルデータは複素数hnとして表現され、その実部と虚部がチャネル係数の位相および振幅情報を表しています。機械学習アルゴリズムで効果的に利用するため、係数を実部（Rehn）と虚部（Imhn）に分解しました。また、データは係数の振幅hnおよび位相∠hnとして表現することも可能です。
空間的特徴抽出
チャネル係数に加え、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導入しました。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。このようにして、信号特性が送信機と受信機のペアの空間的な位置に依存し得るという、近傍界伝搬において重要な特性をモデルに組み込みました。
正規化およびモデル入力の準備
モデルに入力を提供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が行われました。構造化ベクトルは、(Xtrain, Xtest)で表される訓練データセットとテストデータセットに分割されました。このようにして、入力がGNNおよびアテンションモデルに提供されました。
補足図2の特徴量表現に基づき、本データセットでは異なる種類の特徴量が使用されました。これには、すべてのメタ表面素子の複素信号応答を示すチャネル係数 hnが含まれます。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。虚数部と実数部は信号の数値的な記述を提供しますが、振幅と位相の部分はそれぞれ信号強度と位相シフトを明示的に記述します。ユーザーの位置座標 (x, y, z) も重要な特徴量であり、モデルの空間認識能力を向上させました。
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界XL-IMSチャネルを効率的に訓練す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い相関があり、近傍界領域内での相互作用は不均一であるため、完全結合ネットワークではチャネルを適切に表現することは適切ではありません。そこで本アプローチでは、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ました。GNNによって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によって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つのメタ表面要素を表し、エッジ eij ∈ E は要素間の空間的関係を表します。各頂点は特徴ベクトル xn を持ち、これは特徴表現フェーズを通じて得られます。隣接行列 A は、互いに近接しているか、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の定式化は、近傍場伝搬に存在する空間情報を組み込むために用いられます。
再現性を確保するため、グラフの接続性はkを8に設定したK-Nearest Neighbors（K近傍法）を用いて決定します。piおよびpjを、それぞれi番目とj番目のXL-IMS細胞の位置ベクトルとします。任意の2つの頂点間の距離は、次のようにユークリッド距離を用いて測定します：dij = ||pi − pj||2。頂点jが頂点iから最も近い8つの近傍グループに含まれる場合、頂点iとjの間にエッジが存在することになります。したがって、隣接行列は次のルールに従って構築されます：j ∈ Nk(i)であればAij = 1、それ以外の場合はAij = 0となります。
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。具体的には、レイヤー l の伝播は次のように表されます：
(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、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-nearest neighbors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。
アテンション機構
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、モデルにアテンションが導入されました。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 の重要度である。このモデルにより、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より容易に把握することが可能になる。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を経て処理され、ビームフォーミングウェイトを生成する。補足図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集約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ることで、効果的な近傍界ビームフォーミングを実現する。ノードペアの関連性を定量化するためにアテンションウェイトが計算され、より有益な相互作用に高い重要度が割り当てられる。これらのウェイトを用いて、各ノードは他のすべてのノードから情報を集約し、これによりモデルは局所的な近傍を超えたグローバルな依存性を捉えることができる。得られた重み付き特徴融合により、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サポートされる。
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位相シフトとビームフォーミングウェイトを決定しました。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な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、所望の収束しきい値である10−4に達するまで100回反復して実行した。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た。目的は、効果的な近傍界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あった。SDRやAOなどの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問題を解決した。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て使用した。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
とする。このとき、学習基準は次のように定式化した：
(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は、補足ファイル 1に記載されています。このアルゴリズムでは、まず、現実的なチャネル条件を作成するために、システムパラメータとDeepMIMOデータベースをセットアップしました。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、チャネル係数や空間特性などの重要な特徴をデータベースから抽出しました。抽出された特徴は構造化形式に変換され、その後、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。局所的な空間依存性を捉えるためにGNN層を用いて深層学習モデルを生成し、さらに大域的な依存性を学習するためにアテンション機構を導入しました。この深層学習フレームワークは、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。
