Estrutura de Atenção GNN Baseada em Aprendizado Profundo para Modelagem de Canal de Campo Próximo e Formação de Feixes em Sistemas Sem Fio de Sexta Geração: Um Estudo de Simulação

Resumo

Este trabalho apresenta uma estrutura de aprendizado profundo baseada na física para formação de feixe e modelagem de canal em campo próximo em sistemas sem fio de sexta geração, utilizando Metassuperfícies Inteligentes Extremamente Grandes. Em comparação com as técnicas tradicionais de comunicação em campo distante, o método proposto melhora a eficiência energética, o ganho de formação de feixe e a eficiência espectral.

Resumo

O surgimento das redes de sexta geração (6G) tem impulsionado o desenvolvimento de Metassuperfícies Inteligentes Extremamente Grandes (XL-IMS, na sigla em inglês) para oferecer velocidades ultraelevadas e alta eficiência espectral. No entanto, os canais clássicos de campo distante não são aplicáveis à transmissão em campo próximo devido à propagação de ondas esféricas e à ausência de estacionariedade espacial, o que resulta em desempenho reduzido do beamforming e maior complexidade computacional. Portanto, o objetivo desta pesquisa é desenvolver um método de modelagem de canal em campo próximo e otimização de beamforming baseado em aprendizado profundo orientado pela física. A solução proposta utiliza um modelo de canal de onda esférica orientado pela física, juntamente com redes neurais em grafos (GNNs) e mecanismos de atenção, para capturar as relações espaciais locais entre os usuários e a rede global. Além disso, propõe-se um algoritmo de beamforming baseado em aprendizado para aumentar a eficiência do foco de energia sobre os usuários em campo próximo. O desempenho do framework proposto é avaliado utilizando cenários de propagação realistas do conjunto de dados DeepMIMO. Os resultados das simulações mostram que a técnica proposta alcança uma taxa de 11,6 bps/Hz, um ganho de beamforming de 28 dB, uma eficiência espectral de 10,5 bps/Hz, uma eficiência energética de 9,8 bits/joule e uma relação sinal-ruído-interferência (SINR) de 25 dB. Em comparação com técnicas tradicionais, como Forçamento de Zeros (ZF), Erro Quadrático Médio Mínimo (MMSE), Relaxação Semidefinida (SDR) e Otimização Alternada (AO), o esquema proposto melhora o desempenho geral da comunicação em aproximadamente 10-15%. Esses resultados revelam que a integração da modelagem de canal em campo próximo com aprendizado de atenção baseado em GNN pode atuar como uma técnica eficiente e precisa de beamforming para futuras redes sem fio 6G que utilizam a tecnologia XL-IMS.

Introdução

O interesse em formação de feixe tem crescido dramaticamente nos últimos anos. Requisitos extremos de capacidade tornaram-se comuns com a introdução do 6G, impulsionados pela crescente demanda por melhor conectividade e taxas de dados mais rápidas. Para orientar eficazmente os sinais e melhorar o desempenho geral da rede, a formação de feixe é, portanto, um método promissor¹. Sistemas convencionais de comunicação sem fio têm utilizado efetivamente os recursos espaciais de campo distante para diversidade espacial. Uma área emergente de estudo com enorme potencial para as comunicações sem fio futuras é a formação de feixe de campo próximo².

As superfícies inteligentes reconfiguráveis (RIS), por outro lado, são particularmente interessantes porque podem superar alguns dos problemas de propagação associados ao espectro mmWave/THz^3,4. As RIS podem refletir, refratar e manipular ondas eletromagnéticas incidentes⁵. Nesse caso, o principal objetivo é direcionar o feixe em uma direção ou forma desejada, e a RIS pode ser representada como um elemento que altera os padrões de radiação da fonte irradiante. Para RIS em campo distante, diversos tópicos fundamentais têm sido estudados ao longo dos anos^{6,7,8,9,10,11}, incluindo estimativa de canal, localização, padronização e formação de feixe passiva/ativa. Essa tecnologia permite a comunicação multiusuário por meio do foco de feixes, o que proporciona um compromisso entre perda de percurso e penetração, especialmente em bandas de frequência média, como a faixa de 10 GHz¹². Interfaces inteligentes foram ainda aprimoradas dentro das redes de comunicação e atualmente estão sendo estudadas para melhorar a resolução espacial e a largura de banda de comunicação¹³. As frequências mais altas e as aberturas maiores das antenas durante a transição do 5G para o 6G transformam cenários tradicionais de comunicação em campo distante em cenários de comunicação em campo próximo^14,15.

A região de campo próximo será importante nas redes 6G, exigindo pesquisas sobre novas técnicas de campo próximo¹⁶. As ondas devem ser tratadas como ondas esféricas, e não como ondas planas, para melhorar a propagação das ondas eletromagnéticas na tecnologia de campo próximo. Essa nova característica física exibe uma variedade de efeitos eletromagnéticos, incluindo não estacionariedade espacial, divisão de feixe, tri-polarização e ondas evanescentes¹⁷. Por esse motivo, muitos métodos convencionais de comunicação podem não aproveitar plenamente essas novas características físicas ou podem sofrer perdas severas de desempenho em ambientes de campo próximo da 6G¹⁸. Uma discrepância entre as tecnologias atuais de comunicação em campo distante e os modelos de propagação em campo próximo pode reduzir significativamente a eficácia das técnicas atuais de campo distante em locais de campo próximo¹⁹. Em contraste com os sistemas estreitos tradicionais de campo distante, novos efeitos eletromagnéticos (EM) devem ser considerados nos sistemas RIS de banda larga em campo próximo. Primeiramente, o canal de campo próximo incorpora duas dimensões angulares e a dimensão de distância devido ao frente de onda esférica no espectro de campo próximo, diferentemente da hipótese de forma de onda plana nos modelos de canal de campo distante. Isso resulta, ao invés da navegação de feixe em campo distante, na ação de concentração de feixe em campo próximo^20,21. A expressão "efeito de divisão de feixe" refere-se à possibilidade de que feixes gerados em diferentes ocorrências sejam concentrados em locais distintos²².

Diferentemente do campo distante, onde as frentes de onda eletromagnéticas (EM) são aproximadas como planares, as comunicações em campo próximo exigem a consideração da propagação de frentes de onda esféricas. Essa característica introduz tanto oportunidades quanto desafios para redes sem fio futuras. Ao explorar frentes de onda esféricas, o foco do feixe pode concentrar sinais em uma região espacial específica, permitindo uma melhor supressão de interferência e comunicação multiusuário em comparação com o direcionamento convencional de feixes em campo distante. No entanto, isso também introduz complexidades adicionais de projeto e processamento de sinal^23,24. Estudos iniciais sobre comunicações em campo próximo incluem o trabalho em²⁵, que delineou as diferenças entre as regiões de campo próximo e campo distante, conceitos-chave, desafios técnicos, aplicações e estimativa de canal baseada em codebook. Posteriormente, o autor²⁶examinou as distinções fundamentais entre a transmissão em campo distante baseada em frentes de onda planares e a transmissão em campo próximo baseada em frentes de onda esféricas, concentrando-se em formação de feixe, análise de canal, desempenho do sistema e integração com tecnologias de próxima geração. Além disso, o autor²⁷investigou os principais desafios nas comunicações em campo próximo, incluindo modelagem de canal, estimativa, formação de feixe, arquitetura de hardware e sensoriamento, ao mesmo tempo em que resumiu os avanços recentes nessas áreas.

