Для просмотра этого контента требуется подписка на JoVE. Войдите или начните свой бесплатный пробный период.

Исследовательская статья

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

45 просмотров

⸱

DOI:

10.3791/72011

⸱

1 сентября 2026 г.

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

В этой статье

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) диапазонов3,4. 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 вопросов6,7,8,9,10,11, 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 зоне14,15.

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 поле20,21. 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 сигналов23,24. 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 зоны28,29. 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 широкополосности33,34,35,36. 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 луча37,38. 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 сетей39,40.

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.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Протокол

Предложенная концепция моделирования каналов ближней зоны и формирования луча 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 отражения пространственных зависимостей между элементами метаповерхности и пользователями, а для определения весовых коэффициентов формирования луча при фокусировке в ближней зоне используется 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 оценивалась по достижимой скорости передачи данных, коэффициенту усиления формируемого луча и энергоэффективности, что продемонстрировало превосходные результаты по сравнению с традиционными методами формирования луча для дальней зоны. На рисунке 1 представлена общая схема концепции.

Ниже представлены предлагаемые этапы:

Шаг 1: Настройка 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 равномерной плоской антенной решеткой 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 расположения пользователей

Спроектируйте XL-IMS как плоскую метаповерхность размером 16×16, состоящую из 256 перенастраиваемых 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 каналов с использованием распространения сферических волн

Моделируйте каналы связи между каждым переконфигурируемым элементом метаповерхности и пользователем, используя распространение сферических волн, которое учитывает изменение фазы, вызванное расстоянием.

Шаг 4: Генерация данных ближнего поля 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), сгенерированные в рамках 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 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. Модель оптимизировали с помощью оптимизатора Adam при скорости обучения 0,001 и в течение 50 эпох.

Шаг 7: Применение механизма внимания

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

Шаг 8: Предсказание весовых коэффициентов диаграммообразования

Предскажите весовые коэффициенты диаграммообразования 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 работы связи и диаграммообразования рассчитайте такие ключевые показатели эффективности (KPI), как достижимая скорость передачи данных, коэффициент усиления диаграммообразования, 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 на базе XL-IMS, состоящей из 256 реконфигурируемых отражающих элементов, которые управляют распространением электромагнитных волн с помощью регулируемых фазовых сдвигов. Поскольку пользователи находятся в ближней зоне, традиционное допущение о плоской волне в дальней зоне становится недействительным, что требует учета распространения сферических волн, зависящего от расстояния затухания и пространственной нестационарности. Граница между ближней и дальней зонами 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:

Уравнение разрешения R=2D²/λ, формула оптики, относящаяся к дифракционному анализу. (1)

Здесь D — размер метаповерхности, λ — длина волны, а R — расстояние Рэлея. Явление ближнего поля возникает в канале связи, когда пользователь находится в точке, расстояние до которой меньше реального 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 ближнем поле, которая представлена следующим уравнением коэффициента канала:

Формула затухания сигнала, \(h_n = \frac{\alpha}{d_n} e^{-j\frac{2\pi}{\lambda}d_n}\), уравнение. (2)

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

В данном случае βн является ли коэффициент потерь при распространении сигнала для нth элемент XL-IMS, который может быть выражен как βn = дн−α, где α означает показатель затухания сигнала. Следует отметить, что дн представляет собой евклидово расстояние от положения пользователя до nth элемент метаповерхности. Изменения канала в пространстве вызваны значительными различиями в дн между различными метаповерхностями, в отличие от ситуации с каналами в дальней зоне. В общем случае вектор канала можно описать следующим образом:

Формула в матричной нотации \( h = [h_1, h_2, ..., h_N]^T \), используемая в исследованиях по линейной алгебре. (3)

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

Уравнение обработки сигнала: y=h^HΦws+n. Математическая формула для анализа алгоритма. (4)

где Φ = diag(ejθ1, ….., ejθN) — передаваемый сигнал, w — вектор предкодирования базового кодирования, а n обозначает шум. Вектор ближнего поля определяется как h ∈ ℂN×1, диагональная матрица фазового сдвига XL-IMS как Φ ∈ ℂN×N, вектор формирования луча как x ∈ ℂN×1, а принимаемый сигнал как y ∈ ℂ. Аддитивный шумовой член определяется как n ∼ CN (0, σ2). Данные размерности обеспечивают математическую корректность формулировки.

