Een abonnement op JoVE is vereist om deze inhoud te bekijken. Log in of start vandaag met uw gratis proefperiode.

Onderzoeksartikel

Deep learning-gebaseerd GNN-attention-framework voor near-field kanaalmodellering en beamforming in draadloze systemen van de zesde generatie: een simulatiestudie

45 weergaven

⸱

DOI:

10.3791/72011

⸱

1 september 2026

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

In dit artikel

Samenvatting

Dit werk introduceert een op fysica gebaseerd deep learning-raamwerk voor beamforming en near-field kanaalmodellering in draadloze systemen van de zesde generatie met behulp van Extremely Large Intelligent Metasurfaces. In vergelijking met traditionele far-field communicatietechnieken verbetert de voorgestelde methode de energie-efficiëntie, de beamforming-versterking en de spectrale efficiëntie.

Samenvatting

De opkomst van netwerken van de zesde generatie (6G) heeft geleid tot de ontwikkeling van Extremely Large Intelligent Metasurfaces (XL-IMS) om ultrasnelle snelheden en een hoge spectrale efficiëntie te realiseren. Klassieke far-field kanalen zijn echter niet toepasbaar op near-field transmissie vanwege de propagatie van sferische golven en het gebrek aan ruimtelijke stationariteit, wat leidt tot verminderde beamforming-prestaties en een toegenomen computationele complexiteit. Het doel van dit onderzoek is daarom om een methode te ontwikkelen voor near-field kanaalmodellering en beamforming-optimalisatie op basis van physics-driven deep learning. De voorgestelde oplossing maakt gebruik van een physics-driven sferisch golfkanaalmodel, samen met graph neural networks (GNN's) en attention-mechanismen, om lokale ruimtelijke relaties tussen gebruikers en het globale netwerk vast te leggen. Daarnaast wordt een algoritme voor leergebaseerde beamforming voorgesteld om de efficiëntie van de energiefocus op near-field gebruikers te verhogen. De prestaties van het voorgestelde raamwerk worden geëvalueerd met behulp van realistische propagatiescenario's uit de DeepMIMO-dataset. De simulatieresultaten laten zien dat de voorgestelde techniek een bereikbare snelheid van 11,6 bps/Hz, een beamforming-versterking van 28 dB, een spectrale efficiëntie van 10,5 bps/Hz, een energie-efficiëntie van 9,8 bits/Joule en een signaal-ruis-plus-interferentieverhouding (SINR) van 25 dB oplevert. Vergeleken met traditionele technieken zoals Zero Forcing (ZF), Minimum Mean Square Error (MMSE), Semidefinite Relaxation (SDR) en Alternating Optimization (AO), verbetert het voorgestelde schema de algemene communicatieprestaties met ongeveer 10-15%. Deze resultaten tonen aan dat de integratie van near-field kanaalmodellering met GNN-gebaseerd attention-leren kan dienen als een efficiënte en nauwkeurige beamforming-techniek voor toekomstige 6G draadloze netwerken die gebruikmaken van XL-IMS-technologie.

Inleiding

De interesse in beamforming is de afgelopen jaren drastisch toegenomen. Extreme capaciteitseisen zijn gebruikelijk geworden met de introductie van 6G, gedreven door de groeiende vraag naar betere connectiviteit en hogere datasnelheden. Voor het effectief sturen van signalen en het verbeteren van de algehele netwerkprestaties is beamforming daarom een veelbelovende methode1. Conventionele draadloze communicatiesystemen hebben ruimtelijke bronnen in het verre veld effectief benut voor ruimtelijke diversiteit. Een opkomend onderzoeksgebied met enorme potentie voor toekomstige draadloze communicatie is near-field beamforming2.

Herconfigureerbare intelligente oppervlakken (RIS) zijn daarentegen bijzonder interessant omdat ze enkele van de voortplantingsproblemen die gepaard gaan met het mmWave/THz-spectrum kunnen overwinnen3,4. RIS kunnen inkomende elektromagnetische golven reflecteren, breken en manipuleren5. In dit geval is het sturen van de straal in een gewenste richting of vorm het hoofddoel, en de RIS kan worden beschouwd als een middel om de stralingspatronen van de stralingsbron te wijzigen. Voor far-field RIS zijn er in de loop der jaren verschillende fundamentele onderwerpen bestudeerd6,7,8,9,10,11, waaronder kanaalschatting, lokalisatie, standaardisatie en passieve/actieve beamforming. Deze technologie maakt multiuser-communicatie mogelijk door stralen te focussen, wat een compromis biedt tussen padverlies en penetratie, vooral in middenfrequentiebanden zoals het 10 GHz-bereik12. Slimme interfaces werden verder ontwikkeld binnen communicatienetwerken en worden momenteel onderzocht om de ruimtelijke resolutie en de communicatiebandbreedte te verbeteren13. De hogere frequenties en grotere antenna-aperturen tijdens de overgang van 5G naar 6G zetten traditionele far-field communicatiescenario's om in near-field communicatiescenario's14,15.