Estudos recentes investigaram extensivamente comunicações sem fio em campo próximo e modelagem de canal para sistemas emergentes de 6G. Revisões abrangentes examinaram os princípios de comunicação em campo próximo, arquiteturas MIMO holográficas, técnicas de modelagem de canal, métodos de processamento de sinais e aplicações integradas de sensoriamento e comunicação, além de identificar os principais desafios associados à estimativa de canal e ao projeto de sistemas em ambientes de campo próximo^28,29. Para lidar com o efeito de divisão de feixe em sistemas assistidos por RIS em mmWave/THz, várias soluções foram propostas, incluindo estratégias de implantação distribuída de RIS e arquiteturas de RIS assistidas por atraso de tempo verdadeiro (TTD). Essas abordagens melhoram o controle de feixe seletivo em frequência e mitigam a degradação por divisão de feixe; no entanto, frequentemente implicam custos aumentados de implantação, maior complexidade de hardware ou dependência de componentes de atraso especializados ^30,31,32.

A otimização de formação de feixe tem recebido considerável atenção devido aos efeitos combinados do foco do feixe e da distorção espacial de banda larga em sistemas de matriz de abertura extremamente grande (ELAA). Estudos existentes exploraram métodos de focagem por atraso de fase, arquiteturas baseadas em TTD e estruturas de otimização para antenas holográficas de metassuperfícies, a fim de aumentar o ganho de formação de feixe e mitigar os efeitos de dupla banda larga^33,34,35,36. No entanto, a maioria dos estudos relacionados ao XL-IMS continua a depender de suposições de onda plana no campo distante, que são inadequadas para aberturas extremamente grandes. Como resultado, características importantes do campo próximo, como propagação de onda esférica, não estacionariedade espacial, acoplamento mútuo e focagem do feixe dependente da distância, frequentemente são negligenciadas^37,38. Recentemente, técnicas de inteligência artificial surgiram como soluções promissoras para a formação de feixe e otimização de canal no campo próximo em redes 6G habilitadas por XL-IMS. Em particular, métodos baseados em meta-aprendizagem demonstraram forte adaptabilidade e convergência rápida em condições dinâmicas de wireless com dados de treinamento limitados. Essas abordagens oferecem um potencial significativo para sistemas inteligentes de comunicação no campo próximo e para a futura otimização autônoma de redes sem fio^39,40.

As técnicas de beamforming existentes dependem amplamente de modelos de canal de campo distante simplificados que não conseguem capturar características críticas do campo próximo em estruturas ultra-massivas. Além disso, avaliações baseadas em conjuntos de dados em ambientes realistas, como o DeepMIMO, ainda são limitadas, e a otimização conjunta da modelagem de canal de campo próximo e beamforming para cenários dinâmicos de usuários tem recebido atenção insuficiente. Adicionalmente, a escalabilidade computacional permanece um desafio fundamental para implantações práticas de 6G com XL-IMS. Para superar essas limitações, este estudo propõe um framework unificado que combina modelagem de canal baseada em ondas esféricas com redes neurais gráficas (GNNs) e mecanismos de atenção para beamforming no campo próximo. O framework proposto leva explicitamente em conta a não estacionariedade espacial, interações com metassuperfícies e propagação dependente da distância, sendo validado com o uso do conjunto de dados DeepMIMO.

O framework proposto integra a modelagem de canal físico com aprendizado profundo para permitir uma representação precisa do canal em campo próximo e a otimização do beamforming para sistemas XL-IMS. Ao modelar explicitamente a propagação de ondas esféricas e a não estacionariedade espacial, este estudo facilita o foco preciso do feixe, ao mesmo tempo que melhora a alocação de energia, o ganho de beamforming e a supressão de interferência. O framework incorpora ainda a otimização elemento a elemento das respostas de fase da metassuperfície, permitindo o direcionamento adaptativo do feixe em ambientes de comunicação densos. Utilizando cenários de propagação realistas do conjunto de dados DeepMIMO, a abordagem proposta demonstra maior eficiência espectral, desempenho aprimorado de beamforming e maior eficiência computacional, fornecendo uma solução escalável para redes de comunicação 6G de grande escala habilitadas por XL-IMS.

Protocolo

O framework proposto para Modelagem de Canal em Campo Próximo e Formação de Feixe em sistemas 6G habilitados por XL-IMS combina modelagem baseada em física com otimização por aprendizado de máquina para superar as limitações das abordagens convencionais de campo distante. Um modelo de canal em campo próximo que incorpora propagação de ondas esféricas e não estacionariedade espacial é desenvolvido e validado utilizando o conjunto de dados DeepMIMO. A informação do canal é representada como um grafo para capturar as dependências espaciais entre os elementos da metassuperfície e os usuários, e uma rede end-to-end baseada em GNN com mecanismo de atenção é empregada para aprender os pesos de formação de feixe destinados ao foco de feixe em campo próximo. Diferentemente dos métodos convencionais de otimização iterativa, o framework baseado em aprendizado prevê diretamente as soluções de formação de feixe, reduzindo a complexidade computacional enquanto mantém alta precisão e adaptabilidade a condições dinâmicas do canal. O desempenho é avaliado em termos de taxa alcançável, ganho de formação de feixe e eficiência energética, demonstrando resultados superiores em comparação com métodos tradicionais de formação de feixe em campo distante. Figura 1 ilustra o framework geral.

Os seguintes são os passos propostos:

Passo 1: Configurar o ambiente DeepMIMO

A plataforma DeepMIMO v3.x é inicialmente configurada por meio da configuração O1 ao ar livre, que utiliza uma frequência portadora de 28 GHz e largura de banda de 100 MHz. Na simulação, o XL-IMS é representado por uma matriz planar uniforme de 16×16 com 256 elementos refletores, espaçados λ/2 entre si. O modelo de propagação escolhido é uma onda esférica com caminhos LoS e NLoS.

Passo 2: Definir a geometria do XL-IMS e as localizações do usuário

Projete o XL-IMS como uma metassuperfície plana 16×16 que compreende 256 elementos reflexivos reconfiguráveis. Os dispositivos terminais foram distribuídos aleatoriamente dentro do alcance de campo próximo, de 0,5 m a 10 m do XL-IMS, com base no critério da distância de Rayleigh.

Passo 3: Gerar canais de campo próximo usando propagação de onda esférica

Modele os canais entre cada elemento da metassuperfície reconfigurável e o usuário utilizando propagação de onda esférica, que considera a variação de fase induzida pela distância.

Etapa 4: Gerar dados do canal de campo próximo

Os terminais do usuário foram distribuídos uniformemente dentro da zona de campo próximo (0,5-10 m) em relação ao painel XL-IMS. Foram utilizados os caminhos de propagação LoS e NLoS gerados pelo Cenário Externo O1 do DeepMIMO para gerar os canais.

Passo 5: Preparar o conjunto de dados para treinamento e teste

O conjunto de dados gerado compreendeu 20.000 amostras, das quais 16.000 (80%) foram usadas para treinamento e 4.000 (20%) para testes.

Passo 6: Normalizar as características de entrada e preparar as entradas do modelo

A etapa final do processo de preparação envolveu a realização da normalização Min-Max em todas as características de entrada, como magnitude do canal, fase, distância e coordenadas do usuário. Esse processo normalizou os dados e os converteu em tensores, que foram inseridos na rede com atenção GNN. O modelo foi otimizado utilizando o otimizador Adam com uma taxa de aprendizado de 0,001 e 50 épocas.

