Araştırma makalesi

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

28 görüntülenme

⸱

DOI:

10.3791/72011

⸱

1 Eylül 2026

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

Bu makalede

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 çekicidir3,4. 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 çalışılmıştır6,7,8,9,10,11. 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 dönüştürmektedir14,15.

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 açar20,21. "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 getirir23,24. 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 tanımlamıştır28,29. 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 araştırmıştır33,34,35,36. 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 edilmektedir37,38. 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 sunmaktadır39,40.

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 için fizik tabanlı modellemeyi makine öğrenimi optimizasyonu ile birleştirir. Küresel dalga yayılımı ve mekânsal durağan olmama durumunu içeren bir yakın alan kanal modeli geliştirilmiş ve DeepMIMO veri kümesi kullanılarak doğrulanmıştır. Kanal bilgileri, metasurface elemanları ve kullanıcılar arasındaki mekânsal bağımlılıkları yakalamak için bir graf 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 hesaplama karmaşıklığını azaltırken yüksek doğruluk ve dinamik kanal koşullarına adaptasyon yeteneğini korur. Performans; elde edilebilir hız, hüzmeleme kazancı ve enerji verimliliği açısından değerlendirilmiş ve geleneksel uzak alan hüzmeleme yöntemlerine kıyasla üstün sonuçlar ortaya konulmuştur. 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 bir düzgün düzlemsel dizi ile temsil edilir. Seçilen yayılım modeli, LoS ve NLoS yollarına sahip küresel bir dalgadır.

Adım 2: XL-IMS geometrisini ve kullanıcı konumlarını tanımlama

XL-IMS'yi, 256 adet yeniden yapılandırılabilir yansıtıcı elementten oluşan 16×16 düzlemsel bir metasurface olarak tasarlayın. Kullanıcı terminal cihazları, Rayleigh mesafe kriterine göre, XL-IMS'den 0.5m ila 10m arasındaki yakın alan menzili içine rastgele dağıtılmıştır.

Adım 3: Küresel dalga yayılımı kullanarak yakın alan kanalları oluşturma

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

Adım 4: Yakın alan kanal verilerini oluşturma

Kullanıcı Terminalleri, XL-IMS panelinden yaklaşık alan bölgesi (0.5-10 m) içinde düzgün olarak dağıtılmıştır. Kanalları oluşturmak için DeepMIMO O1 Dış Mekan Senaryosu tarafından üretilen hem LoS hem de NLoS yayılım yolları kullanılmıştır.

Adım 5: Eğitim ve test veri setini hazırlama

Oluşturulan veri seti 20.000 örnekten oluşmuş olup, bunların 16.000'i (%80) eğitim ve 4.000'i (%20) test için kullanılmıştır.

Adım 6: Giriş özelliklerini normalize edin ve model girişlerini hazırlayın

Hazırlık sürecinin son aşaması, kanal genliği, faz, mesafe ve kullanıcı koordinatları gibi tüm giriş özelliklerine Min-Max ölçeklendirmesi uygulanmasını içeriyordu. Bu işlem verileri ölçeklendirdi ve 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 grafik bilgisini değerlendirmek ve grafik düğümleri arasındaki uzun menzilli bağımlılıkları yakalamak için bir dikkat mekanizması ekleyin. Bu, modelin önemli uzamsal özelliklere odaklanmasına yardımcı olur.

Adım 8: Hüzmeleme ağırlıklarını tahmin etme

GNN-attention gömme yöntemi kullanılarak hüzmeleme ağırlıkları ve faz kayması değerlerini tahmin edin. Karmaşık, zahmetli ve yinelemeli hüzmeleme prosedürlerinin yerini bu tahmin yöntemi alır.

Adım 9: Performans metriklerini değerlendirin

İletişimin ve hüzme oluşturmanın ne kadar iyi çalıştığını değerlendirmek için, elde edilebilir hız, hüzme oluşturma kazancı, spektrum verimliliği, enerji verimliliği ve SINR gibi KPI'ları hesaplayın.

