Фреймворк на основе глубокого обучения с использованием GNN-Attention для моделирования ближнего поля и формирования луча в беспроводных системах шестого поколения: имитационное исследование

Краткое содержание

В данной работе представлена основанная на физических принципах структура глубокого обучения для формирования диаграммы направленности и моделирования каналов ближнего поля в беспроводных системах шестого поколения с использованием чрезвычайно больших интеллектуальных метаповерхностей. По сравнению с традиционными методами связи в дальней зоне, предлагаемый метод повышает энергоэффективность, коэффициент усиления при формировании луча и спектральную эффективность.

Аннотация

Появление сетей шестого поколения (6G) стимулировало разработку чрезвычайно больших интеллектуальных метаповерхностей (XL-IMS) для обеспечения сверхвысоких скоростей и высокой спектральной эффективности. Тем не менее классические каналы дальней зоны неприменимы к передаче в ближней зоне из-за распространения сферических волн и отсутствия пространственной стационарности, что приводит к снижению эффективности формирования луча и увеличению вычислительной сложности. Таким образом, целью данного исследования является разработка метода моделирования каналов ближней зоны и оптимизации формирования луча на основе глубокого обучения с учетом физических закономерностей. Предложенное решение использует физически обоснованную модель канала сферических волн, а также графовые нейронные сети (GNN) и механизмы внимания для фиксации локальных пространственных связей между пользователями и глобальной сетью. Кроме того, предлагается алгоритм формирования луча на основе обучения для повышения эффективности фокусировки энергии на пользователях в ближней зоне. Эффективность предложенной структуры оценивается с использованием реалистичных сценариев распространения сигнала из набора данных DeepMIMO. Результаты моделирования показывают, что предлагаемый метод обеспечивает достижимую скорость 11,6 bps/Hz, коэффициент усиления при формировании луча 28 dB, спектральную эффективность 10,5 bps/Hz, энергоэффективность 9,8 bits/Joule и отношение сигнал/сумма помеха и шум (SINR) 25 dB. По сравнению с традиционными методами, такими как Zero Forcing (ZF), Minimum Mean Square Error (MMSE), Semidefinite Relaxation (SDR) и Alternating Optimization (AO), предложенная схема улучшает общую производительность связи примерно на 10-15%. Эти результаты показывают, что интеграция моделирования каналов ближней зоны с обучением на основе внимания в GNN может служить эффективным и точным методом формирования луча для будущих беспроводных сетей 6G, использующих технологию XL-IMS.

Введение

В последние годы интерес к формированию луча (бимформингу) значительно вырос. С внедрением 6G стали обычными экстремальные требования к пропускной способности, что обусловлено растущим спросом на улучшенное соединение и более высокую скорость передачи данных. Таким образом, формирование луча является перспективным методом для эффективного управления сигналами и повышения общей производительности сети¹. Традиционные системы беспроводной связи эффективно использовали пространственные ресурсы дальней зоны для обеспечения пространственного разнесения. Перспективным направлением исследований с огромным потенциалом для будущих беспроводных коммуникаций является формирование луча в ближней зоне².

С другой стороны, реконфигурируемые интеллектуальные поверхности (RIS) представляют особый интерес, так как они позволяют преодолеть некоторые проблемы распространения сигналов, характерные для миллиметрового (mmWave) и терагерцового (THz) диапазонов^3,4. RIS способны отражать, преломлять и модулировать падающие электромагнитные волны⁵. В данном случае основной задачей является управление лучом для придания ему желаемого направления или формы, и работу RIS можно описать как изменение диаграмм направленности излучающего источника. Для RIS в дальней зоне за прошедшие годы был изучен ряд фундаментальных вопросов^{6,7,8,9,10,11}, включая оценку канала, локализацию, стандартизацию, а также пассивное и активное формирование луча. Эта технология обеспечивает многопользовательскую связь за счет фокусировки лучей, что позволяет достичь компромисса между потерями на трассе распространения и проникающей способностью, особенно в среднечастотных диапазонах, таких как диапазон 10 GHz¹². Интеллектуальные интерфейсы получили дальнейшее развитие в коммуникационных сетях и в настоящее время изучаются с целью повышения пространственного разрешения и пропускной способности связи¹³. Переход от 5G к 6G, сопровождающийся использованием более высоких частот и антенн с большей апертурой, превращает традиционные сценарии связи в дальней зоне в сценарии связи в ближней зоне^14,15.

Область ближнего поля будет играть важную роль в сетях 6G, что обуславливает необходимость исследования новых методов работы в ближнем поле¹⁶. Для улучшения распространения электромагнитных волн в технологиях ближнего поля волны следует рассматривать как сферические, а не плоские. Эта новая физическая характеристика проявляется в ряде электромагнитных эффектов, включая пространственную нестационарность, расщепление луча, триполяризацию и затухающие волны¹⁷. Из-за этого многие традиционные методы связи могут не в полной мере использовать эти новые физические характеристики или привести к серьезным потерям производительности в условиях ближнего поля 6G¹⁸. Расхождение между существующими технологиями связи в дальней зоне и моделями распространения в ближнем поле может значительно снизить эффективность современных методов дальней зоны при их применении в ближнем поле¹⁹. В отличие от традиционных узкополосных систем дальней зоны, в широкополосных RIS-системах ближнего поля необходимо учитывать новые электромагнитные (ЭМ) эффекты. Во-первых, канал ближнего поля включает два угла и измерение расстояния из-за сферического волнового фронта в спектре ближнего поля, в отличие от гипотезы плоского волнового фронта в моделях каналов дальней зоны. Вместо управления лучом в дальней зоне это приводит к эффекту фокусировки луча в ближнем поле^20,21. Термин «эффект расщепления луча» означает возможность того, что лучи, созданные при различных событиях, будут сфокусированы в разных точках²².

В отличие от дальней зоны, где электромагнитные (ЭМ) волновые фронты аппроксимируются как плоские, связь в ближней зоне требует учета распространения сферических волновых фронтов. Эта особенность создает как новые возможности, так и определенные трудности для беспроводных сетей будущего. Благодаря использованию сферических волновых фронтов фокусировка луча позволяет концентрировать сигналы в конкретной пространственной области, что обеспечивает более эффективное подавление помех и многопользовательскую связь по сравнению с традиционным формированием луча в дальней зоне. Однако это также вносит дополнительные сложности в проектирование и обработку сигналов^23,24. Ранние исследования связи в ближней зоне включают работу в²⁵, где были описаны различия между ближней и дальней зонами, ключевые концепции, технические проблемы, области применения и оценка канала на основе кодовых книг. Впоследствии автор²⁶ изучил фундаментальные различия между передачей в дальней зоне на основе плоских волновых фронтов и передачей в ближней зоне на основе сферических волновых фронтов, сосредоточившись на формировании луча, анализе каналов, производительности системы и интеграции с технологиями следующего поколения. Кроме того, автор²⁷ исследовал основные проблемы связи в ближней зоне, включая моделирование каналов, их оценку, формирование луча, архитектуру оборудования и сенсорику, обобщив последние достижения в этих областях.