Passo 7: Aplicar o mecanismo de atenção

Adicione um mecanismo de atenção para considerar informações globais do grafo e capturar dependências de longo alcance entre os nós do grafo. Isso ajuda o modelo a focar em características espaciais importantes.

Etapa 8: Prever os pesos de formação de feixe

Preveja os pesos de beamforming e os valores de deslocamento de fase usando incorporação de atenção GNN. Os procedimentos complexos, trabalhosos e iterativos de beamforming são substituídos pelo método de previsão.

Passo 9: Avaliar métricas de desempenho

Para avaliar o desempenho da comunicação e do beamforming, calcule indicadores-chave de desempenho (KPIs), como a taxa alcançável, o ganho de beamforming, a eficiência espectral, a eficiência energética e a SINR.

Passo 10: Comparar com métodos de referência

Compare o algoritmo proposto com os algoritmos tradicionais, incluindo ZF, MMSE, SDR e AO.

Definição do modelo do sistema

O sistema proposto considera uma rede sem fio 6G habilitada por um XL-IMS composto por 256 elementos refletores reconfiguráveis que controlam a propagação de ondas eletromagnéticas por meio de desvios de fase ajustáveis. Como os usuários operam na região de campo próximo, a suposição convencional de onda plana de campo distante torna-se inválida, exigindo a consideração da propagação de ondas esféricas, atenuação dependente da distância e não estacionariedade espacial. O limite entre as regiões de campo próximo e campo distante é determinado pela distância de Rayleigh, que depende do tamanho da metassuperfície e do comprimento de onda da portadora, e marca a transição dos efeitos de frente de onda esférica para a propagação de onda plana. Isso é descrito da seguinte forma:

 (1)

Aqui, D é o tamanho da metassuperfície, λ é o comprimento de onda e R é a distância de Rayleigh. Um fenômeno de campo próximo ocorre no canal de comunicação quando um usuário está em uma posição mais próxima a R do que seu valor real. À medida que o sinal atravessa diferentes componentes da metassuperfície, ele sofre variações distintas de fase e amplitude.

O canal da n-ésima meta-superfície até o usuário utiliza um modelo de onda esférica para a propagação em campo próximo, o qual é representado pela equação do coeficiente de canal conforme a seguir:

 (2)

Aqui, α refere-se ao parâmetro de perda de percurso, λ refere-se ao comprimento de onda da portadora e d_n é a distância do usuário em relação ao componente.

Neste caso, β_n é o fator de perda de percurso para o elemento XL-IMS n^º  e pode ser expresso como β_n = d_n^−α, onde α representa o expoente de perda de percurso. Deve-se observar que d_n é a distância euclidiana entre a posição do usuário e o elemento da metassuperfície n^º. As variações do canal em relação ao espaço são causadas pelas diferenças significativas em d_n entre os diversos elementos da metassuperfície, em contraste com a situação em canais de campo distante. Em geral, o vetor de canal pode ser explicado da seguinte forma:

 (3)

O sinal de entrada recebido pelo usuário depende do ajuste de fase do sistema XL-IMS. Considere θ = [θ₁, θ₂, …., θ_N] para representar a mudança de fase realizada utilizando a metassuperfície. Então, o sinal de entrada pode ser expresso como:

 (4)

onde Φ = diag(e^jθ₁, ….., e^jθ_N) é o sinal transmitido, w é o vetor de pré-codificação de codificação básica e n representa o ruído. O vetor de canal de campo próximo é definido como h ∈ ℂ^N×1, a matriz diagonal de deslocamento de fase do XL-IMS como Φ ∈ ℂ^N×N, o vetor de formação de feixe como x ∈ ℂ^N×1 e o sinal recebido como y ∈ ℂ. O termo de ruído aditivo é definido como n ∼ CN (0, σ²). Essas dimensões mantêm a correção matemática da formulação.

Neste caso, ws é o vetor de pré-codificação da estação-base que é usado para pré-codificar o símbolo transmitido (s). Durante a avaliação de desempenho, abordagens comuns de pré-codificação digital, como ZF e MMSE, são implementadas na estação-base utilizando realizações semelhantes do canal em campo próximo. No entanto, a nova abordagem busca otimizar a matriz de deslocamento de fase XL-IMS (θ) por meio do mecanismo de aprendizado com atenção baseado em GNN.

Para concentrar a energia na região de campo próximo, um design θ no qual ocorre interferência construtiva, para o usuário, deve ser alcançável. A estratégia de formação de feixe tem como objetivo maximizar a eficiência espectral ou a potência do sinal recebido. A Figura 2 descreve a arquitetura do modelo de sistema de comunicação de campo próximo baseado na abordagem XL-IMS.

Modelagem de canal de campo próximo

O modelo proposto de redes de comunicação 6G baseadas em XL-IMS na região próxima foi especificamente projetado para imitar as condições de propagação próximas à distância de Rayleigh da metassuperfície. Na região próxima, a propagação é esférica, com valores de fase variáveis e parâmetros espaciais não homogêneos ao longo da metassuperfície, em contraste com os modelos convencionais de propagação em campo distante, que assumem ondas planares. No presente estudo, um modelo de onda esférica baseado na física foi utilizado para projetar uma matriz precisa de resposta ao impulso do canal, que leva em conta as posições físicas tanto dos elementos da metassuperfície quanto dos terminais do usuário.

Representação de canal baseada em distância

A distância entre cada componente da metassuperfície e o usuário é um fator crucial na construção do modelo de canal na região de campo próximo. O comprimento p_n entre os locais do usuário p_u e o n- O componente XL-IMS é fornecido por:

 (5)

Esse valor varia significativamente ao longo da metassuperfície devido à sua área extremamente grande, resultando em tempos de propagação e deslocamentos de fase desiguais que devem ser considerados no modelo.

Modelo de canal de onda esférica

O coeficiente de canal entre o elemento n-ésimo e o usuário é determinado utilizando o modelo de onda esférica descrito na Equação (2), que captura variações de fase e amplitude dependentes da distância. Para a geração do conjunto de dados e o treinamento do modelo, os coeficientes de canal são obtidos a partir do framework de ray-tracing DeepMIMO, que incorpora a propagação multipercurso em linha de visada (LoS) e fora de linha de visada (NLoS) com base em estruturas ambientais realistas. A partir do exposto, pode-se construir a matriz de resposta de canal a partir das respostas de canal para todos os N elementos da superfície metamatérica, conforme a Equação (3).

Não estacionariedade espacial de canais de campo próximo e importância do modelo

Diferentemente dos canais de campo distante, os canais de campo próximo exibem não estacionariedade espacial, em que os sinais recebidos variam ao longo da metassuperfície, permitindo o foco de feixe dependente da localização. Essa informação espacial está incorporada na matriz de resposta do canal e é capturada pelo modelo de atenção GNN. Figura Suplementar 1 ilustra a estrutura proposta de modelagem de canal de campo próximo para o sistema de comunicação 6G baseado em XL-IMS e a geração de dados de canal realistas para formação de feixe baseada em aprendizado profundo.