Het nabijveldgebied zal essentieel zijn in 6G-netwerken, waardoor onderzoek naar nieuwe nabijveldtechnieken noodzakelijk is16. Golven moeten als bolgolven in plaats van vlakke golven worden behandeld om de propagatie van elektromagnetische golven in nabijveldtechnologie te verbeteren. Deze nieuwe fysieke eigenschap vertoont een verscheidenheid aan elektromagnetische effecten, waaronder ruimtelijke niet-stationariteit, beamsplitting, tri-polarisatie en evanescente golven17. Hierdoor kunnen veel conventionele communicatiemethoden deze nieuwe fysieke eigenschappen mogelijk niet volledig benutten of ernstige prestatieverliezen ondervinden in 6G-nabijveldomgevingen18. Een discrepantie tussen huidige communicatietechnologieën voor het verre veld en propagatiemodellen voor het nabijveld kan de effectiviteit van huidige verreveldtechnieken op nabijveldlocaties aanzienlijk verminderen19. In tegenstelling tot traditionele smalbandige systemen voor het verre veld, moeten nieuwe elektromagnetische (EM) effecten worden meegerekend in breedbandige RIS-systemen voor het nabijveld. Ten eerste bevat het nabijveldkanaal twee hoeken en afstanddimensies vanwege het bolvormige golffront in het nabijveldspectrum, in tegenstelling tot de hypothese van het vlakke golffront in verreveldkanaalmodellen. In plaats van nabijveld-beamnavigation resulteert dit in de concentrerende werking van de nabijveldbeam20,21. De term "beamsplitting-effect" verwijst naar de mogelijkheid dat beams die bij verschillende gebeurtenissen worden gegenereerd, op afzonderlijke locaties worden geconcentreerd22.

In tegenstelling tot het verre veld, waar elektromagnetische (EM) golffronten als vlak worden benaderd, vereisen near-field communicatiesystemen rekening houden met de voortplanting van sferische golffronten. Deze eigenschap biedt zowel kansen als uitdagingen voor toekomstige draadloze netwerken. Door gebruik te maken van sferische golffronten kan beam focusing signalen concentreren binnen een specifiek ruimtelijk gebied, wat leidt tot een verbeterde interferentieonderdrukking en multi-user communicatie in vergelijking met conventionele far-field beam steering. Het introduceert echter ook extra complexiteiten in het ontwerp en de signaalverwerking23,24. Vroege studies naar near-field communicatie omvatten het werk in25, waarin de verschillen tussen near-field en far-field regio's, kernconcepten, technische uitdagingen, toepassingen en codebook-gebaseerde kanaalschatting werden beschreven. Vervolgens onderzocht de auteur26 de fundamentele verschillen tussen far-field transmissie op basis van vlakke golffronten en near-field transmissie op basis van sferische golffronten, met de focus op beamforming, kanaalanalyse, systeemprestaties en integratie met technologieën van de volgende generatie. Bovendien onderzocht de auteur27 belangrijke uitdagingen in near-field communicatie, waaronder kanaalmodellering, schatting, beamforming, hardwarearchitectuur en sensing, terwijl recente vorderingen op deze gebieden werden samengevat.

Recente studies hebben uitgebreid onderzoek gedaan naar near-field draadloze communicatie en kanaalmodellering voor opkomende 6G-systemen. Uitgebreide overzichten hebben de principes van near-field communicatie, holografische MIMO-architecturen, kanaalmodelleringstechnieken, signaalverwerkingsmethoden en geïntegreerde sensing- en communicatie-applicaties onderzocht, terwijl ook de belangrijkste uitdagingen met betrekking tot kanaalschatting en systeemontwerp in near-field omgevingen zijn geïdentificeerd28,29. Om het beam-splitting effect in RIS-ondersteunde mmWave/THz-systemen aan te pakken, zijn verschillende oplossingen voorgesteld, waaronder gedistribueerde RIS-implementatiestrategieën en RIS-architecturen ondersteund door true time delay (TTD). Deze benaderingen verbeteren de frequentie-selectieve bundelcontrole en verminderen de degradatie door beam-splitting; echter gaan ze vaak gepaard met verhoogde implementatiekosten, een grotere hardwarecomplexiteit of afhankelijkheid van gespecialiseerde vertragingscomponenten 30,31,32.

Beamforming-optimalisatie heeft aanzienlijke aandacht gekregen vanwege de gecombineerde effecten van bundelfocusering en ruimtelijke breedbandvervorming in systemen met extreem grote apertuur-arrays (ELAA). Bestaande studies hebben fasevertraging-focuseringsmethoden, TTD-gebaseerde architecturen en optimalisatiekaders voor holografische metasurface-antennes verkend om de beamforming-versterking te verbeteren en dubbele breedbandeffecten te beperken33,34,35,36. Desondanks blijven de meeste XL-IMS-gerelateerde studies vertrouwen op aannames over vlakke golven in het verre veld, die onvoldoende zijn voor extreem grote aperturen. Als gevolg hiervan worden belangrijke nabijveldeigenschappen, waaronder sferische golfvoortplanting, ruimtelijke non-stationariteit, wederzijdse koppeling en afstandsafhankelijke bundelfocusering, vaak genegeerd37,38. Onlangs zijn technieken voor kunstmatige intelligentie opgekomen als veelbelovende oplossingen voor nabijveld-beamforming en kanaaloptimalisatie in XL-IMS-gestuurde 6G-netwerken. In het bijzonder hebben meta-learning-gebaseerde methoden een sterke aanpassingscapaciteit en snelle convergentie aangetoond onder dynamische draadloze omstandigheden met beperkte trainingsgegevens. Deze benaderingen bieden aanzienlijk potentieel voor intelligente nabijveldcommunicatiesystemen en toekomstige autonome draadloze netwerkoptimalisatie39,40.