В последних исследованиях подробно изучались беспроводная связь в ближней зоне и моделирование каналов для перспективных систем 6G. В комплексных обзорах были рассмотрены принципы связи в ближней зоне, голографические архитектуры MIMO, методы моделирования каналов, методы обработки сигналов, а также приложения интегрированного зондирования и связи, при этом были определены основные проблемы, связанные с оценкой каналов и проектированием систем в условиях ближней зоны^28,29. Для устранения эффекта расщепления луча в системах mmWave/THz с поддержкой RIS были предложены различные решения, включая стратегии распределенного развертывания RIS и архитектуры RIS с поддержкой истинной задержки по времени (TTD). Эти подходы улучшают частотно-селективное управление лучом и снижают деградацию из-за расщепления луча, однако они часто влекут за собой увеличение затрат на развертывание, повышенную сложность оборудования или зависимость от специализированных компонентов задержки ^30,31,32.

Оптимизация формирования луча привлекла значительное внимание из-за комбинированного воздействия фокусировки луча и пространственно-широполосных искажений в системах с антенными решетками сверхбольшой апертуры (ELAA). В существующих исследованиях изучались методы фокусировки с фазовой задержкой, архитектуры на основе истинных линий задержки (TTD) и оптимизационные структуры для голографических метаповерхностных антенн с целью увеличения коэффициента усиления формирования луча и ослабления эффектов двойной широкополосности^33,34,35,36. Тем не менее, большинство исследований, связанных с XL-IMS, по-прежнему опираются на допущения о плоских волнах в дальней зоне, которые неадекватны для сверхбольших апертур. В результате часто игнорируются важные характеристики ближнего поля, включая распространение сферических волн, пространственную нестационарность, взаимную связь и зависящую от расстояния фокусировку луча^37,38. В последнее время методы искусственного интеллекта стали многообещающими решениями для формирования луча в ближнем поле и оптимизации каналов в сетях 6G с поддержкой XL-IMS. В частности, методы на основе мета-обучения продемонстрировали высокую адаптивность и быструю сходимость в динамических условиях беспроводной связи при ограниченном объеме данных для обучения. Эти подходы обладают значительным потенциалом для интеллектуальных систем связи в ближнем поле и будущей автономной оптимизации беспроводных сетей^39,40.

Существующие методы формирования диаграммы направленности в значительной степени опираются на упрощенные модели каналов дальней зоны, которые не позволяют учесть критические характеристики ближней зоны в сверхмассивных структурах. Более того, оценки на основе наборов данных в реалистичных средах, таких как DeepMIMO, остаются ограниченными, а совместной оптимизации моделирования каналов ближней зоны и формирования луча для динамических сценариев пользователей уделяется недостаточно внимания. Кроме того, вычислительная масштабируемость остается основной проблемой для практического развертывания сетей 6G с поддержкой XL-IMS. Для устранения этих ограничений в данном исследовании предлагается единая структура, объединяющая физическое моделирование каналов на основе сферических волн с графовыми нейронными сетями (GNN) и механизмами внимания для формирования луча в ближней зоне. Предложенная структура в явном виде учитывает пространственную нестационарность, взаимодействия с метаповерхностями и распространение сигнала в зависимости от расстояния; эффективность данной структуры подтверждена с использованием набора данных DeepMIMO.

Предложенная концепция интегрирует физическое моделирование каналов с глубоким обучением для обеспечения точного представления ближнего поля и оптимизации диаграммы направленности в системах XL-IMS. Благодаря явному моделированию распространения сферических волн и пространственной нестационарности данное исследование способствует точному фокусированию луча, одновременно улучшая распределение энергии, коэффициент усиления диаграммы направленности и подавление помех. Кроме того, в концепцию включена поэлементная оптимизация фазовых откликов метаповерхности для обеспечения адаптивного управления лучом в условиях плотной среды связи. С использованием реалистичных сценариев распространения из набора данных DeepMIMO предложенный подход демонстрирует повышенную спектральную эффективность, улучшенные характеристики формирования луча и вычислительную эффективность, предоставляя масштабируемое решение для крупномасштабных сетей связи 6G на базе XL-IMS.

Протокол

Предлагаемая концепция моделирования каналов ближней зоны и формирования диаграммы направленности в системах 6G с поддержкой XL-IMS сочетает в себе физическое моделирование с оптимизацией на основе машинного обучения для преодоления ограничений традиционных подходов для дальней зоны. Разработана модель канала ближней зоны, учитывающая распространение сферических волн и пространственную нестационарность, которая была валидирована с использованием набора данных DeepMIMO. Информация о канале представлена в виде графа для фиксации пространственных зависимостей между элементами метаповерхности и пользователями; при этом для обучения весам формирования луча при фокусировке в ближней зоне применяется сквозная сеть GNN-attention. В отличие от традиционных итерационных методов оптимизации, данная концепция на основе обучения напрямую предсказывает решения для формирования луча, что снижает вычислительную сложность при сохранении высокой точности и адаптивности к динамическим условиям канала. Эффективность оценивается по достижимой скорости передачи данных, коэффициенту усиления при формировании луча и энергоэффективности, что демонстрирует превосходные результаты по сравнению с традиционными методами формирования луча для дальней зоны. На Рисунке 1 представлена общая схема концепции.

Ниже приведены предлагаемые этапы:

Шаг 1: Конфигурация среды DeepMIMO

Платформа DeepMIMO v3.x сначала настраивается с помощью конфигурации O1 Outdoor, в которой используется несущая частота 28 GHz и ширина полосы пропускания 100 MHz. В симуляции XL-IMS представлена в виде равномерной плоской антенной решетки 16×16 из 256 отражающих элементов с интервалом λ/2 между ними. В качестве модели распространения выбрана сферическая волна с путями прямой (LoS) и непрямой (NLoS) видимости.

Шаг 2: Определение геометрии XL-IMS и местоположения пользователей

Разработайте XL-IMS в виде плоской метаповерхности размером 16×16, состоящей из 256 реконфигурируемых отражающих элементов. Пользовательские терминальные устройства были случайным образом распределены в ближней зоне, на расстоянии от 0.5m до 10m от XL-IMS, согласно критерию расстояния Рэлея.

Шаг 3: Генерация ближних полей с помощью распространения сферических волн

Моделируйте каналы между каждым элементом перенастраиваемой метаповерхности и пользователем с помощью распространения сферических волн, что позволяет учесть изменение фазы, вызванное расстоянием.

Шаг 4: Генерация данных ближнего поля для канала

Пользовательские терминалы были равномерно распределены в ближней зоне (0,5–10 м) от панели XL-IMS. Для формирования каналов использовались как пути распространения с прямой видимостью (LoS), так и без прямой видимости (NLoS), созданные с помощью сценария DeepMIMO O1 Outdoor.

Шаг 5: Подготовка набора данных для обучения и тестирования

Сгенерированный набор данных состоял из 20 000 образцов, из которых 16 000 (80%) были использованы для обучения и 4 000 (20%) — для тестирования.