Geração de conjunto de dados

A geração de dados foi realizada utilizando o framework DeepMIMO, que fornece simulações realistas de canais baseadas em ray-tracing, incorporando geometria ambiental, consistência espacial e mobilidade do usuário. As respostas de canal para múltiplas localizações de usuários em campo próximo foram geradas utilizando o cenário externo O1, com uma frequência portadora de 28 GHz e largura de banda de 100 MHz. O XL-IMS era composto por 256 elementos reflexivos uniformemente distribuídos, e as localizações dos usuários foram selecionadas dentro da região de campo próximo com base no critério de Rayleigh. Os coeficientes de canal, ganhos de percurso e informações espaciais foram extraídos utilizando a biblioteca Python DeepMIMO. Tabela Suplementar 1 resume os parâmetros de simulação e reprodutibilidade. O modelo foi treinado utilizando aprendizado supervisionado, com características de estado do canal como entradas e pesos de beamforming otimizados baseados na física como rótulos alvo.

Criação de características de entrada e estrutura do conjunto de dados

Em seguida, os dados brutos dos canais foram convertidos em características para entrada em modelos de aprendizado profundo. Essas características incluíam as magnitudes e as fases das respostas dos canais como componentes separados. Outros parâmetros de entrada também poderiam ser incluídos, dependendo dos requisitos do problema. Por exemplo, as coordenadas dos usuários, distâncias e alguns parâmetros espaciais também poderiam ser considerados como características. O conjunto de dados foi dividido em conjuntos de treinamento e teste em uma proporção de 80:20.

Preparação do conjunto de dados para o treinamento

A última etapa envolveu a normalização do conjunto de dados preparado e sua conversão em tensores adequados para entrada na arquitetura GNN com atenção, para treinamento. O conjunto de dados de treinamento foi usado para aprender a transformação do estado do canal nos pesos ideais de formação de feixe, enquanto o conjunto de dados de teste foi utilizado para avaliar a eficácia do modelo. Esse conjunto de dados bem preparado tornou o processo de aprendizagem mais fácil e eficaz. Supplementary Table 2 mostra os detalhes da descrição do conjunto de dados do DeepMIMO.

Representação de características

A etapa de representação de características transformou dados de canal de campo próximo com valores complexos em um formato adequado para aprendizado profundo. As respostas do canal foram decompostas em características que capturam as propriedades espaciais e de propagação, ao mesmo tempo em que preservam informações essenciais do campo próximo para o aprendizado. Figura Suplementar 2 ilustra o conjunto de dados DeepMIMO utilizado neste processo. Os dados de canal do ambiente de campo próximo foram representados como números complexos h_n, com componentes reais e imaginários que representam a fase e a amplitude dos coeficientes do canal. Para permitir o uso eficaz em algoritmos de aprendizado de máquina, os coeficientes foram decompostos em suas partes real (Reh_n) e imaginária (Imh_n). Os dados também poderiam ser representados pela magnitude h_n e pela fase dos coeficientes ∠h_n.

Extração de características espaciais

Além do coeficiente de canal, foram incluídas características espaciais para levar em conta a natureza geométrica do ambiente de campo próximo. Isso incluiu a distância d_n de cada elemento da metassuperfície até o receptor, juntamente com as coordenadas do receptor (x, y, z). Dessa forma, o modelo considerou o fato de que as características do sinal podem depender da posição espacial do par transmissor-receptor, uma propriedade importante para a propagação em campo próximo.

Normalização e preparação da entrada do modelo

Como etapa preliminar antes de fornecer as entradas ao modelo, foi realizado um processo de normalização para evitar instabilidade numérica e acelerar a convergência. Os vetores estruturados foram divididos em conjuntos de dados de treinamento e teste, denotados por (X_train, X_test). Dessa forma, as entradas foram então fornecidas aos modelos GNN e de atenção.

Com base na representação das características apresentada na Figura Suplementar 2, diferentes tipos de características foram utilizados neste conjunto de dados, incluindo os coeficientes de canal h_n, que indicavam a resposta de sinal complexa de todos os elementos da metassuperfície. Outra característica foi a distância d_n, que indicava os efeitos de propagação neste caso. Embora as componentes imaginária e real forneçam uma descrição numérica do sinal, as partes de magnitude e fase fornecem uma descrição explícita da intensidade do sinal e da mudança de fase, respectivamente. A coordenada de posição do usuário (x, y, z) foi outra característica importante que aumentou a percepção espacial do modelo.

Design de aprendizado profundo usando GNN para modelagem de dependência espacial integrado a um mecanismo híbrido de atenção para aprendizado de contexto global

Este algoritmo de aprendizado foi desenvolvido para treinar de forma eficiente o complexo canal XL-IMS de campo próximo, com suas características espaciais e de propagação, utilizando redes neurais gráficas (GNNs) e um mecanismo de atenção. Como os elementos da metassuperfície são altamente correlacionados entre si e suas interações são não uniformes dentro da zona de campo próximo, uma rede totalmente conectada não é adequada para representar corretamente o canal. Assim, nesta abordagem, a metassuperfície é representada como um grafo, com cada elemento atuando como um nó e as interações entre eles como arestas. A GNN capturou dependências espaciais localizadas entre nós vizinhos, enquanto o mecanismo de atenção melhorou a aprendizagem de dependências globais.

Representação gráfica de XL-IMS

O XL-IMS é criado como um grafo G = (V, E), em que cada vértice v_n ∈ V representa um elemento da meta-superfície, enquanto as arestas e_ij ∈ E representam as relações espaciais entre os elementos. Cada vértice possui um vetor de características x_n, obtido por meio da fase de representação de características. A matriz de adjacência A captura a conectividade entre vértices que estão próximos ou dentro de certas restrições de distância. Essa formulação em grafo é utilizada para incorporar a informação espacial existente na propagação em campo próximo.

Para garantir a reprodutibilidade, a conectividade do grafo é determinada utilizando a abordagem dos K-Vizinhos Mais Próximos com k definido como 8. Deixe p_i e p_j representam os vetores de localização do i-º e j-células XL-IMS, respectivamente. A distância entre dois vértices quaisquer é medida por meio da métrica euclidiana da seguinte forma: d_ij = ||p_i − p_j||². haverá uma aresta entre os vértices i e j se vértice j está incluído no grupo dos oito vizinhos mais próximos ao vértice i. Portanto, a matriz de adjacência é construída com a seguinte regra: A_ij = 1 se j ∈ N_k(i) e A_ij = 0 caso contrário.

Na GNN proposta, as atualizações de cada nó são calculadas com base nas informações provenientes de outros nós vizinhos. Em particular, a propagação da camada l pode ser dada da seguinte forma:

 (6)

onde h_i^(l) representa o vetor de características do vértice i na camada l, N(i) é a vizinhança do vértice i, W^(l) é a matriz de pesos treinável e σ(·) simboliza uma função de ativação não linear.

O modelo com atenção GNN consistiu em três camadas de convolução de grafos com dimensões ocultas definidas em 128, e a Unidade Linear Retificada (ReLU) foi utilizada como função de ativação. A geração do grafo foi realizada utilizando o método dos k-vizinhos mais próximos (k=8). Cada característica XL-IMS atua como um nó, enquanto as arestas são formadas com base na distância euclidiana entre nós adjacentes. Para extrair dependências espaciais globais, utilizamos uma rede de autoatenção com múltiplas cabeças (4 cabeças). A probabilidade de dropout foi definida em 0,3 para prevenir overfitting.

