Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.

Artykuł badawczy

Oparty na głębokim uczeniu framework GNN-Attention do modelowania kanałów w polu bliskim i formowania wiązki w bezprzewodowych systemach szóstej generacji: badanie symulacyjne

45 wyświetleń

⸱

DOI:

10.3791/72011

⸱

1 września 2026

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

W tym artykule

Podsumowanie

Niniejsza praca wprowadza oparty na fizyce framework głębokiego uczenia do formowania wiązki i modelowania kanałów bliskiego pola w bezprzewodowych systemach szóstej generacji z wykorzystaniem ekstremalnie dużych inteligentnych metapowierzchni (Extremely Large Intelligent Metasurfaces). W porównaniu z tradycyjnymi technikami komunikacji dalekiego pola, proponowana metoda poprawia efektywność energetyczną, zysk formowania wiązki oraz efektywność widmową.

Streszczenie

Powstanie sieci szóstego pokolenia (6G) napędziło rozwój ekstremalnie dużych inteligentnych metapowierzchni (XL-IMS), mających na celu zapewnienie ultra-wysokich prędkości oraz wysokiej efektywności widmowej. Niemniej jednak, klasyczne kanały dalekiego pola nie mają zastosowania w transmisji w polu bliskim ze względu na propagację fal sferycznych oraz brak stacjonarności przestrzennej, co prowadzi do obniżenia wydajności kształtowania wiązki i zwiększenia złożoności obliczeniowej. W związku z tym celem niniejszego badania jest opracowanie metody modelowania kanału pola bliskiego i optymalizacji kształtowania wiązki w oparciu o głębokie uczenie sterowane fizycznie. Zaproponowane rozwiązanie wykorzystuje sterowany fizycznie model kanału fal sferycznych wraz z grafowymi sieciami neuronowymi (GNN) oraz mechanizmami uwagi, aby uchwycić lokalne relacje przestrzenne między użytkownikami a globalną siecią. Dodatkowo zaproponowano algorytm kształtowania wiązki oparty na uczeniu w celu zwiększenia efektywności koncentracji energii na użytkownikach w polu bliskim. Wydajność proponowanego frameworka została oceniona przy użyciu realistycznych scenariuszy propagacji z zestawu danych DeepMIMO. Wyniki symulacji pokazują, że proponowana technika pozwala osiągnąć przepływność na poziomie 11,6 bps/Hz, zysk kształtowania wiązki wynoszący 28 dB, efektywność widmową 10,5 bps/Hz, efektywność energetyczną 9,8 bits/Joule oraz stosunek sygnału do sumy interferencji i szumu (SINR) wynoszący 25 dB. W porównaniu z tradycyjnymi technikami, takimi jak Zero Forcing (ZF), Minimum Mean Square Error (MMSE), Semidefinite Relaxation (SDR) oraz Alternating Optimization (AO), zaproponowany schemat poprawia ogólną wydajność komunikacji o około 10-15%. Wyniki te wykazują, że integracja modelowania kanału pola bliskiego z uczeniem uwagi opartym na GNN może służyć jako wydajna i dokładna technika kształtowania wiązki dla przyszłych bezprzewodowych sieci 6G wykorzystujących technologię XL-IMS.

Wprowadzenie

Zainteresowanie kształtowaniem wiązki (beamformingiem) gwałtownie wzrosło w ostatnich latach. Wraz z wprowadzeniem standardu 6G, napędzanego rosnącym zapotrzebowaniem na lepszą łączność i szybsze tempo przesyłu danych, powszechne stały się ekstremalne wymagania dotyczące przepustowości. W związku z tym beamforming jest obiecującą metodą skutecznego kierowania sygnałami i poprawy ogólnej wydajności sieci1. Konwencjonalne systemy komunikacji bezprzewodowej efektywnie wykorzystywały przestrzenne zasoby pola dalekiego w celu zapewnienia różnorodności przestrzennej. Obszarem badań o ogromnym potencjale dla przyszłej komunikacji bezprzewodowej jest beamforming w polu bliskim2.

Z drugiej strony, rekonfigurowalne inteligentne powierzchnie (RIS) są szczególnie interesujące, ponieważ mogą rozwiązać niektóre problemy z propagacją związane ze spektrum mmWave/THz3,4. RIS mogą odbijać, załamywać i manipulować przychodzącymi falami elektromagnetycznymi5. W tym przypadku głównym celem jest sterowanie wiązką w pożądanym kierunku lub nadawanie jej określonego kształtu, a działanie RIS można przedstawić jako modyfikację wzorców promieniowania źródła nadawczego. W odniesieniu do RIS w polu dalekim, na przestrzeni lat zbadano szereg fundamentalnych zagadnień6,7,8,9,10,11, w tym estymację kanału, lokalizację, standaryzację oraz pasywne i aktywne kształtowanie wiązki. Technologia ta umożliwia komunikację wieloużytkownikową poprzez ogniskowanie wiązek, co zapewnia kompromis między stratami propagacyjnymi a przenikalnością, szczególnie w pasmach średniich częstotliwości, takich jak zakres 10 GHz12. Inteligentne interfejsy były dalej rozwijane w ramach sieci komunikacyjnych i są obecnie badane w celu poprawy rozdzielczości przestrzennej oraz szerokości pasma komunikacyjnego13. Wyższe częstotliwości i większe apertury anten podczas przejścia z 5G na 6G zmieniają tradycyjne scenariusze komunikacji w polu dalekim w scenariusze komunikacji w polu bliskim14,15.

