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

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 overwinnen^3,4. 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 bestudeerd^{6,7,8,9,10,11}, 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's^14,15.

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 nabijveldbeam^20,21. 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 signaalverwerking^23,24. 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 geïdentificeerd^28,29. 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 beperken^33,34,35,36. 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 genegeerd^37,38. 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 netwerkoptimalisatie^39,40.

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.

Protocol

Het voorgestelde raamwerk voor Near-Field Kanaalmodellering 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 non-stationariteit incorporeert, welke is gevalideerd met behulp van de DeepMIMO-dataset. Kanaalinformatie wordt gerepresenteerd als een graaf om ruimtelijke afhankelijkheden tussen metasurface-elementen en gebruikers vast te leggen, waarbij een end-to-end GNN-attention netwerk wordt ingezet om beamforming-gewichten voor near-field beam focusing te leren. In tegenstelling tot conventionele iteratieve optimalisatiemethoden voorspelt het leergebaseerde raamwerk direct beamforming-oplossingen, waardoor de computationele complexiteit wordt verminderd terwijl een hoge nauwkeurigheid en aanpasbaarheid aan dynamische kanaalomstandigheden behouden blijven. De prestaties worden geëvalueerd op basis van de haalbare snelheid, beamforming-versterking en energie-efficiëntie, wat superieure resultaten aantoont vergeleken met traditionele far-field beamforming-methoden. Figuur 1 illustreert het algemene raamwerk.

De volgende stappen worden voorgesteld:

Stap 1: De DeepMIMO-omgeving configureren

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 gebruikerslocaties

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 vanaf de XL-IMS, op basis van het Rayleigh-afstandscriterium.

Stap 3: Genereer nabijveldkanalen met behulp van sferische golfvoortplanting

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

Stap 4: Genereer data voor het nabijveldkanaal

Gebruikersterminals waren uniform 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 invoerkenmerken en bereid modelinputs voor

De laatste fase van het preparatieproces bestond uit het uitvoeren van Min-Max schaling op alle inputkenmerken, zoals kanaalmagnitude, fase, afstand en gebruikerscoördinaten. Dit proces schaalde de gegevens en zette deze om in tensors, die vervolgens in het GNN-attention netwerk werden gevoerd. Het model werd geoptimaliseerd met behulp van de Adam optimizer met een leersnelheid van 0,001 en 50 epochs.

Stap 7: Pas het aandachtmechanisme toe

Voeg een aandachtsmeganisme toe om globale grafiekinformatie te overwegen en langeafstandsafhankelijkheden tussen grafiekknopen 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 deze voorspellingsmethode.

Stap 9: Prestatiegegevens evalueren

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

Stap 10: Vergelijken met referentiemethoden

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 mogelijk gemaakt door een XL-IMS bestaande uit 256 reconfigureerbare reflecterende elementen die de voortplanting van elektromagnetische golven regelen via instelbare faseverschuivingen. Omdat gebruikers zich in het nabijveld bevinden, is de conventionele vlakgolfaanname voor het verre veld ongeldig, waardoor rekening moet worden gehouden met sferische golfvoortplanting, afstandsafhankelijke demping en ruimtelijke non-stationariteit. De grens tussen de nabijveld- en verreveldsregio's wordt bepaald door de Rayleigh-afstand, die afhankelijk is van de grootte van het metasurface en de golflengte van de drager, en markeert de overgang van sferische golffronteffecten naar vlakgolfvoortplanting. Dit wordt als volgt beschreven:

 (1)

Hierbij 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 dichter bij R ligt dan de werkelijke waarde. Terwijl het signaal door verschillende metasurface-componenten reist, ondergaat het kenmerkende variaties in fase en amplitude.

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

 (2)

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

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

 (3)

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

 (4)

waarbij Φ = diag(e^jθ₁, ….., e^jθ_N) het verzonden signaal is, w de basiscoderings-precodingvector is en n staat voor ruis. De near-field kanaalvector is gedefinieerd als h ∈ ℂ^N×1, de diagonale faseverschuivingsmatrix van de XL-IMS als Φ ∈ ℂ^N×N, de beamformingvector als x ∈ ℂ^N×1 en het ontvangen signaal als y ∈ ℂ. De additieve ruisterm is gedefinieerd als n ∼ CN (0, σ²). Deze dimensies waarborgen de mathematische 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 geïmplementeerd bij het basisstation met vergelijkbare near-field kanaalrealisaties. De nieuwe benadering streeft echter naar het optimaliseren van de XL-IMS faseschuitmatrix (θ) via het GNN-attention leermechanisme.

Om de energie in de nabijveldregio te concentreren, moet voor de gebruiker een ontwerp θ realiseerbaar zijn waarbij constructieve interferentie optreedt. De beamformingstrategie is erop gericht de spectrale efficiëntie of het ontvangen signaalvermogen te maximaliseren. Figuur 2 beschrijft de architectuur van het model voor het nabijveldcommunicatiesysteem op basis van de XL-IMS-benadering.

Modellering van nabijveldkanalen

Het voorgestelde 6G-communicatienetwerkmodel op basis van XL-IMS voor het nabijveld is specifiek ontworpen om de voortplantingsomstandigheden nabij de Rayleigh-afstand van het metasurface na te bootsen. In het nabijveld is de voortplanting sferisch, met variërende fasewaarden en niet-homogene ruimtelijke parameters over het metasurface, in tegenstelling tot conventionele verreveld-voortplantingsmodellen die uitgaan van vlakke golven. In de huidige studie is een op fysica 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.