Шаг 6: Нормализация входных признаков и подготовка входных данных для модели

Заключительный этап процесса подготовки включал выполнение масштабирования Min-Max для всех входных признаков, таких как амплитуда канала, фаза, расстояние и координаты пользователя. В ходе этого процесса данные были масштабированы и преобразованы в тензоры, которые затем подавались в сеть GNN-attention. Оптимизация модели проводилась с использованием оптимизатора Adam при скорости обучения 0.001 и количестве эпох 50.

Шаг 7: Применение механизма внимания

Добавьте механизм внимания для учета глобальной информации графа и захвата дальних зависимостей между узлами графа. Это помогает модели сосредоточиться на важных пространственных признаках.

Шаг 8: Предсказание весовых коэффициентов диаграммообразования

Предскажите весовые коэффициенты диаграммы направленности и значения фазового сдвига с помощью вложения на основе GNN-attention. Сложные, трудоемкие и итерационные процедуры формирования луча заменяются методом прогнозирования.

Шаг 9: Оценка показателей эффективности

Для оценки эффективности связи и формирования луча рассчитайте такие ключевые показатели эффективности (KPI), как достижимая скорость, коэффициент усиления формирования луча, спектральная эффективность, энергоэффективность и SINR.

Шаг 10: Сравнение с эталонными методами

Сравните предлагаемый алгоритм с традиционными алгоритмами, включая ZF, MMSE, SDR и AO.

Определение модели системы

Предлагаемая система рассматривает беспроводную сеть 6G с поддержкой XL-IMS, состоящей из 256 реконфигурируемых отражающих элементов, которые управляют распространением электромагнитных волн посредством регулируемых фазовых сдвигов. Поскольку пользователи находятся в области ближнего поля, традиционное допущение о плоской волне дальнего поля становится недействительным, что требует учета распространения сферических волн, затухания в зависимости от расстояния и пространственной нестационарности. Граница между областями ближнего и дальнего поля определяется расстоянием Рэлея, которое зависит от размера метаповерхности и длины волны несущей частоты, и отмечает переход от эффектов сферического волнового фронта к распространению плоской волны. Это описывается следующим образом:

 (1)

Здесь D — размер метаповерхности, λ — длина волны, а R — расстояние Рэлея. В канале связи возникает эффект ближнего поля, когда пользователь находится в точке, расстояние до которой меньше истинного значения R. По мере прохождения сигнала через различные компоненты метаповерхности он подвергается определенным изменениям фазы и амплитуды.

Канал от n-й метаповерхности к пользователю использует модель сферической волны для распространения в ближней зоне, которая представляется следующим уравнением коэффициента канала:

 (2)

Здесь α обозначает параметр потерь при распространении сигнала, λ — длину волны несущей, а d_n — расстояние от пользователя до компонента.

В данном случае, β_n является ли коэффициент потерь при распространении для n^th элемент XL-IMS, который можно представить как β_n = д_н^−α, где α обозначает показатель потерь при распространении сигнала. Следует отметить, что д_н представляет собой евклидово расстояние от положения пользователя до н^th элемент метаповерхности. Изменения канала в пространстве обусловлены значительными различиями в д_n между различными метаповерхностями, в отличие от ситуации с каналами в дальней зоне. В общем виде вектор канала можно представить следующим образом:

 (3)

Входной сигнал, получаемый пользователем, зависит от фазовой настройки системы XL-IMS. Пусть θ = [θ₁, θ₂, …., θ_N] представляет фазовый сдвиг, реализованный с помощью метаповерхности. Тогда входной сигнал можно выразить следующим образом:

 (4)

где Φ = diag(e^jθ₁, ….., e^jθ_N) — передаваемый сигнал, w — вектор предварительного кодирования базового кода, а n обозначает шум. Вектор канала в ближней зоне определяется как h ∈ ℂ^N×1, диагональная матрица фазового сдвига XL-IMS как Φ ∈ ℂ^N×N, вектор диаграммообразования как x ∈ ℂ^N×1, а принимаемый сигнал как y ∈ ℂ. Аддитивный член шума определяется как n ∼ CN (0, σ²). Данные размерности обеспечивают математическую корректность формулировки.

В данном случае ws представляет собой вектор предкодирования базовой станции, который используется для предкодирования передаваемого символа (s). При проведении сравнительного анализа производительности на базовой станции реализуются общепринятые методы цифрового предкодирования, такие как ZF и MMSE, с использованием аналогичных реализаций каналов ближнего поля. Однако новый подход направлен на оптимизацию матрицы фазовых сдвигов XL-IMS (θ) с помощью механизма обучения GNN-attention.

Для концентрации энергии в ближней зоне необходимо обеспечить достижимость для пользователя такого дизайна θ, при котором возникает конструктивная интерференция. Стратегия формирования луча направлена на максимизацию спектральной эффективности или мощности принимаемого сигнала. На рисунке 2 представлена архитектура модели системы связи в ближней зоне, основанной на подходе XL-IMS.

Моделирование каналов в ближней зоне

Предложенная модель ближнего поля для сетей связи 6G на базе XL-IMS была специально разработана для имитации условий распространения сигнала вблизи расстояния Рэлея от метаповерхности. В области ближнего поля распространение является сферическим, с изменяющимися значениями фазы и неоднородными пространственными параметрами по всей метаповерхности, в отличие от традиционных моделей распространения в дальнем поле, в которых предполагаются плоские волны. В настоящем исследовании была использована физическая модель сферической волны для разработки точной матрицы импульсного отклика канала, учитывающей физическое расположение как элементов метаповерхности, так и пользовательских терминалов.

Представление каналов на основе расстояния

Расстояние между каждым компонентом метаповерхности и пользователем является решающим фактором при построении модели канала в режиме ближнего поля. Расстояние p_n между координатами пользователя p_u и n-м компонентом XL-IMS определяется следующим образом:

 (5)

Это значение значительно варьируется по всей метаповерхности из-за её чрезвычайно большой площади, что приводит к неравномерному времени распространения и фазовым сдвигам, которые необходимо учитывать в модели.

Модель канала со сферическими волнами

Коэффициент канала между n-м элементом и пользователем определяется с использованием модели сферической волны, описанной в уравнении (2), которая учитывает зависимости фазы и амплитуды от расстояния. Для генерации набора данных и обучения модели коэффициенты канала извлекаются из среды трассировки лучей DeepMIMO, которая учитывает многолучевое распространение сигнала как в условиях прямой видимости (LoS), так и в условиях отсутствия прямой видимости (NLoS) на основе реалистичных структур окружающей среды. Исходя из вышеизложенного, можно построить матрицу отклика канала на основе откликов всех N элементов метаповерхности, как показано в уравнении (3).

Пространственная нестационарность каналов ближней зоны и значимость моделей

В отличие от каналов дальней зоны, каналы ближней зоны характеризуются пространственной нестационарностью, при которой принимаемые сигналы варьируются по поверхности метаповерхности, что позволяет осуществлять фокусировку луча в зависимости от местоположения. Эта пространственная информация заложена в матрице отклика канала и фиксируется моделью GNN-attention. На Дополнительном рисунке 1 представлена предлагаемая структура моделирования каналов ближней зоны для системы связи 6G на базе XL-IMS и процесс генерации реалистичных данных о канале для формирования луча на основе глубокого обучения.