Mecanismo de atenção

Para modelar as dependências de longa distância que existiam além do intervalo de vizinhança local, a atenção foi introduzida no modelo, que funciona da seguinte maneira:

 (7)

em que e_ij = LeakyReLU(a^T[Wh_i | Wh_j]) é a importância dos nós i e j. Com este modelo, pode-se atribuir diferentes níveis de importância aos nós com base em seus papéis, facilitando a compreensão do contexto global ao longo da metassuperfície. A estrutura híbrida captura tanto informações espaciais locais quanto globais, e as características aprendidas são processadas por meio de camadas totalmente conectadas para gerar pesos de formação de feixe. Conforme mostrado nas Figuras Suplementares 3 e 4, a RNN modela dependências espaciais locais por meio da passagem de mensagens e agregação de características, enquanto o mecanismo de atenção captura interações globais entre os elementos da metassuperfície, permitindo uma formação eficaz de feixe em campo próximo. Pesos de atenção são calculados para quantificar a relevância dos pares de nós, atribuindo maior importância às interações mais informativas. Utilizando esses pesos, cada nó agrega informações de todos os demais nós, permitindo que o modelo capture dependências globais para além das vizinhanças locais. A fusão ponderada resultante das características gera uma representação otimizada de características que enfatiza características espaciais importantes, ao mesmo tempo que suprime informações menos relevantes, apoiando a otimização eficaz da formação de feixe e o foco de energia.

Otimização de formação de feixe

A etapa de otimização de formação de feixe determinou os desvios de fase do XL-IMS e os pesos de formação de feixe para concentrar energia em usuários do campo próximo. Diferentemente do direcionamento convencional de feixe em campo distante, a formação de feixe em campo próximo concentra energia em locais espaciais específicos. Na estrutura proposta, um modelo com atenção baseado em GNN aprendeu diretamente os parâmetros ótimos de formação de feixe a partir das características do canal, reduzindo a complexidade dos métodos iterativos de otimização. O sinal recebido pelo usuário é dado na Equação (4).

Os dados de treinamento foram obtidos do DeepMIMO para cada realização de canal, e os respectivos desvios de fase do XL-IMS foram determinados usando o algoritmo AO. A matriz de canal de campo próximo h e a matriz de desvio de fase do XL-IMS foram usadas para calcular o vetor de desvio de fase θ maximizando a potência do sinal recebido:

 (8)

 (9)

O otimizador AO foi executado por 100 iterações até atingir o limiar desejado de convergência de 10⁻⁴. Esses valores otimizados serviram como rótulos de treinamento para nosso modelo GNN com atenção. O objetivo era obter interferência construtiva para um foco eficaz do feixe no campo próximo e potência do sinal recebido aprimorada. Em vez de métodos convencionais de otimização, como SDR ou AO, o problema foi resolvido usando uma abordagem baseada em aprendizado. Especificamente, o problema de otimização de formação de feixe foi aproximado por um modelo de aprendizado profundo f_Θ(⋅).

Aprendizado supervisionado foi adotado para treinar o modelo com atenção de GNN, utilizando vetores de deslocamento de fase de formação de feixe ótimos fornecidos pelo algoritmo AO como alvos de treinamento. Especificamente, denotemos o vetor de deslocamento de fase ótimo gerado pelo AO como θ_AO,i e as previsões da rede como . Então, o critério de treinamento foi formulado da seguinte maneira:

 (10)

onde N é o número de amostras de treinamento.

Algoritmo 1: A formação de feixe em campo próximo usando o modelo com atenção baseado em GNN é apresentado no Arquivo Suplementar 1. Neste algoritmo, o primeiro passo foi configurar os parâmetros do sistema e a base de dados DeepMIMO para criar condições de canal realistas. A característica do canal em campo próximo para cada amostra foi calculada utilizando o modelo de onda esférica, e as características importantes, como coeficientes de canal e características espaciais, foram então extraídas da base de dados. As características extraídas foram convertidas para uma forma estruturada e representadas como um grafo, com os elementos da metassuperfície como nós. O modelo de aprendizado profundo foi gerado usando camadas de GNN para capturar dependências espaciais locais, e um mecanismo de atenção foi introduzido para aprender dependências globais. A estrutura de aprendizado profundo foi treinada usando aprendizado supervisionado com perda MSE entre os deslocamentos de fase previstos e os rótulos de deslocamento de fase ótimos gerados pelo AO.

Esta implementação foi realizada com Python e PyTorch. As amostras para o canal DeepMIMO foram obtidas a partir do cenário externo O1. Esses coeficientes de canal foram convertidos em grafos e processados usando uma GNN com três camadas e um mecanismo de atenção multifoco. O modelo foi treinado utilizando o otimizador Adam com uma função de perda MSE. Este modelo gerou desvios de fase e pesos para formação de feixe em usuários em campo próximo, e os resultados foram avaliados em termos de taxa, eficiência e SINR.

Resultados

O desempenho do framework introduzido de Modelagem de Canal em Campo Próximo e Formação de Feixe para XL-IMS em redes de comunicação 6G é avaliado utilizando o conjunto de dados DeepMIMO, que oferece ambientes de propagação práticos e dados de canal espacialmente consistentes. Para configurar este conjunto de dados, muitas amostras de canal representando diversas posições de usuários na região de campo próximo da superfície metamatérica devem ser geradas. Especificamente, este estudo utiliza até 10.000–20.000 amostras coletadas sob diferentes condições de propagação e localizações de usuários. Uma proporção de 80:20 foi utilizada para dividir essas amostras de canal em 80% para treinamento e 20% para testes. Nesse sentido, o conjunto de testes avalia a capacidade do modelo de generalizar, enquanto o conjunto de treinamento fornece a base para a aprendizagem.

Os resultados experimentais demonstram que o framework proposto GNN-Attention supera os métodos convencionais de beamforming de campo distante e baseados em otimização. Ao combinar a modelagem de canal de onda esférica com a extração de características espaciais baseada em aprendizado profundo, a abordagem proposta alcança maior ganho de beamforming, eficiência espectral e desempenho de focagem energética. O desempenho é avaliado por meio da taxa alcançável, ganho de formação de feixe e eficiência energética, que medem, respectivamente, a capacidade de comunicação, a eficácia do foco do sinal e a eficiência da transmissão de dados em relação ao consumo de potência.

O método proposto é comparado com técnicas convencionais de formação de feixe, incluindo ZF e MMSE, bem como métodos baseados em otimização, como SDR e AO. Enquanto abordagens de campo distante são limitadas por suposições de onda plana e apresentam desempenho fraco em ambientes XL-IMS de campo próximo, métodos de otimização frequentemente acarretam alta complexidade computacional. Em contraste, o framework GNN-attention fornece formação de feixe eficiente com menor sobrecarga computacional. Para uma comparação justa, todos os métodos foram avaliados utilizando os mesmos canais de campo próximo gerados pelo DeepMIMO, configuração XL-IMS, frequência portadora, localizações dos usuários, potência de transmissão e condições de relação sinal-ruído (SNR). ZF e MMSE assumiram informações idênticas sobre o estado do canal, enquanto SDR e AO foram implementados sob as mesmas restrições de potência e deslocamento de fase, utilizando configurações padrão de parâmetros baseadas na literatura.

