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.
É necessária uma assinatura do JoVE para visualizar este conteúdo. Faça login ou inicie seu teste gratuito.
Artigo de investigação
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
Neste artigo
Resumo
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/THz3,4. 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 anos6,7,8,9,10,11, 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 próximo14,15.
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 próximo20,21. 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 sinal23,24. 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 próximo28,29. 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 larga33,34,35,36. 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 negligenciadas37,38. 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 fio39,40.
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.
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
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 na 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 de atenção-GNN de ponta a ponta é empregada para aprender os pesos de formação de feixe para o foco do 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.
São estes os passos propostos:
Passo 1: Configurar o ambiente DeepMIMO
A plataforma DeepMIMO v3.x é inicialmente configurada por meio da configuração externa O1, 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 do 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 utilizando 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.
Passo 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 GNN-attention. O modelo foi otimizado utilizando o otimizador Adam com uma taxa de aprendizado de 0,001 e 50 épocas.
Etapa 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 com atenção GNN. Os procedimentos complexos, trabalhosos e iterativos de beamforming são substituídos pelo método de previsão.
Passo 9: Avaliar as 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 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 da onda eletromagnética por meio de desvios de fase ajustáveis. Como os usuários operam na região de campo próximo, a suposição convencional de onda plana no campo distante torna-se inválida, exigindo a consideração da propagação de onda esférica, 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 da seguinte forma:
(2)
Aqui, α refere-se ao parâmetro de perda de percurso, λ refere-se ao comprimento de onda da portadora e dn é a distância do usuário em relação ao componente.
Neste caso, βn é o fator de perda de percurso para o nº elemento XL-IMS e pode ser expresso como βn = dn−α, onde α representa o expoente de perda de percurso. Deve-se observar que dn é a distância euclidiana entre a posição do usuário e o nº elemento da metassuperfície. As variações do canal em relação ao espaço são causadas pelas diferenças significativas em dn 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:
![Fórmula de notação matricial \( h = [h_1, h_2, ..., h_N]^T \), usada em estudos de álgebra linear.](/files/ftp_upload/72011/72011eq3.jpg "figure-protocol-3")
(3)
O sinal de entrada recebido pelo usuário depende do ajuste de fase do sistema XL-IMS. Considere θ = [θ1, θ2, …., θN] para representar a mudança de fase realizada utilizando a metassuperfície. Então, o sinal de entrada pode ser expresso como:
(4)
onde Φ = diag(ejθ1, ….., ejθN) 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 ∈ ℂN×1, a matriz diagonal de deslocamento de fase do XL-IMS como Φ ∈ ℂN×N, o vetor de formação de feixe como x ∈ ℂN×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 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 em campo próximo
O modelo de rede de comunicação 6G baseado em XL-IMS proposto foi especificamente projetado para imitar as condições de propagação próximas à distância de Rayleigh da metassuperfície. Na região de campo próximo, 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 consideração 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 pn entre os locais dos usuários pu 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 desvios 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 de linha de visada (LoS) e sem 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 metassuperfície, 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, na qual 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 de canal baseadas em ray-tracing realistas, 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 em uma frequência portadora de 28 GHz e largura de banda de 100 MHz. O XL-IMS consistia em 256 elementos refletivos 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. Suplementar Tabela 1 resume os parâmetros de simulação e reprodutibilidade. O modelo foi treinado utilizando aprendizado supervisionado, com características de estado de 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 incluíram 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-attention para o treinamento. O conjunto de dados de treinamento foi usado para aprender a função de mapeamento do estado do canal até os 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 aprendizado mais fácil e eficaz. Supplementary Table 2 mostra os detalhes descritivos do conjunto de dados DeepMIMO.
Representação de características
A etapa de representação de características transformou dados de canal no campo próximo de valor complexo em um formato adequado para aprendizado profundo. As respostas de canal foram decompostas em características que capturam propriedades espaciais e de propagação, preservando ao mesmo tempo 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 hn, com componentes reais e imaginários que representam a fase e a amplitude dos coeficientes de canal. Para permitir um uso eficaz em algoritmos de aprendizado de máquina, os coeficientes foram decompostos em suas partes reais (Rehn) e imaginárias (Imhn). Os dados também podem ser representados como magnitude hn e fase dos coeficientes ∠hn.
Extração de características espaciais
Além do coeficiente do canal, foram incluídas características espaciais para levar em conta a natureza geométrica do ambiente de campo próximo. Isso incluiu a distância dn 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 na 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 (Xtrain, Xtest). Dessa forma, as entradas foram então fornecidas aos modelos GNN e de atenção.
Com base na representação de características na Figura Suplementar 2, diferentes tipos de características foram utilizados neste conjunto de dados, incluindo os coeficientes de canal hn, que indicavam a resposta de sinal complexa de todos os elementos da metassuperfície. Outra característica era a distância dn, que nesse caso indicava os efeitos de propagação. 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) era outra característica importante que aumentava 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 estão 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 aprimorou a aprendizagem de dependências globais.