Obszar bliskiego pola będzie istotny w sieciach 6G, co wymusza prowadzenie badań nad nowymi technikami bliskiego pola.16W celu usprawnienia propagacji fal elektromagnetycznych w technologiach bliskiego pola, fale należy traktować jako sferyczne, a nie płaskie. Ta nowa charakterystyka fizyczna wywołuje szereg efektów elektromagnetycznych, w tym niestacjonarność przestrzenną, rozszczepienie wiązki, tripolaryzację oraz fale zanikające.17W związku z tym wiele konwencjonalnych metod komunikacji może nie wykorzystywać w pełni tych nowych charakterystyk fizycznych lub wykazywać znaczne spadki wydajności w środowiskach bliskiego pola 6G.18Rozbieżność między obecnymi technologiami komunikacji dalekiego pola a modelami propagacji bliskiego pola może znacząco obniżyć skuteczność aktualnych technik dalekiego pola w obszarach bliskiego pola.19W przeciwieństwie do tradycyjnych wąskopasmowych systemów pola dalekiego, w szerokopasmowych systemach RIS pola bliskiego należy uwzględnić nowe efekty elektromagnetyczne (EM). Po pierwsze, kanał pola bliskiego obejmuje dwa kąty oraz wymiar odległości ze względu na sferyczny front fali w widmie pola bliskiego, w przeciwieństwie do hipotezy płaskiego frontu fali w modelach kanału pola dalekiego. Zamiast nawigacji wiązką w polu dalekim, prowadzi to do działania koncentracji wiązki w polu bliskim.20,21Fraza "efekt rozszczepienia wiązki" odnosi się do możliwości, że wiązki generowane przy różnych zdarzeniach będą koncentrować się w oddzielnych lokalizacjach22.

W przeciwieństwie do pola dalekiego, w którym czoła fal elektromagnetycznych (EM) przybliża się do płaskich, komunikacja w polu bliskim wymaga uwzględnienia sferycznej propagacji czoła fali. Charakterystyka ta stwarza zarówno możliwości, jak i wyzwania dla przyszłych sieci bezprzewodowych. Dzięki wykorzystaniu sferycznych czoła fal, ogniskowanie wiązki może koncentrować sygnały w konkretnym obszarze przestrzennym, co pozwala na lepsze tłumienie zakłóceń i efektywniejszą komunikację wieloużytkownikową w porównaniu z konwencjonalnym kształtowaniem wiązki w polu dalekim. Wprowadza to jednak dodatkowe komplikacje w zakresie projektowania i przetwarzania sygnałów23,24. Wczesne badania nad komunikacją w polu bliskim obejmują prace w25, w których opisano różnice między regionami pola bliskiego i dalekiego, kluczowe koncepcje, wyzwania techniczne, zastosowania oraz estymację kanału opartą na książkach kodów. Następnie autor26 przeanalizował fundamentalne różnice między transmisją w polu dalekim opartą na płaskich czołach fal a transmisją w polu bliskim opartą na sferycznych czołach fal, koncentrując się na kształtowaniu wiązki, analizie kanału, wydajności systemu oraz integracji z technologiami nowej generacji. Ponadto autor27 zbadał główne wyzwania w komunikacji w polu bliskim, w tym modelowanie kanału, estymację, kształtowanie wiązki, architekturę sprzętową i detekcję, podsumowując jednocześnie ostatnie postępy w tych obszarach.

Ostatnie badania szeroko analizowały bezprzewodową łączność w polu bliskim oraz modelowanie kanałów dla rozwijających się systemów 6G. Kompleksowe przeglądy analizowały zasady komunikacji w polu bliskim, architektury holograficzne MIMO, techniki modelowania kanałów, metody przetwarzania sygnałów oraz zastosowania zintegrowanego wykrywania i komunikacji, identyfikując jednocześnie kluczowe wyzwania związane z estymacją kanału i projektowaniem systemów w środowiskach pola bliskiego28,29. Aby przeciwdziałać efektowi rozszczepiania wiązki (beam-splitting) w systemach mmWave/THz wspomaganych przez RIS, zaproponowano różne rozwiązania, w tym strategie rozproszonego rozmieszczania RIS oraz architektury RIS wspomagane przez rzeczywiste opóźnienie czasowe (TTD). Podejścia te poprawiają częstotliwościowo selektywną kontrolę wiązki i ograniczają degradację wynikającą z rozszczepiania wiązki; jednak często wiążą się one z wyższymi kosztami wdrożenia, większą złożonością sprzętową lub zależnością od specjalistycznych komponentów opóźniających 30,31,32.

Optymalizacja formowania wiązki zyskała znaczną uwagę ze względu na połączone efekty ogniskowania wiązki i szerokopasmowych zniekształceń przestrzennych w systemach z ekstremalnie dużymi macierzami aperturowymi (ELAA). Istniejące badania analizowały metody ogniskowania z opóźnieniem fazowym, architektury oparte na TTD oraz ramy optymalizacyjne dla holograficznych anten metasurface w celu zwiększenia zysku formowania wiązki i łagodzenia efektów szerokopasmowych33,34,35,36. Niemniej jednak większość badań związanych z XL-IMS nadal opiera się na założeniach fali płaskiej w polu dalekim, które są niewystarczające dla ekstremalnie dużych apertur. W rezultacie często pomijane są istotne charakterystyki pola bliskiego, w tym propagacja fal sferycznych, niestacjonarność przestrzenna, sprzężenia wzajemne oraz ogniskowanie wiązki zależne od odległości37,38. Ostatnio techniki sztucznej inteligencji pojawiły się jako obiecujące rozwiązania dla formowania wiązki w polu bliskim i optymalizacji kanałów w sieciach 6G wykorzystujących XL-IMS. W szczególności metody oparte na meta-uczeniu wykazały wysoką adaptacyjność i szybką zbieżność w dynamicznych warunkach bezprzewodowych przy ograniczonych danych treningowych. Podejścia te oferują znaczny potencjał dla inteligentnych systemów komunikacji w polu bliskim oraz przyszłej autonomicznej optymalizacji sieci bezprzewodowych39,40.