Kanaalrepresentatie 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 p_n tussen de gebruikerslocaties p_u en het n-de XL-IMS-component wordt gegeven door:

 (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 sferische-golfmodel 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) multipad-voortplanting incorporeert op basis van realistische omgevingsstructuren. Op basis hiervan kan de kanaalresponstabel worden geconstrueerd vanuit de kanaalresponsen voor alle N meta-surface elementen, zoals weergegeven in Vergelijking (3).

Ruimtelijke niet-stationariteit van nabijveldkanalen en modelbelang

In tegenstelling tot verveldkanalen vertonen nabbeveldkanalen ruimtelijke non-stationariteit, waarbij de ontvangen signalen variëren over het metasurface, wat locatieafhankelijke bundelfocussing mogelijk maakt. Deze ruimtelijke informatie is ingebed in de kanaalresponstmatrix en wordt vastgelegd door het GNN-attention-model. Aanvullende figuur 1 illustreert het voorgestelde kader voor nabbeveldkanaalmodellering voor het op XL-IMS gebaseerde 6G-communicatiesysteem en de generatie van realistische kanaalgegevens voor deep learning-gebaseerde beamforming.

Datasetgeneratie

De generatie van gegevens werd uitgevoerd met het DeepMIMO-framework, dat realistische op ray-tracing gebaseerde kanaalsimulaties biedt waarin omgevingsgeometrie, ruimtelijke consistentie en gebruikersmobiliteit zijn opgenomen. Kanaalresponsen voor meerdere gebruikerslocaties in het nabijveld 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 het nabijveldregime op basis van het Rayleigh-criterium. Kanaalcoëfficiënten, padversterkingen en ruimtelijke informatie werden geëxtraheerd met behulp van de DeepMIMO Python-bibliotheek. Aanvullende tabel 1 vat de parameters voor simulatie en reproduceerbaarheid samen. Het model werd getraind met behulp van supervised learning, waarbij kanaaltoestandkenmerken als inputs dienden en natuurkundig geoptimaliseerde beamforming-gewichten als doellabels.

Creatie van inputkenmerken en datasetstructuur

Vervolgens werden de ruwe kanaalgegevens omgezet in kenmerken als input voor deep learning-modellen. Deze kenmerken bevatten de magnitudes en fasen van de kanaalrespons als afzonderlijke componenten. Andere inputparameters konden ook worden toegevoegd, afhankelijk van de vereisten van het probleem. Zo konden bijvoorbeeld de coördinaten van gebruikers, afstanden en enkele ruimtelijke parameters ook als kenmerken 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 bestond uit 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 de 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 complexwaardige nabijveld-kanaalgegevens naar een formaat dat geschikt is voor deep learning. Kanaalresponsen werden ontbonden in kenmerken die ruimtelijke en voortplantingskarakteristieken vastleggen, terwijl essentiële nabijveldinformatie voor het leerproces behouden bleef. Aanvullende figuur 2 illustreert de DeepMIMO-dataset die in dit proces is gebruikt. De kanaalgegevens uit de nabijveld-omgeving werden weergegeven als complexe getallen h_n, met de reële en imaginaire componenten die de fase- en amplitude-informatie van de kanaalcoëfficiënten vertegenwoordigen. Om effectief gebruik in machine learning-algoritmen mogelijk te maken, werden de coëfficiënten ontbonden in hun reële (Reh_n) en imaginair (Imh_n) delen. De gegevens kunnen ook worden weergegeven als de grootte h_n en de fase van de coëfficiënten ∠h_n.

Extractie van ruimtelijke kenmerken

Naast de kanaalcoëfficiënt werden ruimtelijke kenmerken toegevoegd om rekening te houden met de geometrische aard van de nabijveld-omgeving. Dit omvatte de afstand d_n 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 belangrijk is voor nabijveld-voortplanting.

Normalisatie en voorbereiding van de modelinput

Als voorbereidende stap voordat de inputs aan het model werden verstrekt, 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 (X_train, X_test). 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 gebruikt in deze dataset, waaronder kanaalcoëfficiënten h_n die de complexe signaalrespons van alle metasurface-elementen aangaven. Een ander kenmerk was de afstand d_n, die in dit geval de propagatie-effecten aangaf. Hoewel de imaginaire en reële componenten een numerieke beschrijving van het signaal geven, bieden de magnitude- en gefasegedeeltes 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 attentiemechanisme voor het leren van globale context

Dit leeralgoritme is ontwikkeld om het complexe near-field XL-IMS-kanaal, inclusief de ruimtelijke en voortplantingskenmerken, 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 tussen hen als randen. De GNN legde gelokaliseerde ruimtelijke afhankelijkheden tussen naburige knopen vast, terwijl het aandachtsmeganisme het aanleren van globale afhankelijkheden verbeterde.