Создание набора данных

Генерация данных осуществлялась с использованием платформы DeepMIMO, которая обеспечивает реалистичное моделирование каналов на основе трассировки лучей с учетом геометрии окружающей среды, пространственной согласованности и мобильности пользователей. Импульсные характеристики каналов для нескольких положений пользователей в ближней зоне были сформированы с использованием сценария O1 (открытая местность) при несущей частоте 28 GHz и ширине полосы 100 MHz. XL-IMS состоял из 256 равномерно распределенных отражающих элементов; положения пользователей в ближней зоне выбирались на основе критерия Рэлея. Коэффициенты канала, усиления путей и пространственная информация были извлечены с помощью библиотеки DeepMIMO для Python. В Дополнительной таблице 1 обобщены параметры моделирования и воспроизводимости. Модель обучалась методом обучения с учителем, где в качестве входных данных использовались характеристики состояния канала, а в качестве целевых меток — оптимизированные на основе физических принципов веса диаграммы направленности.

Создание входных признаков и структура набора данных

Затем необработанные данные каналов были преобразованы в признаки для подачи в модели глубокого обучения. Эти признаки включали амплитуды и фазы отклика каналов в качестве отдельных компонентов. В зависимости от требований задачи могли быть включены и другие входные параметры. Например, в качестве признаков могли быть рассмотрены координаты пользователей, расстояния и некоторые пространственные параметры. Набор данных был разделен на обучающую и тестовую выборки в соотношении 80:20.

Подготовка набора данных для обучения

Заключительный этап включал нормализацию подготовленного набора данных и его преобразование в тензоры, подходящие для ввода в архитектуру GNN-attention для обучения. Обучающий набор данных использовался для изучения отображения состояния канала на оптимальные веса диаграммообразования, в то время как тестовый набор данных служил для оценки эффективности модели. Тщательная подготовка данных упростила и повысила эффективность процесса обучения. В Дополнительной таблице 2 приведены подробные сведения о наборе данных DeepMIMO.

Представление признаков

Этап представления признаков позволил преобразовать данные о ближнепольных каналах с комплексными значениями в формат, подходящий для глубокого обучения. Отклики каналов были разложены на признаки, которые отражают пространственные и пропогационные характеристики, сохраняя при этом важную информацию о ближнем поле для процесса обучения. Дополнительный рисунок 2 иллюстрирует набор данных DeepMIMO, использованный в этом процессе. Данные о канале связи в ближней зоне были представлены в виде комплексных чисел ч_n, где действительная и мнимая составляющие представляют информацию о фазе и амплитуде коэффициентов канала. Для обеспечения эффективного использования в алгоритмах машинного обучения коэффициенты были разложены на действительную (Reч_н) и мнимую (Imч_н) частей. Данные также могут быть представлены в виде величины ч_н и фаза коэффициентов ∠ч_н.

Извлечение пространственных признаков

Помимо коэффициента канала, были включены пространственные признаки, чтобы учесть геометрическую природу среды ближнего поля. К ним относятся расстояние d_n от каждого элемента метаповерхности до приемника, а также координаты приемника (x, y, z). Таким образом, модель учитывала тот факт, что характеристики сигнала могут зависеть от пространственного положения пары передатчик-приемник, что является важным свойством распространения сигнала в ближнем поле.

Нормализация и подготовка входных данных модели

В качестве предварительного этапа перед подачей входных данных в модель была выполнена процедура нормализации для предотвращения численной нестабильности и ускорения сходимости. Структурированные векторы были разделены на обучающую и тестовую выборки, обозначенные как (X_train, X_test). После этого входные данные были поданы в модели GNN и attention.

Исходя из представления признаков на Дополнительном рисунке 2, в данном наборе данных использовались признаки различных типов, включая коэффициенты каналов h_n, которые указывали на комплексный отклик сигнала всех элементов метаповерхности. Другим признаком было расстояние d_n, которое в данном случае указывало на эффекты распространения. Хотя мнимые и вещественные компоненты обеспечивают численное описание сигнала, амплитудные и фазовые составляющие дают явное описание силы сигнала и фазового сдвига соответственно. Координаты положения пользователя (x, y, z) были еще одним важным признаком, который расширил пространственное восприятие модели.

Архитектура глубокого обучения с использованием GNN для моделирования пространственных зависимостей, интегрированная с гибридным механизмом внимания для изучения глобального контекста

Данный алгоритм обучения был разработан для эффективного обучения сложного канала XL-IMS в ближней зоне с учетом его пространственных характеристик и характеристик распространения с использованием GNN и механизма внимания. Поскольку элементы метаповерхности сильно коррелируют друг с другом, а их взаимодействия в зоне ближнего поля неоднородны, полносвязная сеть не подходит для адекватного представления канала. Следовательно, в данном подходе метаповерхность представлена в виде графа, где каждый элемент выступает в качестве узла, а взаимодействия между ними — в качестве ребер. GNN позволила зафиксировать локальные пространственные зависимости между соседними узлами, в то время как механизм внимания улучшил процесс обучения глобальным зависимостям.

Графическое представление XL-IMS

XL-IMS создается в виде графа G = (V, E), где каждая вершина v_n ∈ V представляет собой один элемент метаповерхности, а ребра e_ij ∈ E представляют пространственные связи между элементами. Каждая вершина имеет вектор признаков x_n, который получается на этапе представления признаков. Матрица смежности A отражает связность между вершинами, которые расположены близко друг к другу или находятся в пределах определенных ограничений по расстоянию. Такая формулировка графа используется для учета пространственной информации, существующей при распространении в ближнем поле.

Для обеспечения воспроизводимости связность графа определяется с использованием метода k-ближайших соседей, где k равно 8. Пусть p_i и p_j представляют собой векторы координат i-й и j-й клеток XL-IMS соответственно. Расстояние между любыми двумя вершинами измеряется с помощью евклидовой метрики следующим образом: d_ij = ||p_i − p_j||². Ребро между вершинами i и j будет существовать, если вершина j входит в группу восьми ближайших соседей вершины i. Таким образом, матрица смежности строится по следующему правилу: A_ij = 1, если j ∈ N_k(i), и A_ij = 0 в противном случае.

В предлагаемой GNN обновления для каждого узла рассчитываются на основе информации из других соседних узлов. В частности, распространение слоя l может быть представлено следующим образом:

 (6)

где h_i^(l) представляет вектор признаков вершины i в слое l, N(i) — окрестность вершины i, W^(l) — обучаемую матрицу весов, а σ(·) обозначает нелинейную функцию активации.

Модель GNN-attention состояла из трех графовых сверточных слоев со скрытыми размерностями 128; в качестве функции активации использовалась линейная функция с выпрямлением (ReLU). Генерация графа осуществлялась методом k-ближайших соседей (k=8). Каждый признак XL-IMS выступает в роли узла, а ребра формируются на основе евклидова расстояния между соседними узлами. Для извлечения глобальных пространственных зависимостей мы использовали многоголовую сеть самовнимания с 4 головами. Вероятность исключения (dropout) была установлена на уровне 0,3 для предотвращения переобучения.