Istniejące techniki formowania wiązki w dużej mierze opierają się na uproszczonych modelach kanałów dalekiego pola, które nie oddają krytycznych charakterystyk pola bliskiego w strukturach ultra-masywnych. Co więcej, ewaluacje oparte na zbiorach danych w realistycznych środowiskach, takich jak DeepMIMO, pozostają ograniczone, a wspólna optymalizacja modelowania kanału pola bliskiego i formowania wiązki dla dynamicznych scenariuszy użytkowników nie otrzymała wystarczającej uwagi. Dodatkowo, skalowalność obliczeniowa pozostaje kluczowym wyzwaniem dla praktycznych wdrożeń 6G z wykorzystaniem XL-IMS. Aby rozwiązać te ograniczenia, niniejsze badanie proponuje zunifikowane ramy łączące fizyczne modelowanie kanału fal sferycznych z sieciami GNN i mechanizmami uwagi w celu formowania wiązki w polu bliskim. Zaproponowany model jawnie uwzględnia przestrzenną niestacjonarność, oddziaływania metapowierzchni oraz propagację zależną od odległości i został zwalidowany przy użyciu zbioru danych DeepMIMO.

Zaproponowany model integruje fizyczne modelowanie kanału z głębokim uczeniem, aby umożliwić dokładną reprezentację kanału w polu bliskim oraz optymalizację formowania wiązki dla systemów XL-IMS. Poprzez jawne modelowanie propagacji fal sferycznych oraz niestacjonarności przestrzennej, badanie to ułatwia precyzyjne ogniskowanie wiązki, jednocześnie poprawiając alokację energii, zysk formowania wiązki oraz tłumienie interferencji. Model ten dodatkowo obejmuje optymalizację odpowiedzi fazowych metasuperficyjnych elementów, co umożliwia adaptacyjne sterowanie wiązką w gęstych środowiskach komunikacyjnych. Wykorzystując realistyczne scenariusze propagacji z zestawu danych DeepMIMO, zaproponowane podejście wykazuje poprawioną efektywność widmową, wydajność formowania wiązki oraz efektywność obliczeniową, zapewniając skalowalne rozwiązanie dla szerokopasmowych sieci komunikacyjnych 6G opartych na XL-IMS.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

Proponowany schemat modelowania kanałów w polu bliskim i formowania wiązki w systemach 6G obsługujących XL-IMS łączy modelowanie oparte na fizyce z optymalizacją za pomocą uczenia maszynowego, aby przezwyciężyć ograniczenia konwencjonalnych podejść dla pola dalekiego. Opracowano i zwalidowano za pomocą zbioru danych DeepMIMO model kanału w polu bliskim, uwzględniający propagację fal sferycznych oraz przestrzenną niestacjonarność. Informacje o kanale są reprezentowane jako graf, aby uchwycić zależności przestrzenne między elementami metasuperficyjnymi a użytkownikami, a do wyznaczania wag formowania wiązki dla ogniskowania wiązki w polu bliskim wykorzystano end-to-end sieć GNN-attention. W przeciwieństwie do konwencjonalnych iteracyjnych metod optymalizacji, schemat oparty na uczeniu bezpośrednio przewiduje rozwiązania formowania wiązki, co zmniejsza złożoność obliczeniową przy zachowaniu wysokiej dokładności i adaptacyjności do dynamicznych warunków kanału. Wydajność oceniono pod kątem osiągalnej przepływności, wzmocnienia formowania wiązki i efektywności energetycznej, wykazując wyniki lepsze w porównaniu z tradycyjnymi metodami formowania wiązki w polu dalekim. Rysunek 1 przedstawia ogólny schemat.

Poniżej przedstawiono proponowane kroki:

Krok 1: Konfiguracja środowiska DeepMIMO

Platforma DeepMIMO v3.x jest w pierwszej kolejności konfigurowana za pomocą ustawień O1 Outdoor, w których zastosowano częstotliwość przenoszenia 28 GHz oraz szerokość pasma 100 MHz. W symulacji XL-IMS jest reprezentowany przez jednorodną macierz planarna 16×16 składającą się z 256 elementów odbijających, rozmieszczonych w odstępach λ/2. Wybrany model propagacji to fala sferyczna z uwzględnieniem ścieżek LoS i NLoS.

Krok 2: Definiowanie geometrii XL-IMS i lokalizacji użytkowników

Zaprojektuj XL-IMS jako płaską metapowierzchnię o wymiarach 16×16, składającą się z 256 rekonfigurowalnych elementów refleksyjnych. Urządzenia terminalne użytkownika rozmieszczono losowo w obszarze pola bliskiego, od 0,5m do 10m od XL-IMS, w oparciu o kryterium odległości Rayleigha.

Krok 3: Generowanie kanałów pola bliskiego przy użyciu propagacji fal sferycznych

Modeluj kanały pomiędzy każdym elementem rekonfigurowalnej metasurface a użytkownikiem przy użyciu propagacji fal sferycznych, uwzględniając zmianę fazy wywołaną odległością.

Krok 4: Generowanie danych kanału bliskiego pola

Terminalne urządzenia użytkowników zostały rozmieszczone jednorodnie w strefie bliskiego pola (0,5-10 m) od panelu XL-IMS. Do wygenerowania kanałów wykorzystano zarówno ścieżki propagacji LoS, jak i NLoS, stworzone w ramach scenariusza DeepMIMO O1 Outdoor Scenario.