Grafische weergave van XL-IMS

De XL-IMS wordt gecreëerd als een graaf G = (V, E), waarbij elke knoop v_n ∈ V één meta-oppervlakte-element vertegenwoordigt, terwijl randen e_ij ∈ E de ruimtelijke relaties tussen de elementen vertegenwoordigen. Elke knoop heeft een kenmerkvector x_n, 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 graafformulering wordt gebruikt om de ruimtelijke informatie te incorporeren die aanwezig is bij propagatie in het nabijveld.

Om reproduceerbaarheid te bereiken, wordt de connectiviteit van de grafiek bepaald met de K-Nearest Neighbors-benadering waarbij k is ingesteld op 8. Laat p_i en p_j respectievelijk de locatievectoren van de i-de en j-de XL-IMS-cellen vertegenwoordigen. De afstand tussen twee willekeurige knooppunten wordt gemeten via de Euclidische metriek als volgt: d_ij = ||p_i − p_j||². Er is een verbinding 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 adjacency-matrix geconstrueerd volgens de volgende regel: A_ij = 1 als j ∈ N_k(i) en A_ij = 0 in andere gevallen.

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

 (6)

waarbij h_i^(l) de kenmerkvector vertegenwoordigt van knooppunt i in laag l, N(i) de omgeving is van knooppunt i, W^(l) de leerbare gewichtsmatrix is, en σ(·) een niet-lineaire activatiefunctie symboliseert.

Het GNN-attention model bestond uit drie grafische convolutionele lagen met verborgen dimensies ingesteld op 128, waarbij Rectified Linear Unit (ReLU) als activatiefunctie werd gebruikt. Grafiekgeneratie werd uitgevoerd met behulp van de k-dichtstbijzijnde buren-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 langeafstandsafhankelijkheden te modelleren die buiten het bereik van de lokale omgeving lagen, werd aandacht (attention) in het model geïntroduceerd, wat als volgt werkt:

 (7)

waarbij e_ij = LeakyReLU(a^T[Wh_i | Wh_j]) het belang van de knooppunten i en j is. Met dit model kunnen verschillende niveaus van belang aan knooppunten worden toegewezen 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 via volledig verbonden lagen verwerkt 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 aandachtmechanisme globale interacties tussen metasurface-elementen vastlegt, wat effectieve near-field beamforming mogelijk maakt. Aandachtsgewichten worden berekend om de relevantie van knooppuntparen 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 in staat is om globale afhankelijkheden buiten lokale buurten vast te leggen. De resulterende gewogen kenmerkfusie genereert een geoptimaliseerde kenmerkrepresentatie die belangrijke ruimtelijke kenmerken benadrukt en minder relevante informatie onderdrukt, wat een effectieve beamforming-optimalisatie en energiefocussing ondersteunt.

Beamforming-optimalisatie

De fase van beamforming-optimalisatie bepaalde de faseverschuivingen en beamforming-gewichten van de XL-IMS om energie te focussen op gebruikers in het nabijveld. In tegenstelling tot conventionele beam steering voor het verre veld, concentreert beamforming in het nabijveld energie op specifieke ruimtelijke locaties. In het voorgestelde raamwerk leerde een GNN-attentionmodel optimale beamforming-parameters direct uit kanaalkarakteristieken, 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-faseverschuivingen werden bepaald met behulp van het AO-algoritme. De nabijveld-kanaalmatrix h en de XL-IMS-faseverschuivingsmatrix werden gebruikt om de faseverschuivingsvector θ te berekenen door het ontvangen signaalvermogen te maximaliseren:

 (8)

 (9)

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

Begeleid leren werd toegepast om het GNN-attentionmodel te trainen, waarbij de optimale beamforming faseverschuivingsvectoren geleverd door het AO-algoritme dienden als trainingsdoelen. Specifiek, laten we de door AO gegenereerde optimale faseverschuivingsvector aanduiden als θ_AO,i en de netwerkvoorspellingen als . Vervolgens werd het trainingscriterium als volgt geformuleerd:

 (10)

waarbij N het aantal trainingsamples is.

Algoritme 1: Near-Field Beamforming met behulp van het GNN-attention model wordt gepresenteerd in Aanvullend Bestand 1. In dit algoritme was de eerste stap het instellen van de systeemparameters en de DeepMIMO-database om realistische kanaalomstandigheden 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 als een graaf weergegeven, met de metasurface-elementen als knooppunten. Het deep learning-model werd gegenereerd met behulp van 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 via supervised learning met MSE-verlies tussen de voorspelde fasieverschuivingen en de door AO gegenereerde optimale fasieverschuivingslabels.

Deze implementatie is uitgevoerd met Python en PyTorch. Monsters voor het DeepMIMO-kanaal werden verkregen uit het O1-buitenscenario. Deze kanaalcoëfficiënten werden omgezet in grafen en verwerkt met een GNN met drie lagen en een multihead-attentiemechanisme. 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.

Resultaten

De prestaties van het geïntroduceerde framework 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 nabijveld van het meta-oppervlak vertegenwoordigen. Specifiek maakt deze studie gebruik van tot 10.000–20.000 samples die zijn verzameld onder verschillende propagatiecondities en gebruikerslocaties. Er is een verhouding van 80:20 gebruikt om deze kanaalsamples te splitsen in 80% voor training en 20% voor testen. In dit opzicht beoordeelt de testset het vermogen van het model om te generaliseren, terwijl de trainingset een basis biedt voor het leren.