В данном случае ws представляет собой вектор прекодирования базовой станции, который используется для прекодирования передаваемого символа (s). При сравнительном анализе производительности на базовой станции реализуются стандартные методы цифрового прекодирования, такие как ZF и MMSE, с использованием аналогичных реализаций каналов в ближней зоне. 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 такую конфигурацию θ, при которой для пользователя возникает конструктивная интерференция. Стратегия формирования диаграммы направленности (бимформинг) 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 ближнего поля

Предложенная модель ближнего поля для сетей связи 6G на основе XL-IMS была специально разработана для имитации условий распространения сигнала вблизи расстояния Рэлея от метаповерхности. В области ближнего поля распространение является сферическим, с изменением значений фазы и неоднородностью пространственных параметров по всей метаповерхности, в отличие от традиционных моделей распространения в дальнем поле, которые предполагают наличие плоских волн. В настоящем исследовании использовалась 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 pn между местоположением пользователя pu и n-м компонентом XL-IMS определяется следующим образом:

Уравнение статического равновесия: dn=|pn−pu|; схема процесса для структурного анализа. (5)

Это значение существенно меняется по всей поверхности метаповерхности из-за ее чрезвычайно большой площади, что приводит к неравным временам распространения и фазовым сдвигам, которые необходимо учитывать в модели.

Модель канала со сферической волной

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 получаются с помощью системы трассировки лучей DeepMIMO, которая учитывает многолучевое распространение как в условиях прямой видимости (LoS), так и в условиях отсутствия прямой видимости (NLoS) на основе реалистичных структур окружающей среды. На основании вышеизложенного можно построить матрицу отклика канала из откликов канала для всех N элементов метаповерхности, как показано в уравнении (3).

Пространственная нестационарность каналов ближнего поля и значимость модели

В отличие от каналов дальней зоны, каналы ближней зоны характеризуются пространственной нестационарностью, при которой принимаемые сигналы варьируются по всей 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, а также 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 пользовательских позиций в ближней зоне были сгенерированы с использованием сценария O1 (открытое пространство) при несущей частоте 28 GHz и ширине полосы пропускания 100 MHz. XL-IMS состоял из 256 равномерно распределенных отражающих элементов; позиции пользователей выбирались в пределах ближней зоны в соответствии с критерием Рэлея. Коэффициенты канала, усиления путей и пространственная информация были извлечены с помощью библиотеки DeepMIMO на языке Python. В Дополнительной таблице 1 обобщены параметры моделирования и воспроизводимости. Модель была обучена с помощью контролируемого обучения, где в качестве входных данных использовались признаки состояния канала, а в качестве целевых меток — оптимизированные на основе физических принципов весовые коэффициенты диаграммы направленности.

Создание входных признаков и структура набора данных

Затем необработанные данные каналов были преобразованы в признаки для ввода 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

Последний 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 в оптимальные веса диаграммообразования, в то время как тестовый набор данных применялся для оценки эффективности модели. Тщательная подготовка набора данных сделала процесс обучения более простым и эффективным. В Дополнительной таблице 2 представлены подробные сведения о наборе данных DeepMIMO.

Представление признаков

Этап представления признаков преобразовал данные о ближнепольном канале с комплексными значениями в формат, подходящий для глубокого обучения. Отклики канала были разложены на признаки, которые фиксируют пространственные характеристики и характеристики распространения, сохраняя при этом важную ближнепольную информацию для обучения. Дополнительный рисунок 2 иллюстрирует набор данных DeepMIMO, использованный в данном процессе. Данные о канале из ближней зоны были представлены в виде комплексных чисел чnс действительными и мнимыми компонентами, которые представляют информацию о фазе и амплитуде коэффициентов канала. Для обеспечения эффективного использования в алгоритмах машинного обучения коэффициенты были разложены на действительные (Reчн) и мнимую (Imчn) частей. Данные также могут быть представлены в виде величины чн и фаза коэффициентов ∠чn.

Извлечение пространственных признаков

Помимо коэффициента канала, были включены пространственные признаки для учета геометрической природы среды ближнего поля. К ним относились расстояние dn 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 волн 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 (Xtrain, Xtest). После этого подготовленные входные данные были поданы в модели GNN и механизмы внимания.

Основываясь на представлении признаков на Дополнительном рисунке 2, в данном наборе данных использовались различные типы признаков, включая коэффициенты каналов hn, которые характеризуют комплексный отклик сигнала всех элементов метаповерхности. Другим признаком было расстояние dn, которое в данном случае указывало на эффекты распространения. Хотя мнимая и действительная составляющие дают числовое описание сигнала, модули и фазы обеспечивают эксплицитное описание амплитуды сигнала и фазового сдвига соответственно. Координаты положения пользователя (x, y, z) были еще одним важным признаком, который расширил пространственное восприятие модели.