Validação da modelagem de canal de campo próximo

Métodos de referência, incluindo ZF, MMSE, SDR e AO, são utilizados para comparar o desempenho da taxa alcançável do modelo proposto de formação de feixe baseado em rede neural gráfica com atenção no Figura 3. À medida que a SNR aumenta de 0 a 30 dB, todos os métodos apresentam melhora nas taxas alcançáveis; no entanto, o modelo proposto supera consistentemente os métodos de referência. Ele atinge 2,1 bps/Hz a 0 dB, 7,8 bps/Hz a 15 dB e 11,6 bps/Hz a 30 dB, superando o desempenho de ZF, MMSE, SDR e AO em todos os níveis de SNR. Tabela 1 apresenta uma comparação das taxas alcançáveis versus SNR.

Figura 4 compara o ganho de formação de feixe do modelo proposto baseado em GNN com atenção e métodos convencionais, incluindo ZF, MMSE, SDR e AO, em função da distância do usuário na região de campo próximo. À medida que a distância do usuário aumenta, a potência do sinal formado pelo feixe recebido diminui devido ao maior prejuízo de propagação, resultando em uma redução do ganho de formação de feixe em todos os métodos. No entanto, o framework proposto com GNN e atenção alcança consistentemente o maior ganho de formação de feixe, atingindo aproximadamente 28 dB a 1 m, 25 dB a 4 m e 22 dB a 7 m, superando SDR, AO, MMSE e ZF em todas as distâncias avaliadas. Esses resultados demonstram a capacidade superior de focagem do feixe no campo próximo e a retenção de ganho do framework proposto, levando a uma eficiência aprimorada de formação de feixe em comparação com os métodos existentes.

Desempenho do framework de aprendizado com atenção GNN

Figura 5 compara a eficiência espectral do esquema proposto de beamforming com atenção em GNN com ZF, MMSE, SDR e AO ao longo de valores de SNR de 0 a 30 dB. Embora a eficiência espectral aumente para todos os métodos com SNR mais alto, a abordagem proposta alcança consistentemente o melhor desempenho, atingindo 1,8 bps/Hz em 0 dB, 6,8 bps/Hz em 15 dB e 10,5 bps/Hz em 30 dB, superando todos os métodos de referência. Figura 6 compara a eficiência energética do sistema proposto de beamforming com atenção em GNN com ZF, MMSE, SDR e AO sob condições variáveis de SNR. A eficiência energética melhora com o aumento da SNR para todos os métodos; no entanto, a abordagem proposta alcança consistentemente o desempenho mais alto, atingindo aproximadamente 2,5 bits/joule em 0 dB, 7,2 bits/joule em 15 dB e 9,8 bits/joule em 30 dB, superando todas as técnicas de referência.

Avaliação do conjunto de dados e representação das características

Figura 7 ilustra o comportamento de convergência do modelo proposto com atenção GNN em termos de Erro Quadrático Médio (MSE) ao longo das épocas de treinamento. O MSE diminui rapidamente nas fases iniciais do treinamento, caindo de aproximadamente 0,69 na época 5 para 0,22 na época 20, e continuando a diminuir até cerca de 0,08 na época 35. O modelo converge gradualmente até a época 50, alcançando um MSE de aproximadamente 0,04, indicando um treinamento estável e uma aprendizagem eficaz das características subjacentes do canal.

Resultados da otimização de formação de feixe

Figura 8 compara o desempenho da taxa total do método proposto de formação de feixe com atenção em GNN com ZF, MMSE, SDR e AO conforme o número de usuários aumenta de 2 a 12. Embora todos os métodos alcancem taxas totais mais altas com mais usuários, a abordagem proposta oferece consistentemente o melhor desempenho, alcançando 12,5 bps/Hz para 2 usuários, 31,6 bps/Hz para 6 usuários e 50,3 bps/Hz para 12 usuários, superando todos os métodos de referência em diferentes densidades de usuários.

Tabela 2 compara o desempenho multiusuário do framework proposto de formação de feixe com atenção em GNN com ZF, MMSE, SDR e AO. O método proposto alcança a maior eficiência multiusuário (92,5%), SINR (24,8 dB) e ganho de capacidade (50,3 bps/Hz), demonstrando escalabilidade superior, gerenciamento de interferência e alocação de recursos em comparação com os métodos de referência. Figura 9 apresenta uma comparação das funções de distribuição cumulativa (CDF) de SINR. A abordagem proposta exibe uma distribuição deslocada para a direita, indicando valores de SINR consistentemente mais altos entre os usuários. Na mediana (percentil 50), alcança um SINR de aproximadamente 25 dB, superando SDR (23 dB), AO (22 dB), MMSE (20 dB) e ZF (17 dB). O desempenho superior de SINR do modelo proposto decorre de sua capacidade de capturar tanto as dependências espaciais locais por meio de GNNs quanto as interações globais por meio de mecanismos de atenção, permitindo uma formação eficaz de feixe em campo próximo. Os resultados da CDF demonstram um gerenciamento de interferência mais robusto e valores de SINR consistentemente mais altos do que os métodos convencionais ZF, MMSE, SDR e AO.

Tabela 3 apresenta o desempenho médio, o desvio padrão e os intervalos de confiança de 95% obtidos a partir de cinco execuções experimentais independentes, demonstrando a estabilidade e a reprodutibilidade do framework proposto. Tabela 4 compara a complexidade computacional e o tempo de inferência do esquema proposto de beamforming com GNN e mecanismo de atenção com métodos convencionais. Durante o treinamento, o custo computacional é determinado principalmente pela passagem de mensagens no grafo e pelo mecanismo de atenção, resultando em uma complexidade de O(E·L·F² + N²). Apesar dessa sobrecarga de treinamento, o beamformer aprendido elimina a necessidade de otimização iterativa durante a implantação. O modelo proposto alcança um tempo médio de inferência de 4,9 ms, substancialmente inferior ao SDR (85,4 ms), AO (63,7 ms), MMSE (15,6 ms) e ZF (12,8 ms). Além disso, a análise de escalabilidade indica desempenho estável à medida que aumenta o número de usuários e elementos da metassuperfície, destacando a adequação do framework proposto para sistemas de comunicação 6G em larga escala habilitados por XL-IMS.

Estudo de ablação

O efeito de componentes individuais na estrutura pode ser avaliado por meio de análise de ablação, na qual os componentes são omitidos ou alterados, como a GNN, a Atenção e a Modelagem Física do Canal de Campo Próximo. A estrutura completa engloba os três componentes, enquanto os modelos de ablação consistem em: (i) apenas o modelo GNN, (ii) apenas o modelo de Atenção e (iii) sem o modelo de onda esférica baseado em física (hipótese de campo distante). A avaliação de desempenho é realizada utilizando métricas como taxa alcançável, ganho de formação de feixe e SINR. Os resultados mostram que o desempenho geral do sistema é significativamente afetado pelos componentes, especialmente pelo modelo de canal baseado em física, que apresenta o maior efeito prejudicial quando omitido. Isso sugere a importância de modelar com precisão o canal no regime de campo próximo.