Representação gráfica da XL-IMS
O XL-IMS é criado como um grafo G = (V, E), em que cada vértice vn ∈ V representa um elemento da meta-superfície, enquanto as arestas eij ∈ E representam as relações espaciais entre os elementos. Cada vértice possui um vetor de características xn, 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 reprodutibilidade, a conectividade do grafo é determinada usando a abordagem dos K-Vizinhos Mais Próximos com k definido como 8. Sejam pi e pj os vetores de localização das células XL-IMS da i-ésima e da j-ésima, respectivamente. A distância entre dois vértices quaisquer é medida pela métrica euclidiana da seguinte forma: dij = ||pi − pj||2. Haverá uma aresta entre os vértices i e j se o vértice j estiver incluído no grupo dos oito vizinhos mais próximos ao vértice i. Assim, a matriz de adjacência é construída com a seguinte regra: Aij = 1 se j ∈ Nk(i) e Aij = 0 caso contrário.
Na GNN proposta, as atualizações de cada nó são calculadas com base nas informações de outros nós vizinhos. Em particular, a propagação da camada l pode ser dada da seguinte forma:
(6)
em que hi(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 múltiplos cabeçotes (4 cabeçotes). 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, foi introduzida no modelo uma atenção, que funciona da seguinte maneira:
(7)
em que eij = LeakyReLU(aT[Whi | Whj]) 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 para o modelo compreender o contexto global ao longo da metassuperfície. A estrutura híbrida capta 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 (Rede Neural de Grafos) modela dependências espaciais locais por meio da passagem de mensagens e agregação de características, enquanto o mecanismo de atenção capta interações globais entre os elementos da metassuperfície, permitindo uma formação eficaz de feixes em campo próximo. Pesos de atenção são calculados para quantificar a relevância de pares de nós, atribuindo maior importância às interações mais informativas. Utilizando esses pesos, cada nó agrega informações de todos os outros nós, permitindo que o modelo capture dependências globais para além das vizinhanças locais. A fusão ponderada resultante das características gera uma representação de características otimizada que enfatiza características espaciais importantes, ao mesmo tempo que suprime informações menos relevantes, apoiando assim uma otimização eficaz da formação de feixes 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 em 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 fΘ(⋅).
Aprendizado supervisionado foi adotado para treinar o modelo com rede neural gráfica e atenção, utilizando vetores de deslocamento de fase ótimos fornecidos pelo algoritmo AO como alvos de treinamento. Especificamente, denote o vetor de deslocamento de fase ótimo gerado pelo AO como θAO,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. Esse 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.
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Resultados
O desempenho do framework apresentado 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, é necessário gerar diversas amostras de canal representando diferentes posições do usuário na região de campo próximo da superfície meta. Especificamente, este estudo utiliza até 10.000–20.000 amostras coleta...
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
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,<...
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Divulgações
Os autores não têm conflitos de interesse.
Agradecimentos
Este trabalho foi apoiado em parte pela Fundação Nacional de Ciências Naturais da China (número do convênio 62466036) e pelo Fundo de Início de Pesquisa da Universidade GanDong (número do convênio 12225000423). Os autores gostariam de agradecer à Universidade GanDong pelo fornecimento das instalações de pesquisa necessárias e pelo apoio institucional. Este trabalho foi apoiado pela Escola de Engenharia da Informação e pelo Laboratório de Algoritmos e Aplicações de Inteligência Artificial da Universidade GanDong, Fuzhou, China.
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Materiais
| 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 | TensorFlow 2.16.1 | https://www.tensorflow.org |
Referências
- Yang S, et al. Near-field channel estimation for extremely large-scale reconfigurable intelligent surface (XL-RIS)-aided wideband mmWave systems. IEEE J Sel Areas Commun. 2024;42:1567-82.
- Ni H, et al. Energy-efficient near-field beamforming: A review on practical channel models. Energies. 2025;18:2966.
- Di Renzo M, et al. Smart radio environments empowered by reconfigurable intelligent surfaces: How it works, state of research, and the road ahead. IEEE J Sel Areas Commun. 2020;38:2450-525.
- Tang W, et al. Wireless communications with reconfigurable intelligent surface: Path loss modeling and experimental measurement. IEEE Trans Wirel Commun. 2021;20:421-39.
- Li R, et al. Joint design of hybrid beamforming and reflection coefficients in RIS-aided mmWave MIMO systems. IEEE Trans Commun. 2022;70:2404-16.
- Wei L, et al. Joint channel estimation and signal recovery for RIS-empowered multiuser communications. IEEE Trans Commun. 2022;70:4640-55.
- Yang S, et al. Separate channel estimation with hybrid RIS-aided multi-user communications. IEEE Trans Veh Technol. 2022;72(1):1318-24.
- Wei L, et al. Channel estimation for RIS-empowered multi-user MISO wireless communications. IEEE Trans Commun. 2021;69:4144-57.
- Huang C, et al. Multi-hop RIS-empowered terahertz communications: A DRL-based hybrid beamforming design. IEEE J Sel Areas Commun. 2021;39:1663-77.
- Fascista A, et al. RIS-aided joint localization and synchronization with a single-antenna receiver: Beamforming design and low-complexity estimation. IEEE J Sel Top Signal Process. 2022;16:1141-56.