De experimentele resultaten tonen aan dat het voorgestelde GNN-Attention-framework superieur is aan conventionele far-field beamforming en optimalisatiegebaseerde methoden. Door sferische-golfkanaalmodellering te combineren met deep learning-gebaseerde extractie van ruimtelijke kenmerken, bereikt de voorgestelde aanpak een hogere beamforming-gain, spectrale efficiëntie en energie-focusseringsprestatie. De prestaties worden geëvalueerd op basis van de bereikbare snelheid, beamforming-gain en energie-efficiëntie, die respectievelijk de communicatiecapaciteit, de effectiviteit van de signaalfocussering en de efficiëntie van de gegevensoverdracht ten opzichte van het energieverbruik meten.

De voorgestelde methode wordt vergeleken met conventionele beamforming-technieken, waaronder ZF en MMSE, alsmede met optimalisatiegebaseerde methoden zoals SDR en AO. Terwijl far-field-benaderingen beperkt worden door vlakgolf-aannames en slecht presteren in near-field XL-IMS-omgevingen, brengen optimalisatiemethoden vaak een hoge computationele complexiteit met zich mee. In tegenstelling hiermee biedt het GNN-attention-framework efficiënte beamforming met een lagere computationele overhead. Voor een eerlijke vergelijking werden alle methoden geëvalueerd met behulp van dezelfde door DeepMIMO gegenereerde near-field-kanalen, XL-IMS-configuratie, draaggolfrequentie, gebruikerslocaties, zendvermogen en signaal-ruisverhouding (SNR)-condities. Voor ZF en MMSE werd uitgegaan van identieke kanaalstatusinformatie, terwijl SDR en AO werden geïmplementeerd onder dezelfde vermogens- en faseverschuivingsbeperkingen met behulp van standaard parameterinstellingen uit de literatuur.

Validatie van near-field kanaalmodellering

Benchmarkmethoden, waaronder ZF, MMSE, SDR en AO, worden gebruikt om de prestaties van de haalbare snelheid van het voorgestelde beamforming-model op basis van graph neural network-attention te vergelijken in Figuur 3. Naarmate de SNR toeneemt van 0 tot 30 dB, vertonen alle methoden verbeterde haalbare snelheden; het voorgestelde model presteert echter consistent beter dan de benchmarks. Het behaalt 2,1 bps/Hz bij 0 dB, 7,8 bps/Hz bij 15 dB en 11,6 bps/Hz bij 30 dB, waarmee het de prestaties van ZF, MMSE, SDR en AO bij alle SNR-niveaus overtreft. Tabel 1 presenteert een vergelijking van de haalbare snelheden versus de SNR.

Figuur 4 vergelijkt de beamforming-versterking van het voorgestelde GNN-attention-gebaseerde model met conventionele methoden, waaronder ZF, MMSE, SDR en AO, als functie van de gebruikersafstand in het nabijveld. Naarmate de gebruikersafstand toeneemt, neemt het ontvangen beamformed signaalvermogen af door toegenomen propagatiepadverlies, wat resulteert in een vermindering van de beamforming-versterking voor alle methoden. Desalniettemin behaalt het voorgestelde GNN-attention-framework consistent de hoogste beamforming-versterking, met ongeveer 28 dB bij 1 m, 25 dB bij 4 m en 22 dB bij 7 m, waarmee het SDR, AO, MMSE en ZF overtreft bij alle geëvalueerde afstanden. Deze resultaten tonen de superieure near-field beam-focusing capaciteit en het behoud van de versterking van het voorgestelde framework aan, wat leidt tot een verbeterde beamforming-efficiëntie in vergelijking met bestaande methoden.

Prestaties van het GNN-attention leerframework

Figuur 5 vergelijkt de spectrale efficiëntie van het voorgestelde GNN-attention beamforming-schema met ZF, MMSE, SDR en AO over SNR-waarden van 0 tot 30 dB. Hoewel de spectrale efficiëntie voor alle methoden toeneemt bij een hogere SNR, behaalt de voorgestelde benadering consequent de beste prestaties, met 1,8 bps/Hz bij 0 dB, 6,8 bps/Hz bij 15 dB en 10,5 bps/Hz bij 30 dB, waarmee alle benchmarkmethoden worden overtroffen. Figuur 6 vergelijkt de energie-efficiëntie van het voorgestelde GNN-attention beamforming-systeem met ZF, MMSE, SDR en AO onder variërende SNR-omstandigheden. De energie-efficiëntie verbetert bij een toenemende SNR voor alle methoden; de voorgestelde benadering behaalt echter consequent de hoogste prestaties, met ongeveer 2,5 bits/Joule bij 0 dB, 7,2 bits/Joule bij 15 dB en 9,8 bits/Joule bij 30 dB, waarmee alle benchmarktechnieken worden overtroffen.

Evaluatie van de dataset en feature-representatie

Figuur 7 illustreert het convergentiegedrag van het voorgestelde GNN-attention-model in termen van de Mean Squared Error (MSE) over de trainings-epochs. De MSE neemt snel af tijdens de vroege fasen van de training, van ongeveer 0,69 bij epoch 5 naar 0,22 bij epoch 20, en daalt verder tot ongeveer 0,08 bij epoch 35. Het model convergeert geleidelijk tegen epoch 50, waarbij een MSE van ongeveer 0,04 wordt bereikt, wat duidt op een stabiele training en effectief leren van de onderliggende kanaalkenmerken.