Bestaande beamforming-technieken vertrouwen grotendeels op vereenvoudigde far-field kanaalmodellen die er niet in slagen om kritieke near-field kenmerken in ultra-massive structuren vast te leggen. Bovendien blijven dataset-gestuurde evaluaties in realistische omgevingen, zoals DeepMIMO, beperkt, en heeft de gezamenlijke optimalisatie van near-field kanaalmodellering en beamforming voor dynamische gebruikersscenario's onvoldoende aandacht gekregen. Daarnaast blijft computationele schaalbaarheid een belangrijke uitdaging voor praktische 6G-implementaties met XL-IMS. Om deze beperkingen aan te pakken, stelt deze studie een uniform raamwerk voor dat natuurkundig gebaseerde sferische-golf kanaalmodellering combineert met GNN's en attentiemechanismen voor near-field beamforming. Het voorgestelde raamwerk houdt expliciet rekening met ruimtelijke non-stationariteit, metasurface-interacties en afstandsafhankelijke propagatie, en is gevalideerd met behulp van de DeepMIMO-dataset.

Het voorgestelde raamwerk integreert fysieke kanaalmodellering met deep learning om een nauwkeurige weergave van het nabijveldkanaal en beamforming-optimalisatie voor XL-IMS-systemen mogelijk te maken. Door expliciet rekening te houden met sferische golfpropagatie en ruimtelijke niet-stationariteit, faciliteert deze studie nauwkeurige bundelfocussing, terwijl de energieallocatie, de beamforming-versterking en de interferentieonderdrukking worden verbeterd. Het raamwerk bevat bovendien elementgewijze optimalisatie van de faseresponsen van het metasurface om adaptieve bundelsturing in dichte communicatieomgevingen mogelijk te maken. Met behulp van realistische propagatiescenario's uit de DeepMIMO-dataset demonstreert de voorgestelde aanpak een verbeterde spectrale efficiëntie, beamforming-prestaties en computationele efficiëntie, waarmee een schaalbare oplossing wordt geboden voor grootschalige 6G-communicatienetwerken met XL-IMS.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Protocol

Het voorgestelde raamwerk voor Near-Field Channel Modeling en Beamforming in XL-IMS-ondersteunde 6G-systemen combineert natuurkundige modellering met optimalisatie via machine learning om de beperkingen van conventionele far-field-benaderingen te overwinnen. Er is een near-field kanaalmodel ontwikkeld dat bolgolfvoortplanting en ruimtelijke niet-stationariteit incorporeert, welke is gevalideerd met behulp van de DeepMIMO-dataset. Kanaalinformatie wordt weergegeven als een graaf om ruimtelijke afhankelijkheden tussen metasurface-elementen en gebruikers vast te leggen, en een end-to-end GNN-attention-netwerk wordt ingezet om beamforming-gewichten te leren voor near-field beam focusing. In tegenstelling tot conventionele iteratieve optimalisatiemethoden voorspelt het leergebaseerde raamwerk direct beamforming-oplossingen, waardoor de computationele complexiteit wordt verminderd terwijl een hoge nauwkeurigheid en aanpassingsvermogen aan dynamische kanaalcondities behouden blijven. De prestaties worden geëvalueerd op basis van de haalbare snelheid, beamforming-gain en energie-efficiëntie, waarbij superieure resultaten worden aangetoond in vergelijking met traditionele far-field beamforming-methoden. Figuur 1 illustreert het algemene raamwerk.

Dit zijn de voorgestelde stappen:

Stap 1: Configureer de DeepMIMO-omgeving

Het DeepMIMO v3.x platform wordt eerst geconfigureerd via de O1 Outdoor-instelling, die gebruikmaakt van een draaggolfrequentie van 28 GHz en een bandbreedte van 100 MHz. In de simulatie wordt de XL-IMS weergegeven door een 16×16 uniform planair array van 256 reflecterende elementen, met een onderlinge afstand van λ/2. Het gekozen propagatiemodel is een sferische golf met LoS- en NLoS-paden.

Stap 2: Definieer de XL-IMS-geometrie en de locaties van gebruikers

Ontwerp de XL-IMS als een 16×16 planair metasurface dat bestaat uit 256 reconfigureerbare reflecterende elementen. De gebruikersterminalapparaten werden willekeurig verdeeld binnen het nabijveld, van 0,5m tot 10m van de XL-IMS, op basis van het Rayleigh-afstandscriterium.

Stap 3: Genereer nabbeveldkanalen met behulp van sferische golfvoortplanting

Modelleer de kanalen tussen elk reconfigureerbaar metasurface-element en de gebruiker met behulp van sferische golfpropagatie, waarbij rekening wordt gehouden met de door afstand veroorzaakte fasevariatie.

Stap 4: Genereer near-field kanaalgegevens

Gebruikersterminals werden gelijkmatig verdeeld binnen de nabijveldzone (0,5-10 m) vanaf het XL-IMS-paneel. Zowel LoS- als NLoS-voortplantingspaden, gegenereerd door het DeepMIMO O1 Outdoor Scenario, werden gebruikt om de kanalen te genereren.

Stap 5: Bereid de dataset voor voor training en testen

De gegenereerde dataset bestond uit 20.000 monsters, waarvan 16.000 (80%) werden gebruikt voor training en 4.000 (20%) voor testen.