Архитектура глубокого обучения на основе GNN для моделирования пространственных зависимостей в сочетании 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 особенностей распространения сигнала 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 роли узла, а взаимодействия между ними — в роли ребер. GNN позволила зафиксировать локальные пространственные зависимости между соседними узлами, в то время как механизм внимания улучшил изучение глобальных зависимостей.

Графическое представление XL-IMS

XL-IMS создается в виде графа G = (V, E), где каждая вершина vn ∈ V представляет собой один элемент метаповерхности, а ребра eij ∈ E представляют пространственные связи между элементами. Каждая вершина имеет вектор признаков xn, который получается на этапе представления признаков. Матрица смежности A определяет 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 помощью метода K-ближайших соседей при значении k, равном 8. Пусть pi и pj 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: dij = ||pi − pj||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: Aij = 1, если j ∈ Nk(i), и Aij = 0 в противном случае.

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

Уравнение графовой нейронной сети, формула обновления узла, процесс нейронных вычислений, математическое выражение. (6)

где hi(l) представляет собой 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 скрытой размерностью 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 была использована многоголовая сеть самовнимания (multi-head self-attention network) с 4 головами. Для предотвращения переобучения вероятность исключения (dropout) была установлена на уровне 0,3.

Механизм внимания

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

Формула функции Softmax, aij=exp(eij)/Σkexp(eik), символьное представление, математическая концепция. (7)

где eij = LeakyReLU(aT[Whi | Whj]) — степень важности узлов i и j. С помощью этой модели можно присваивать узлам разные уровни важности в зависимости от их ролей, что облегчает модели понимание глобального контекста по всей метаповерхности. Гибридная структура фиксирует как локальную, так и глобальную пространственную информацию, а извлеченные признаки обрабатываются через полносвязные слои для генерации весовых коэффициентов диаграммы направленности. 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 ближней зоне. Веса внимания вычисляются для количественной оценки значимости пар узлов, при этом более информативным взаимодействиям присваивается более высокая важность. Используя эти веса, каждый узел агрегирует информацию из всех остальных узлов, что позволяет модели улавливать глобальные зависимости за пределами локальных окрестностей. Результирующее взвешенное слияние признаков создает оптимизированное представление признаков, которое подчеркивает важные пространственные характеристики и подавляет менее значимую информацию, что способствует эффективной оптимизации формирования луча и фокусировке энергии.

Оптимизация диаграммообразования

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 предлагаемой 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).

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

Формула оптимизации max |h^H Θx|^2; математическое уравнение для анализа обработки сигналов. (8)

Формула статического равновесия, Σ|θn|=1, уравнение на схеме исследования. (9)

Оптимизатор AO запускали на 100 итерациях до достижения заданного порога сходимости 10−4. Эти оптимизированные значения использовались в качестве обучающих меток для нашей модели GNN-attention. Целью было достижение конструктивной интерференции для эффективной фокусировки луча в ближнем поле и увеличения мощности принимаемого сигнала. Вместо традиционных методов оптимизации, таких как SDR или AO, задача была решена с помощью подхода на основе обучения. В частности, задача оптимизации диаграммообразования была аппроксимирована моделью глубокого обучения fΘ(⋅).

Для обучения модели GNN-attention был применен метод обучения с учителем, где в качестве целевых значений для обучения использовались оптимальные векторы фазового сдвига диаграммообразования, полученные с помощью алгоритма AO. В частности, обозначим оптимальный вектор фазового сдвига, созданный алгоритмом AO, как θAO,i, а предсказания сети — как символ θ̂ᵢ в математическом контексте, диаграмме, относящейся к методам статистического оценивания.. Тогда критерий обучения был сформулирован следующим образом:

Формула среднеквадратичной ошибки, \(L_{MSE}=\frac{1}{N}\sum_{i=1}^{N}||\hat{\theta}_i-\theta_{AO,i}||^2\). (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 в ближней зоне 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, а затем представлены в виде графа, где узлами являются элементы метаповерхности. Модель глубокого обучения была создана с использованием слоев GNN для захвата локальных пространственных зависимостей, а для изучения глобальных зависимостей был внедрен механизм внимания (attention mechanism). Фреймворк глубокого обучения обучался с помощью контролируемого обучения с использованием функции потерь MSE между предсказанными фазовыми сдвигами и оптимальными метками фазового сдвига, сгенерированными с помощью AO.

