Altıncı Nesil Kablosuz Sistemlerde Yakın Alan Kanal Modelleme ve Hüzmeleme için Derin Öğrenme Tabanlı GNN-Attention Çerçevesi: Bir Simülasyon Çalışması

Özet

Bu çalışma, Aşırı Büyük Akıllı Metayüzeylerin kullanıldığı altıncı nesil kablosuz sistemlerde hüzmeleme ve yakın alan kanal modellemesi için fizik tabanlı bir derin öğrenme çerçevesini tanıtmaktadır. Geleneksel uzak alan haberleşme teknikleriyle karşılaştırıldığında, önerilen yöntem enerji verimliliğini, hüzmeleme kazancını ve spektrum verimliliğini artırmaktadır.

Özet

Altıncı nesil (6G) ağların ortaya çıkışı, ultra yüksek hızlar ve yüksek spektral verimlilik sağlamak amacıyla Aşırı Büyük Akıllı Metayüzeylerin (XL-IMS) geliştirilmesini tetiklemiştir. Buna rağmen, klasik uzak alan kanalları, küresel dalga yayılımı ve uzamsal durağanlık eksikliği nedeniyle yakın alan iletimi için uygun değildir; bu durum, hüzmeleme performansının düşmesine ve hesaplama karmaşıklığının artmasına yol açmaktadır. Bu nedenle, bu araştırmanın amacı, fizik tabanlı derin öğrenmeye dayalı bir yakın alan kanal modelleme ve hüzmeleme optimizasyonu yöntemi geliştirmektir. Önerilen çözüm, kullanıcılar ile küresel ağ arasındaki yerel uzamsal ilişkileri yakalamak için grafik sinir ağları (GNN'ler) ve dikkat mekanizmalarıyla birlikte fizik tabanlı bir küresel dalga kanal modeli kullanmaktadır. Ayrıca, yakın alan kullanıcıları üzerindeki enerji odaklama verimliliğini artırmak için öğrenme tabanlı bir hüzmeleme algoritması önerilmiştir. Önerilen çerçevenin performansı, DeepMIMO veri setinden alınan gerçekçi yayılım senaryoları kullanılarak değerlendirilmiştir. Simülasyon sonuçları; önerilen tekniğin 11,6 bps/Hz ulaşılabilir hız, 28 dB hüzmeleme kazancı, 10,5 bps/Hz spektral verimlilik, 9,8 bits/Joule enerji verimliliği ve 25 dB sinyal-gürültü-ve-girişim oranı (SINR) sağladığını göstermektedir. Sıfır Zorlama (ZF), Minimum Ortalama Kare Hata (MMSE), Yarı Tanımlı Gevşetme (SDR) ve Ardışık Optimizasyon (AO) gibi geleneksel tekniklerle karşılaştırıldığında, önerilen şema genel iletişim performansını yaklaşık %10-15 oranında artırmaktadır. Bu sonuçlar, yakın alan kanal modellemenin GNN tabanlı dikkat öğrenimi ile entegrasyonunun, XL-IMS teknolojisini kullanan gelecekteki 6G kablosuz ağlar için verimli ve doğru bir hüzmeleme tekniği olarak hizmet edebileceğini ortaya koymaktadır.

Giriş

Hüzmeleme (beamforming) konusuna olan ilgi son yıllarda büyük ölçüde artmıştır. Daha iyi bağlantı ve daha yüksek veri hızlarına yönelik artan taleple birlikte, 6G'nin tanıtılmasıyla beraber aşırı kapasite gereksinimleri yaygınlaşmıştır. Bu nedenle hüzmeleme, sinyalleri etkili bir şekilde yönlendirmek ve genel ağ performansını iyileştirmek için gelecek vadeden bir yöntemdir¹. Geleneksel kablosuz haberleşme sistemleri, uzamsal çeşitlilik için uzak alan uzamsal kaynaklarını etkili bir şekilde kullanmıştır. Gelecekteki kablosuz haberleşmeler için büyük potansiyel taşıyan ve yeni gelişen bir çalışma alanı ise yakın alan hüzmelemesidir².

Öte yandan, yeniden yapılandırılabilir akıllı yüzeyler (RIS), mmWave/THz spektrumu ile ilişkili bazı yayılım sorunlarının üstesinden gelebildikleri için özellikle ilgi çekicidir^3,4. RIS, gelen elektromanyetik dalgaları yansıtabilir, kırabilir ve yönlendirebilir⁵. Bu örnekte temel amaç, hüzmeyi istenen bir yöne veya şekle yönlendirmektir ve RIS, yayan kaynağın ışıma desenlerini değiştiren bir yapı olarak tanımlanabilir. Uzak alan RIS için kanal kestirimi, lokalizasyon, standartlaştırma ve pasif/aktif hüzmeleme dahil olmak üzere yıllar boyunca birçok temel konu çalışılmıştır^{6,7,8,9,10,11}. Bu teknoloji, özellikle 10 GHz aralığı gibi orta frekans bantlarında yol kaybı ile nüfuz etme arasında bir denge sağlayan hüzmeleri odaklayarak çok kullanıcılı iletişime olanak tanır¹². Haberleşme ağları dahilinde akıllı arayüzler daha da geliştirilmiş olup, günümüzde uzaysal çözünürlüğü ve iletişim bant genişliğini artırmak için üzerinde çalışılmaktadır¹³. 5G'den 6G'ye geçiş sürecindeki daha yüksek frekanslar ve daha büyük anten açıklıkları, geleneksel uzak alan iletişim senaryolarını yakın alan iletişim senaryolarına dönüştürmektedir^14,15.

Yakın alan bölgesi 6G ağlarında önemli olacak ve bu durum yeni yakın alan teknikleri üzerine araştırmaları gerekli kılacaktır¹⁶. Yakın alan teknolojisinde elektromanyetik dalga yayılımını iyileştirmek için dalgalar, düzlem dalgalar yerine küresel dalgalar olarak ele alınmalıdır. Bu yeni fiziksel karakteristik; uzaysal durağan olmama, hüzme ayrılması, üçlü polarizasyon ve evanesan dalgalar dahil olmak üzere çeşitli elektromanyetik etkiler sergiler¹⁷. Bu nedenle, birçok geleneksel iletişim yöntemi, bu yeni fiziksel karakteristiklerden tam olarak yararlanamayabilir veya 6G yakın alan ortamlarında ciddi performans kayıpları yaşayabilir¹⁸. Mevcut uzak alan iletişim teknolojileri ile yakın alan yayılım modelleri arasındaki tutarsızlık, mevcut uzak alan tekniklerinin yakın alan konumlardaki etkinliğini önemli ölçüde azaltabilir¹⁹. Geleneksel uzak alan dar bantlı sistemlerin aksine, yakın alan geniş bantlı RIS sistemlerinde yeni elektromanyetik (EM) etkiler dikkate alınmalıdır. Öncelikle, uzak alan kanal modellerindeki düz dalga varsayımının aksine, yakın alan spektrumundaki küresel dalga cephesi nedeniyle yakın alan kanalı iki açı ve mesafe boyutunu içerir. Bu durum, uzak alan hüzme yönlendirmesi yerine, yakın alan hüzme odaklama etkisine yol açar^20,21. "Hüzme ayrılması etkisi" ifadesi, farklı durumlarda üretilen hüzmelerin ayrı konumlarda odaklanma olasılığını ifade eder²².

Elektromanyetik (EM) dalga cephelerinin düzlemsel olarak yaklaştığı uzak alanın aksine, yakın alan haberleşmeleri küresel dalga cephesi yayılımının dikkate alınmasını gerektirir. Bu özellik, gelecekteki kablosuz ağlar için hem fırsatlar hem de zorluklar sunmaktadır. Küresel dalga cephelerinden yararlanılarak, hüzme odaklama sayesinde sinyaller belirli bir mekânsal bölgeye yoğunlaştırılabilir; bu da geleneksel uzak alan hüzme yönlendirmeye kıyasla geliştirilmiş girişim bastırma ve çok kullanıcılı haberleşme imkânı sağlar. Ancak bu durum, ek tasarım ve sinyal işleme karmaşıklıklarını da beraberinde getirir^23,24. Yakın alan haberleşmeleri üzerine yapılan ilk çalışmalar arasında, yakın ve uzak alan bölgeleri arasındaki farkları, temel kavramları, teknik zorlukları, uygulamaları ve kod defteri tabanlı kanal kestirimini ana hatlarıyla belirten ²⁵ numaralı çalışma yer almaktadır. Ardından yazar²⁶, hüzmeleme, kanal analizi, sistem performansı ve yeni nesil teknolojilerle entegrasyona odaklanarak, düzlemsel dalga cephesi tabanlı uzak alan ile küresel dalga cephesi tabanlı yakın alan iletimi arasındaki temel ayrımları incelemiştir. Ayrıca yazar²⁷, bu alanlardaki güncel gelişmeleri özetlerken; kanal modelleme, kestirim, hüzmeleme, donanım mimarisi ve algılama dahil olmak üzere yakın alan haberleşmelerindeki temel zorlukları araştırmıştır.