Stap 6: Normaliseer input-kenmerken en bereid model-inputs voor

De laatste fase van het voorbereidingsproces bestond uit het uitvoeren van Min-Max-schaling op alle inputkenmerken, zoals kanaalamplitude, fase, afstand en gebruikerscoördinaten. Met dit proces werden de gegevens geschaald en omgezet in tensoren, die vervolgens in het GNN-attention-netwerk werden gevoed. Het model werd geoptimaliseerd met de Adam-optimizer met een leerpercentage van 0.001 en 50 epochs.

Stap 7: Pas het aandachtmechanisme toe

Voeg een attention-mechanisme toe om globale graafinformatie te overwegen en lange-afstandsafhankelijkheden tussen graafknopen vast te leggen. Dit helpt het model om zich te concentreren op belangrijke ruimtelijke kenmerken.

Stap 8: Voorspel de beamforming-gewichten

Voorspel de beamforming-gewichten en faseverschuivingswaarden met behulp van GNN-attention embedding. De complexe, arbeidsintensieve en iteratieve beamforming-procedures worden vervangen door de voorspellingsmethode.

Stap 9: Evalueer prestatiemetrics

Om te beoordelen hoe effectief de communicatie en beamforming werken, worden KPI's berekend zoals de haalbare snelheid, beamforming-gain, spectrale efficiëntie, energie-efficiëntie en SINR.

Stap 10: Vergelijken met benchmarkmethoden

Vergelijk het voorgestelde algoritme met traditionele algoritmen, waaronder ZF, MMSE, SDR en AO.

Definitie van het systeemmodel

Het voorgestelde systeem beschouwt een 6G draadloos netwerk gefaciliteerd door een XL-IMS bestaande uit 256 reconfigureerbare reflecterende elementen die de voortplanting van elektromagnetische golven regelen via instelbare faseverschuivingen. Aangezien gebruikers zich in het nabijveld bevinden, is de conventionele aanname van vlakke golven voor het verre veld niet langer geldig, waardoor rekening moet worden gehouden met sferische golfvoortplanting, afstandsafhankelijke demping en ruimtelijke niet-stationariteit. De grens tussen de nabijveld- en verreveldregio's wordt bepaald door de Rayleigh-afstand, die afhankelijk is van de grootte van het metasurface en de golflengte van de draaggolf, en markeert de overgang van sferische golffront-effecten naar vlakke golfvoortplanting. Dit wordt als volgt beschreven:

Resolutievergelijking R=2D²/λ, formule voor optica, relevant voor diffractieanalyse. (1)

Hier is D de grootte van het metasurface, λ de golflengte en R de Rayleigh-afstand. Een near-field-fenomeen treedt op in het communicatiekanaal wanneer een gebruiker zich op een positie bevindt die dichterbij is dan de werkelijke waarde van R. Terwijl het signaal door verschillende metasurface-componenten reist, ondergaat het specifieke variaties in fase en amplitude.

Het kanaal van het n-de metasurface naar de gebruiker maakt gebruik van een sferisch golfmodel voor nabveldvoortplanting, wat wordt weergegeven door de volgende vergelijking voor de kanaalcoëfficiënt:

Formule voor signaaldemping, \(h_n = \frac{\alpha}{d_n} e^{-j\frac{2\pi}{\lambda}d_n}\), vergelijking. (2)

Hier verwijst α naar de padverliesparameter, λ naar de golflengte van de draaggolf en dn naar de afstand van de gebruiker tot het component.

In dit geval is βn de padverliesfactor voor het nde XL-IMS-element en kan deze worden uitgedrukt als βn = dn−α, waarbij α staat voor de padverliesexponent. Er moet worden opgemerkt dat dn de Euclidische afstand is van de positie van de gebruiker tot het nde metasurface-element. Kanaalveranderingen met betrekking tot de ruimte worden veroorzaakt door de aanzienlijke verschillen in dn tussen verschillende metasurfaces, in tegenstelling tot de situatie bij far-field-kanalen. In het algemeen kan de kanaalvector als volgt worden uitgelegd:

Matrixnotatieformule \( h = [h_1, h_2, ..., h_N]^T \), gebruikt in studies van de lineaire algebra. (3)

Het ingangssignaal dat door de gebruiker wordt ontvangen, is afhankelijk van de fase-afstemming van het XL-IMS-systeem. Stel dat θ = [θ1, θ2, …., θN] de faseverschuiving representeert die wordt gerealiseerd met behulp van het metasurface. Dan kan het ingangssignaal als volgt worden uitgedrukt:

Signaalverwerkingsvergelijking: y=h^HΦws+n. Mathematische formule voor algoritmeanalyse. (4)

waarbij Φ = diag(ejθ1, ….., ejθN) het verzonden signaal is, w de base coding precoding-vector is en n staat voor ruis. De near-field kanaalvector is gedefinieerd als h ∈ ℂN×1, de diagonale fasieverschuivingsmatrix van de XL-IMS als Φ ∈ ℂN×N, de beamforming-vector als x ∈ ℂN×1 en het ontvangen signaal als y ∈ ℂ. De additieve ruisterm is gedefinieerd als n ∼ CN (0, σ2). Deze dimensies waarborgen de wiskundige correctheid van de formulering.