A partir dos resultados de ablação na Tabela 5, pode-se verificar a importância de cada parte da arquitetura proposta. Conforme mostrado nos resultados dos experimentos acima, o modelo com todas as partes alcança o melhor desempenho, com uma taxa alcançável de 11,6 bps/Hz, ganho de beamforming de 28 dB e SINR de 25 dB, demonstrando que a arquitetura proposta funciona bem. Sem o mecanismo de atenção, o modelo alcança apenas 10,2 bps/Hz, indicando que o contexto global do sinal é enfraquecido. Além disso, a remoção do componente GNN resulta em um desempenho ruim de 9,8 bps/Hz, indicando que a modelagem de dependências espaciais é necessária para comunicações em campo próximo. A maior degradação de desempenho é observada quando o modelo físico de onda esférica é ignorado, alcançando uma taxa alcançável de 8,5 bps/Hz e um SINR de 19,2 dB, demonstrando que a modelagem do canal em campo próximo também é necessária.

Em resumo, os resultados experimentais confirmam os objetivos da pesquisa de desenvolver modelos de canal e formação de feixe baseados no campo próximo de ondas eletromagnéticas, com aplicação em redes 6G habilitadas para XL-IMS. A arquitetura com atenção baseada em GNN alcançou desempenho superior em taxa alcançável, ganho de formação de feixe, eficiência espectral, eficiência energética e SINR em comparação com abordagens tradicionais, como os métodos ZF, MMSE, SDR e AO. A análise de ablação mostrou que o uso de modelos físicos para ondas esféricas, redes neurais em grafos e mecanismos de atenção é altamente valioso para melhorar o desempenho.

Disponibilidade de Dados

Os conjuntos de dados e materiais complementares gerados e analisados durante este estudo estão disponíveis publicamente no repositório Zenodo em https://doi.org/10.5281/zenodo.21037047. Os conjuntos de dados de simulação foram gerados usando o DeepMIMO Python Repository com o cenário de rastreamento de raios externo O1, uma frequência portadora de 28 GHz e a configuração XL-MIMO de campo próximo. O DeepMIMO Python Repository está disponível em: https://github.com/DeepMIMO/DeepMIMO-python.

Figura 1: Arquitetura geral do trabalho proposto. Ilustração esquemática de todo o fluxo do método proposto de modelagem de canal em campo próximo e formação de feixe. Clique aqui para visualizar uma versão maior desta figura.

Figura 2: Arquitetura do modelo do sistema. Um diagrama esquemático ilustra a arquitetura em nível de sistema da comunicação 6G baseada em XL-IMS com foco de feixe em campo próximo. Clique aqui para visualizar uma versão maior desta figura.

Figura 3: Resultado da taxa alcançável versus SNR. Desempenho da taxa em função da SNR para as abordagens proposta e existentes. Clique aqui para visualizar uma versão maior desta figura.

Figura 4: Ganho de formação de feixe versus distância. Ganho de formação de feixe obtido por diferentes métodos de formação de feixe em função da distância do usuário na região de campo próximo, ilustrando a eficácia do foco espacial do sinal e a retenção de ganho com o aumento da distância. Clique aqui para visualizar uma versão maior desta figura.

Figura 5: Resultado da eficiência espectral versus SNR. Comparação da eficiência espectral em diversos valores de SNR. Clique aqui para visualizar uma versão maior desta figura.

Figura 6: Resultado da eficiência energética versus SNR. Desempenho da eficiência energética em diferentes valores de SNR. Clique aqui para visualizar uma versão maior desta figura.

Figura 7: Resultado da convergência do MSE. Convergência da perda do MSE durante o treinamento. Clique aqui para visualizar uma versão maior desta figura.

Figura 8: Resultado da taxa total em função do número de usuários. O desempenho da taxa total à medida que o número de usuários aumenta. Clique aqui para visualizar uma versão maior desta figura.

Figura 9: Resultado da comparação de SINR com CDF. Comparação de SINR com base em gráficos de CDF. Clique aqui para visualizar uma versão maior desta figura.

Método	Taxa média alcançável (bps/Hz)	Nível de desempenho
Proposto (GNN-attention)	7,36	*****
SDR	6,66	****
AO	6,5	****
MMSE	6,03	***
ZF	5,23	***

Tabela 1: Comparação da taxa alcançável. Ilustra a taxa de desempenho das técnicas propostas e existentes.

Método	Eficiência multiusuário (%)	Tratamento de interferência (SINR, dB)	Melhoria de capacidade (bps/Hz)
Proposto (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

Tabela 2: Resultado experimental do desempenho de escalabilidade. Mostra o desempenho de escalabilidade em ambientes de comunicação multiusuário.

Métrica	Média	Desv. padrão	IC 95%
Taxa alcançável	11.6 ± 0.21	0.21	[11.42,11.78]
Eficiência espectral	10.5 ± 0.18	0.18	[10.34,10.66]
Eficiência energética	9.8 ± 0.15	0.15	[9.67,9.93]
SINR	25.0 ± 0.42	0.42	[24.63,25.37]

Tabela 3: Análise estatística. O desempenho da análise estatística é avaliado utilizando a média, o desvio padrão e os intervalos de confiança.

Método	Complexidade de treinamento	Complexidade de inferência	Tempo médio de inferência (ms)
ZF	N/A	O(N³)	12,8
MMSE	N/A	O(N³)	15,6
SDR	N/A	O(N³·⁵)	85,4
AO	N/A	O(IN²)	63,7
GNN-atenção proposto	O(E·L·F² + N²)	O(E·L·F² + N²)	4,9

Tabela 4: Análise de complexidade computacional e escalabilidade. Apresenta a Análise de Complexidade Computacional e Escalabilidade do trabalho proposto.

Variante do modelo	Taxa alcançável (bps/Hz)	Ganho de beamforming (dB)	SINR (dB)	Eficiência espectral (bps/Hz)
Modelo proposto completo (GNN + atenção + baseado em física)	11.6 ± 0.2	28.0 ± 0.4	25.0 ± 0.3	10.5 ± 0.2
Sem mecanismo de atenção	10.2 ± 0.3	25.5 ± 0.5	22.8 ± 0.4	9.1 ± 0.3
Sem GNN (apenas MLP)	9.8 ± 0.3	24.0 ± 0.6	21.5 ± 0.5	8.7 ± 0.3
Sem modelo de canal baseado em física (hipótese de campo distante)	8.5 ± 0.4	21.0 ± 0.7	19.2 ± 0.6	7.4 ± 0.4

Tabela 5: Resultado do estudo de ablação. Apresenta o estudo de ablação de todos os componentes do modelo.

Figura Suplementar 1. Modelagem de canal em campo próximo. Ilustração esquemática da modelagem de canal em campo próximo baseada em ondas esféricas e da construção da matriz.Clique aqui para baixar este arquivo.

Figura Suplementar 2. Características do conjunto de dados DeepMIMO utilizadas para avaliação. Características extraídas do conjunto de dados DeepMIMO e utilizadas como entradas do modelo para treinamento e avaliação.Clique aqui para baixar este arquivo.

Figura Suplementar 3. RNA para modelagem de dependência espacial. Modelagem de correlação espacial por meio de RNAs.Clique aqui para baixar este arquivo.

Figura Suplementar 4. Mecanismo de atenção para percepção do contexto global. Ilustração gráfica do módulo de atenção para capturar informações de contexto global.Clique aqui para baixar este arquivo.

Tabela Suplementar 1. Ambiente de simulação. Apresenta as configurações de simulação utilizadas para o treinamento e teste dos modelos.Clique aqui para baixar este arquivo.

Tabela Suplementar 2. Descrição do conjunto de dados. Mostra as características do conjunto de dados DeepMIMO a serem usadas no treinamento e na avaliação.Clique aqui para baixar este arquivo.