Son zamanlarda yapılan çalışmalar, gelişmekte olan 6G sistemleri için yakın alan kablosuz haberleşmeyi ve kanal modellemesini kapsamlı bir şekilde incelemiştir. Kapsamlı incelemeler; yakın alan haberleşme prensiplerini, holografik MIMO mimarilerini, kanal modelleme tekniklerini, sinyal işleme yöntemlerini ve entegre algılama ve haberleşme uygulamalarını değerlendirirken, aynı zamanda yakın alan ortamlarında kanal kestirimi ve sistem tasarımıyla ilgili temel zorlukları tanımlamıştır^28,29. RIS destekli mmWave/THz sistemlerindeki hüzme bölünmesi (beam-splitting) etkisini gidermek için, dağıtık RIS yerleşim stratejileri ve gerçek zaman gecikmesi (TTD) destekli RIS mimarileri dahil olmak üzere çeşitli çözümler önerilmiştir. Bu yaklaşımlar, frekans seçici hüzme kontrolünü iyileştirmekte ve hüzme bölünmesi kaynaklı bozulmaları azaltmaktadır; ancak, genellikle artan kurulum maliyetleri, daha yüksek donanım karmaşıklığı veya özel gecikme bileşenlerine bağımlılık gerektirmektedir ^30,31,32.

Hüzme odaklama ve uzamsal geniş bant bozulmasının birleşik etkileri nedeniyle, aşırı büyük açıklıklı dizi (ELAA) sistemlerinde hüzmeleme optimizasyonu önemli ölçüde dikkat çekmiştir. Mevcut çalışmalar, hüzmeleme kazancını artırmak ve çift geniş bant etkilerini azaltmak için faz-gecikme odaklama yöntemlerini, TTD tabanlı mimarileri ve holografik metasyüzey antenler için optimizasyon çerçevelerini araştırmıştır^33,34,35,36. Bununla birlikte, XL-IMS ile ilgili çalışmaların çoğu, aşırı büyük açıklıklar için yetersiz olan uzak alan düz dalga varsayımlarına dayanmaya devam etmektedir. Sonuç olarak; küresel dalga yayılımı, uzamsal durağan olmama, karşılıklı etkileşim ve mesafeye bağlı hüzme odaklama dahil olmak üzere önemli yakın alan özellikleri sıklıkla ihmal edilmektedir^37,38. Son zamanlarda, yapay zeka teknikleri, XL-IMS destekli 6G ağlarında yakın alan hüzmelemesi ve kanal optimizasyonu için gelecek vaat eden çözümler olarak ortaya çıkmıştır. Özellikle, meta-öğrenme tabanlı yöntemler, sınırlı eğitim verileriyle dinamik kablosuz koşullar altında güçlü bir adaptasyon ve hızlı yakınsama göstermiştir. Bu yaklaşımlar, akıllı yakın alan iletişim sistemleri ve gelecekteki otonom kablosuz ağ optimizasyonu için önemli bir potansiyel sunmaktadır^39,40.

Mevcut huzmeleme teknikleri, büyük ölçüde ultra devasa yapılardaki kritik yakın alan özelliklerini yakalayamayan basitleştirilmiş uzak alan kanal modellerine dayanmaktadır. Ayrıca, DeepMIMO gibi gerçekçi ortamlardaki veri kümesi odaklı değerlendirmeler sınırlı kalmıştır ve dinamik kullanıcı senaryoları için yakın alan kanal modellemesi ile huzmelemenin ortak optimizasyonu yeterince ilgi görmemiştir. Ek olarak, hesaplama ölçeklenebilirliği, pratik XL-IMS destekli 6G dağıtımları için temel bir zorluk olmaya devam etmektedir. Bu kısıtlamaları gidermek için bu çalışma, fizik tabanlı küresel dalga kanal modellemesini, yakın alan huzmeleme için GNN'ler ve dikkat mekanizmalarıyla birleştiren birleşik bir çerçeve önermektedir. Önerilen çerçeve; uzaysal durağan olmama durumunu, metasyüzey etkileşimlerini ve mesafeye bağlı yayılımı açıkça hesaba katmakta ve DeepMIMO veri kümesi kullanılarak doğrulanmaktadır.

Önerilen çerçeve, XL-IMS sistemleri için doğru yakın alan kanal temsili ve hüzmeleme optimizasyonunu sağlamak amacıyla fiziksel kanal modellemeyi derin öğrenme ile entegre eder. Küresel dalga yayılımını ve mekansal durağan olmama durumunu açıkça modelleyerek, bu çalışma enerji tahsisini, hüzmeleme kazancını ve girişim bastırmayı iyileştirirken hassas hüzme odaklamasını kolaylaştırır. Çerçeve ayrıca, yoğun iletişim ortamlarında adaptif hüzme yönlendirmesini mümkün kılmak için metasurface faz tepkilerinin eleman bazlı optimizasyonunu içerir. DeepMIMO veri setinden alınan gerçekçi yayılım senaryolarını kullanan önerilen yaklaşım; gelişmiş spektral verimlilik, hüzmeleme performansı ve hesaplama verimliliği sergileyerek, büyük ölçekli XL-IMS destekli 6G iletişim ağları için ölçeklenebilir bir çözüm sunmaktadır.

Protokol

XL-IMS destekli 6G sistemlerinde Yakın Alan Kanal Modelleme ve Hüzmeleme için önerilen çerçeve, geleneksel uzak alan yaklaşımlarının sınırlamalarını aşmak amacıyla fizik tabanlı modellemeyi makine öğrenimi optimizasyonu ile birleştirir. Küresel dalga yayılımını ve mekansal durağan olmayışı içeren bir yakın alan kanal modeli geliştirilmiş ve DeepMIMO veri seti kullanılarak doğrulanmıştır. Metayüzey elemanları ile kullanıcılar arasındaki mekansal bağımlılıkları yakalamak için kanal bilgisi bir grafik olarak temsil edilmiş ve yakın alan hüzme odaklama için hüzmeleme ağırlıklarını öğrenmek amacıyla uçtan uca bir GNN-attention ağı kullanılmıştır. Geleneksel iteratif optimizasyon yöntemlerinin aksine, öğrenme tabanlı çerçeve hüzmeleme çözümlerini doğrudan tahmin ederek, yüksek doğruluk ve dinamik kanal koşullarına adaptasyonu korurken hesaplama karmaşıklığını azaltır. Performans; ulaşılabilir hız, hüzmeleme kazancı ve enerji verimliliği açısından değerlendirilmiş ve geleneksel uzak alan hüzmeleme yöntemlerine kıyasla üstün sonuçlar ortaya koymuştur. Şekil 1 genel çerçeveyi göstermektedir.

Önerilen adımlar şunlardır:

Adım 1: DeepMIMO ortamını yapılandırın

DeepMIMO v3.x platformu, öncelikle 28 GHz taşıyıcı frekans ve 100 MHz bant genişliği kullanan O1 Outdoor kurulumu aracılığıyla yapılandırılır. Simülasyonda XL-IMS, λ/2 aralıklı 256 yansıtıcı elementten oluşan 16×16'lık düzgün düzlemsel bir dizi ile temsil edilir. Seçilen yayılım modeli, LoS ve NLoS yollarına sahip küresel bir dalgadır.

Adım 2: XL-IMS geometrisini ve kullanıcı konumlarını tanımlayın

XL-IMS'yi, 256 yeniden yapılandırılabilir yansıtıcı elementten oluşan 16×16 düzlemsel bir metasyüzey olarak tasarlayın. Kullanıcı terminal cihazları, Rayleigh mesafe kriterine dayanarak XL-IMS'den 0.5m ile 10m arasındaki yakın alan menziline rastgele dağıtılmıştır.

Adım 3: Küresel dalga yayılımı kullanarak yakın alan kanalları oluşturun

Mesafe kaynaklı faz varyasyonunu dikkate alan küresel dalga yayılımını kullanarak, her bir yeniden yapılandırılabilir metasurface elementi ile kullanıcı arasındaki kanalları modelleyin.

Adım 4: Yakın alan kanal verilerini oluşturun

Kullanıcı Terminalleri, XL-IMS panelinden itibaren yakın alan bölgesine (0.5-10 m) homojen olarak dağıtılmıştır. Kanalların oluşturulması için DeepMIMO O1 Dış Mekan Senaryosu tarafından üretilen hem LoS hem de NLoS yayılım yolları kullanılmıştır.

Adım 5: Veri setini eğitim ve test için hazırlama

Oluşturulan veri seti, 16.000'i (%80) eğitim ve 4.000'i (%20) test için kullanılan toplam 20.000 örnekten oluşmuştur.

Adım 6: Giriş özelliklerini normalize edin ve model girişlerini hazırlayın

Hazırlık sürecinin son aşaması, kanal genliği, faz, mesafe ve kullanıcı koordinatları gibi tüm girdi özelliklerine Min-Max ölçeklemesi uygulanmasını içeriyordu. Bu işlem verileri ölçeklendirerek GNN-attention ağına beslenen tensörlere dönüştürdü. Model, 0.001 öğrenme oranı ve 50 epoch ile Adam optimize edici kullanılarak optimize edildi.