Krok 5: Przygotowanie zbioru danych do uczenia i testowania

Wygenerowany zestaw danych obejmował 20 000 próbek, z których 16 000 (80%) wykorzystano do uczenia, a 4 000 (20%) do testowania.

Krok 6: Normalizacja cech wejściowych i przygotowanie danych wejściowych modelu

Ostatni etap procesu przygotowania polegał na przeprowadzeniu skalowania Min-Max wszystkich cech wejściowych, takich jak amplituda kanału, faza, odległość oraz współrzędne użytkownika. Proces ten przeskalował dane i przekształcił je w tensory, które zostały wprowadzone do sieci GNN-attention. Model został zoptymalizowany przy użyciu optymalizatora Adam z szybkością uczenia 0,001 i 50 epokami.

Krok 7: Zastosowanie mechanizmu uwagi

Dodaj mechanizm uwagi, aby uwzględnić globalne informacje o grafie i uchwycić długodystansowe zależności między węzłami grafu. Pomaga to modelowi skupić się na istotnych cechach przestrzennych.

Krok 8: Przewidywanie wag formowania wiązki

Przewidź wagi formowania wiązki i wartości przesunięcia fazowego, wykorzystując osadzanie z mechanizmem uwagi GNN (GNN-attention embedding). Złożone, żmudne i iteracyjne procedury formowania wiązki zostają zastąpione metodą predykcyjną.

Krok 9: Ocena wskaźników wydajności

Aby ocenić skuteczność komunikacji i formowania wiązki, należy obliczyć wskaźniki KPI, takie jak osiągalna przepływność, zysk formowania wiązki, efektywność widmowa, efektywność energetyczna oraz SINR.

Krok 10: Porównanie z metodami referencyjnymi

Porównaj proponowany algorytm z algorytmami tradycyjnymi, w tym ZF, MMSE, SDR oraz AO.

Definicja modelu systemu

Proponowany system rozważa bezprzewodową sieć 6G wspieraną przez XL-IMS składający się z 256 rekonfigurowalnych elementów odbijających, które kontrolują propagację fal elektromagnetycznych poprzez regulowane przesunięcia fazowe. Ponieważ użytkownicy operują w obszarze pola bliskiego, konwencjonalne założenie o płaskiej fali pola dalekiego staje się nieprawidłowe, co wymaga uwzględnienia propagacji fal sferycznych, tłumienia zależnego od odległości oraz przestrzennej niestacjonarności. Granica między obszarami pola bliskiego i dalekiego jest określona przez odległość Rayleigha, która zależy od rozmiaru metasurfacy oraz długości fali nośnej i wyznacza przejście od efektów sferycznych frontów fal do propagacji fali płaskiej. Jest to opisane w następujący sposób:

Równanie rozdzielczości R=2D²/λ, wzór z zakresu optyki, istotny dla analizy dyfrakcyjnej. (1)

Tutaj D oznacza rozmiar metasuperfacy, λ to długość fali, a R to odległość Rayleigha. Zjawisko pola bliskiego występuje w kanale komunikacyjnym, gdy użytkownik znajduje się w pozycji bliższej niż rzeczywista wartość R. W miarę przemieszczania się sygnału przez poszczególne komponenty metasuperfacy, ulega on wyraźnym zmianom fazy i amplitudy.

Kanał od n-tej metasurface do użytkownika wykorzystuje model fali sferycznej dla propagacji w polu bliskim, co jest reprezentowane przez równanie współczynnika kanału w następujący sposób:

Wzór na tłumienie sygnału, \(h_n = \frac{\alpha}{d_n} e^{-j\frac{2\pi}{\lambda}d_n}\), równanie. (2)

W tym przypadku α oznacza parametr straty propagacyjnej, λ oznacza długość fali nośnej, a dn to odległość użytkownika od komponentu.

W tym przypadku βn jest współczynnikiem strat propagacyjnych dla n-tego elementu XL-IMS i może być wyrażony jako βn = dn−α, gdzie α oznacza wykładnik strat propagacyjnych. Należy zauważyć, że dn to odległość euklidesowa od pozycji użytkownika do n-tego elementu metapowierzchni. Zmiany kanału w odniesieniu do przestrzeni są powodowane znacznymi różnicami w dn pomiędzy różnymi metapowierzchniami, w przeciwieństwie do sytuacji w przypadku kanałów pola dalekiego. W ujęciu ogólnym wektor kanału można wyjaśnić w następujący sposób:

Wzór w notacji macierzowej \( h = [h_1, h_2, ..., h_N]^T \), stosowany w badaniach nad algebrą liniową. (3)

Sygnał wejściowy odbierany przez użytkownika zależy od strojenia fazowego systemu XL-IMS. Przyjmijmy, że θ = [θ1, θ2, …., θN] reprezentuje przesunięcie fazowe zrealizowane za pomocą metasurfacy. Wówczas sygnał wejściowy można zapisać jako:

Równanie przetwarzania sygnałów: y=h^HΦws+n. Wzór matematyczny do analizy algorytmu. (4)

gdzie Φ = diag(ejθ1, ….., ejθN) jest sygnałem nadawanym, w to wektor prekodowania kodowania bazowego, a n oznacza szum. Wektor kanału w polu bliskim jest zdefiniowany jako h ∈ ℂN×1, diagonalna macierz przesunięcia fazy XL-IMS jako Φ ∈ ℂN×N, wektor formowania wiązki jako x ∈ ℂN×1, a sygnał odebrany jako y ∈ ℂ. Składnik szumu addytywnego jest zdefiniowany jako n ∼ CN (0, σ2). Wymiary te zapewniają poprawność matematyczną sformułowania.