Resultaten van de beamforming-optimalisatie

Figuur 8 vergelijkt de sum-rate prestaties van de voorgestelde GNN-attention beamforming-methode met ZF, MMSE, SDR en AO terwijl het aantal gebruikers toeneemt van 2 naar 12. Hoewel alle methoden hogere sum-rates bereiken bij meer gebruikers, levert de voorgestelde benadering consistent de beste prestaties, met 12,5 bps/Hz voor 2 gebruikers, 31,6 bps/Hz voor 6 gebruikers en 50,3 bps/Hz voor 12 gebruikers, waarmee alle referentiemethoden bij verschillende gebruikersdichtheden worden overtroffen.

Tabel 2 vergelijkt de multi-user prestaties van het voorgestelde GNN-attention beamforming-framework met ZF, MMSE, SDR en AO. De voorgestelde methode behaalt de hoogste multi-user efficiëntie (92,5%), SINR (24,8 dB) en capaciteitswinst (50,3 bps/Hz), wat getuigt van superieure schaalbaarheid, interferentiebeheer en resource-allocatie in vergelijking met de benchmarkmethoden. Figuur 9 presenteert een vergelijking van de cumulatieve distributiefuncties (CDF's) van de SINR. De voorgestelde aanpak vertoont een naar rechts verschoven distributie, wat wijst op consistent hogere SINR-waarden over alle gebruikers. Bij de mediaan (50ste percentiel) behaalt deze een SINR van ongeveer 25 dB, waarmee het beter presteert dan SDR (23 dB), AO (22 dB), MMSE (20 dB) en ZF (17 dB). De superieure SINR-prestaties van het voorgestelde model komen voort uit het vermogen om zowel lokale ruimtelijke afhankelijkheden via GNN's als globale interacties via attention-mechanismen vast te leggen, wat effectieve near-field beamforming mogelijk maakt. De CDF-resultaten tonen een robuuster interferentiebeheer en een consistent hogere SINR aan dan de conventionele ZF-, MMSE-, SDR- en AO-methoden.

Tabel 3 presenteert de gemiddelde prestaties, standaarddeviatie en 95% betrouwbaarheidsintervallen verkregen uit vijf onafhankelijke experimentele runs, wat de stabiliteit en reproduceerbaarheid van het voorgestelde framework aantoont. Tabel 4 vergelijkt de computationele complexiteit en inferentietijd van het voorgestelde GNN-attention beamforming-schema met conventionele methoden. Tijdens de training wordt de computationele kost voornamelijk bepaald door graph message passing en het attention-mechanisme, wat resulteert in een complexiteit van O(E·L·F² + N²). Ondanks deze overhead tijdens de training elimineert de geleerde beamformer de noodzaak voor iteratieve optimalisatie tijdens de implementatie. Het voorgestelde model bereikt een gemiddelde inferentietijd van 4,9 ms, wat aanzienlijk lager is dan SDR (85,4 ms), AO (63,7 ms), MMSE (15,6 ms) en ZF (12,8 ms). Bovendien geeft de schaalbaarheidsanalyse een stabiele prestatie aan naarmate het aantal gebruikers en metasurface-elementen toeneemt, wat de geschiktheid van het voorgestelde framework voor grootschalige XL-IMS-ondersteunde 6G-communicatiesystemen benadrukt.

Ablatiestudie

Het effect van individuele componenten in het raamwerk kan worden beoordeeld via ablatie-analyse, waarbij componenten worden weggelaten of gewijzigd, zoals de GNN, Attention en Physics-based Near-field Channel Modeling. Het volledige raamwerk omvat alle drie de componenten, terwijl de ablatie-modellen bestaan uit: (i) alleen het GNN-model, (ii) alleen het Attention-model, en (iii) zonder het natuurkundige bolgolfmodel (verveld-aanname). De prestatie-evaluatie wordt uitgevoerd met metrieken zoals de bereikbare snelheid, beamforming-versterking en SINR. De resultaten tonen aan dat de algehele systeemprestaties aanzienlijk worden beïnvloed door de componenten, in het bijzonder het natuurkundige kanaalmodel, dat het grootste negatieve effect heeft wanneer het wordt weggelaten. Dit suggereert het belang van een nauwkeurige modellering van het kanaal in het nabijveldregime.

Uit de ablatieresultaten in Tabel 5 kan de significantie van elk onderdeel van de voorgestelde architectuur worden geverifieerd. Zoals blijkt uit de bovenstaande experimentele resultaten, behaalt het model met alle onderdelen de beste prestaties, met een haalbare snelheid van 11,6 bps/Hz, een beamforming-versterking van 28 dB en een SINR van 25 dB, wat aantoont dat de voorgestelde architectuur goed functioneert. Zonder het attention-mechanisme behaalt het model slechts 10,2 bps/Hz, wat aangeeft dat de globale signaalcontext is verzwakt. Daarnaast resulteert het verwijderen van het GNN-component in slechte prestaties van 9,8 bps/Hz, wat aantoont dat het modelleren van ruimtelijke afhankelijkheden noodzakelijk is voor near-field communicatie. De grootste prestatieafname wordt waargenomen wanneer het op fysica gebaseerde sferische golfmodel wordt genegeerd, waarbij een haalbare snelheid van 8,5 bps/Hz en een SINR van 19,2 dB wordt behaald, wat bewijst dat near-field kanaalmodellering eveneens noodzakelijk is.