この実装はPythonと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層の構造とマルチヘッドアテンション機構を備えたGNN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オプティマイザを使用しました。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、その結果を伝送レート、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向けの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を、実際の伝搬環境と空間的に整合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します。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さまざまなユーザー位置を表す多くのチャネルサンプルを生成する必要があります。具体的には、本研究では異なる伝搬条件およびユーザー位置で収集された最大10,000～20,000個のサンプルを使用します。これらのチャネルサンプルは、80%を学習用、20%をテスト用とする80:20の比率で分割されました。これにより、学習セットが学習の基礎を提供し、テストセットでモデルの汎化能力を評価します。
実験結果は、提案された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を示している。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る。 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ている。
提案された手法を、ZFおよびMMSEを含む従来のビームフォーミング技術、ならびにSDRおよびAOなどの最適化ベースの手法と比較した。遠方場アプローチは平面波仮定に制限されており、近接場XL-IMS環境では性能が低下する一方、最適化手法は計算量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。公平な比較のため、すべての手法について、DeepMIMOで生成された同一の近接場チャネル、XL-IMS構成、搬送周波数、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およびMMSEでは同一のチャネル状態情報を想定し、SDRおよびAOは、標準的な文献に基づくパラメータ設定を用い、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性能を比較するために、ZF、MMSE、SDR、AOを含むベンチマーク手法が用いられています。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が向上しますが、提案モデルは一貫してベンチマーク手法を上回っています。本モデルは 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 では、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、近傍界領域におけるユーザ距離の関数として比較しています。ユーザ距離が増加すると、伝搬経路損失の増大により受信ビームフォーミング信号電力が低下し、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します。それにもかかわらず、提案するGNN-attentionフレームワークは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、1 mで約 28 dB、4 mで 25 dB、7 mで 22 dBに達し、評価したすべての距離においてSDR、AO、MMSE、およびZFを上回っています。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ます。
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方式の周波数利用効率を、ZF、MMSE、SDR、およびAOと比較し、SNRが0から30 dBの範囲における特性を示しています。すべての手法において、SNRが高くなるにつれて周波数利用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りました。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のエネルギー効率を、ZF、MMSE、SDR、およびAOと比較しています。すべての手法でSNRの増加とともに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りました。
データセットおよび特徴量表現の評価
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おける平均二乗誤差（MSE）の収束挙動を示している。MSEはトレーニングの初期段階で急速に減少し、約（数値）から低下し、 エポック5で0.69からエポック20で0.22へ、さらに約まで減少する エポック35時点で0.08。 モデルは、〜によって徐々に収束します。 エポック 50、約（数値）の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が効果的に学習さ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法とZF、MMSE、SDR、AOの和レート性能を比較したものである。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るが、提案手法は一貫して最高の性能を示しており、ユーザー数2名で12.5 bps/Hz、6名で31.6 bps/Hz、12名で50.3 bps/Hzを達成し、異なる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った。
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のマルチユーザ性能を、ZF、MMSE、SDR、およびAOと比較しています。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示しています。図9は、SINRの累積分布関数（CDF）の比較を示しています。提案アプローチは分布が右側にシフトしており、ユーザ間で一貫して高い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）を上回りました。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グローバル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場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証明しています。
表3に、5回の独立した実験走行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、提案した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方式と従来の手法との計算量および推論時間を比較しています。トレーニング中の計算コストは、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。このようなトレーニング時のオーバーヘッドがあるものの、学習済みビームフォーマーにより、導入時の反復最適化の必要性が排除されます。提案モデルは平均4.9 msの推論時間を達成しており、これはSDR (85.4 ms)、AO (63.7 ms)、MMSE (15.6 ms)、およびZF (12.8 ms)よりも大幅に低くなっています。さらに、スケーラビリティ分析により、ユーザー数およびメタサーフェス素子数が増加しても性能が安定してい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構成要素の効果は、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構成要素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つの構成要素すべてを包含しますが、アブレーションモデルは、(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）で構成されます。