W tym przypadku ws jest wektorem prek either kodowania stacji bazowej, który jest wykorzystywany do prek either kodowania transmitowanego symbolu (s). Podczas benchmarkingu wydajności, w stacji bazowej implementowane są powszechne podejścia do cyfrowego prek either kodowania, takie jak ZF i MMSE, przy użyciu podobnych realizacji kanałów w polu bliskim. Jednak nowe podejście dąży do optymalizacji macierzy przesunięć fazowych XL-IMS (θ) poprzez mechanizm uczenia z wykorzystaniem sieci GNN-attention.

Aby skoncentrować energię w obszarze bliskiego pola, dla użytkownika powinno być możliwe osiągnięcie konfiguracji θ, w której występuje interferencja konstruktywna. Strategia formowania wiązki ma na celu maksymalizację efektywności widmowej lub mocy sygnału odbieranego. Rycina 2 przedstawia architekturę modelu systemu komunikacji w bliskim polu opartego na podejściu XL-IMS.

Modelowanie kanału w polu bliskim

Zaproponowany model pola bliskiego dla sieci komunikacyjnych 6G oparty na XL-IMS został specjalnie zaprojektowany tak, aby naśladować warunki propagacji w pobliżu odległości Rayleigha od metapowierzchni. W obszarze pola bliskiego propagacja ma charakter sferyczny, z zmieniającymi się wartościami fazy i niejednorodnymi parametrami przestrzennymi w obrębie metapowierzchni, w przeciwieństwie do konwencjonalnych modeli propagacji w polu dalekim, które zakładają fale płaskie. W niniejszym badaniu wykorzystano fizyczny model fali sferycznej do zaprojektowania dokładnej macierzy odpowiedzi impulsowej kanału, która uwzględnia fizyczne położenie zarówno elementów metapowierzchni, jak i terminali użytkowników.

Reprezentacja kanałów w oparciu o odległość

Odległość między każdym elementem metapowierzchni a użytkownikiem jest kluczowym czynnikiem podczas konstruowania modelu kanału w obszarze pola bliskiego. Długość pn między lokalizacjami użytkownika pu a n-tym elementem XL-IMS jest określona wzorem:

Równanie równowagi statycznej: dn=|pn−pu|; schemat procesu analizy strukturalnej. (5)

Wartość ta różni się znacznie w obrębie metasurfacy ze względu na jej niezwykle dużą powierzchnię, co prowadzi do nierównych czasów propagacji i przesunięć fazowych, które muszą zostać uwzględnione w modelu.

Model kanału fali sferycznej

Współczynnik kanału pomiędzy n-tym elementem a użytkownikiem jest określany przy użyciu modelu fali sferycznej opisanego w równaniu (2), który uwzględnia zależne od odległości zmiany fazy i amplitudy. W celu generowania zbiorów danych i trenowania modelu współczynniki kanałów są pobierane z frameworka ray-tracingu DeepMIMO, który uwzględnia propagację wielodrożną zarówno w warunkach widoczności bezpośredniej (LoS), jak i braku widoczności bezpośredniej (NLoS), w oparciu o realistyczne struktury środowiskowe. Na podstawie powyższych danych można skonstruować macierz odpowiedzi kanału z odpowiedzi kanałowych dla wszystkich N elementów metapowierzchni, zgodnie z równaniem (3).

Przestrzenna niestacjonarność kanałów pola bliskiego i istotność modelu

W przeciwieństwie do kanałów pola dalekiego, kanały pola bliskiego wykazują niestacjonarność przestrzenną, w której sygnały odbióru różnią się w obrębie metapowierzchni, co umożliwia ogniskowanie wiązki zależne od lokalizacji. Ta informacja przestrzenna jest zawarta w macierzy odpowiedzi kanału i jest przechwytywana przez model GNN-attention. Rycina uzupełniająca 1 przedstawia proponowany model kanału pola bliskiego dla systemu komunikacji 6G opartego na XL-IMS oraz generowanie realistycznych danych kanałowych dla formowania wiązki w oparciu o głębokie uczenie.

Generowanie zestawu danych

Generowanie danych przeprowadzono przy użyciu frameworka DeepMIMO, który zapewnia realistyczne symulacje kanałów oparte na śledzeniu promieni (ray-tracing), uwzględniające geometrię otoczenia, spójność przestrzenną oraz mobilność użytkowników. Odpowiedzi kanałowe dla wielu lokalizacji użytkowników w polu bliskim wygenerowano dla scenariusza zewnętrznego O1 przy częstotliwości nośnej 28 GHz i szerokości pasma 100 MHz. XL-IMS składał się z 256 równomiernie rozłożonych elementów odbijających, a lokalizacje użytkowników wybrano w obszarze pola bliskiego na podstawie kryterium Rayleigha. Współczynniki kanałowe, wzmocnienia ścieżek oraz informacje przestrzenne wyekstrahowano za pomocą biblioteki Python DeepMIMO. Tabela uzupełniająca 1 podsumowuje parametry symulacji i odtwarzalności. Model został wytrenowany przy użyciu uczenia nadzorowanego, gdzie wejściami były cechy stanu kanału, a etykietami docelowymi zoptymalizowane wagi formowania wiązki oparte na fizyce.

Tworzenie cech wejściowych i struktura zbioru danych

Następnie surowe dane z kanałów przekształcono w cechy służące jako dane wejściowe dla modeli głębokiego uczenia. Cechy te obejmowały amplitudy i fazy odpowiedzi kanałów jako oddzielne komponenty. W zależności od wymagań problemu można było uwzględnić inne parametry wejściowe. Na przykład jako cechy można było rozważyć współrzędne użytkowników, odległości oraz niektóre parametry przestrzenne. Zbiór danych podzielono na zbiór treningowy i testowy w stosunku 80:20.