Механизм внимания

Для моделирования дальних зависимостей, выходящих за пределы локальной окрестности, в модель был введен механизм внимания, который работает следующим образом:

 (7)

где e_ij = LeakyReLU(a^T[Wh_i | Wh_j]) — это значимость узлов i и j. С помощью этой модели можно присваивать узлам разный уровень значимости в зависимости от их ролей, что облегчает понимание моделью глобального контекста по всей метаповерхности. Гибридная архитектура фиксирует как локальную, так и глобальную пространственную информацию, а извлеченные признаки обрабатываются через полносвязные слои для генерации весов диаграммообразования. Как показано на дополнительных рисунках 3 и 4, GNN моделирует локальные пространственные зависимости посредством передачи сообщений и агрегации признаков, в то время как механизм внимания фиксирует глобальные взаимодействия между элементами метаповерхности, обеспечивая эффективное формирование луча в ближнем поле. Веса внимания вычисляются для количественной оценки релевантности пар узлов, при этом более информативным взаимодействиям присваивается большая значимость. Используя эти веса, каждый узел агрегирует информацию от всех остальных узлов, что позволяет модели улавливать глобальные зависимости за пределами локальных окрестностей. Результирующее взвешенное слияние признаков формирует оптимизированное представление признаков, которое подчеркивает важные пространственные характеристики и подавляет менее релевантную информацию, что способствует эффективной оптимизации формирования луча и фокусировке энергии.

Оптимизация формирования луча

На этапе оптимизации диаграммообразования были определены фазовые сдвиги XL-IMS и веса диаграммообразования для фокусировки энергии на пользователях в ближней зоне. В отличие от традиционного управления лучом в дальней зоне, диаграммообразование в ближней зоне концентрирует энергию в конкретных пространственных точках. В предложенной структуре модель GNN-attention позволила определить оптимальные параметры диаграммообразования непосредственно на основе характеристик канала, что снизило сложность итерационных методов оптимизации. Сигнал, принимаемый пользователем, представлен в уравнении (4).

Обучающие данные для каждой реализации канала были получены из DeepMIMO, а соответствующие фазовые сдвиги XL-IMS были определены с помощью алгоритма AO. Матрица канала ближнего поля h и матрица фазовых сдвигов XL-IMS использовались для вычисления вектора фазового сдвига θ путем максимизации мощности принимаемого сигнала:

 (8)

 (9)

Оптимизатор AO запускался на 100 итераций до достижения требуемого порога сходимости 10⁻⁴. Эти оптимизированные значения служили обучающими метками для нашей модели GNN-attention. Целью было достижение конструктивной интерференции для эффективной фокусировки луча в ближней зоне и увеличения мощности принимаемого сигнала. Вместо традиционных методов оптимизации, таких как SDR или AO, задача была решена с использованием подхода на основе обучения. В частности, задача оптимизации диаграммы направленности была аппроксимирована моделью глубокого обучения f_Θ(⋅).

Для обучения модели GNN-attention был применен метод контролируемого обучения, в котором в качестве целевых значений для обучения использовались оптимальные векторы фазового сдвига диаграммообразования, полученные с помощью алгоритма AO. В частности, обозначим оптимальный вектор фазового сдвига, сгенерированный AO, как θ_AO,i, а предсказания сети — как . Тогда критерий обучения был сформулирован следующим образом:

 (10)

где N — количество обучающих выборок.

Алгоритм 1: Формирование луча в ближней зоне с использованием модели GNN-attention представлен в Дополнительном файле 1. В данном алгоритме первым шагом была настройка параметров системы и базы данных DeepMIMO для создания реалистичных условий канала. Характеристики канала ближней зоны для каждого образца рассчитывались с использованием модели сферической волны, после чего из базы данных извлекались важные признаки, такие как коэффициенты канала и пространственные характеристики. Извлеченные признаки были преобразованы в структурированную форму и представлены в виде графа, где узлами являются элементы метаповерхности. Модель глубокого обучения была создана с использованием слоев GNN для захвата локальных пространственных зависимостей, а также был введен механизм внимания (attention mechanism) для изучения глобальных зависимостей. Фреймворк глубокого обучения обучался с помощью контролируемого обучения с использованием функции потерь MSE между предсказанными фазовыми сдвигами и оптимальными метками фазовых сдвигов, сгенерированными методом AO.

Данная реализация была выполнена с использованием Python и PyTorch. Образцы для канала DeepMIMO были получены из сценария O1 для открытого пространства. Эти коэффициенты канала были преобразованы в графы и обработаны с помощью GNN с тремя слоями и механизмом многоголового внимания (multihead attention). Модель была обучена с использованием оптимизатора Adam и функции потерь MSE. С помощью этой модели были сгенерированы фазовые сдвиги и веса для формирования луча для пользователей в ближней зоне, а результаты были оценены по показателям скорости, эффективности и SINR.

Результаты

Эффективность представленной структуры моделирования каналов в ближней зоне и формирования луча для XL-IMS в сетях связи 6G оценивается с использованием набора данных DeepMIMO, который предоставляет практические среды распространения и пространственно согласованные данные о каналах. Для настройки этого набора данных необходимо сгенерировать множество выборок каналов, представляющих различные положения пользователей в ближней зоне метаповерхности. В частности, в данном исследовании используются от 10 000 до 20 000 выборок, собранных при различных условиях распространения и местоположениях пользователей. Для разделения этих выборок каналов использовалось соотношение 80:20, где 80% предназначены для обучения и 20% для тестирования. Таким образом, тестовый набор позволяет оценить способность модели к обобщению, в то время как обучающий набор служит основой для обучения.

Экспериментальные результаты демонстрируют, что предлагаемая структура GNN-Attention превосходит традиционные методы формирования луча в дальней зоне и методы, основанные на оптимизации. Благодаря сочетанию моделирования каналов с сферическими волнами и извлечения пространственных признаков на основе глубокого обучения, предлагаемый подход обеспечивает более высокий коэффициент усиления при формировании луча, спектральную эффективность и эффективность фокусировки энергии. Производительность оценивается по достижимой скорости передачи данных, коэффициенту усиления при формировании луча и энергоэффективности, которые измеряют, соответственно, пропускную способность связи, эффективность фокусировки сигнала и эффективность передачи данных относительно энергопотребления.

Предложенный метод сравнивается с традиционными методами формирования диаграммы направленности, включая ZF и MMSE, а также с методами на основе оптимизации, такими как SDR и AO. В то время как подходы для дальней зоны ограничены допущениями о плоских волнах и демонстрируют низкую эффективность в условиях ближней зоны XL-IMS, методы оптимизации часто характеризуются высокой вычислительной сложностью. Напротив, структура GNN-attention обеспечивает эффективное формирование диаграммы направленности с меньшими вычислительными затратами. Для обеспечения объективности сравнения все методы оценивались с использованием одних и тех же каналов ближней зоны, сгенерированных DeepMIMO, конфигурации XL-IMS, несущей частоты, местоположения пользователей, мощности передачи и условий отношения сигнал/шум (SNR). Для ZF и MMSE предполагалось наличие идентичной информации о состоянии канала, в то время как SDR и AO были реализованы при одинаковых ограничениях по мощности и фазовому сдвигу с использованием стандартных параметров из литературы.