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。その結果、システム全体の性能は構成要素によって大きく影響を受け、特に物理ベースチャネルモデルを省略した場合に最も悪影響が出ることが示されました。このことは、近傍界領域において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ます。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、およびSINR 25 dBを記録したことから、提案するアーキテクチャが有効に機能していることが実証されました。アテンションメカニズムがない場合、モデルは10.2 bps/Hzしか達成できず、これはグローバルな信号コンテキストが弱まったことを示しています。さらに、GNNコンポーネントを除去すると9.8 bps/Hzという低い性能となり、近接場通信において空間依存性のモデリングが必要であることが示されました。最大の性能低下は、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となりました。これにより、近接場チャネルモデリングも不可欠であることが実証されました。
要約すると、実験結果により、XL-IMS対応の6Gネットワークへの適用を目的とした、電磁波の近傍場に基づくチャネルおよびビームフォーミングモデルを開発するという研究目標が確認されました。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達成しました。アブレーション解析により、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使用が、性能向上に非常に有用であることが示されました。
データの可用性
本研究で生成および分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）で公開されています。シミュレーションデータセットは、DeepMIMO Pythonリポジトリを使用し、O1屋外レイトレーシングシナリオ、キャリア周波数 28 GHz、および近傍界 XL-MIMO 構成を用いて生成されました。DeepMIMO Pythonリポジトリは、https://github.com/DeepMIMO/DeepMIMO-python で入手可能です。
図 1: 提案手法の全体アーキテクチャ。提案す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手法のパイプライン全体の概略図。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 2: システムモデルのアーキテクチャ。 近傍場ビームフォーカシングを用いた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 4: ビームフォーミング利得対距離。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達成されたビームフォーミング利得を示しており、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維持を例証している。こちらのリンクから、この図の拡大版をご覧いただけます。
図 5: スペクトル効率 対 SNR の結果。 様々な SNR 値におけるスペクトル効率の比較。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 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性能。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 7: MSE収束の結果。 トレーニング中のMSE損失の収束。 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 8: ユーザー数に対する合計レートの結果。ユーザー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によるSINRの比較結果。CDFプロットに基づくSINRの比較。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。
| 方法 | 平均達成可能伝送速度 (bps/Hz) | パフォーマンスレベル |
| 提案手法（GNN-attention） | 7.36 | ***** |
| ソフトウェア定義無線（SDR） | 6.66 | **** |
| アセトアルデヒド酸化酵素 | 6.5 | **** |
| ミニメンタルステート検査 (MMSE) | 6.03 | *** |
| ジンクフィンガー | 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性能率を示します。
| 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 |
| AO | 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 |
| 亜鉛フィンガー | 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 |
| 達成可能率 | 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る。
| 手法 | 学習コスト | 推論コスト | 平均推論時間 (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 |
| 提案手法 GNN-attention | O(E·L·F² + N²) | O(E·L·F² + N²) | 4.9 |
表4：計算量およびスケーラビリティ解析。提案手法の計算量およびスケーラビリティ解析の結果を示す。
| モデルのバリアント | 達成レート (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) |
| 提案モデルフルセット (GNN + attention + 物理ベース) | 11.6 ± 0.2 | 28.0 ± 0.4 | 25.0 ± 0.3 | 10.5 ± 0.2 |
| アテンション機構なし | 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 |
| 物理ベースチャネルモデルなし (遠方界仮定) | 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のアブレーション解析を示す。
補足図1. 近傍界チャネルモデリング 球面波に基づく近傍界チャネルモデリングおよび行列構築の概略図。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し、トレーニングおよび評価のモデル入力として使用した特徴量。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。こちらをクリックしてファイルをダウンロードしてください。
付録表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。こちらのリンクをクリックして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：提案する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。このアルゴリズムでは、データセットの生成、グラフ構築、モデルのトレーニング、ビームフォーミングの最適化、および性能評価の手順について概説しています。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.