Przygotowanie zestawu danych do uczenia

Ostatni krok polegał na normalizacji przygotowanego zbioru danych i przekształceniu go w tensory odpowiednie do wprowadzenia do architektury GNN-attention w celu przeprowadzenia uczenia. Zbiór treningowy został wykorzystany do nauczenia odwzorowania stanu kanału na optymalne wagi formowania wiązki, natomiast zbiór testowy posłużył do oceny skuteczności modelu. Tak przygotowany zbiór danych sprawił, że proces uczenia był łatwiejszy i bardziej efektywny. Tabela uzupełniająca 2 przedstawia szczegółowy opis zbioru danych DeepMIMO.

Reprezentacja cech

Etap reprezentacji cech przekształcił złożone dane kanału pola bliskiego w format odpowiedni dla głębokiego uczenia. Odpowiedzi kanału zostały rozłożone na cechy, które oddają charakterystykę przestrzenną i propagacyjną, zachowując jednocześnie kluczowe informacje o polu bliskim niezbędne do procesu uczenia. Rycina uzupełniająca 2 ilustruje zbiór danych DeepMIMO wykorzystany w tym procesie. Dane kanału z otoczenia pola bliskiego zostały przedstawione jako liczby zespolone hn, których części rzeczywista i urojona reprezentują informacje o fazie i amplitudzie współczynników kanału. Aby umożliwić efektywne wykorzystanie w algorytmach uczenia maszynowego, współczynniki zostały rozłożone na części rzeczywistą (Rehn) i urojoną (Imhn). Dane można było również przedstawić jako moduł hn oraz fazę współczynników ∠hn.

Ekstrakcja cech przestrzennych

Oprócz współczynnika kanału uwzględniono cechy przestrzenne, aby odzwierciedlić geometryczny charakter środowiska pola bliskiego. Obejmowały one odległość dn od każdego elementu metapowierzchni do odbiornika, a także współrzędne odbiornika (x, y, z). W ten sposób model uwzględniał fakt, że charakterystyka sygnału może zależeć od położenia przestrzennego pary nadajnik-odbiornik, co jest właściwością istotną dla propagacji w polu bliskim.

Normalizacja i przygotowanie danych wejściowych modelu

Jako krok wstępny przed wprowadzeniem danych do modelu przeprowadzono proces normalizacji, aby uniknąć niestabilności numerycznej i przyspieszyć zbieżność. Strukturyzowane wektory podzielono na zbiory danych treningowych i testowych, oznaczone jako (Xtrain, Xtest). W ten sposób dane wejściowe zostały następnie przekazane do modeli GNN i attention.

Na podstawie reprezentacji cech przedstawionej na Rysunku uzupełniającym 2, w zbiorze danych zastosowano różne rodzaje cech, w tym współczynniki kanałów hn, które określały złożoną odpowiedź sygnału wszystkich elementów metasurface. Inną cechą była odległość dn, która w tym przypadku wskazywała na efekty propagacji. Chociaż składowe rzeczywiste i urojone zapewniają numeryczny opis sygnału, to moduł i faza dają odpowiednio jawny opis natężenia sygnału i przesunięcia fazowego. Współrzędne pozycji użytkownika (x, y, z) stanowiły kolejną istotną cechę, która zwiększyła orientację przestrzenną modelu.

Projekt głębokiego uczenia z wykorzystaniem GNN do modelowania zależności przestrzennych zintegrowany z hybrydowym mechanizmem uwagi do uczenia kontekstu globalnego

Ten algorytm uczenia został opracowany w celu efektywnego trenowania złożonego kanału XL-IMS w polu bliskim, z uwzględnieniem jego charakterystyk przestrzennych i propagacyjnych, przy użyciu GNN oraz mechanizmu uwagi. Ponieważ elementy metasurface są ze sobą silnie skorelowane, a ich oddziaływania w strefie pola bliskiego są niejednorodne, sieć w pełni połączona nie jest odpowiednia do prawidłowej reprezentacji kanału. W związku z tym, w tym podejściu metasurface jest reprezentowana jako graf, w którym każdy element pełni rolę węzła, a oddziaływania między nimi stanowią krawędzie. GNN uchwyciła lokalne zależności przestrzenne między sąsiednimi węzłami, natomiast mechanizm uwagi poprawił proces uczenia się zależności globalnych.

Reprezentacja graficzna XL-IMS

XL-IMS jest tworzony jako graf G = (V, E), w którym każdy wierzchołek vn ∈ V reprezentuje jeden element meta-powierzchni, natomiast krawędzie eij ∈ E reprezentują relacje przestrzenne między elementami. Każdy wierzchołek posiada wektor cech xn, który jest uzyskiwany w fazie reprezentacji cech. Macierz sąsiedztwa A oddaje łączność między wierzchołkami, które znajdują się blisko siebie lub w ramach określonych ograniczeń odległości. Taka sformułowanie grafowe jest wykorzystywane w celu uwzględnienia informacji przestrzennych istniejących w propagacji pola bliskiego.

Aby zapewnić powtarzalność, łączność grafu określono przy użyciu podejścia K-najbliższych sąsiadów (K-Nearest Neighbors) z wartością k równą 8. Niech pi oraz pj reprezentują wektory położenia odpowiednio i-tej i j-tej komórki XL-IMS. Odległość między dowolnymi dwoma wierzchołkami mierzono za pomocą metryki euklidesowej zgodnie z wzorem: dij = ||pi − pj||2. Krawędź zostanie utworzona między wierzchołkami i oraz j, jeśli wierzchołek j znajduje się w grupie ośmiu najbliższych sąsiadów wierzchołka i. W związku z tym macierz sąsiedztwa skonstruowano według następującej reguły: Aij = 1, jeśli j ∈ Nk(i), a w przeciwnym razie Aij = 0.