Adım 7: Dikkat mekanizmasını uygulayın

Küresel graf bilgilerini dikkate almak ve graf düğümleri arasındaki uzun menzilli bağımlılıkları yakalamak için bir dikkat mekanizması ekleyin. Bu, modelin önemli uzamsal özelliklere odaklanmasına yardımcı olur.

Adım 8: Demetleme ağırlıklarını tahmin edin

GNN-dikkat gömmesi (GNN-attention embedding) kullanarak hüzmeleme ağırlıklarını ve faz kaydırma değerlerini tahmin edin. Karmaşık, zahmetli ve yinelemeli hüzmeleme prosedürlerinin yerini bu tahmin yöntemi alır.

Adım 9: Performans metriklerini değerlendirin

İletişimin ve hüzme şekillendirmenin ne kadar iyi çalıştığını değerlendirmek için ulaşılabilir hız, hüzme şekillendirme kazancı, spektrum verimliliği, enerji verimliliği ve SINR gibi KPI'ları hesaplayın.

Adım 10: Referans yöntemlerle karşılaştırın

Önerilen algoritmayı; ZF, MMSE, SDR ve AO dahil olmak üzere geleneksel algoritmalarla karşılaştırın.

Sistem model tanımı

Önerilen sistem, ayarlanabilir faz kaymaları aracılığıyla elektromanyetik dalga yayılımını kontrol eden 256 yeniden yapılandırılabilir yansıtıcı elemandan oluşan bir XL-IMS tarafından desteklenen bir 6G kablosuz ağı ele almaktadır. Kullanıcılar yakın alan bölgesinde çalıştığından, geleneksel uzak alan düzlem dalga varsayımı geçersiz hale gelmekte; bu durum küresel dalga yayılımının, mesafeye bağlı zayıflamanın ve mekansal durağan olmamanın dikkate alınmasını gerektirmektedir. Yakın ve uzak alan bölgeleri arasındaki sınır, metasurface boyutu ve taşıyıcı dalga boyuna bağlı olan Rayleigh mesafesi ile belirlenir ve küresel dalga cephesi etkilerinden düzlem dalga yayılımına geçişi işaret eder. Bu durum şu şekilde açıklanmaktadır:

 (1)

Burada, D metasurface boyutunu, λ dalga boyunu ve R ise Rayleigh mesafesini temsil eder. Kullanıcı, gerçek değerinden daha küçük bir R mesafesindeki bir konumda bulunduğunda, iletişim kanalında bir yakın alan fenomeni meydana gelir. Sinyal, farklı metasurface bileşenleri üzerinden geçerken belirgin faz ve genlik değişimlerine uğrar.

n-inci meta-yüzeyden kullanıcıya giden kanal, yakın alan yayılımı için küresel dalga modelini kullanır ve bu model aşağıdaki kanal katsayısı denklemi ile temsil edilir:

 (2)

Burada α yol kaybı parametresini, λ taşıyıcı dalga boyunu ve d_n ise kullanıcının bileşene olan uzaklığını ifade eder.

Bu durumda, β_n n^üncü XL-IMS elemanı için yol kaybı faktörüdür ve β_n = d_n^−α şeklinde ifade edilebilir; burada α yol kaybı üstelini temsil eder. d_n değerinin, kullanıcının konumundan n^üncü metasurface elemanına olan Öklid mesafesi olduğu unutulmamalıdır. Uzak alan kanallardaki durumun aksine, uzaya bağlı kanal değişimleri, çeşitli meta-yüzeyler arasındaki d_n değerlerindeki belirgin farklardan kaynaklanır. Genel olarak kanal vektörü şu şekilde açıklanabilir:

 (3)

Kullanıcı tarafından alınan giriş sinyali, XL-IMS sisteminin faz ayarına bağlıdır. Metayüzey kullanılarak gerçekleştirilen faz kaymasını temsil etmek için θ = [θ₁, θ₂, …., θ_N] ifadesini dikkate alın. Bu durumda, giriş sinyali şu şekilde ifade edilebilir:

 (4)

burada Φ = diag(e^jθ₁, ….., e^jθ_N) iletim yapılan sinyal, w temel kodlama ön kodlama vektörü ve n gürültüdür. Yakın alan kanal vektörü h ∈ ℂ^N×1, XL-IMS'nin diyagonal faz kaydırma matrisi Φ ∈ ℂ^N×N, hüzmeleme vektörü x ∈ ℂ^N×1 ve alınan sinyal y ∈ ℂ olarak tanımlanmıştır. Toplanabilir gürültü terimi n ∼ CN (0, σ²) olarak tanımlanır. Bu boyutlar, formülasyonun matematiksel doğruluğunu korur.

Bu durumda, ws, iletilen sembolü (s) ön kodlamak için kullanılan baz istasyonu ön kodlama vektörüdür. Performans kıyaslaması sırasında, ZF ve MMSE gibi yaygın dijital ön kodlama yaklaşımları, benzer yakın-alan kanal gerçekleşmeleri kullanılarak baz istasyonunda uygulanır. Ancak, yeni yaklaşım, GNN-attention öğrenme mekanizması aracılığıyla XL-IMS faz kaydırma matrisini (θ) optimize etmeyi amaçlamaktadır.

Yakın alan bölgesindeki enerjiyi yoğunlaştırmak için, kullanıcı için yapıcı girişimin gerçekleştiği bir θ tasarımı elde edilebilmelidir. Hüzmeleme stratejisi, spektral verimliliği veya alınan sinyal gücünü maksimize etmeyi amaçlar. Şekil 2, XL-IMS yaklaşımına dayalı yakın alan haberleşme sistemi modelinin mimarisini tanımlamaktadır.

Yakın alan kanal modelleme

Önerilen XL-IMS tabanlı 6G iletişim ağları yakın alan modeli, metasurface'e Rayleigh mesafesi yakınındaki yayılım koşullarını taklit etmek için özel olarak tasarlanmıştır. Düzlemsel dalgalar varsayan geleneksel uzak alan yayılım modellerinin aksine, yakın alan bölgesinde yayılım, metasurface boyunca değişen faz değerleri ve homojen olmayan uzaysal parametrelerle birlikte küreseldir. Mevcut çalışmada, hem metasurface elemanlarının hem de kullanıcı terminallerinin fiziksel konumlarını hesaba katan doğru bir kanal darbe yanıt matrisi tasarlamak için fizik tabanlı bir küresel dalga modeli kullanılmıştır.

Mesafe tabanlı kanal temsili

Her bir metasurface bileşeni ile kullanıcı arasındaki mesafe, yakın alan rejiminde kanal modelini oluştururken kritik bir faktördür. Kullanıcı konumları p_u ile n-inci XL-IMS bileşeni arasındaki uzunluk p_n şu şekilde verilmektedir:

 (5)

Bu değer, metasürfeyin oldukça geniş alanı nedeniyle yüzey boyunca önemli ölçüde farklılık göstermekte, bu da modelde hesaba katılması gereken eşitsiz yayılım sürelerine ve faz kaymalarına yol açmaktadır.

Küresel dalga kanal modeli

n. eleman ile kullanıcı arasındaki kanal katsayısı, mesafeye bağlı faz ve genlik değişimlerini yakalayan Denklem (2)'de açıklanan küresel dalga modeli kullanılarak belirlenir. Veri seti oluşturma ve model eğitimi için kanal katsayıları, gerçekçi çevresel yapılara dayalı olarak hem görüş hattı (LoS) hem de görüş hattı dışı (NLoS) çok yollu yayılımı içeren DeepMIMO ışın izleme çerçevesinden elde edilir. Yukarıdakilerden hareketle, Denklem (3)'te olduğu gibi tüm N meta-yüzey elemanı için kanal yanıtlarından kanal yanıt matrisi oluşturulabilir.

Yakın alan kanallarının uzamsal durağan olmayışı ve model önemi

Uzak alan kanallarının aksine, yakın alan kanalları, alınan sinyallerin metasurface boyunca değiştiği ve konuma bağlı ışın odaklamayı mümkün kılan uzamsal durağan olmama özelliği gösterir. Bu uzamsal bilgi, kanal yanıt matrisine gömülüdür ve GNN-attention modeli tarafından yakalanır. Ek Şekil 1, XL-IMS tabanlı 6G iletişim sistemi için önerilen yakın alan kanal modelleme çerçevesini ve derin öğrenme tabanlı ışın şekillendirme için gerçekçi kanal verilerinin oluşturulmasını göstermektedir.