Валидация моделирования ближнего поля канала

Для сравнения показателей достижимой скорости предложенной модели формирования луча на основе графовой нейронной сети с механизмом внимания в Рисунке 3 используются эталонные методы, включая ZF, MMSE, SDR и AO. При увеличении SNR от 0 до 30 dB у всех методов наблюдается рост достижимой скорости; однако предложенная модель стабильно превосходит эталонные методы. Она обеспечивает 2.1 bps/Hz при 0 dB, 7.8 bps/Hz при 15 dB и 11.6 bps/Hz при 30 dB, превышая показатели ZF, MMSE, SDR и AO на всех уровнях SNR. В Таблице 1 представлено сравнение достижимых скоростей в зависимости от SNR.

Рисунок 4 демонстрирует сравнение коэффициента усиления диаграммы направленности предлагаемой модели на основе GNN-attention с традиционными методами, включая ZF, MMSE, SDR и AO, в зависимости от расстояния до пользователя в ближней зоне. С увеличением расстояния до пользователя мощность принимаемого сигнала с формированием луча снижается из-за возрастающих потерь при распространении, что приводит к уменьшению коэффициента усиления для всех методов. Тем не менее, предлагаемая структура GNN-attention последовательно обеспечивает наивысший коэффициент усиления, достигая примерно 28 dB на 1 m, 25 dB на 4 m и 22 dB на 7 m, превосходя SDR, AO, MMSE и ZF на всех оцениваемых расстояниях. Эти результаты демонстрируют превосходную способность предлагаемой структуры к фокусировке луча в ближней зоне и сохранению усиления, что ведет к повышению эффективности формирования луча по сравнению с существующими методами.

Эффективность системы обучения на основе GNN-attention

Рисунок 5 представляет сравнение спектральной эффективности предлагаемой схемы диаграммообразования на основе GNN-attention с методами ZF, MMSE, SDR и AO при значениях SNR от 0 до 30 dB. Несмотря на то, что спектральная эффективность всех методов растет с увеличением SNR, предлагаемый подход стабильно демонстрирует наилучшие результаты, достигая 1.8 bps/Hz при 0 dB, 6.8 bps/Hz при 15 dB и 10.5 bps/Hz при 30 dB, превосходя все эталонные методы. Рисунок 6 сравнивает энергоэффективность предлагаемой системы диаграммообразования на основе GNN-attention с методами ZF, MMSE, SDR и AO при различных условиях SNR. Энергоэффективность всех методов повышается с ростом SNR; однако предлагаемый подход последовательно обеспечивает самую высокую производительность, достигая примерно 2.5 bits/Joule при 0 dB, 7.2 bits/Joule при 15 dB и 9.8 bits/Joule при 30 dB, что превосходит все эталонные методики.

Оценка набора данных и представления признаков

Рисунок 7 иллюстрирует сходимость предлагаемой модели GNN-attention с точки зрения среднеквадратичной ошибки (MSE) по эпохам обучения. MSE быстро снижается на ранних этапах обучения, падая примерно с 0,69 на 5-й эпохе до 0,22 на 20-й эпохе, и далее снижается примерно до 0,08 к 35-й эпохе. Модель постепенно сходится к 50-й эпохе, достигая значения MSE примерно 0,04, что указывает на стабильное обучение и эффективное изучение основных характеристик канала.

Результаты оптимизации формирования луча

Рисунок 8 демонстрирует сравнение суммарной скорости передачи данных при использовании предлагаемого метода диаграммоформирования на основе GNN-attention с методами ZF, MMSE, SDR и AO при увеличении числа пользователей с 2 до 12. Хотя все методы обеспечивают более высокую суммарную скорость при увеличении числа пользователей, предлагаемый подход стабильно демонстрирует лучшие результаты, достигая 12,5 bps/Hz для 2 пользователей, 31,6 bps/Hz для 6 пользователей и 50,3 bps/Hz для 12 пользователей, превосходя все контрольные методы при различной плотности пользователей.

В таблице 2 сравниваются показатели многопользовательской производительности предлагаемой структуры диаграммообразования на основе GNN-attention с методами ZF, MMSE, SDR и AO. Предлагаемый метод обеспечивает наивысшую многопользовательскую эффективность (92,5%), SINR (24,8 dB) и прирост пропускной способности (50,3 bps/Hz), демонстрируя превосходную масштабируемость, управление интерференцией и распределение ресурсов по сравнению с эталонными методами. На рисунке 9 представлено сравнение функций кумулятивного распределения (CDF) для SINR. Предлагаемый подход демонстрирует смещение распределения вправо, что указывает на стабильно более высокие значения SINR для всех пользователей. На уровне медианы (50-й процентиль) достигается SINR приблизительно 25 dB, что превосходит показатели SDR (23 dB), AO (22 dB), MMSE (20 dB) и ZF (17 dB). Превосходство предлагаемой модели по показателю SINR обусловлено ее способностью учитывать как локальные пространственные зависимости с помощью GNN, так и глобальные взаимодействия через механизмы внимания, что обеспечивает эффективное диаграммообразование в ближней зоне. Результаты CDF демонстрируют более надежное управление интерференцией и стабильно более высокий SINR по сравнению с традиционными методами ZF, MMSE, SDR и AO.

В таблице 3 представлены средние показатели эффективности, стандартное отклонение и 95% доверительные интервалы, полученные в результате пяти независимых экспериментальных запусков, что демонстрирует стабильность и воспроизводимость предлагаемой структуры. В таблице 4 приведено сравнение вычислительной сложности и времени вывода предлагаемой схемы диаграммообразования на основе GNN-attention с традиционными методами. Во время обучения вычислительные затраты определяются главным образом передачей сообщений в графе и механизмом внимания, что приводит к сложности O(E·L·F² + N²). Несмотря на эти накладные расходы при обучении, обученный диаграммообразователь исключает необходимость итеративной оптимизации при развертывании. Предложенная модель обеспечивает среднее время вывода 4,9 ms, что существенно ниже, чем у SDR (85,4 ms), AO (63,7 ms), MMSE (15,6 ms) и ZF (12,8 ms). Кроме того, анализ масштабируемости указывает на стабильную работу при увеличении числа пользователей и элементов метаповерхности, что подчеркивает пригодность предлагаемой структуры для крупномасштабных систем связи 6G с поддержкой XL-IMS.

Абляционный анализ

Эффект отдельных компонентов структуры можно оценить с помощью абляционного анализа, при котором компоненты либо исключаются, либо изменяются; к ним относятся GNN, Attention и физическое моделирование ближнего поля канала. Полная структура включает все три компонента, тогда как абляционные модели состоят из: (i) только модели GNN, (ii) только модели Attention и (iii) варианта без физической модели сферической волны (допущение о дальнем поле). Оценка эффективности проводится с использованием таких показателей, как достижимая скорость, коэффициент усиления диаграммы направленности и SINR. Результаты показывают, что на общую производительность системы существенно влияют отдельные компоненты, особенно физическая модель канала, отсутствие которой оказывает наибольшее негативное воздействие. Это подчеркивает важность точного моделирования канала в режиме ближнего поля.