W proponowanej sieci GNN aktualizacje dla każdego węzła są obliczane na podstawie informacji z innych sąsiednich węzłów. W szczególności propagację warstwy l można przedstawić w następujący sposób:

Równanie grafowej sieci neuronowej, wzór aktualizacji węzła, proces obliczeń neuronowych, wyrażenie matematyczne. (6)

gdzie hi(l) oznacza wektor cech wierzchołka i w warstwie l, N(i) to sąsiedztwo wierzchołka i, W(l) jest macierzą wag podlegającą uczeniu, a σ(·) symbolizuje nieliniową funkcję aktywacji.

Model GNN-attention składał się z trzech splotowych warstw grafowych z wymiarami ukrytymi ustawionymi na 128, a jako funkcja aktywacji została zastosowana jednostka liniowa z prostowaniem (ReLU). Generowanie grafów przeprowadzono metodą k-najbliższych sąsiadów (k=8). Każda cecha XL-IMS pełni rolę węzła, natomiast krawędzie są tworzone na podstawie odległości euklidesowej między sąsiednimi węzłami. W celu wyodrębnienia globalnych zależności przestrzennych wykorzystano wielogłowicową sieć samoatencji z 4 głowicami. Prawdopodobieństwo dropout ustawiono na 0,3, aby zapobiec przeuczeniu modelu.

Mechanizm uwagi

Aby zamodelować zależności długodystansowe występujące poza zakresem lokalnego sąsiedztwa, w modelu wprowadzono mechanizm uwagi (attention), który działa w następujący sposób:

Wzór funkcji Softmax, aij=exp(eij)/Σkexp(eik), reprezentacja symboliczna, koncepcja matematyczna. (7)

gdzie eij = LeakyReLU(aT[Whi | Whj]) określa istotność węzłów i oraz j. Dzięki temu modelowi można przypisać różnym węzłom różny poziom istotności w zależności od ich roli, co ułatwia modelowi zrozumienie kontekstu globalnego w obrębie metapowierzchni. Hybrydowe ramy przechwytują zarówno lokalne, jak i globalne informacje przestrzenne, a wyuczone cechy są przetwarzane przez warstwy w pełni połączone w celu wygenerowania wag formowania wiązki. Jak pokazano na rysunkach uzupełniających 3 i 4, GNN modeluje lokalne zależności przestrzenne poprzez przekazywanie komunikatów i agregację cech, podczas gdy mechanizm uwagi przechwytuje globalne interakcje między elementami metapowierzchni, umożliwiając efektywne formowanie wiązki w polu bliskim. Wagi uwagi są obliczane w celu ilościowego określenia istotności par węzłów, przypisując większą wagę bardziej informacyjnym interakcjom. Wykorzystując te wagi, każdy węzeł agreguje informacje ze wszystkich pozostałych węzłów, co pozwala modelowi uchwycić globalne zależności wykraczające poza lokalne sąsiedztwa. Wynikowa ważona fuzja cech generuje zoptymalizowaną reprezentację cech, która podkreśla istotne charakterystyki przestrzenne, jednocześnie tłumiąc mniej relewantne informacje, co wspiera efektywną optymalizację formowania wiązki oraz ogniskowanie energii.

Optymalizacja kształtowania wiązki

Etap optymalizacji formowania wiązki określił przesunięcia fazowe XL-IMS oraz wagę formowania wiązki w celu skupienia energii na użytkownikach w polu bliskim. W przeciwieństwie do konwencjonalnego sterowania wiązką w polu dalekim, formowanie wiązki w polu bliskim koncentruje energię w konkretnych lokalizacjach przestrzennych. W proponowanej strukturze model GNN-attention nauczył się optymalnych parametrów formowania wiązki bezpośrednio z charakterystyk kanału, co zmniejszyło złożoność iteracyjnych metod optymalizacji. Sygnał odebrany przez użytkownika przedstawiono w równaniu (4).

Dane treningowe dla każdej realizacji kanału pobrano z DeepMIMO, a odpowiadające im przesunięcia fazowe XL-IMS wyznaczono przy użyciu algorytmu AO. Macierz kanału pola bliskiego h oraz macierz przesunięć fazowych XL-IMS zostały wykorzystane do obliczenia wektora przesunięcia fazowego θ poprzez maksymalizację mocy sygnału odbiorczego:

Wzór optymalizacji max |h^H Θx|^2; równanie matematyczne dla analizy przetwarzania sygnałów. (8)

Wzór na równowagę statyczną, Σ|θn|=1, równanie na schemacie badawczym. (9)

Optymalizator AO był uruchamiany przez 100 iteracji, aż do osiągnięcia pożąnego progu zbieżności wynoszącego 10−4. Zoptymalizowane wartości te posłużyły jako etykiety treningowe dla naszego modelu GNN-attention. Celem było uzyskanie interferencji konstruktywnej dla efektywnego ogniskowania wiązki w polu bliskim oraz zwiększenia mocy sygnału odbieranego. Zamiast konwencjonalnych metod optymalizacji, takich jak SDR lub AO, problem rozwiązano przy użyciu podejścia opartego na uczeniu. W szczególności problem optymalizacji kształtowania wiązki został przybliżony przez model głębokiego uczenia fΘ(⋅).