Veri seti oluşturma

Veri üretimi; çevresel geometriyi, uzaysal tutarlılığı ve kullanıcı hareketliliğini içeren, gerçekçi ışın izleme tabanlı kanal simülasyonları sağlayan DeepMIMO çerçevesi kullanılarak gerçekleştirilmiştir. Birden fazla yakın alan kullanıcı konumu için kanal yanıtları, 28 GHz taşıyıcı frekansta ve 100 MHz bant genişliğinde O1 dış mekan senaryosu kullanılarak üretilmiştir. XL-IMS, 256 adet düzgün dağılımlı yansıtıcı elementten oluşmakta olup kullanıcı konumları, Rayleigh kriterine göre yakın alan bölgesi içinden seçilmiştir. Kanal katsayıları, yol kazançları ve uzaysal bilgiler DeepMIMO Python kütüphanesi kullanılarak çıkarılmıştır. Ek Tablo 1, simülasyon ve tekrarlanabilirlik parametrelerini özetlemektedir. Model, kanal durum özellikleri girdi ve fizik tabanlı optimize edilmiş huzmeleme ağırlıkları hedef etiketler olacak şekilde denetimli öğrenme ile eğitilmiştir.

Girdi özelliklerinin oluşturulması ve veri seti yapısı

Ardından, ham kanal verileri derin öğrenme modellerine girdi sağlamak amacıyla özelliklere dönüştürüldü. Bu özellikler, ayrı bileşenler olarak kanal yanıt genliklerini ve fazlarını içeriyordu. Problem gereksinimlerine bağlı olarak diğer giriş parametreleri de dahil edilebilirdi. Örneğin, kullanıcıların koordinatları, mesafeleri ve bazı uzamsal parametreler de özellik olarak değerlendirilebilirdi. Veri seti, %80 eğitim ve %20 test seti olacak şekilde ayrıldı.

Eğitim için veri setinin hazırlanması

Son adım, hazırlanan veri setinin normalize edilmesini ve eğitim için GNN-attention mimarisine giriş yapmaya uygun tensörlere dönüştürülmesini içeriyordu. Eğitim veri seti, kanal durumundan optimal hüzmeleme ağırlıklarına olan eşleşmeyi öğrenmek için kullanılırken, test veri seti modelin etkinliğini değerlendirmek için kullanıldı. İyi hazırlanmış olan bu veri seti, öğrenme sürecini daha kolay ve etkili hale getirdi. Ek Tablo 2, DeepMIMO'nun Veri Seti Açıklama Detaylarını göstermektedir.

Öznitelik temsili

Öznitelik temsilleme aşaması, karmaşık değerli yakın alan kanal verilerini derin öğrenmeye uygun bir formata dönüştürdü. Kanal tepkileri, öğrenme için temel yakın alan bilgilerini korurken mekânsal ve yayılım karakteristiklerini yakalayan özniteliklere ayrıştırıldı. Ek Şekil 2 bu süreçte kullanılan DeepMIMO veri setini göstermektedir. Yakın alan ortamından elde edilen kanal verileri karmaşık sayılar olarak temsil edilmiştir h_nkanal katsayılarının faz ve genlik bilgilerini temsil eden gerçek ve sanal bileşenleri ile. Makine öğrenimi algoritmalarında etkili bir şekilde kullanılabilmesi için katsayılar gerçek (Reh_n) ve sanal (Imh_n) parçaları. Veriler ayrıca büyüklük olarak da temsil edilebilir h_n ve katsayıların fazı ∠h_n.

Uzamsal özellik çıkarımı

Kanal katsayısına ek olarak, yakın alan ortamının geometrik doğasını hesaba katmak için uzamsal özellikler dahil edilmiştir. Buna, her bir metasurface elementinin alıcıya olan uzaklığı d_n ile birlikte alıcının koordinatları (x, y, z) dahildir. Bu sayede model, sinyal özelliklerinin verici-alıcı çiftinin uzamsal konumuna bağlı olabileceği gerçeğini, ki bu yakın alan yayılımı için önemli bir özelliktir, hesaba katmıştır.

Normalizasyon ve model girdi hazırlığı

Modele girişler verilmeden önce ön hazırlık adımı olarak, sayısal kararsızlığı önlemek ve yakınsamayı hızlandırmak için bir normalizasyon işlemi gerçekleştirilmiştir. Yapılandırılmış vektörler, (X_train, X_test) ile gösterilen eğitim ve test veri setlerine bölünmüştür. Bu şekilde, girişler daha sonra GNN ve dikkat modellerine sunulmuştur.

Ek Şekil 2'deki özellik temsiline dayanarak, bu veri setinde tüm metasurface elemanlarının karmaşık sinyal yanıtını belirten kanal katsayıları h_n dahil olmak üzere farklı türde özellikler kullanılmıştır. Bir diğer özellik, bu durumda yayılım etkilerini belirten mesafe d_n idi. Sanal ve gerçek bileşenler sinyalin sayısal bir tanımını sağlasa da, genlik ve faz kısımları sırasıyla sinyal gücünün ve faz kaymasının açık bir tanımını sunar. Kullanıcı konum koordinatları (x, y, z), modelin mekânsal farkındalığını artıran bir başka önemli özellikti.

Uzamsal bağımlılık modellemesi için GNN kullanan derin öğrenme tasarımı, küresel bağlam öğrenimi için hibrit bir dikkat mekanizmasıyla entegre edilmiştir

Bu öğrenme algoritması, GNN'ler ve bir dikkat mekanizması kullanarak, uzaysal ve yayılım karakteristiklerine sahip karmaşık yakın alan XL-IMS kanalını verimli bir şekilde eğitmek için geliştirilmiştir. Metayüzey elemanları birbirleriyle yüksek derecede ilişkili olduğundan ve yakın alan bölgesindeki etkileşimleri tekdüze olmadığından, kanalın uygun şekilde temsil edilmesi için tam bağlı bir ağ uygun değildir. Bu nedenle, bu yaklaşımda metayüzey, her bir elemanın bir düğüm ve aralarındaki etkileşimlerin kenarlar olarak görev yaptığı bir graf olarak temsil edilir. GNN, komşu düğümler arasındaki yerelleştirilmiş uzaysal bağımlılıkları yakalarken, dikkat mekanizması küresel bağımlılıkların öğrenilmesini geliştirmiştir.

XL-IMS'nin grafik temsili

XL-IMS, her bir köşe v_n ∈ V bir meta-yüzey elementini temsil ederken, kenarlar e_ij ∈ E elementler arasındaki uzaysal ilişkileri temsil eden bir graf G = (V, E) olarak oluşturulur. Her köşenin, öznitelik temsili aşaması aracılığıyla elde edilen bir öznitelik vektörü x_n vardır. Bitişiklik matrisi A, birbirine yakın olan veya belirli mesafe kısıtlamaları dahilindeki köşeler arasındaki bağlantısallığı yakalar. Bu tür bir graf formülasyonu, yakın alan yayılımında mevcut olan uzaysal bilgileri dahil etmek için kullanılır.

Tekrar üretilebilirliği sağlamak için grafik bağlantıları, k değeri 8 olarak belirlenmiş K-En Yakın Komşu (K-Nearest Neighbors) yaklaşımı kullanılarak belirlenir. p_i ve p_j, sırasıyla i. ve j. XL-IMS hücrelerinin konum vektörlerini temsil etsin. Herhangi iki köşe arasındaki mesafe, Öklid metriği aracılığıyla şu şekilde ölçülür: d_ij = ||p_i − p_j||². Eğer j köşesi, i köşesine en yakın sekiz komşu grubuna dahilse, i ve j köşeleri arasında bir kenar olacaktır. Bu nedenle, komşuluk matrisi şu kurala göre oluşturulur: j ∈ N_k(i) ise A_ij = 1 ve aksi takdirde A_ij = 0'dır.

Önerilen GNN'de, her düğüm için güncellemeler diğer komşu düğümlerden gelen bilgilere dayanarak hesaplanır. Özellikle, l katmanının yayılımı şu şekilde verilebilir:

 (6)

burada h_i^(l), l katmanındaki i düğümünün öznitelik vektörünü, N(i), i düğümünün komşuluğunu, W^(l) öğrenilebilir ağırlık matrisini ve σ(·) doğrusal olmayan bir aktivasyon fonksiyonunu simgeler.

GNN-attention modeli, gizli boyutları 128 olarak ayarlanan üç grafik konvolüsyonel katmandan oluşmuştur ve aktivasyon fonksiyonu olarak Doğrultulmuş Doğrusal Birim (ReLU) kullanılmıştır. Grafik oluşturma işlemi, k-en yakın komşu yöntemi (k=8) kullanılarak gerçekleştirilmiştir. Her bir XL-IMS özelliği bir düğüm görevi görürken, kenarlar komşu düğümler arasındaki Öklid mesafesine göre oluşturulmuştur. Küresel uzamsal bağımlılıkları çıkarmak için 4 başlıklı bir çok başlı öz-dikkat ağı kullandık. Aşırı öğrenmeyi önlemek için dropout olasılığı 0,3 olarak belirlenmiştir.