In dit geval is ws de precodingvector van het basisstation die wordt gebruikt om het verzonden symbool (s) te precoden. Tijdens de benchmarking van de prestaties worden gangbare digitale precodingbenaderingen, zoals ZF en MMSE, in het basisstation geïmplementeerd met vergelijkbare near-field kanaalrealisaties. De nieuwe benadering streeft echter naar het optimaliseren van de XL-IMS fasestuurmatrix (θ) via het GNN-attention leer-mechanisme.

Om de energie in de nabijveldregio te concentreren, moet voor de gebruiker een ontwerp θ kunnen worden gerealiseerd waarbij constructieve interferentie optreedt. De beamforming-strategie is erop gericht de spectrale efficiëntie of het ontvangen signaalvermogen te maximaliseren. Figuur 2 beschrijft de architectuur van het nabijveld-communicatiesysteemmodel op basis van de XL-IMS-benadering.

Nabijveld-kanaalmodellering

Het voorgestelde nabijveldmodel voor 6G-communicatienetwerken op basis van XL-IMS is specifiek ontworpen om de voortplantingsomstandigheden nabij de Rayleigh-afstand van het metasurface na te bootsen. In het nabijveld is de voortplanting sferisch, met veranderende fasewaarden en niet-homogene ruimtelijke parameters over het metasurface, in tegenstelling tot conventionele verreveld-voortplantingsmodellen die uitgaan van planaire golven. In de huidige studie is een op natuurkunde gebaseerd sferisch golfmodel gebruikt om een nauwkeurige kanaalimpulsresponsmatrix te ontwerpen die rekening houdt met de fysieke locaties van zowel de metasurface-elementen als de gebruikersterminals.

Kanalrepresentatie op basis van afstand

De afstand tussen elk metasurface-component en de gebruiker is een cruciale factor bij het construeren van het kanaalmodel in het nabijveldregime. De lengte pn tussen de gebruikerslocaties pu en het n-de XL-IMS-component wordt gegeven door:

Vergelijking van statisch evenwicht: dn=|pn−pu|; procesdiagram voor structurele analyse. (5)

Deze waarde varieert aanzienlijk over het metasurface vanwege het extreem grote oppervlak, wat leidt tot ongelijke propagatietijden en faseverschuivingen die in het model moeten worden meegenomen.

Sferisch golfkanaalmodel

De kanaalcoëfficiënt tussen het n-de element en de gebruiker wordt bepaald met behulp van het bolgolfmodel beschreven in Vergelijking (2), dat afstandsafhankelijke fase- en amplitudevariaties vastlegt. Voor datasetgeneratie en modeltraining worden kanaalcoëfficiënten verkregen uit het DeepMIMO ray-tracing framework, dat zowel line-of-sight (LoS) als non-line-of-sight (NLoS) multipadpropagatie incorporeert op basis van realistische omgevingsstructuren. Op basis hiervan kan de kanaalresponsmatrix worden geconstrueerd uit de kanaalresponsen voor alle N meta-oppervlakte-elementen, zoals in Vergelijking (3).

Ruimtelijke niet-stationariteit van nabveldkanalen en modelbelang

In tegenstelling tot far-field kanalen vertonen near-field kanalen ruimtelijke niet-stationariteit, waarbij de ontvangen signalen variëren over het metasurface, wat locatieafhankelijke bundelfocussering mogelijk maakt. Deze ruimtelijke informatie is ingebed in de kanaalresponsmatrix en wordt vastgelegd door het GNN-attention model. Aanvullende Figuur 1 illustreert het voorgestelde framework voor near-field kanaalmodellering voor het op XL-IMS gebaseerde 6G-communicatiesysteem en de generatie van realistische kanaaldata voor deep learning-gebaseerde beamforming.

Datasetgeneratie

De datageneratie werd uitgevoerd met het DeepMIMO-framework, dat realistische op ray-tracing gebaseerde kanalsimulaties biedt waarin omgevingsgeometrie, ruimtelijke consistentie en gebruikersmobiliteit zijn geïntegreerd. Kanalresponsies voor meerdere gebruikerslocaties in het nabije veld werden gegenereerd met behulp van het O1-buitenscenario bij een draaggolfrequentie van 28 GHz en een bandbreedte van 100 MHz. De XL-IMS bestond uit 256 uniform verdeelde reflecterende elementen, en gebruikerslocaties werden geselecteerd binnen de nabije veldregio op basis van het Rayleigh-criterium. Kanaalcoëfficiënten, padversterkingen en ruimtelijke informatie werden geëxtraheerd met de DeepMIMO Python-bibliotheek. Aanvullende Tabel 1 vat de simulatie- en reproduceerbaarheidsparameters samen. Het model werd getraind met behulp van supervised learning, waarbij kenmerken van de kanaaltoestand als inputs dienden en op fysica gebaseerde geoptimaliseerde beamforming-gewichten als doellabels.

Creatie van inputkenmerken en datasetstructuur

Vervolgens werden de ruwe kanaalgegevens omgezet in kenmerken voor invoer in deep learning-modellen. Deze kenmerken omvatten de magnitudes en fasen van de kanaalrespons als afzonderlijke componenten. Afhankelijk van de vereisten van het probleem konden ook andere invoerparameters worden opgenomen. Zo zouden bijvoorbeeld de coördinaten van gebruikers, afstanden en bepaalde ruimtelijke parameters ook als kenmerken kunnen worden beschouwd. De dataset werd in een verhouding van 80:20 gesplitst in trainings- en testsets.