На основании результатов абляционного анализа в Таблице 5 можно подтвердить значимость каждой части предлагаемой архитектуры. Как показано в результатах экспериментов выше, модель, включающая все компоненты, демонстрирует наилучшую производительность с достижимой скоростью 11.6 bps/Hz, коэффициентом усиления диаграммы направленности 28 dB и SINR 25 dB, что доказывает эффективность предложенной архитектуры. Без механизма внимания модель достигает лишь 10.2 bps/Hz, что указывает на ослабление глобального контекста сигнала. Кроме того, удаление компонента GNN приводит к низкой производительности (9.8 bps/Hz), что свидетельствует о необходимости моделирования пространственных зависимостей для связи в ближнем поле. Наибольшее снижение производительности наблюдается при игнорировании физической модели сферической волны: достижимая скорость составляет 8.5 bps/Hz, а SINR — 19.2 dB, что доказывает необходимость моделирования каналов связи в ближнем поле.

Резюмируя, результаты экспериментов подтверждают цели исследования по разработке моделей каналов и формирования луча на основе ближнего поля электромагнитных волн с применением в сетях 6G с поддержкой XL-IMS. Архитектура GNN-attention продемонстрировала более высокие показатели достижимой скорости передачи, коэффициента усиления формирования луча, спектральной эффективности, энергоэффективности и SINR по сравнению с традиционными подходами, такими как методы ZF, MMSE, SDR и AO. Анализ абляционных исследований показал, что использование физических моделей сферических волн, графовых нейронных сетей и механизмов внимания имеет высокую ценность для повышения производительности.

Доступность данных

Наборы данных и вспомогательные материалы, созданные и проанализированные в ходе данного исследования, находятся в открытом доступе в репозитории Zenodo по адресу https://doi.org/10.5281/zenodo.21037047. Наборы данных моделирования были созданы с использованием Python-репозитория DeepMIMO с применением сценария трассировки лучей для открытого пространства O1, несущей частоты 28 GHz и конфигурации XL-MIMO в ближней зоне. Python-репозиторий DeepMIMO доступен по адресу: https://github.com/DeepMIMO/DeepMIMO-python.

Рисунок 1: Общая архитектура предлагаемой работы. Схематическая иллюстрация всего конвейера предлагаемого метода моделирования ближнего поля канала и формирования луча. Пожалуйста, нажмите здесь, чтобы просмотреть этот рисунок в большем размере.

Рисунок 2: Архитектура системной модели. Схематическая диаграмма иллюстрирует архитектуру системы связи 6G на базе XL-IMS с фокусировкой луча в ближнем поле. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Рисунок 3: Зависимость достижимой скорости от SNR. Характеристики скорости в зависимости от SNR для предлагаемого и существующих подходов. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Рисунок 4: Коэффициент усиления диаграммы направленности в зависимости от расстояния. Коэффициент усиления диаграммы направленности, достигнутый с помощью различных методов формирования луча, в зависимости от расстояния до пользователя в ближней зоне, что иллюстрирует эффективность пространственной фокусировки сигнала и сохранения усиления при увеличении расстояния. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Рисунок 5: Результат зависимости спектральной эффективности от SNR. Сравнение спектральной эффективности при различных значениях SNR. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Рисунок 6: Результат зависимости энергоэффективности от SNR. Показатели энергоэффективности при различных значениях SNR. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Рисунок 7: Результат сходимости MSE. Сходимость функции потерь MSE в процессе обучения. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Рисунок 8: Результат зависимости суммарной скорости от количества пользователей. Показатели суммарной скорости при увеличении количества пользователей. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Рисунок 9: Результат сравнения SINR с помощью CDF. Сравнение SINR на основе графиков CDF. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Метод	Средняя достижимая скорость (бит/с/Гц)	Уровень эффективности
Предложенный метод (GNN-attention)	7.36	*****
SDR (программная радиосистема)	6.66	****
АО	6.5	****
Краткая шкала оценки психического статуса (MMSE)	6.03	***
ZF	5.23	***

Таблица 1: Сравнение достижимой скорости. Продемонстрирована эффективность предложенных и существующих методов.

Метод	Эффективность многопользовательского режима (%)	Подавление помех (SINR, dB)	Повышение пропускной способности (bps/Hz)
Предложенный (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

Таблица 2: Экспериментальный результат масштабируемости. Показана масштабируемость в средах многопользовательской связи.

Метрика	Среднее значение	Стандартное отклонение	95% ДИ
Достижимая скорость	11.6 ± 0.21	0.21	[11.42,11.78]
Спектральная эффективность	10.5 ± 0.18	0.18	[10.34,10.66]
Энергетическая эффективность	9.8 ± 0.15	0.15	[9.67,9.93]
SINR (отношение сигнал-шум и помехи)	25.0 ± 0.42	0.42	[24.63,25.37]

Таблица 3: Статистический анализ. Оценка статистического анализа проводится с использованием среднего значения, стандартного отклонения и доверительных интервалов.

Метод	Сложность обучения	Сложность вывода	Среднее время вывода (ms)
ZF	Н/П	O(N³)	12.8
MMSE	Н/П	O(N³)	15.6
SDR	Н/П	O(N³·⁵)	85.4
AO	Н/П	O(IN²)	63.7
Предложенный GNN-attention	O(E·L·F² + N²)	O(E·L·F² + N²)	4.9

Таблица 4: Анализ вычислительной сложности и масштабируемости. В ней представлен анализ вычислительной сложности и масштабируемости предлагаемой работы.

Вариант модели	Достижимая скорость (бит/с/Гц)	Коэффициент усиления диаграммы направленности (дБ)	SINR (дБ)	Спектральная эффективность (бит/с/Гц)
Полная предлагаемая модель (GNN + механизм внимания + физический базис)	11.6 ± 0.2	28.0 ± 0.4	25.0 ± 0.3	10.5 ± 0.2
Без механизма внимания	10.2 ± 0.3	25.5 ± 0.5	22.8 ± 0.4	9.1 ± 0.3
Без GNN (только MLP)	9.8 ± 0.3	24.0 ± 0.6	21.5 ± 0.5	8.7 ± 0.3
Без физической модели канала (допущение о дальней зоне)	8.5 ± 0.4	21.0 ± 0.7	19.2 ± 0.6	7.4 ± 0.4

Таблица 5: Результаты исследования абляции. Представлены результаты исследования абляции всех компонентов модели.