Dikkat mekanizması

Yerel komşuluk aralığının ötesinde mevcut olan uzun mesafeli bağımlılıkları modellemek için modele, şu şekilde çalışan bir dikkat (attention) mekanizması eklenmiştir:

 (7)

burada e_ij = LeakyReLU(a^T[Wh_i | Wh_j]), i ve j düğümlerinin önemini temsil eder. Bu model ile, düğümlere rollerine göre farklı önem seviyeleri atanabilir, böylece modelin metasurface genelindeki küresel bağlamı anlaması kolaylaşır. Hibrit çerçeve hem yerel hem de küresel uzaysal bilgileri yakalar ve öğrenilen öznitelikler, huzmeleme ağırlıklarını oluşturmak için tam bağlantılı katmanlar aracılığıyla işlenir. Ek Şekil 3 ve 4'te gösterildiği gibi, GNN yerel uzaysal bağımlılıkları mesaj iletimi ve öznitelik toplama yoluyla modellerken, dikkat mekanizması metasurface elemanları arasındaki küresel etkileşimleri yakalayarak etkili yakın alan huzmelemesine olanak tanır. Düğüm çiftlerinin alakasını nicelleştirmek için dikkat ağırlıkları hesaplanır ve daha bilgilendirici etkileşimlere daha yüksek önem atanır. Bu ağırlıklar kullanılarak her düğüm, diğer tüm düğümlerden bilgi toplar ve böylece modelin yerel komşulukların ötesindeki küresel bağımlılıkları yakalaması sağlanır. Ortaya çıkan ağırlıklı öznitelik füzyonu, daha az alakalı bilgileri bastırırken önemli uzaysal özellikleri vurgulayan optimize edilmiş bir öznitelik temsili oluşturarak etkili huzmeleme optimizasyonunu ve enerji odaklamayı destekler.

Hüzmeleme optimizasyonu

Hüzmeleme optimizasyon aşaması, enerjiyi yakın alan kullanıcılarına odaklamak için XL-IMS faz kaymalarını ve hüzmeleme ağırlıklarını belirlemiştir. Geleneksel uzak alan hüzme yönlendirmesinin aksine, yakın alan hüzmeleme enerjiyi belirli mekansal konumlarda yoğunlaştırır. Önerilen çerçevede, bir GNN-dikkat modeli, optimal hüzmeleme parametrelerini doğrudan kanal özelliklerinden öğrenerek yinelemeli optimizasyon yöntemlerinin karmaşıklığını azaltmıştır. Alınan kullanıcı sinyali Denklem (4)'te verilmiştir.

Eğitim verileri her kanal gerçekleştirimi için DeepMIMO'dan elde edilmiş ve ilgili XL-IMS faz kaymaları AO algoritması kullanılarak belirlenmiştir. Alınan sinyal gücünü maksimize ederek faz kaydırma vektörü θ'yi hesaplamak için yakın alan kanal matrisi h ve XL-IMS faz kaydırma matrisi kullanılmıştır:

 (8)

 (9)

AO optimize edici, 10⁻⁴ olan istenen yakınsama eşiğine ulaşana kadar 100 iterasyon boyunca çalıştırılmıştır. Optimize edilen bu değerler, GNN-attention modelimiz için eğitim etiketleri olarak kullanılmıştır. Amaç, etkili yakın alan ışın odaklama ve artırılmış alınan sinyal gücü için yapıcı girişim sağlamaktı. SDR veya AO gibi geleneksel optimizasyon yöntemleri yerine, problem öğrenme tabanlı bir yaklaşım kullanılarak çözülmüştür. Özellikle, ışın şekillendirme optimizasyon problemi, bir derin öğrenme modeli olan f_Θ(⋅) ile yaklaşıklanmıştır.

GNN-attention modelini eğitmek için, AO algoritması tarafından sağlanan optimal hüzmeleme faz kaydırma vektörlerinin eğitim hedefleri olarak kullanıldığı denetimli öğrenme yöntemi benimsenmiştir. Spesifik olarak, AO tarafından üretilen optimal faz kaydırma vektörünü θ_AO,i ve ağ tahminlerini olarak tanımlayalım. Ardından, eğitim kriteri şu şekilde formüle edilmiştir:

 (10)

burada N eğitim örneklerinin sayısıdır.

Algoritma 1: GNN-attention Modeli kullanılarak Yakın Alan Hüzmeleme, Ek Dosya 1'de sunulmuştur. Bu Algoritma'da ilk adım, gerçekçi kanal koşulları oluşturmak için sistem parametrelerinin ve DeepMIMO veri tabanının kurulmasıydı. Her örnek için yakın alan kanal özelliği küresel dalga modeli kullanılarak hesaplanmış ve ardından kanal katsayıları ve mekansal özellikler gibi önemli özellikler veri tabanından çıkarılmıştır. Çıkarılan özellikler yapılandırılmış bir forma dönüştürülmüş ve ardından metasyüzey elemanlarının düğümler olduğu bir grafik olarak temsil edilmiştir. Yerel mekansal bağımlılıkları yakalamak için GNN katmanları kullanılarak derin öğrenme modeli oluşturulmuş ve küresel bağımlılıkları öğrenmek için bir dikkat mekanizması eklenmiştir. Derin öğrenme çerçevesi, tahmin edilen faz kaymaları ile AO tarafından oluşturulan optimal faz kayması etiketleri arasındaki MSE kaybı kullanılarak denetimli öğrenme ile eğitilmiştir.

Bu uygulama Python ve PyTorch kullanılarak gerçekleştirilmiştir. DeepMIMO kanalı için örnekler, O1 dış ortam senaryosundan elde edilmiştir. Bu kanal katsayıları grafiklere dönüştürülmüş ve üç katmanlı ve çok kafalı dikkat (multihead attention) mekanizmasına sahip bir GNN kullanılarak işlenmiştir. Model, MSE kayıp fonksiyonu ile Adam optimize edici kullanılarak eğitilmiştir. Bu model, yakın alan kullanıcıları için hüzmeleme (beamforming) faz kaymaları ve ağırlıklar üretmiş; sonuçlar ise hız, verimlilik ve SINR açısından değerlendirilmiştir.

Sonuçlar

6G haberleşme ağları için XL-IMS'ye yönelik sunulan Yakın Alan Kanal Modelleme ve Hüzmeleme çerçevesinin performansı, gerçekçi yayılım ortamları ve mekânsal olarak tutarlı kanal verileri sunan DeepMIMO Veri Seti kullanılarak değerlendirilmektedir. Bu veri setini yapılandırmak için, meta-yüzeyin yakın alanındaki çeşitli kullanıcı konumlarını temsil eden birçok kanal örneği üretilmelidir. Spesifik olarak bu çalışma, farklı yayılım koşulları ve kullanıcı konumları altında toplanan 10.000–20.000'e kadar örnek kullanmaktadır. Bu kanal örneklerini %80 eğitim ve %20 test olacak şekilde ayırmak için 80:20 oranı kullanılmıştır. Bu bağlamda, test seti modelin genelleme yeteneğini değerlendirirken, eğitim seti öğrenme için temel oluşturmaktadır.

Deneysel sonuçlar, önerilen GNN-Attention çerçevesinin geleneksel uzak alan hüzmeleme ve optimizasyon tabanlı yöntemlerden daha iyi performans gösterdiğini kanıtlamaktadır. Küresel dalga kanal modellemesini derin öğrenme tabanlı uzamsal özellik çıkarımı ile birleştiren önerilen yaklaşım; daha yüksek hüzmeleme kazancı, spektral verimlilik ve enerji odaklama performansı sağlamaktadır. Performans; iletişim kapasitesini, sinyal odaklama etkinliğini ve güç tüketimine oranla veri iletim verimliliğini sırasıyla ölçen ulaşılabilir hız, hüzmeleme kazancı ve enerji verimliliği kullanılarak değerlendirilmektedir.

Önerilen yöntem; ZF ve MMSE dahil geleneksel hüzmeleme tekniklerinin yanı sıra SDR ve AO gibi optimizasyon tabanlı yöntemlerle karşılaştırılmıştır. Uzak alan yaklaşımları düzlem dalga varsayımlarıyla sınırlı olduğundan ve yakın alan XL-IMS ortamlarında düşük performans gösterdiğinden, optimizasyon yöntemleri genellikle yüksek hesaplama karmaşıklığına yol açar. Buna karşılık, GNN-attention çerçevesi, daha düşük hesaplama maliyetleri ile verimli hüzmeleme sağlar. Adil bir karşılaştırma için tüm yöntemler; aynı DeepMIMO tarafından oluşturulmuş yakın alan kanalları, XL-IMS konfigürasyonu, taşıyıcı frekansı, kullanıcı konumları, iletim gücü ve sinyal-gürültü oranı (SNR) koşulları kullanılarak değerlendirilmiştir. ZF ve MMSE'nin özdeş kanal durum bilgisine sahip olduğu varsayılırken; SDR ve AO, standart literatür tabanlı parametre ayarları kullanılarak aynı güç ve faz kayması kısıtları altında uygulanmıştır.