Данная реализация была выполнена с использованием Python и PyTorch. Образцы для канала DeepMIMO были получены из сценария O1 для открытых пространств. Эти коэффициенты канала были преобразованы в графы и обработаны с помощью GNN с тремя слоями и механизмом многоголового внимания (multihead attention). Модель обучалась с использованием оптимизатора Adam и функции потерь MSE. Данная модель генерировала фазовые сдвиги и веса для формирования луча (beamforming) для пользователей в ближней зоне, а результаты оценивались по таким показателям, как скорость передачи данных, эффективность и SINR.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

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 сигнала 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 используется от 10 000 до 20 000...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

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 2...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Раскрытие информации

Авторы не имеют конфликта интересов.

Благодарности

Данная работа была частично поддержана Национальным природным научным фондом Китая (грант № 62466036) и Стартовым фондом исследований Университета Ганьдун (грант № 12225000423). Авторы выражают благодарность Университету Ганьдун за предоставление необходимых исследовательских мощностей и институциональную поддержку. Работа была поддержана Школой информационного инжиниринга и Лабораторией алгоритмов и приложений искусственного интеллекта Университета Ганьдун, Фучжоу, Китай.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
CUDA ToolkitNVIDIACUDA 12.4https://developer.nvidia.com/cuda-toolkit
DGLDGL TeamDGL 2.2.1https://www.dgl.ai
MatplotlibMatplotlib Development TeamMatplotlib 3.9.0https://matplotlib.org
NumPyNumPy DevelopersNumPy 1.26.4https://numpy.org
PythonPython Software FoundationPython 3.10.13https://www.python.org
PyTorchMeta AIPyTorch 2.3.1https://pytorch.org
PyTorch GeometricPyG TeamPyG 2.5.3https://pytorch-geometric.readthedocs.io
SeabornSeaborn DevelopersSeaborn 0.13.2https://seaborn.pydata.org
TensorFlowGoogleTensorFlow 2.16.1https://www.tensorflow.org