Дополнительная фигура 1. Моделирование ближнего поля канала. Схематическая иллюстрация моделирования ближнего поля канала на основе сферических волн и построения матрицы.Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительный рисунок 2. Характеристики набора данных DeepMIMO, использованные для оценки. Характеристики, извлеченные из набора данных DeepMIMO и использованные в качестве входных данных модели для обучения и оценки.Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительный рисунок 3. GNN для моделирования пространственной зависимости. Моделирование пространственной корреляции с помощью GNN.Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительная фигура 4. Механизм внимания для распознавания глобального контекста. Графическая иллюстрация модуля внимания для захвата информации о глобальном контексте.Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительная таблица 1. Среда моделирования. Представлены настройки моделирования, использованные для обучения и тестирования моделей.Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительная таблица 2. Описание набора данных. Представлены характеристики набора данных DeepMIMO, используемые при обучении и оценке.Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительный файл 1: Рабочий процесс предлагаемой структуры диаграммоформирования на основе GNN-attention.В алгоритме описаны этапы генерации набора данных, построения графа, обучения модели, оптимизации диаграммоформирования и оценки эффективности.Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Обсуждение

Предложенный алгоритм использует нелинейное прекодирование для моделирования распространения сферических волн в ближней зоне, обеспечивая более точную фокусировку луча, чем алгоритмы на основе линейного прекодирования, такие как ZF, MMSE, SDR и AO. Хотя результаты алгоритмов SDR и AO близки к оптимальным, предложенная сеть GNN-attention демонстрирует более высокую производительность при значительно меньших вычислительных затратах, что имеет критическое значение для будущего внедрения XL-IMS в сетях 6G ^21,26,27.

Как упоминалось выше, для эмпирической проверки данного утверждения с количественной точки зрения был проведен анализ сложности, результаты которого представлены в Таблице 4. Предложенная архитектура GNN-attention имеет вычислительную сложность O(E · d + N² · d) в процессе обучения, где E — количество ребер графа, N — количество элементов метаповерхности, а d — размерность скрытого признака. Что наиболее важно, при использовании данной структуры обучения в режиме вывода веса диаграммообразования могут быть вычислены за один проход со сложностью O(N · d), тогда как методы SDR и AO требуют итеративной оптимизации для каждой реализации канала.

Важным этапом, который необходимо выполнить правильно для достижения успеха, является создание моделей каналов ближней зоны на основе принципов распространения сферических волн. Неправильное использование данных о местоположении пользователя и некорректное создание характеристик канала отрицательно повлияют на процесс извлечения признаков и результаты формирования диаграммы направленности. Построение графа является еще одним ключевым компонентом, так как недостаточная связность узлов препятствует способности GNN выявлять пространственные отношения. Переобучение — еще одна проблема, которая может возникнуть при обучении сети всего на нескольких условиях распространения, что влияет на обобщающую способность при новых местоположениях пользователей.

Для решения потенциальных проблем можно принять ряд мер. При плохой сходимости нейронной сети для устранения этой проблемы можно использовать снижение скорости обучения и регуляризацию. Нормализация признаков и разреживание графа могут предотвратить нестабильность в процессе обучения. В случае неожиданного падения коэффициента усиления диаграммы направленности проблему можно решить путем переобучения алгоритма на большем количестве точек данных.

Еще одним преимуществом глубокого обучения является способность алгоритма динамически адаптироваться к изменениям условий в канале, что представляло сложность для существующих методов оптимизации. Это повышает эффективность алгоритма диаграммообразования за счет минимизации времени его выполнения и делает его более устойчивым в условиях динамически меняющейся среды канала^16,18,20.

Предложенная модель считается революционной для теории связи в ближнем поле, поскольку она объединяет моделирование физического канала с методами глубокого обучения на основе графов. Включение сферических волн для учета электромагнитных эффектов повышает точность модели; более того, использование GNN и механизмов внимания позволяет описывать математические зависимости между элементами метаповерхности. Таким образом, сочетание машинного обучения с электромагнитными принципами приводит к возникновению новой теоретической базы для создания интеллектуальных беспроводных сред^21,27,28.

С прикладной точки зрения разработанный подход значительно расширяет возможности применения XL-IMS в реальном развертывании сетей 6G. Снижение вычислительной нагрузки за счет отсутствия процесса оптимизации позволяет принимать решения по формированию луча в режиме реального времени, что крайне важно для сервисов со сверхнизкой задержкой. Кроме того, предлагаемая модель демонстрирует как спектральную, так и энергетическую эффективность, что делает данную технологию применимой для густонаселенных городов, интернета вещей и высокомобильных пользователей.

Несмотря на множество преимуществ предлагаемой методологии, система также имеет некоторые недостатки. Хотя DeepMIMO обеспечивает реалистичные сценарии распространения сигнала с помощью трассировки лучей, он все равно остается симуляционным фреймворком, и между поведением беспроводного распространения в реальных условиях и симулированным будут наблюдаться некоторые расхождения, так как всегда следует учитывать изменения окружающей среды и неизвестные рассеиватели, временные эффекты канала, влияние погоды и эффекты калибровки оборудования. Следовательно, его результаты следует рассматривать как оценку верхней границы^26,38. Текущая модель предполагает использование идеальных компонентов передатчика и приемника. В реальных системах фазовый шум в осцилляторах, искажения усилителя, ошибки синхронизатора, шум квантования аналого-цифровых преобразователей и неточная оценка канала могут привести к снижению производительности. Эти проблемы могут повлиять на согласование и снизить скорость передачи данных системы.

Существует ряд проблем развертывания, которые все еще необходимо решить, прежде чем связь в ближней зоне с поддержкой XL-IMS сможет быть внедрена в широком масштабе. К таким проблемам относятся оценка канала в реальном времени для больших метаповерхностей, масштабируемость вычислений для нескольких тысяч антенн, синхронизация в распределенной сети, стоимость оборудования, требования к электропитанию и интеграция с существующими системами 6G. Будущие исследования должны быть сосредоточены на изучении облегченных моделей обучения и формировании диаграммы направленности.

В данной работе представлена новаторская архитектура моделирования ближнего поля каналов связи и формирования луча для XL-IMS в контексте связи 6G. Инновация сочетает в себе основанное на физических принципах моделирование каналов со сферическими волнами с графовыми нейронными сетями и механизмами внимания для достижения точного представления канала в ближнем поле и оптимального усиления при формировании луча. Система включает в себя моделирование каналов ближнего поля, проектирование наборов данных на базе DeepMIMO, представление признаков, моделирование пространственных зависимостей и оптимизацию формирования луча. Экспериментальная оценка показала лучшие результаты по сравнению с другими современными подходами, такими как ZF, MMSE, SDR и AO, с точки зрения достижимой скорости передачи данных, усиления луча, спектральной эффективности, энергоэффективности и SINR. Кроме того, сравнительный анализ (ablation study) подтвердил эффективность каждого компонента системы.

Материалы

Список материалов, использованных в этой статье

Имя	Компания	Каталожный номер	Комментарии
CUDA Toolkit	NVIDIA	CUDA 12.4	https://developer.nvidia.com/cuda-toolkit
DGL	DGL Team	DGL 2.2.1	https://www.dgl.ai
Matplotlib	Matplotlib Development Team	Matplotlib 3.9.0	https://matplotlib.org
NumPy	NumPy Developers	NumPy 1.26.4	https://numpy.org
Python	Python Software Foundation	Python 3.10.13	https://www.python.org
PyTorch	Meta AI	PyTorch 2.3.1	https://pytorch.org
PyTorch Geometric	PyG Team	PyG 2.5.3	https://pytorch-geometric.readthedocs.io
Seaborn	Seaborn Developers	Seaborn 0.13.2	https://seaborn.pydata.org
TensorFlow	Google	TensorFlow 2.16.1	https://www.tensorflow.org