Voorbereiding van de dataset voor training

De laatste stap hield in het normaliseren van de voorbereide dataset en het converteren ervan naar tensors die geschikt zijn als input voor de GNN-attention architectuur voor training. De trainingsdataset werd gebruikt om de mapping van kanaaltoestand naar de optimale beamforming-gewichten te leren, terwijl de testdataset werd gebruikt om de effectiviteit van het model te beoordelen. Deze zorgvuldig voorbereide dataset maakte het leerproces eenvoudiger en effectiever. Aanvullende Tabel 2 toont de details van de datasetbeschrijving van DeepMIMO.

Kenmerkrepresentatie

De fase van kenmerkrepresentatie transformeerde complex-waardige near-field kanaalgegevens naar een formaat dat geschikt is voor deep learning. Kanaalresponsen werden ontbonden in kenmerken die ruimtelijke en voortplantingskarakteristieken vastleggen, terwijl essentiële near-field informatie voor het leerproces behouden bleef. Aanvullende Figuur 2 illustreert de DeepMIMO-dataset die in dit proces is gebruikt. De kanaalgegevens uit de near-field omgeving werden gerepresenteerd als complexe getallen hn, met reële en imaginaire componenten die de fase- en amplitudeinformatie van de kanaalcoëfficiënten representeren. Om effectief gebruik in machine learning-algoritmen mogelijk te maken, werden de coëfficiënten ontbonden in hun reële (Rehn) en imaginaire (Imhn) delen. De gegevens konden ook worden gerepresenteerd als de magnitude hn en de fase van de coëfficiënten ∠hn.

Ruimtelijke kenmerkextractie

Naast de kanaalcoëfficiënt werden ruimtelijke kenmerken meegenomen om rekening te houden met de geometrische aard van de nabveld-omgeving. Dit omvatte de afstand dn van elk metasurface-element tot de ontvanger, samen met de coördinaten (x, y, z) van de ontvanger. Op deze manier hield het model rekening met het feit dat de signaalkenmerken kunnen afhangen van de ruimtelijke positie van het zender-ontvangerpaar, een eigenschap die van belang is voor nabveld-voortplanting.

Normalisatie en voorbereiding van de modelinput

Als voorbereidende stap voordat de inputs aan het model werden gevoed, werd een normalisatieproces uitgevoerd om numerieke instabiliteit te voorkomen en de convergentie te versnellen. De gestructureerde vectoren werden verdeeld in trainings- en testdatasets, aangeduid als (Xtrain, Xtest). Op deze manier werden de inputs vervolgens aan de GNN- en attention-modellen verstrekt.

Op basis van de kenmerkrepresentatie in Aanvullende Figuur 2 werden verschillende soorten kenmerken in deze dataset gebruikt, waaronder kanaalcoëfficiënten hn, die de complexe signaalrespons van alle metasurface-elementen aangaven. Een ander kenmerk was de afstand dn, wat in dit geval wees op propagatie-effecten. Hoewel de imaginaire en reële componenten een numerieke beschrijving van het signaal bieden, geven de grootte en de fase respectievelijk een expliciete beschrijving van de signaalsterkte en de faseverschuiving. De positiecoördinaat van de gebruiker (x, y, z) was een ander belangrijk kenmerk dat het ruimtelijk bewustzijn van het model verbeterde.

Deep learning ontwerp met gebruik van GNN voor ruimtelijke afhankelijkheidsmodellering geïntegreerd met een hybride aandachtmechanisme voor het leren van globale context

Dit leeralgoritme is ontwikkeld om het complexe near-field XL-IMS-kanaal, met zijn ruimtelijke en propagatiekenmerken, efficiënt te trainen met behulp van GNN's en een aandachtsmeganisme. Aangezien de metasurface-elementen sterk met elkaar gecorreleerd zijn en hun interacties binnen de near-field zone niet uniform zijn, is een volledig verbonden netwerk niet geschikt om het kanaal correct weer te geven. Daarom wordt in deze benadering de metasurface weergegeven als een graaf, waarbij elk element fungeert als een knoop en de interacties daartussen als randen. De GNN legde gelokaliseerde ruimtelijke afhankelijkheden tussen naburige knopen vast, terwijl het aandachtsmeganisme het leren van globale afhankelijkheden verbeterde.

Grafische weergave van XL-IMS

De XL-IMS wordt gemaakt als een graaf G = (V, E), waarbij elke knoop vn ∈ V één meta-oppervlakte-element vertegenwoordigt, terwijl zijden eij ∈ E de ruimtelijke relaties tussen de elementen vertegenwoordigen. Elke knoop heeft een kenmerkvector xn, die wordt verkregen via de fase van kenmerkrepresentatie. De redundantiematrix A legt de connectiviteit vast tussen knopen die dicht bij elkaar liggen of binnen bepaalde afstandbeperkingen vallen. Een dergelijke graaformulering wordt gebruikt om de ruimtelijke informatie die aanwezig is bij nabveldvoortplanting te integreren.