Yakın alan kanal modellemesinin doğrulanması

Şekil 3'te, önerilen graf sinir ağı-dikkat tabanlı hüzmeleme modelinin elde edilebilir hız performansı ile ZF, MMSE, SDR ve AO dahil olmak üzere karşılaştırma yöntemlerinin performansı kıyaslanmıştır. SNR 0'dan 30 dB'ye yükseldikçe, tüm yöntemler elde edilebilir hızlarda artış göstermektedir; ancak önerilen model, karşılaştırma yöntemlerinden tutarlı bir şekilde daha iyi performans sergilemektedir. Model, 0 dB'de 2.1 bps/Hz, 15 dB'de 7.8 bps/Hz ve 30 dB'de 11.6 bps/Hz değerlerine ulaşarak tüm SNR seviyelerinde ZF, MMSE, SDR ve AO performanslarını aşmaktadır. Tablo 1, elde edilebilir hızların SNR ile karşılaştırmasını sunmaktadır.

Şekil 4, önerilen GNN-attention tabanlı modelin hüzmeleme kazancını; ZF, MMSE, SDR ve AO dahil olmak üzere geleneksel yöntemlerle, yakın alan bölgesindeki kullanıcı mesafesinin bir fonksiyonu olarak karşılaştırmaktadır. Kullanıcı mesafesi arttıkça, artan yayılım yolu kaybı nedeniyle alınan hüzmelenmiş sinyal gücü azalmakta ve bu durum tüm yöntemlerde hüzmeleme kazancının düşmesiyle sonuçlanmaktadır. Buna rağmen, önerilen GNN-attention çerçevesi; 1 m'de yaklaşık 28 dB, 4 m'de 25 dB ve 7 m'de 22 dB değerlerine ulaşarak değerlendirilen tüm mesafelerde SDR, AO, MMSE ve ZF yöntemlerinden daha iyi performans göstermekte ve tutarlı bir şekilde en yüksek hüzmeleme kazancını sağlamaktadır. Bu sonuçlar, önerilen çerçevenin üstün yakın alan hüzme-odaklama yeteneğini ve kazanç koruma kapasitesini kanıtlayarak, mevcut yöntemlere kıyasla daha iyileştirilmiş bir hüzmeleme verimliliği sunmaktadır.

GNN-attention öğrenme çerçevesinin performansı

Şekil 5, önerilen GNN-attention hüzmeleme şemasının spektral verimliliğini; ZF, MMSE, SDR ve AO yöntemleriyle 0 ile 30 dB arasındaki SNR değerlerinde karşılaştırmaktadır. Spektral verimlilik tüm yöntemler için yüksek SNR ile artmasına rağmen, önerilen yaklaşım tutarlı bir şekilde en iyi performansı sergileyerek 0 dB'de 1.8 bps/Hz, 15 dB'de 6.8 bps/Hz ve 30 dB'de 10.5 bps/Hz değerlerine ulaşmış ve tüm kıyaslama yöntemlerini geride bırakmıştır. Şekil 6, önerilen GNN-attention hüzmeleme sisteminin enerji verimliliğini; ZF, MMSE, SDR ve AO ile değişen SNR koşulları altında karşılaştırmaktadır. Enerji verimliliği tüm yöntemler için artan SNR ile iyileşmektedir; ancak önerilen yaklaşım, 0 dB'de yaklaşık 2.5 bits/Joule, 15 dB'de 7.2 bits/Joule ve 30 dB'de 9.8 bits/Joule değerlerine ulaşarak tutarlı bir şekilde en yüksek performansı sergilemiş ve tüm kıyaslama tekniklerini geride bırakmıştır.

Veri setinin ve özellik temsilinin değerlendirilmesi

Şekil 7, önerilen GNN-dikkat modelinin eğitim epokları boyunca Ortalama Kare Hata (MSE) cinsinden yakınsama davranışını göstermektedir. MSE, eğitimin erken aşamalarında hızla azalarak 5. epoktaki yaklaşık 0,69 değerinden 20. epokta 0,22'ye düşmüş ve 35. epoka gelindiğinde yaklaşık 0,08'e kadar daha da azalmıştır. Model, 50. epoka kadar kademeli olarak yakınsayarak yaklaşık 0,04 değerinde bir MSE değerine ulaşmıştır; bu durum, eğitimin stabil olduğunu ve temel kanal karakteristiklerinin etkili bir şekilde öğrenildiğini göstermektedir.

Hüzmeleme optimizasyon sonuçları

Şekil 8, önerilen GNN-dikkat hüzmeleme yönteminin toplam veri hızı performansını; kullanıcı sayısının 2'den 12'ye artmasıyla ZF, MMSE, SDR ve AO ile karşılaştırmaktadır. Tüm yöntemler daha fazla kullanıcıyla daha yüksek toplam veri hızlarına ulaşsa da, önerilen yaklaşım; 2 kullanıcı için 12.5 bps/Hz, 6 kullanıcı için 31.6 bps/Hz ve 12 kullanıcı için 50.3 bps/Hz değerlerine ulaşarak farklı kullanıcı yoğunluklarında tüm kıyaslama yöntemlerinden daha iyi performans göstererek tutarlı bir şekilde en iyi sonucu vermektedir.

Tablo 2, önerilen GNN-attention ışınlama çerçevesinin çok kullanıcılı performansını ZF, MMSE, SDR ve AO ile karşılaştırmaktadır. Önerilen yöntem, en yüksek çok kullanıcı verimliliğine (%92,5), SINR değerine (24,8 dB) ve kapasite kazancına (50,3 bps/Hz) ulaşarak, kıyaslama yöntemlerine göre üstün ölçeklenebilirlik, girişim yönetimi ve kaynak tahsisi sergilemektedir. Şekil 9, SINR kümülatif dağılım fonksiyonlarının (CDF'ler) bir karşılaştırmasını sunmaktadır. Önerilen yaklaşım, kullanıcılar genelinde tutarlı olarak daha yüksek SINR değerlerine işaret eden sağa kaymış bir dağılım göstermektedir. Medyanda (50. yüzdelik dilim), SDR (23 dB), AO (22 dB), MMSE (20 dB) ve ZF'den (17 dB) daha iyi bir performans sergileyerek yaklaşık 25 dB'lik bir SINR değerine ulaşmaktadır. Önerilen modelin üstün SINR performansı, hem GNN'ler aracılığıyla yerel uzamsal bağımlılıkları hem de dikkat (attention) mekanizmaları aracılığıyla küresel etkileşimleri yakalama yeteneğinden kaynaklanmakta ve bu sayede etkili yakın alan ışınlamayı mümkün kılmaktadır. CDF sonuçları, geleneksel ZF, MMSE, SDR ve AO yöntemlerinden daha sağlam bir girişim yönetimi ve tutarlı olarak daha yüksek SINR değerleri olduğunu kanıtlamaktadır.

Tablo 3, beş bağımsız deneysel çalışmadan elde edilen ortalama performans, standart sapma ve %95 güven aralıklarını sunarak önerilen çerçevenin stabilitesini ve tekrarlanabilirliğini kanıtlamaktadır. Tablo 4, önerilen GNN-dikkat hüzmeleme şemasının hesaplama karmaşıklığını ve çıkarım süresini geleneksel yöntemlerle karşılaştırır. Eğitim sırasında hesaplama maliyeti temel olarak grafik mesaj iletimi ve dikkat mekanizması tarafından belirlenmekte olup O(E·L·F² + N²) değerinde bir karmaşıklıkla sonuçlanmaktadır. Bu eğitim yüküne rağmen, öğrenilmiş hüzmeleyici dağıtım sırasında yinelemeli optimizasyon ihtiyacını ortadan kaldırır. Önerilen model, SDR (85,4 ms), AO (63,7 ms), MMSE (15,6 ms) ve ZF (12,8 ms) değerlerinden önemli ölçüde daha düşük olan 4,9 ms'lik bir ortalama çıkarım süresine ulaşır. Ayrıca, ölçeklenebilirlik analizi, kullanıcı ve metasurface eleman sayısı arttıkça performansın stabil kaldığını göstererek, önerilen çerçevenin büyük ölçekli XL-IMS destekli 6G iletişim sistemleri için uygunluğunu vurgulamaktadır.

Ablasyon çalışması

Çerçevedeki bireysel bileşenlerin etkisi; GNN, Attention ve Fizik tabanlı Yakın Alan Kanal Modellemesi gibi bileşenlerin ya çıkarıldığı ya da değiştirildiği ablasyon analizi yoluyla değerlendirilebilir. Tam çerçeve her üç bileşeni de kapsarken, ablasyon modelleri şunlardan oluşur: (i) yalnızca GNN modeli, (ii) yalnızca Attention modeli ve (iii) fizik tabanlı küresel dalga modeli olmadan (uzak alan varsayımı). Performans değerlendirmesi; ulaşılabilir hız, hüzmeleme kazancı ve SINR gibi metrikler kullanılarak yapılır. Sonuçlar, genel sistem performansının bileşenlerden, özellikle de çıkarıldığında en büyük olumsuz etkiye sahip olan fizik tabanlı kanal modelinden önemli ölçüde etkilendiğini göstermektedir. Bu durum, yakın alan rejiminde kanalın doğru modellenmesinin önemini ortaya koymaktadır.