Samenvattend bevestigen de experimentele resultaten de onderzoeksdoelstellingen om kanaal- en beamformingmodellen te ontwikkelen op basis van het nabijveld van elektromagnetische golven, met toepassing op 6G-netwerken met XL-IMS. De GNN-attention architectuur behaalde hogere prestaties wat betreft de haalbare snelheid, beamforming-winst, spectrale efficiëntie, energie-efficiëntie en SINR dan traditionele benaderingen zoals ZF-, MMSE-, SDR- en AO-methoden. De ablatieanalyse toonde aan dat het gebruik van fysische modellen voor sferische golven, graph neural networks en attention zeer waardevol is voor het verbeteren van de prestaties.

Beschikbaarheid van gegevens

De datasets en ondersteunende materialen die tijdens deze studie zijn gegenereerd en geanalyseerd, zijn openbaar beschikbaar in de Zenodo-repository via https://doi.org/10.5281/zenodo.21037047. De simulatiedatasets zijn gegenereerd met behulp van de DeepMIMO Python Repository met het O1 outdoor ray-tracing-scenario, een draaggolfrequentie van 28 GHz en de near-field XL-MIMO-configuratie. De DeepMIMO Python Repository is beschikbaar op: https://github.com/DeepMIMO/DeepMIMO-python.

Figuur 1: Algemene architectuur van het voorgestelde werk. Schematische weergave van de gehele pijplijn van de voorgestelde methode voor nabijveld-kanaalmodellering en beamforming. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 2: Architectuur van het systeemmodel. Een schematisch diagram illustreert de architectuur op systeemniveau van XL-IMS-gebaseerde 6G-communicatie met near-field beam focusing. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 3: Resultaat van de haalbare snelheid versus SNR. Snelheidsprestaties als functie van SNR voor de voorgestelde en bestaande benaderingen. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 4: Beamforming-versterking versus afstand. Beamforming-versterking behaald door verschillende beamforming-methoden als functie van de gebruikersafstand in het nabijveld, wat de effectiviteit van ruimtelijke signaalfocusering en behoud van versterking bij toenemende afstand illustreert. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 5: Resultaat van spectrale efficiëntie versus SNR. Vergelijking van spectrale efficiëntie bij verschillende SNR-waarden. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 6: Resultaat van energie-efficiëntie versus SNR. Energie-efficiëntieprestaties bij verschillende SNR-waarden. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 7: Resultaat van MSE-convergentie. Convergentie van het MSE-verlies tijdens de training. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 8: Resultaat van de somrate tegenover het aantal gebruikers. De prestaties van de somrate naarmate het aantal gebruikers toeneemt. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 9: Vergelijkingsresultaat van SINR met CDF. SINR-vergelijking op basis van CDF-plots. Klik hier om een grotere versie van deze figuur te bekijken.

Methode	Gemiddelde bereikbare snelheid (bps/Hz)	Prestatieniveau
Voorgesteld (GNN-attention)	7.36	*****
SDR	6.66	****
AO	6.5	****
MMSE	6.03	***
ZF	5.23	***

Tabel 1: Vergelijking van de bereikbare snelheid. Illustreert de prestatiesnelheid van de voorgestelde en bestaande technieken.

Methode	Multi-user efficiëntie (%)	Interferentiebeheersing (SINR, dB)	Capaciteitsverbetering (bps/Hz)
Voorgesteld (GNN-Attention)	92.5 ± 0.8	24.8 ± 0.5	50.3 ± 0.7
SDR	86.3 ± 1.1	22.1 ± 0.7	45.0 ± 0.9
AO	84.7 ± 1.0	21.5 ± 0.8	43.2 ± 1.0
MMSE	78.9 ± 1.3	19.2 ± 0.9	38.7 ± 1.2
ZF	72.5 ± 1.5	17.0 ± 1.0	33.5 ± 1.4

Tabel 2: Experimenteel resultaat van de schaalbaarheidsprestaties. Toont de schaalbaarheidsprestaties in communicatieomgevingen met meerdere gebruikers.

Meetwaarde	Gemiddelde	Standaardafwijking	95% BI
Bereikbare snelheid	11.6 ± 0.21	0.21	[11.42,11.78]
Spectrale efficiëntie	10.5 ± 0.18	0.18	[10.34,10.66]
Energie-efficiëntie	9.8 ± 0.15	0.15	[9.67,9.93]
SINR	25.0 ± 0.42	0.42	[24.63,25.37]

Tabel 3: Statistische analyse. De uitvoering van de statistische analyse wordt geëvalueerd aan de hand van het gemiddelde, de standaarddeviatie en de betrouwbaarheidsintervallen.