Om reproduceerbaarheid te bereiken, wordt de connectiviteit van de graaf bepaald met de K-Nearest Neighbors-benadering waarbij k is ingesteld op 8. Laat pi en pj respectievelijk de locatievectoren van de i-de en j-de XL-IMS-cellen voorstellen. De afstand tussen twee willekeurige knooppunten wordt gemeten via de Euclidische metriek als volgt: dij = ||pi − pj||2. Er is een zijde tussen de knooppunten i en j als knooppunt j is opgenomen in de groep van de acht dichtstbijzijnde buren van knooppunt i. Daarom wordt de adjacentiematrix geconstrueerd volgens de volgende regel: Aij = 1 als j ∈ Nk(i) en Aij = 0 in andere gevallen.

In het voorgestelde GNN worden updates voor elke knoop berekend op basis van informatie van andere naburige knopen. In het bijzonder kan de propagatie van laag l als volgt worden weergegeven:

Vergelijking van het grafische neurale netwerk, formule voor knooppuntupdate, neuraal berekeningsproces, wiskundige uitdrukking. (6)

waarbij hi(l) de kenmerkvector vertegenwoordigt van knooppunt i in laag l, N(i) de nabuurschap is van knooppunt i, W(l) de leerbare gewichtsmatrix is, en σ(·) een niet-lineaire activeringsfunctie symboliseert.

Het GNN-attentionmodel bestond uit drie grafische convolutionele lagen met verborgen dimensies ingesteld op 128, waarbij de Rectified Linear Unit (ReLU) werd gebruikt als activatiefunctie. De graafgeneratie werd uitgevoerd met de k-nearest neighbors-methode (k=8). Elke XL-IMS-feature fungeert als een knoop, terwijl randen worden gevormd op basis van de Euclidische afstand tussen aangrenzende knopen. Om globale ruimtelijke afhankelijkheden te extraheren, hebben we een multi-head self-attention-netwerk met 4 heads gebruikt. De dropout-waarschijnlijkheid werd ingesteld op 0.3 om overfitting te voorkomen.

Aandachtsmechanisme

Om lange-afstandsafhankelijkheden te modelleren die buiten het bereik van de lokale buurt lagen, werd aandacht (attention) in het model geïntroduceerd, wat als volgt werkt:

Formule van de softmaxfunctie, aij=exp(eij)/Σkexp(eik), symbolische weergave, wiskundig concept. (7)

waarbij eij = LeakyReLU(aT[Whi | Whj]) het belang van de knooppunten i en j is. Met dit model kunnen verschillende niveaus van belang aan knooppunten worden toegekend op basis van hun rollen, waardoor het voor het model eenvoudiger is om de globale context over het metasurface te begrijpen. Het hybride raamwerk legt zowel lokale als globale ruimtelijke informatie vast, en de geleerde kenmerken worden verwerkt via volledig verbonden lagen om beamforming-gewichten te genereren. Zoals getoond in Aanvullende Figuren 3 en 4, modelleert het GNN lokale ruimtelijke afhankelijkheden via message passing en kenmerkaggregatie, terwijl het aandachtsmecanisme globale interacties tussen metasurface-elementen vastlegt, wat effectieve near-field beamforming mogelijk maakt. Aandachtsgewichten worden berekend om de relevantie van knooppuntenparen te kwantificeren, waarbij een hoger belang wordt toegekend aan meer informatieve interacties. Met behulp van deze gewichten aggregeert elk knooppunt informatie van alle andere knooppunten, waardoor het model globale afhankelijkheden buiten de lokale omgevingen kan vastleggen. De resulterende gewogen kenmerkfusie genereert een geoptimaliseerde kenmerkrepresentatie die belangrijke ruimtelijke eigenschappen benadrukt terwijl minder relevante informatie wordt onderdrukt, wat effectieve beamforming-optimalisatie en energiefocus ondersteunt.

Optimalisatie van beamforming

De fase van beamforming-optimalisatie bepaalde de XL-IMS-fasestroomversnellingen en beamforming-gewichten om de energie te focussen op gebruikers in het nabijveld. In tegenstelling tot conventionele far-field beam steering, concentreert near-field beamforming de energie op specifieke ruimtelijke locaties. In het voorgestelde raamwerk leerde een GNN-attentionmodel optimale beamforming-parameters rechtstreeks uit kanaalkenmerken, waardoor de complexiteit van iteratieve optimalisatiemethoden werd verminderd. Het ontvangen gebruikerssignaal wordt weergegeven in Vergelijking (4).

Trainingsgegevens werden verkregen uit DeepMIMO voor elke kanaalrealisatie, en de overeenkomstige XL-IMS-fasieverschuivingen werden bepaald met behulp van het AO-algoritme. De near-field kanaalmatrix h en de XL-IMS-fasieverschuivingsmatrix werden gebruikt om de fasieverschuivingsvector θ te berekenen door het ontvangen signaalvermogen te maximaliseren:

Optimalisatieformule max |h^H Θx|^2; wiskundige vergelijking voor signaalverwerkingsanalyse. (8)

Formule voor statisch evenwicht, Σ|θn|=1, vergelijking in onderzoeksdiagram. (9)

De AO-optimizer werd gedraaid voor 100 iteraties totdat de gewenste convergentiedrempel van 10−4 werd bereikt. Deze geoptimaliseerde waarden dienden als de trainingslabels voor ons GNN-attention-model. Het doel was om constructieve interferentie te bereiken voor effectieve near-field bundelfocussering en een verhoogd ontvangen signaalvermogen. In plaats van conventionele optimalisatiemethoden zoals SDR of AO, werd het probleem opgelost met een op leren gebaseerde benadering. Specifiek werd het beamforming-optimalisatieprobleem benaderd door een deep learning-model fΘ(⋅).