Tablo 5'teki ablasyon sonuçlarından, önerilen mimarinin her bir parçasının önemi doğrulanabilir. Yukarıdaki deney sonuçlarında gösterildiği üzere, tüm parçaları içeren model; 11,6 bps/Hz elde edilebilir hız, 28 dB hüzmeleme kazancı ve 25 dB SINR ile en iyi performansı sergilemiş ve böylece önerilen mimarinin iyi çalıştığını kanıtlamıştır. Dikkat mekanizması olmadan model sadece 10,2 bps/Hz hızına ulaşmış, bu da küresel sinyal bağlamının zayıfladığını göstermiştir. Ek olarak, GNN bileşeninin kaldırılması 9,8 bps/Hz ile düşük bir performansa yol açmış, bu da yakın alan haberleşmeleri için mekansal bağımlılıkların modellenmesinin gerekli olduğunu belirtmiştir. En büyük performans düşüşü, fizik tabanlı küresel dalga modeli ihmal edildiğinde gözlemlenmiş; 8,5 bps/Hz elde edilebilir hız ve 19,2 dB SINR değerlerine ulaşılmış, bu da yakın alan kanal modellemesinin aynı zamanda gerekli olduğunu ortaya koymuştur.

Özetle, deneysel sonuçlar, XL-IMS destekli 6G ağlarına uygulanmak üzere elektromanyetik dalgaların yakın alanına dayalı kanal ve hüzmeleme modelleri geliştirme şeklindeki araştırma hedeflerini doğrulamaktadır. GNN-attention mimarisi; ulaşılabilir hız, hüzmeleme kazancı, spektral verimlilik, enerji verimliliği ve SINR açısından ZF, MMSE, SDR ve AO yöntemleri gibi geleneksel yaklaşımlardan daha yüksek performans sergilemiştir. Ablasyon analizi, küresel dalgalar için fiziksel modellerin, grafik sinir ağlarının ve attention mekanizmasının kullanımının performansı artırmada oldukça değerli olduğunu göstermiştir.

Veri Kullanılabilirliği

Bu çalışma sırasında oluşturulan ve analiz edilen veri setleri ile destekleyici materyaller, https://doi.org/10.5281/zenodo.21037047 adresindeki Zenodo deposunda halka açık olarak sunulmaktadır. Simülasyon veri setleri; O1 dış ortam ışın izleme senaryosu, 28 GHz taşıyıcı frekans ve yakın alan XL-MIMO konfigürasyonu kullanılarak DeepMIMO Python Deposu ile oluşturulmuştur. DeepMIMO Python Deposu'na şu adresten ulaşılabilir: https://github.com/DeepMIMO/DeepMIMO-python.

Şekil 1: Önerilen çalışmanın genel mimarisi. Önerilen yakın alan kanal modelleme ve hüzmeleme yönteminin tüm işlem hattının şematik gösterimi. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Şekil 2: Sistem modelinin mimarisi. Şematik bir diyagram, yakın alan huzme odaklamalı XL-IMS tabanlı 6G iletişiminin sistem düzeyindeki mimarisini göstermektedir. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Şekil 3: Elde edilebilir hız ile SNR karşılaştırması sonucu. Önerilen ve mevcut yaklaşımlar için SNR'nin bir fonksiyonu olarak hız performansı. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Şekil 4: Mesafe ile hüzmeleme kazancı arasındaki ilişki. Yakın alan bölgesindeki kullanıcı mesafesinin bir fonksiyonu olarak farklı hüzmeleme yöntemleriyle elde edilen hüzmeleme kazancı; uzamsal sinyal odaklamanın etkinliğini ve artan mesafe ile kazancın korunumunu göstermektedir. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayınız.

Şekil 5: Spektral verimlilik ile SNR arasındaki ilişki sonucu. Çeşitli SNR değerlerindeki spektral verimlilik karşılaştırması. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayınız.

Şekil 6: Enerji verimliliği ile SNR arasındaki sonucun karşılaştırılması. Farklı SNR değerlerindeki enerji verimliliği performansı. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Şekil 7: MSE yakınsama sonucu. Eğitim sırasında MSE kaybının yakınsaması. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Şekil 8: Toplam veri hızı ile kullanıcı sayısı arasındaki ilişkinin sonucu. Kullanıcı sayısı arttıkça toplam veri hızı performansı. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Şekil 9: CDF ile SINR karşılaştırma sonucu. CDF grafikleriyle temel alınan SINR karşılaştırması. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Yöntem	Ortalama ulaşılabilir veri hızı (bps/Hz)	Performans düzeyi
Önerilen (GNN-dikkat)	7.36	*****
SDR	6.66	****
AO	6.5	****
MMSE (Mini Mental Durum Muayenesi)	6.03	***
Çinko Parmak	5.23	***

Tablo 1: Ulaşılabilir hızın karşılaştırılması. Önerilen ve mevcut tekniklerin performans hızını göstermektedir.

Yöntem	Çok kullanıcılı verimlilik (%)	Girişim yönetimi (SINR, dB)	Kapasite artışı (bps/Hz)
Önerilen (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 (Mini Mental Durum Muayenesi)	78.9 ± 1.3	19.2 ± 0.9	38.7 ± 1.2
Çinko Parmak	72.5 ± 1.5	17.0 ± 1.0	33.5 ± 1.4

Tablo 2: Ölçeklenebilirlik performansının deneysel sonucu. Çok kullanıcılı iletişim ortamlarındaki ölçeklenebilirlik performansını göstermektedir.

Metrik	Ortalama	Std Sapma	%95 GA
Erişilebilir hız	11.6 ± 0.21	0.21	[11.42,11.78]
Spektral verimlilik	10.5 ± 0.18	0.18	[10.34,10.66]
Enerji verimliliği	9.8 ± 0.15	0.15	[9.67,9.93]
SINR	25.0 ± 0.42	0.42	[24.63,25.37]

Tablo 3: İstatistiksel analiz. İstatistiksel analiz performansı; ortalama, standart sapma ve güven aralıkları kullanılarak değerlendirilir.

Yöntem	Eğitim karmaşıklığı	Çıkarım karmaşıklığı	Ortalama çıkarım süresi (ms)
ZF	Çevrilecek metin sağlanmamıştır. Lütfen çevirmek istediğiniz İngilizce kaynağı giriniz.	O(N)³)	12.8
MMSE (Mini Mental Durum Muayenesi)	Girdi sağlanmadı. Lütfen çevrilmesini istediğiniz metni giriniz.	O(N³)	15.6
SDR	Girdi sağlanmadı. Lütfen çevrilmesini istediğiniz metni giriniz.	O(N³·⁵)	85.4
AO	Sisteminize herhangi bir kaynak metin sağlanmamıştır. Lütfen çevrilmesini istediğiniz İngilizce metni iletiniz.	O(IN²)	63.7
Önerilen GNN-dikkat mekanizması	O(E·L·F² + N²)	O(E·L·F² + N²)	4.9

Tablo 4: Hesaplama karmaşıklığı ve ölçeklenebilirlik analizi. Önerilen çalışmanın Hesaplama Karmaşıklığı ve Ölçeklenebilirlik Analizini göstermektedir.

Model varyantı	Elde edilebilir hız (bps/Hz)	Hüzmeleme Kazancı (dB)	SINR (dB)	Spektral verimlilik (bps/Hz)
Önerilen tam model (GNN + dikkat + fizik tabanlı)	11.6 ± 0.2	28.0 ± 0.4	25.0 ± 0.3	10.5 ± 0.2
Dikkat mekanizması olmadan	10.2 ± 0.3	25.5 ± 0.5	22.8 ± 0.4	9.1 ± 0.3
GNN olmadan (yalnızca MLP)	9.8 ± 0.3	24.0 ± 0.6	21.5 ± 0.5	8.7 ± 0.3
Fizik tabanlı bir kanal modeli olmaksızın (Uzak alan varsayımı)	8.5 ± 0.4	21.0 ± 0.7	19.2 ± 0.6	7.4 ± 0.4

Tablo 5: Ablasyon çalışmasının sonucu. Tüm model bileşenlerinin ablasyon çalışmasını göstermektedir.

Ek Şekil 1. Yakın alan kanal modellemesi. Küresel dalga tabanlı yakın alan kanal modellemesinin ve matris oluşturmanın şematik gösterimi.Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Şekil 2. Değerlendirme için kullanılan DeepMIMO veri kümesi özellikleri. DeepMIMO veri kümesinden çıkarılan ve eğitim ile değerlendirme için model girişleri olarak kullanılan özellikler.Lütfen bu dosyayı indirmek için buraya tıklayın.

Ek Şekil 3. Uzamsal bağımlılık modellemesi için GNN. GNN'ler aracılığıyla uzamsal korelasyon modellemesi.Lütfen bu dosyayı indirmek için buraya tıklayın.