Methode	Trainingscomplexiteit	Inferentiecomplexiteit	Gemiddelde inferentietijd (ms)
ZF	Omdat er geen brontekst is verstrekt, kan ik geen vertaling genereren. Gelieve de tekst aan te leveren die vertaald moet worden.	O(N³)	12.8
MMSE	Omdat er geen brontekst is verstrekt, kan ik geen vertaling produceren. Voer alstublieft de Engelse tekst in die u vertaald wilt hebben naar het Nederlands.	O(N)³)	15.6
SDR	Omdat er geen brontekst is verstrekt, kan ik geen vertaling uitvoeren. Voeg de Engelse tekst toe die u naar het Nederlands vertaald wilt hebben.	O(N)³·⁵)	85.4
AO	Omdat u geen brontekst heeft verstrekt, is er geen inhoud om te vertalen. Voer aub de Engelse tekst in die u naar het Nederlands vertaald wilt hebben.	O(IN²)	63.7
Voorgestelde GNN-attention	O(E·L·F² + N²)	O(E·L·F² + N²)	4.9

Tabel 4: Analyse van computationele complexiteit en schaalbaarheid. Hierin wordt de analyse van de computationele complexiteit en schaalbaarheid van het voorgestelde werk weergegeven.

Modelvariant	Bereikbare snelheid (bps/Hz)	Beamforming-versterking (dB)	SINR (dB)	Spectrale efficiëntie (bps/Hz)
Volledig voorgesteld model (GNN + attention + op natuurkunde gebaseerd)	11.6 ± 0.2	28.0 ± 0.4	25.0 ± 0.3	10.5 ± 0.2
Zonder attention-mechanisme	10.2 ± 0.3	25.5 ± 0.5	22.8 ± 0.4	9.1 ± 0.3
Zonder GNN (alleen MLP)	9.8 ± 0.3	24.0 ± 0.6	21.5 ± 0.5	8.7 ± 0.3
Zonder op natuurkunde gebaseerd kanaalmodel (ver-veld aanname)	8.5 ± 0.4	21.0 ± 0.7	19.2 ± 0.6	7.4 ± 0.4

Tabel 5: Resultaat van de ablatiestudie. Toont de ablatiestudie van alle modelcomponenten.

Aanvullende figuur 1. Near-field kanaalmodellering. Schematische illustratie van near-field kanaalmodellering op basis van sferische golven en matrixconstructie.Klik hier om dit bestand te downloaden.

Aanvullende figuur 2. Kenmerken van de DeepMIMO-dataset gebruikt voor evaluatie. Kenmerken geëxtraheerd uit de DeepMIMO-dataset en gebruikt als modelinputs voor training en evaluatie.Klik hier om dit bestand te downloaden.

Aanvullende Figuur 3. GNN voor ruimtelijke afhankelijkheidsmodellering. Ruimtelijke correlatiemodellering via GNN's.Klik hier om dit bestand te downloaden.

Aanvullende figuur 4. Aandachtsmechanisme voor globaal-contextbewustzijn. Grafische illustratie van de aandachtsmodule voor het vastleggen van globale contextinformatie.Klik hier om dit bestand te downloaden.

Aanvullende tabel 1. Simulatieomgeving. Toont de simulatie-instellingen die zijn gebruikt voor het trainen en testen van modellen.Klik hier om dit bestand te downloaden.

Aanvullende tabel 2. Beschrijving van de dataset. Toont de kenmerken van de DeepMIMO-dataset die moeten worden gebruikt bij training en evaluatie.Klik hier om dit bestand te downloaden.

Aanvullend bestand 1: Workflow van het voorgestelde beamforming-framework op basis van GNN-attention.Het algoritme beschrijft de stappen voor datasetgeneratie, graafconstructie, modeltraining, beamforming-optimalisatie en prestatie-evaluatie.Klik hier om dit bestand te downloaden.

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 ^21,26,27.

Zoals hierboven vermeld, is er om dit argument vanuit een kwantitatief perspectief empirisch te verifiëren een complexiteitsanalyse uitgevoerd, waarvan de resultaten in Tabel 4 worden gepresenteerd. De voorgestelde GNN-attention-architectuur heeft een computationele complexiteit van O(E · d + N² · d) tijdens het trainingsproces, waarbij E verwijst naar graafkanten, N naar de metasurface-elementen en d naar de dimensionaliteit van de verborgen kenmerken. Belangrijker nog is dat bij het gebruik van het leerframework tijdens inferentie de beamforming-gewichten in één doorloop kunnen worden berekend met een complexiteit van O(N · d), terwijl SDR en AO iteratieve optimalisaties vereisen voor elke kanaalrealisatie.

Een belangrijke fase die correct moet worden uitgevoerd om succes te behalen, is het creëren van near-field kanaalmodellen op basis van de principes van sferische golfvoortplanting. Onjuist gebruik van gebruikerslocatiegegevens en een incorrecte creatie van kanaalkarakteristieken zullen het kenmerkextractieproces en de beamforming-resultaten negatief beïnvloeden. Graafconstructie is een andere cruciale component, aangezien onvoldoende knoopconnectiviteit het vermogen van het GNN belemmert om ruimtelijke relaties te identificeren. Overfitting is een ander probleem dat kan ontstaan wanneer het netwerk slechts op enkele voortplantingscondities wordt getraind, wat de generalisatieprestaties bij nieuwe gebruikerslocaties beïnvloedt.