- Huang C, et al. Reconfigurable intelligent surfaces for energy efficiency in wireless communication. IEEE Trans Wirel Commun. 2019;18:4157-70.
- Fan W, et al. Near-field channel characterization for mid-band ELAA systems: Sounding, parameter estimation, and modeling. arXiv. 2024;arXiv:2405.06159.
- Hasan SR, et al. A comprehensive review on reconfigurable intelligent surface for 6G communications: Overview, deployment, control mechanism, application, challenges, and opportunities. Wirel Pers Commun. 2024;139:375-429.
- Cui M, et al. Near-field MIMO communications for 6G: Fundamentals, challenges, potentials, and future directions. IEEE Commun Mag. 2023;61:40-6.
- Zhang H, Shlezinger N, Guidi F, Dardari D, Eldar YC. 6G wireless communications: From far-field beam steering to near-field beam focusing. IEEE Commun Mag. 2023;61(4):72-7.
- Ning B, et al. Beamforming technologies for ultra-massive MIMO in terahertz communications. IEEE Open J Commun Soc. 2023;4:614-58.
- Xu B, et al. Resource allocation for near-field communications: Fundamentals, tools, and outlooks. IEEE Wirel Commun. 2024;31:42-50.
- Devi P, Bharti MR, Gautam D. A survey on physical layer security for 5G/6G communications over different fading channels: Approaches, challenges, and future directions. Veh Commun. 2025;53:100891.
- Elzanaty A, et al. Near and far field model mismatch: Implications on 6G communications, localization, and sensing. IEEE Internet Things Mag. 2024;7:120-6.
- Liu Y, et al. Near-field communications: A tutorial review. IEEE Open J Commun Soc. 2023;4:1999-2049.
- Wang Z, Mu X, Liu Y. Near-field integrated sensing and communications. IEEE Commun Lett. 2023;27:2048-52.
- Dai L, Tan J, Chen Z, Poor HV. Delay-phase precoding for wideband THz massive MIMO. IEEE Trans Wirel Commun. 2022;21:7271-86.
- Zhang H, et al. Beam focusing for near-field multiuser MIMO communications. IEEE Trans Wirel Commun. 2022;21(9):7476-90.
- Lu H, Zeng Y. Near-field modeling and performance analysis for multi-user extremely large-scale MIMO communication. IEEE Commun Lett. 2022;26:277-81.
- Zhang J, Björnson E, Matthaiou M, Ng DWK, Larsson EG. Prospective multiple antenna technologies for beyond 5G. IEEE J Sel Areas Commun. 2020;38:1637-60.
- Liu Y, et al. Near-field communications: A comprehensive survey. IEEE Commun Surv Tutor. 2025;27:1687-728.
- Liu Y, et al. Near-field communications: What will be different? IEEE Wirel Commun. 2025;32:262-70.
- Gong T, et al. Holographic MIMO communications: Theoretical foundations, enabling technologies, and future directions. IEEE Commun Surv Tutor. 2024;26:196-257.
- Lu S, et al. Integrated sensing and communications: Recent advances and ten open challenges. IEEE Internet Things J. 2024;11:19094-120.
- Yan W, et al. Beamforming analysis and design for wideband THz reconfigurable intelligent surface communications. IEEE J Sel Areas Commun. 2023;41:2306-20.
- Hao W, et al. Ultra-wideband THz IRS communications: Applications, challenges, key techniques, and research opportunities. IEEE Netw. 2022;36:214-20.
- Sun H, et al. Time-delay unit-based beam squint mitigation for RIS-aided communications. IEEE Commun Lett. 2022;26:2220-4.
- Cui M, Dai L. Near-field wideband beamforming for extremely large antenna arrays. IEEE Trans Wirel Commun. 2024;23(10):13110-24.
- Wang Z, et al. TTD configurations for near-field beamforming: Parallel, serial, or hybrid? IEEE Trans Commun. 2024;72:3783-99.
- Xu J, et al. Near-field wideband extremely large-scale MIMO transmission with holographic metasurface antennas. arXiv. 2022;arXiv:2205.02533.
- Nordio A, et al. Near-field IRS configuration techniques for wideband signals and THz communications. In: Proc IEEE Int Conf Commun Workshops (ICC Workshops); 2023. p. 1198-203.
- Huang C, Zappone A, Alexandropoulos GC, Debbah M, Yuen C. Holographic MIMO surfaces for 6G wireless networks: Opportunities, challenges, and trends. IEEE Wirel Commun. 2020;27:118-25.
- Monemi M, et al. 6G Fresnel spot beamfocusing using large-scale metasurfaces: A distributed DRL-based approach. IEEE Trans Mob Comput. 2024;23:11670-84.
- Zhu F, et al. Robust beamforming for RIS-aided communications: Gradient-based manifold meta learning. IEEE Trans Wirel Commun. 2024;23(11):15945-56.
- Wang X, et al. Energy-efficient beamforming for RISs-aided communications: Gradient based meta learning. In: Proc IEEE Int Conf Commun (ICC); 2024. p. 1-6.
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.