Ek Şekil 4. Global bağlam farkındalığı için dikkat mekanizması. Global bağlam bilgisini yakalamaya yönelik dikkat modülünün grafiksel gösterimi.Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Tablo 1. Simülasyon ortamı. Modellerin eğitimi ve testi için kullanılan simülasyon ayarlarını göstermektedir.Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Tablo 2. Veri seti açıklaması. Eğitim ve değerlendirmede kullanılacak DeepMIMO veri seti özelliklerini göstermektedir.Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Dosya 1: Önerilen GNN-dikkat tabanlı hüzmeleme çerçevesinin iş akışı.Algoritma; veri seti oluşturma, graf oluşturma, model eğitimi, hüzmeleme optimizasyonu ve performans değerlendirme adımlarını özetlemektedir.Bu dosyayı indirmek için lütfen buraya tıklayın.

Tartışma

Önerilen algoritma, yakın alan küresel dalga yayılımını modellemek için doğrusal olmayan ön kodlama kullanarak ZF, MMSE, SDR ve AO gibi doğrusal ön kodlama tabanlı algoritmalardan daha iyi bir hüzme odaklaması sağlar. SDR ve AO algoritmalarından elde edilen sonuçlar optimuma yakın olsa da, önerilen GNN-dikkat ağı, 6G ağlarında XL-IMS'nin gelecekteki dağıtımı için kritik olan çok daha düşük bir hesaplama maliyetiyle daha iyi performans sergilemektedir ^21,26,27.

Yukarıda belirtildiği üzere, bu argümanı kantitatif bir bakış açısıyla ampirik olarak doğrulamak için bir karmaşıklık analizi yapılmış ve sonuçlar Tablo 4'te sunulmuştur. Önerilen GNN-attention mimarisi, eğitim süreci açısından O(E · d + N² · d) hesaplama karmaşıklığına sahiptir; burada E graf kenarlarını, N metasyüzey elementlerini ve d gizli özelliğin boyutunu temsil etmektedir. En önemlisi, çıkarım sırasında öğrenme çerçevesi kullanıldığında, hüzmeleme ağırlıkları O(N · d) karmaşıklığında tek bir geçişle hesaplanabilirken; SDR ve AO, her kanal gerçekleştirimi için iteratif optimizasyonlara ihtiyaç duymaktadır.

Başarıya ulaşmak için doğru şekilde gerçekleştirilmesi gereken önemli bir aşama, küresel dalga yayılımı ilkelerine dayalı yakın alan kanal modellerinin oluşturulmasıdır. Kullanıcı konum verilerinin yanlış kullanımı ve hatalı kanal karakteristiği oluşturulması, öznitelik çıkarma sürecini ve hüzmeleme sonuçlarını olumsuz etkileyecektir. Grafik oluşturma bir diğer temel bileşendir; çünkü yetersiz düğüm bağlantısı, GNN'nin uzamsal ilişkileri tanımlama yeteneğini engeller. Ağın sadece birkaç yayılım koşulunda eğitilmesi durumunda ortaya çıkabilecek bir diğer sorun ise aşırı öğrenmedir (overfitting) ve bu durum, yeni kullanıcı konumlarındaki genelleme performansını etkiler.

Potansiyel sorunları gidermek için çeşitli önlemler almak mümkündür. Sinir ağı yakınsaması zayıf olduğunda, bu sorunu çözmek için öğrenme hızı azalımı ve düzenleme (regularization) kullanılabilir. Özelliklerin normalleştirilmesi ve grafiğin seyreltilmesi, eğitim sırasındaki kararsızlıkları önleyebilir. Demetleme kazancında beklenmedik bir düşüş meydana gelirse, algoritmanın daha fazla veri noktasıyla yeniden eğitilmesi sorunu çözebilir.

Derin öğrenmenin bir başka avantajı, mevcut optimizasyon yöntemleri için zorlayıcı olan kanal koşullarındaki varyasyonlara dinamik olarak uyum sağlama yeteneğidir. Bu durum, çalışma süresini minimize ederek hüzme oluşturucu algoritmanın verimliliğini artırır ve dinamik kanal ortamlarında algoritmayı daha dayanıklı hale getirir^16,18,20.

Önerilen model, fiziksel kanal modellemesini graf tabanlı derin öğrenme yöntemleriyle birleştirdiği için yakın alan iletişimi teorisi açısından devrim niteliğinde kabul edilmektedir. Elektromanyetik etkileri hesaba katmak için küresel dalgaların dahil edilmesi model doğruluğunu artırmaktadır; ayrıca, GNN'lerin ve dikkat mekanizmalarının kullanımı, metasurface elemanları arasındaki matematiksel bağımlılıkların tanımlanmasına olanak tanımaktadır. Makine öğreniminin elektromanyetik prensiplerle birleşimi, böylece akıllı kablosuz ortamlar oluşturmak için yeni bir teorik çerçevenin ortaya çıkmasını sağlamaktadır^21,27,28.

Uygulamalı bir perspektiften bakıldığında, geliştirilen yaklaşım XL-IMS'nin pratik 6G ağ dağıtımlarına uygulanabilirliğini önemli ölçüde artırmaktadır. Bir optimizasyon sürecinin yokluğundan kaynaklanan hesaplama yükündeki azalma, aşırı düşük gecikmeli servisler için temel teşkil eden gerçek zamanlı hüzmeleme kararlarına olanak tanır. Ek olarak, önerilen model hem spektral hem de enerji verimliliği sergilemekte olup bu durum teknolojiyi yoğun şehirler, Nesnelerin İnterneti ve yüksek hareketliliğe sahip kullanıcılar için uygulanabilir kılmaktadır.

Önerilen metodolojinin birçok güçlü yönü olsa da, sistemin bazı zayıf yönleri de bulunmaktadır. DeepMIMO, ışın izleme yoluyla gerçekçi yayılım senaryoları sunsa da hala bir simülasyon çerçevesidir ve her zaman dikkate alınması gereken bazı çevresel değişiklikler, bilinmeyen saçılıcılar, zamansal kanal etkileri, hava durumu etkileri ve donanım kalibrasyon etkileri olacağından, gerçek yaşamdaki kablosuz yayılım davranışı ile simüle edilenler arasında bazı tutarsızlıklar olacaktır. Bu nedenle, sonuçları bir üst sınır tahmini olarak değerlendirmek gerekir^26,38. Mevcut model, verici ve alıcı için mükemmel bileşenler varsaymaktadır. Gerçek sistemlerde, osilatörlerdeki faz gürültüsü, amplifikatör distorsiyonu, senkronizasyon hataları, analog-dijital dönüştürücülerden kaynaklanan kuantalama gürültüsü ve hatalı kanal kestirimi, performans düşüklüğüne yol açabilir. Bu sorunlar hizalamayı etkileyebilir ve sistemin veri hızını düşürebilir.

XL-IMS destekli yakın alan haberleşmesinin geniş ölçekte uygulanabilmesi için hala ele alınması gereken çeşitli kurulum sorunları bulunmaktadır. Bu sorunlar arasında büyük metasurface'ler için gerçek zamanlı kanal kestirimi, birkaç bin anten için hesaplama ölçeklenebilirliği, dağıtık bir ağda senkronizasyon, ekipman maliyetleri, güç gereksinimleri ve mevcut 6G sistemleriyle entegrasyon yer almaktadır. Gelecekteki araştırmalar, hafif öğrenme modellerinin ve hüzmeleme (beamforming) yöntemlerinin araştırılmasına odaklanmalıdır.

Bu çalışma, 6G haberleşmeleri bağlamında XL-IMS için öncü bir Yakın-Alan Kanal Modelleme ve Hüzmeleme mimarisi sunmaktadır. Yenilik, doğru yakın-alan kanal temsili ve optimal hüzmeleme kazançları elde etmek için fizik tabanlı küresel dalga kanal modellemesini, Graf Sinir Ağları ve dikkat mekanizmaları ile birleştirmektedir. Sistem; yakın-alan kanal modellemesini, DeepMIMO destekli veri seti tasarımını, öznitelik temsilini, uzamsal bağımlılık modellemesini ve hüzmeleme optimizasyonunu kapsamaktadır. Deneysel değerlendirmeler; ulaşılabilir hız, hüzmeleme kazancı, spektral verimlilik, enerji verimliliği ve SINR açısından ZF, MMSE, SDR ve AO gibi diğer güncel yaklaşımlardan daha iyi sonuçlar göstermiştir. Ayrıca, ablasyon çalışması sistemin her bir bileşeninin etkinliğini kanıtlamıştır.

Malzemeler

Bu makalede kullanılan malzemelerin listesi

Ad	Şirket	Katalog numarası	Yorumlar
CUDA Araç Seti	NVIDIA	CUDA 12.4	https://developer.nvidia.com/cuda-toolkit
DGL	DGL Ekibi	DGL 2.2.1	https://www.dgl.ai
Matplotlib	Matplotlib Geliştirme Ekibi	Matplotlib 3.9.0	https://matplotlib.org
NumPy	NumPy Geliştiricileri	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 Ekibi	PyG 2.5.3	https://pytorch-geometric.readthedocs.io
Seaborn	Seaborn Geliştiricileri	Seaborn 0.13.2	https://seaborn.pydata.org
TensorFlow	Google	TensorFlow 2.16.1	https://www.tensorflow.org