Do przeszkolenia modelu GNN-attention zastosowano uczenie nadzorowane, przyjmując optymalne wektory przesunięcia fazowego formowania wiązki, wyznaczone przez algorytm AO, jako cele treningowe. W szczególności, niech wektor optymalnego przesunięcia fazowego wygenerowany przez AO będzie oznaczony jako θAO,i, a predykcje sieci jako symbol θ̂ᵢ w kontekście matematycznym, schemat, związany z metodami estymacji statystycznej.. Wówczas kryterium uczenia sformułowano w następujący sposób:

Wzór na błąd średniokwadratowy, \(L_{MSE}=\frac{1}{N}\sum_{i=1}^{N}||\hat{\theta}_i-\theta_{AO,i}||^2\). (10)

gdzie N to liczba próbek treningowych.

Algorytm 1: Formowanie wiązki w polu bliskim z wykorzystaniem modelu GNN-attention został przedstawiony w Pliku uzupełniającym 1. W tym algorytmie pierwszym krokiem było skonfigurowanie parametrów systemu oraz bazy danych DeepMIMO w celu stworzenia realistycznych warunków kanału. Cechę kanału w polu bliskim dla każdej próbki obliczono przy użyciu modelu fali sferycznej, a następnie z bazy danych wyekstrahowano istotne cechy, takie jak współczynniki kanału i cechy przestrzenne. Wyekstrahowane cechy przekształcono w formę ustrukturyzowaną, a następnie przedstawiono jako graf, w którym elementami węzłów były elementy metapowierzchni. Model głębokiego uczenia wygenerowano z wykorzystaniem warstw GNN w celu uchwycenia lokalnych zależności przestrzennych, a następnie wprowadzono mechanizm uwagi (attention mechanism) do nauki zależności globalnych. Framework głębokiego uczenia wytrenowano metodą uczenia nadzorowanego z zastosowaniem funkcji straty MSE pomiędzy przewidywanymi przesunięciami fazy a etykietami optymalnych przesunięć fazy wygenerowanymi przez AO.

Implementacja została wykonana przy użyciu języka Python i biblioteki PyTorch. Próbki dla kanału DeepMIMO pobrano ze scenariusza zewnętrznego O1. Współczynniki tych kanałów przekształcono w grafy, a następnie przetworzono za pomocą GNN z trzema warstwami i mechanizmem wielogłowicowej uwagi (multihead attention). Model trenowano przy użyciu optymalizatora Adam z funkcją straty MSE. Model ten wygenerował przesunięcia fazowe i wagi dla formowania wiązki (beamforming) dla użytkowników w polu bliskim, a wyniki oceniano pod kątem przepływności, wydajności i SINR.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

Wydajność wprowadzonego frameworka modelowania kanału w polu bliskim i formowania wiązki dla XL-IMS w sieciach komunikacyjnych 6G została oceniona przy użyciu zbioru danych DeepMIMO, który oferuje praktyczne środowiska propagacyjne i przestrzennie spójne dane kanałowe. Aby skonfigurować ten zbiór danych, należy wygenerować wiele próbek kanałowych reprezentujących różne pozycje użytkowników w polu bliskim metapowierzchni. W szczególności w niniejszym badaniu wykorzystano do 10 000–20 000 próbek zebranych w różnych warunka...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

Sugerowany algorytm wykorzystuje nieliniowe prekodowanie do modelowania propagacji sferycznych fal w polu bliskim, osiągając lepsze ogniskowanie wiązki niż algorytmy oparte na prekodowaniu liniowym, takie jak ZF, MMSE, SDR i AO. Chociaż wyniki algorytmów SDR i AO są bliskie optymalnym, proponowana sieć GNN-attention osiąga lepszą wydajność przy znacznie niższym koszcie obliczeniowym, co jest kluczowe dla przyszłego wdrożenia XL-IMS w sieciach 6G 21,26,...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

Autorzy nie deklarują żadnych konfliktów interesów.

Podziękowania

Niniejsza praca została częściowo sfinansowana przez Narodową Fundację Nauk Naturalnych Chin (grant nr 62466036) oraz Fundusz Startowy Badań Uniwersytetu Gandong (grant nr 12225000423). Autorzy pragną podziękować Uniwersytetowi GanDong za udostępnienie niezbędnej infrastruktury badawczej oraz wsparcie instytucjonalne. Praca została wsparta przez Szkołę Inżynierii Informacyjnej oraz Laboratorium Algorytmów i Zastosowań Sztucznej Inteligencji na Uniwersytecie GanDong w Fuzhou w Chinach.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
Zestaw narzędzi CUDANVIDIACUDA 12.4https://developer.nvidia.com/cuda-toolkit
DGLZespół DGLDGL 2.2.1https://www.dgl.ai
MatplotlibZespół programistyczny MatplotlibMatplotlib 3.9.0https://matplotlib.org
NumPyProgramiści NumPyNumPy 1.26.4https://numpy.org
PythonPython Software FoundationPython 3.10.13https://www.python.org
PyTorchMeta AIPyTorch 2.3.1https://pytorch.org
PyTorch GeometricZespół PyGPyG 2.5.3https://pytorch-geometric.readthedocs.io
SeabornProgramiści SeabornSeaborn 0.13.2https://seaborn.pydata.org
TensorFlowGoogleTensorFlow 2.16.1https://www.tensorflow.org

Bibliografia

  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.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Przeglądaj więcej artykułów

Optymalizacja formowania wiązkigrafowe sieci neuronowemechanizm uwagiframework głębokiego uczeniapropagacja fal sferycznychekstremalnie duże inteligentne metasurfaceefektywność widmowaefektywność energetyczna
Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki korzystania z usługi

Zasady

Prawa autorskie © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.