Arquivo Suplementar 1: Fluxo de trabalho do framework proposto de beamforming baseado em GNN com atenção. O algoritmo descreve as etapas para geração do conjunto de dados, construção do grafo, treinamento do modelo, otimização de beamforming e avaliação de desempenho.Clique aqui para baixar este arquivo.

Discussão

O algoritmo proposto utiliza pré-codificação não linear para modelar a propagação de ondas esféricas no campo próximo, alcançando um foco de feixe melhor do que algoritmos baseados em pré-codificação linear, como ZF, MMSE, SDR e AO. Embora os resultados dos algoritmos SDR e AO sejam quase ideais, a rede proposta com GNN e mecanismo de atenção alcança um desempenho superior a um custo computacional significativamente menor, o que é essencial para a futura implantação de XL-IMS em redes 6G ^21,26,27.

Como mencionado acima, para verificar empiricamente esse argumento de uma perspectiva quantitativa, foi realizada uma análise de complexidade, cujos resultados são apresentados na Tabela 4. A arquitetura proposta de GNN com mecanismo de atenção possui uma complexidade computacional de O(E · d + N² · d) quando se trata do seu processo de treinamento, em que E refere-se às arestas do grafo, N aos elementos da metassuperfície e d à dimensionalidade da característica oculta. Mais importante ainda, ao utilizar o framework de aprendizado durante a inferência, os pesos de beamforming podem ser calculados em uma única passagem com O(N · d) complexidade, enquanto SDR e AO necessitam de otimizações iterativas para cada realização de canal.

Um estágio importante que deve ser realizado corretamente para alcançar o sucesso é a criação de modelos de canal de campo próximo com base nos princípios de propagação de ondas esféricas. O uso incorreto dos dados de localização do usuário e a criação incorreta das características do canal afetarão negativamente o processo de extração de características e os resultados do beamforming. A construção do grafo é outro componente fundamental, pois a conectividade insuficiente entre os nós dificulta a capacidade da GNN de identificar relações espaciais. O sobreajuste é outro problema que pode surgir quando a rede é treinada com apenas algumas condições de propagação, afetando o desempenho de generalização em novas localizações de usuários.

É possível implementar diversas medidas para abordar problemas potenciais. Quando a convergência da rede neural é baixa, a redução da taxa de aprendizado e a regularização podem ser utilizadas para resolver o problema. A normalização das características e a esparsificação do grafo podem prevenir instabilidade durante o treinamento. Se houver uma queda inesperada no ganho de beamforming, o retrinamento do algoritmo com mais pontos de dados pode resolver o problema.

Outra vantagem do aprendizado profundo é a capacidade do algoritmo de se adaptar dinamicamente a variações nas condições do canal, uma tarefa que tem sido desafiadora para os métodos de otimização existentes. Isso aumenta a eficiência do algoritmo de formação de feixe ao minimizar seu tempo de execução e o torna mais robusto em caso de ambientes de canal dinâmicos^16,18,20.

O modelo proposto é considerado revolucionário para a teoria da comunicação em campo próximo, pois combina modelagem de canal físico com métodos de aprendizado profundo baseados em grafos. A inclusão de ondas esféricas para levar em conta os efeitos eletromagnéticos melhora a precisão do modelo; além disso, o uso de GNNs e mecanismos de atenção permite a descrição das dependências matemáticas entre os elementos da metassuperfície. A combinação de aprendizado de máquina com princípios eletromagnéticos leva, portanto, ao surgimento de um novo arcabouço teórico para a criação de ambientes sem fio inteligentes^21,27,28.

Do ponto de vista aplicado, a abordagem desenvolvida aumenta significativamente a aplicabilidade do XL-IMS em implantações práticas de redes 6G. A redução na carga computacional, decorrente da ausência de um processo de otimização, permite decisões de formação de feixe em tempo real, essenciais para serviços de latência extremamente baixa. Além disso, o modelo proposto demonstra eficiência espectral e energética, tornando a tecnologia aplicável a cidades densas, à Internet das Coisas e a usuários altamente móveis.

Embora a metodologia proposta tenha diversas vantagens, o sistema também apresenta algumas limitações. Apesar de o DeepMIMO oferecer cenários de propagação realistas por meio do traçado de raios, ele ainda é um ambiente de simulação, e haverá algumas discrepâncias entre o comportamento real da propagação sem fio e o comportamento simulado, pois sempre existirão mudanças ambientais, dispersores desconhecidos, efeitos temporais no canal, efeitos climáticos e efeitos de calibração de hardware a serem considerados. Portanto, seus resultados devem ser considerados uma estimativa de limite superior^26,38. O modelo atual assume componentes ideais para o transmissor e o receptor. Em sistemas reais, ruído de fase nos osciladores, distorção do amplificador, erros do sincronizador, ruído de quantização dos conversores analógico-digitais e estimativa imprecisa do canal podem todos resultar em desempenho inferior. Esses problemas podem afetar o alinhamento e reduzir a taxa de dados do sistema.

Existem várias questões de implantação que ainda precisam ser abordadas antes que as comunicações em campo próximo com IMS-XL possam ser implementadas em larga escala. Tais questões incluem estimativa em tempo real do canal para metassuperfícies grandes, escalabilidade do cálculo para vários milhares de antenas, sincronização em uma rede distribuída, custos de equipamento, requisitos de potência e integração com os sistemas 6G existentes. A pesquisa futura deve focar na exploração de modelos de aprendizado leves e formação de feixe.

O estudo apresenta uma arquitetura pioneira de Modelagem de Canal em Campo Próximo e Formação de Feixe para XL-IMS no contexto das comunicações 6G. A inovação combina modelagem de canal de onda esférica inspirada na física com Redes Neurais em Grafos e mecanismos de atenção para obter uma representação precisa do canal em campo próximo e ganhos ótimos de formação de feixe. O sistema abrange modelagem de canal em campo próximo, projeto de conjunto de dados orientado pelo DeepMIMO, representação de características, modelagem de dependência espacial e otimização da formação de feixe. A avaliação experimental mostrou resultados superiores aos de outras abordagens de estado da arte, como ZF, MMSE, SDR e AO, em termos de taxa alcançável, ganho de formação de feixe, eficiência espectral, eficiência energética e SINR. Além disso, o estudo de ablação comprovou a eficácia de cada componente do sistema.

Materiais

Lista de materiais utilizados neste artigo

Nome	Empresa	Número de catálogo	Comentários
Kit de Ferramentas CUDA	NVIDIA	CUDA 12.4	https://developer.nvidia.com/cuda-toolkit
DGL	Equipe DGL	DGL 2.2.1	https://www.dgl.ai
Matplotlib	Equipe de Desenvolvimento Matplotlib	Matplotlib 3.9.0	https://matplotlib.org
NumPy	Desenvolvedores NumPy	NumPy 1.26.4	https://numpy.org
Python	Fundação Python de Software	Python 3.10.13	https://www.python.org
PyTorch	Meta AI	PyTorch 2.3.1	https://pytorch.org
PyTorch Geometric	Equipe PyG	PyG 2.5.3	https://pytorch-geometric.readthedocs.io
Seaborn	Desenvolvedores Seaborn	Seaborn 0.13.2	https://seaborn.pydata.org
TensorFlow	Google	TensorFlow 2.16.1	https://www.tensorflow.org