Het is mogelijk om verschillende maatregelen te implementeren om potentiële problemen aan te pakken. Wanneer de convergentie van het neurale netwerk slecht is, kunnen leer-snelheidsverlaging (learning rate decay) en regularisatie worden gebruikt om dit probleem op te lossen. Het normaliseren van kenmerken en het verscharrelen van de graaf kan instabiliteit tijdens de training voorkomen. Als er een onverwachte daling in de beamforming-versterking optreedt, kan het opnieuw trainen van het algoritme met meer datapunten het probleem verhelpen.

Een ander voordeel van deep learning is het vermogen van het algoritme om zich dynamisch aan te passen aan variaties in kanaalomstandigheden, een taak die uitdagend is gebleken voor bestaande optimalisatiemethoden. Dit verhoogt de efficiëntie van het beamformer-algoritme door de runtime te minimaliseren en maakt het robuuster in het geval van dynamische kanaalomgevingen^16,18,20.

Het voorgestelde model wordt beschouwd als revolutionair voor de theorie van near-field communicatie, aangezien het fysieke kanaalmodellering combineert met grafiekgebaseerde deep learning-methoden. De inclusie van sferische golven om rekening te houden met elektromagnetische effecten verbetert de nauwkeurigheid van het model; bovendien maakt het gebruik van GNN's en attention-mechanismen de beschrijving mogelijk van de mathematische afhankelijkheden tussen metasurface-elementen. De combinatie van machine learning met elektromagnetische principes leidt zodoende tot de opkomst van een nieuw theoretisch kader voor het creëren van intelligente draadloze omgevingen^21,27,28.

Vanuit een toegepast perspectief vergroot de ontwikkelde aanpak de toepasbaarheid van XL-IMS voor praktische 6G-netwerkimplementaties aanzienlijk. De vermindering van de rekenlast door het ontbreken van een optimalisatieproces maakt real-time beamforming-beslissingen mogelijk, die essentieel zijn voor diensten met een extreem lage latentie. Daarnaast demonstreert het voorgestelde model zowel spectrale als energie-efficiëntie, waardoor de technologie toepasbaar is in dichtbevolkte steden, het Internet of Things en voor zeer mobiele gebruikers.

Hoewel de voorgestelde methodologie veel sterke punten heeft, kent het systeem ook enkele zwakheden. Ondanks dat DeepMIMO realistische voortplantingsscenario's via ray tracing biedt, blijft het een simulatieframework; er zullen discrepanties optreden tussen het draadloze voortplantingsgedrag in de werkelijkheid en de gesimuleerde resultaten, aangezien er altijd rekening gehouden moet worden met omgevingsveranderingen en onbekende verstrooiers, temporele kanaaleffecten, weereffecten en hardware-kalibratie-effecten. Daarom moeten de resultaten worden beschouwd als een bovengrens-schatting^26,38. Het huidige model gaat uit van perfecte componenten voor de zender en de ontvanger. In echte systemen kunnen faseruis in oscillatoren, versterkervervorming, synchronisatiefouten, kwantiseringsruis van analoog-digitaal converters en onnauwkeurige kanaalschattingen allemaal leiden tot slechte prestaties. Deze problemen kunnen de uitlijning beïnvloeden en de datasnelheid van het systeem verlagen.

Er zijn verschillende implementatievraagstukken die nog moeten worden aangepakt voordat near-field communicatie met XL-IMS op grote schaal kan worden ingevoerd. Dergelijke kwesties omvatten real-time kanaalschatting voor grote metasurfaces, de schaalbaarheid van berekeningen voor meerdere duizenden antennes, synchronisatie in een gedistribueerd netwerk, apparatuurkosten, energievereisten en integratie met bestaande 6G-systemen. Toekomstig onderzoek zou zich moeten richten op het verkennen van lichtgewicht leermodellen en beamforming.

De studie presenteert een baanbrekende architectuur voor Near-Field Channel Modeling en Beamforming voor XL-IMS in de context van 6G-communicaties. De innovatie combineert fysisch geïnspireerde sferische-golf kanaalmodellering met Graph Neural Networks en attention-mechanismen om een nauwkeurige representatie van het near-field kanaal en optimale beamforming-winsten te bereiken. Het systeem omvat near-field kanaalmodellering, DeepMIMO-gestuurd datasetontwerp, feature-representatie, modellering van ruimtelijke afhankelijkheid en beamforming-optimalisatie. Experimentele evaluatie toonde betere resultaten aan dan andere state-of-the-art benaderingen, zoals ZF, MMSE, SDR en AO, voor de bereikbare snelheid, beamforming-winst, spectrale efficiëntie, energie-efficiëntie en SINR. Bovendien bewees de ablatiestudie de effectiviteit van elk onderdeel van het systeem.

Materialen

Lijst van materialen gebruikt in dit artikel

Naam	Bedrijf	Catalogusnummer	Opmerkingen
CUDA Toolkit	NVIDIA	CUDA 12.4	https://developer.nvidia.com/cuda-toolkit
DGL	DGL Team	DGL 2.2.1	https://www.dgl.ai
Matplotlib	Matplotlib Ontwikkelteam	Matplotlib 3.9.0	https://matplotlib.org
NumPy	NumPy-ontwikkelaars	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-team	PyG 2.5.3	https://pytorch-geometric.readthedocs.io
Seaborn	Seaborn-ontwikkelaars	Seaborn 0.13.2	https://seaborn.pydata.org
TensorFlow	Google	TensorFlow 2.16.1	https://www.tensorflow.org