Ссылки

  1. Yang S, et al. Near-field channel estimation for extremely large-scale reconfigurable intelligent surface (XL-RIS)-aided wideband mmWave systems. IEEE J Sel Areas Commun. 2024;42:1567-82.
  2. Ni H, et al. Energy-efficient near-field beamforming: A review on practical channel models. Energies. 2025;18:2966.
  3. Di Renzo M, et al. Smart radio environments empowered by reconfigurable intelligent surfaces: How it works, state of research, and the road ahead. IEEE J Sel Areas Commun. 2020;38:2450-525.
  4. Tang W, et al. Wireless communications with reconfigurable intelligent surface: Path loss modeling and experimental measurement. IEEE Trans Wirel Commun. 2021;20:421-39.
  5. Li R, et al. Joint design of hybrid beamforming and reflection coefficients in RIS-aided mmWave MIMO systems. IEEE Trans Commun. 2022;70:2404-16.
  6. Wei L, et al. Joint channel estimation and signal recovery for RIS-empowered multiuser communications. IEEE Trans Commun. 2022;70:4640-55.
  7. Yang S, et al. Separate channel estimation with hybrid RIS-aided multi-user communications. IEEE Trans Veh Technol. 2022;72(1):1318-24.
  8. Wei L, et al. Channel estimation for RIS-empowered multi-user MISO wireless communications. IEEE Trans Commun. 2021;69:4144-57.
  9. Huang C, et al. Multi-hop RIS-empowered terahertz communications: A DRL-based hybrid beamforming design. IEEE J Sel Areas Commun. 2021;39:1663-77.
  10. Fascista A, et al. RIS-aided joint localization and synchronization with a single-antenna receiver: Beamforming design and low-complexity estimation. IEEE J Sel Top Signal Process. 2022;16:1141-56.
  11. Huang C, et al. Reconfigurable intelligent surfaces for energy efficiency in wireless communication. IEEE Trans Wirel Commun. 2019;18:4157-70.
  12. Fan W, et al. Near-field channel characterization for mid-band ELAA systems: Sounding, parameter estimation, and modeling. arXiv. 2024;arXiv:2405.06159.
  13. Hasan SR, et al. A comprehensive review on reconfigurable intelligent surface for 6G communications: Overview, deployment, control mechanism, application, challenges, and opportunities. Wirel Pers Commun. 2024;139:375-429.
  14. Cui M, et al. Near-field MIMO communications for 6G: Fundamentals, challenges, potentials, and future directions. IEEE Commun Mag. 2023;61:40-6.
  15. Zhang H, Shlezinger N, Guidi F, Dardari D, Eldar YC. 6G wireless communications: From far-field beam steering to near-field beam focusing. IEEE Commun Mag. 2023;61(4):72-7.
  16. Ning B, et al. Beamforming technologies for ultra-massive MIMO in terahertz communications. IEEE Open J Commun Soc. 2023;4:614-58.
  17. Xu B, et al. Resource allocation for near-field communications: Fundamentals, tools, and outlooks. IEEE Wirel Commun. 2024;31:42-50.
  18. Devi P, Bharti MR, Gautam D. A survey on physical layer security for 5G/6G communications over different fading channels: Approaches, challenges, and future directions. Veh Commun. 2025;53:100891.
  19. Elzanaty A, et al. Near and far field model mismatch: Implications on 6G communications, localization, and sensing. IEEE Internet Things Mag. 2024;7:120-6.
  20. Liu Y, et al. Near-field communications: A tutorial review. IEEE Open J Commun Soc. 2023;4:1999-2049.
  21. Wang Z, Mu X, Liu Y. Near-field integrated sensing and communications. IEEE Commun Lett. 2023;27:2048-52.
  22. Dai L, Tan J, Chen Z, Poor HV. Delay-phase precoding for wideband THz massive MIMO. IEEE Trans Wirel Commun. 2022;21:7271-86.
  23. Zhang H, et al. Beam focusing for near-field multiuser MIMO communications. IEEE Trans Wirel Commun. 2022;21(9):7476-90.
  24. Lu H, Zeng Y. Near-field modeling and performance analysis for multi-user extremely large-scale MIMO communication. IEEE Commun Lett. 2022;26:277-81.
  25. Zhang J, Björnson E, Matthaiou M, Ng DWK, Larsson EG. Prospective multiple antenna technologies for beyond 5G. IEEE J Sel Areas Commun. 2020;38:1637-60.
  26. Liu Y, et al. Near-field communications: A comprehensive survey. IEEE Commun Surv Tutor. 2025;27:1687-728.
  27. Liu Y, et al. Near-field communications: What will be different? IEEE Wirel Commun. 2025;32:262-70.
  28. Gong T, et al. Holographic MIMO communications: Theoretical foundations, enabling technologies, and future directions. IEEE Commun Surv Tutor. 2024;26:196-257.
  29. Lu S, et al. Integrated sensing and communications: Recent advances and ten open challenges. IEEE Internet Things J. 2024;11:19094-120.
  30. Yan W, et al. Beamforming analysis and design for wideband THz reconfigurable intelligent surface communications. IEEE J Sel Areas Commun. 2023;41:2306-20.
  31. Hao W, et al. Ultra-wideband THz IRS communications: Applications, challenges, key techniques, and research opportunities. IEEE Netw. 2022;36:214-20.
  32. Sun H, et al. Time-delay unit-based beam squint mitigation for RIS-aided communications. IEEE Commun Lett. 2022;26:2220-4.
  33. Cui M, Dai L. Near-field wideband beamforming for extremely large antenna arrays. IEEE Trans Wirel Commun. 2024;23(10):13110-24.
  34. Wang Z, et al. TTD configurations for near-field beamforming: Parallel, serial, or hybrid? IEEE Trans Commun. 2024;72:3783-99.
  35. Xu J, et al. Near-field wideband extremely large-scale MIMO transmission with holographic metasurface antennas. arXiv. 2022;arXiv:2205.02533.
  36. Nordio A, et al. Near-field IRS configuration techniques for wideband signals and THz communications. In: Proc IEEE Int Conf Commun Workshops (ICC Workshops); 2023. p. 1198-203.
  37. Huang C, Zappone A, Alexandropoulos GC, Debbah M, Yuen C. Holographic MIMO surfaces for 6G wireless networks: Opportunities, challenges, and trends. IEEE Wirel Commun. 2020;27:118-25.
  38. Monemi M, et al. 6G Fresnel spot beamfocusing using large-scale metasurfaces: A distributed DRL-based approach. IEEE Trans Mob Comput. 2024;23:11670-84.
  39. Zhu F, et al. Robust beamforming for RIS-aided communications: Gradient-based manifold meta learning. IEEE Trans Wirel Commun. 2024;23(11):15945-56.
  40. Wang X, et al. Energy-efficient beamforming for RISs-aided communications: Gradient based meta learning. In: Proc IEEE Int Conf Commun (ICC); 2024. p. 1-6.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Перепечатки и разрешения

Больше статей

Оптимизация формирования лучаграфовые нейронные сетимеханизм вниманияплатформа глубокого обученияраспространение сферических волнчрезвычайно большие интеллектуальные метаповерхностиспектральная эффективностьэнергоэффективность
Связаться с нами
Порекомендовать библиотеке

Конфиденциальность

Условия использования

Политики

© 2026 MyJoVE Corporation. Все права защищены.