Voor het trainen van het GNN-attention-model werd gebruikgemaakt van supervised learning, waarbij de optimale beamforming phase-shift-vectoren die door het AO-algoritme werden geleverd, dienden als trainingsdoelen. Specifiek laten we de door AO gegenereerde optimale phase-shift-vector aanduiden als θAO,i en de netwerkvoorspellingen als θ̂ᵢ symbool in wiskundige context, diagram, relevant voor statistische schattingsmethoden.. Vervolgens werd het trainingscriterium als volgt geformuleerd:

Formule voor de gemiddelde kwadratische fout, \(L_{MSE}=\frac{1}{N}\sum_{i=1}^{N}||\hat{\theta}_i-\theta_{AO,i}||^2\). (10)

waarbij N het aantal trainingsmonsters is.

Algoritme 1: Near-Field Beamforming met behulp van een GNN-attention model wordt gepresenteerd in Aanvullend Bestand 1. In dit algoritme bestond de eerste stap uit het instellen van de systeemparameters en de DeepMIMO-database om realistische kanaalcondities te creëren. De near-field kanaalkenmerken voor elk monster werden berekend met behulp van het sferische golfmodel, waarna de belangrijke kenmerken, zoals kanaalcoëfficiënten en ruimtelijke kenmerken, uit de database werden geëxtraheerd. De geëxtraheerde kenmerken werden omgezet naar een gestructureerde vorm en vervolgens gerepresenteerd als een graaf, met de metasurface-elementen als knopen. Het deep learning-model werd gegenereerd met GNN-lagen om lokale ruimtelijke afhankelijkheden vast te leggen, en er werd een attention-mechanisme geïntroduceerd om globale afhankelijkheden te leren. Het deep learning-framework werd getraind middels supervised learning met MSE-verlies tussen de voorspelde fasenverschuivingen en de door AO-gegenereerde optimale faseverschuivingslabels.

Deze implementatie is uitgevoerd met Python en PyTorch. Monsters voor het DeepMIMO-kanaal zijn verkregen uit het O1 outdoor-scenario. Deze kanaalcoëfficiënten werden omgezet in grafen en verwerkt met een GNN met drie lagen en een multihead attention-mechanisme. Het model werd getraind met de Adam-optimizer en een MSE-verliesfunctie. Dit model genereerde fasieverschuivingen en gewichten voor beamforming bij near-field gebruikers, en de resultaten werden geëvalueerd op basis van snelheid, efficiëntie en SINR.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Resultaten

De prestaties van het geïntroduceerde raamwerk voor Near-Field Channel Modeling en Beamforming voor XL-IMS in 6G-communicatienetwerken worden beoordeeld met behulp van de DeepMIMO-dataset, die praktische propagatieomgevingen en ruimtelijk consistente kanaalgegevens biedt. Om deze dataset te configureren, moeten er veel kanaalsamples worden gegenereerd die verschillende gebruikersposities in het nabije veld van het metasurface representeren. Specifiek maakt deze studie gebruik van maximaal 10.000–20.000 samples die zijn v...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Discussie

Het voorgestelde algoritme maakt gebruik van niet-lineaire precoding om nabijveld sferische golfvoortplanting te modelleren, waardoor een betere bundelfocussing wordt bereikt dan met algoritmen op basis van lineaire precoding, zoals ZF, MMSE, SDR en AO. Hoewel de resultaten van SDR- en AO-algoritmen bijna optimaal zijn, behaalt het voorgestelde GNN-attention-netwerk betere prestaties tegen aanzienlijk lagere computationele kosten, wat cruciaal is voor de toekomstige implementatie van XL-IMS in 6G-netwerken

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Openbaarmakingen

De auteurs hebben geen belangenconflicten.

Dankbetuigingen

Dit werk werd gedeeltelijk ondersteund door de National Natural Science Foundation of China (beurs nr. 62466036) en het Research Start-up Fund van de Gandong University (beurs nr. 12225000423). De auteurs willen de GanDong University bedanken voor het ter beschikking stellen van de nodige onderzoeksvoorzieningen en institutionele ondersteuning. Dit werk werd ondersteund door de School of Information Engineering en het Laboratory of Artificial Intelligence Algorithms and Applications aan de GanDong University in Fuzhou, China.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
CUDA ToolkitNVIDIACUDA 12.4https://developer.nvidia.com/cuda-toolkit
DGLDGL TeamDGL 2.2.1https://www.dgl.ai
MatplotlibMatplotlib OntwikkelteamMatplotlib 3.9.0https://matplotlib.org
NumPyNumPy-ontwikkelaarsNumPy 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-ontwikkelaarsSeaborn 0.13.2https://seaborn.pydata.org
TensorFlowGoogleTensorFlow 2.16.1https://www.tensorflow.org

Referenties

  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.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Herprints en machtigingen

Meer artikelen verkennen

Beamforming-optimalisatieGraph Neural NetworksAttention-mechanismeDeep Learning-frameworksferische golfvoortplantingExtremely Large Intelligent Metasurfacesspectrale efficiëntieenergie-efficiëntie
Neem contact met ons op
Aanbevelen aan de bibliotheek

Privacy

Gebruiksvoorwaarden

Beleidsoverzicht

Copyright © 2026 MyJoVE Corporation. Alle rechten voorbehouden.