Adım 10: Karşılaştırmalı yöntemlerle kıyaslayın

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 ağıyı ele almaktadır. Kullanıcılar yakın alan bölgesinde çalıştığından, geleneksel uzak alan düzlemsel 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 boyutuna ve taşıyıcı dalga boyuna bağlı olan ve küresel dalga cephesi etkilerinden düzlemsel dalga yayılımına geçişi belirleyen Rayleigh mesafesi ile belirlenir. Bu durum şu şekilde açıklanmaktadır:

Çözünürlük denklemi R=2D²/λ, difraksiyon analizi ile ilgili optik formülü. (1)

Burada D metasurface boyutunu, λ dalga boyunu ve R Rayleigh mesafesini temsil eder. Bir kullanıcı, gerçek değerinden daha yakın bir R konumunda olduğunda, iletişim kanalında yakın alan fenomeni meydana gelir. Sinyal farklı metasurface bileşenleri üzerinden ilerledikçe, belirgin faz ve genlik varyasyonlarına uğrar.

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

Sinyal zayıflama formülü, \(h_n = \frac{\alpha}{d_n} e^{-j\frac{2\pi}{\lambda}d_n}\), denklem. (2)

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

Bu durumda, βn, nüncü XL-IMS elemanı için yol kaybı faktörüdür ve βn = dn−α şeklinde ifade edilebilir; burada α, yol kaybı üstünü temsil eder. dn'nin, kullanıcının konumundan nüncü metasurface elemanına olan Öklid mesafesi olduğu belirtilmelidir. Uzak alan kanallarının aksine, uzaya bağlı kanal değişimleri, farklı meta-yüzeyler arasındaki dn değerlerindeki belirgin farklardan kaynaklanır. Genel olarak, kanal vektörü şu şekilde açıklanabilir:

Lineer cebir çalışmalarında kullanılan matris gösterimi formülü \( h = [h_1, h_2, ..., h_N]^T \). (3)

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

Sinyal işleme denklemi: y=h^HΦws+n. Algoritma analizi için matematiksel formül. (4)

burada Φ = diag(ejθ1, ….., ejθN) iletimli sinyal, w temel kodlama ön kodlama vektörü ve n ise gürültüyü temsil eder. Yakın alan kanal vektörü h ∈ ℂN×1, XL-IMS'nin diyagonal faz kaydırma matrisi Φ ∈ ℂN×N, huzmeleme vektörü x ∈ ℂN×1 ve alınan sinyal y ∈ ℂ olarak tanımlanır. Toplanabilir gürültü terimi n ∼ CN (0, σ2) şeklinde tanımlanmıştır. 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 gerçekleştirmeleri kullanılarak baz istasyonunda uygulanır. Ancak, yeni yaklaşım, GNN-dikkat öğrenme mekanizması aracılığıyla XL-IMS faz kaydırma matrisini (θ) optimize etmeyi amaçlamaktadır.

Enerjiyi yakın alan bölgesinde yoğunlaştırmak için, kullanıcı için yapıcı girişimin meydana geldiği bir θ tasarımı elde edilebilir olmalıdır. Hüzmeleme stratejisi, spektral verimliliği veya alınan sinyal gücünü maksimize etmeyi amaçlar. Şekil 2, XL-IMS yaklaşımına dayalı yakın alan iletişim sistemi modelinin mimarisini açıklamaktadır.

Yakın alan kanal modellemesi

Önerilen XL-IMS tabanlı 6G haberleşme ağları yakın alan modeli, özellikle metasurface'in Rayleigh mesafesine yakın yayılım koşullarını taklit etmek için tasarlanmıştır. Planar dalgalar varsayan geleneksel uzak alan yayılım modellerinin aksine, yakın alan bölgesinde yayılım; metasurface boyunca değişen faz değerleri ve homojen olmayan uzaysal parametreler ile küreseldir. Mevcut çalışmada, hem metasurface elemanlarının hem de kullanıcı terminallerinin fiziksel konumlarını hesaba katan doğru bir kanal impuls yanıt matrisi tasarlamak için fizik tabanlı bir küresel dalga modeli kullanılmıştır.

Mesafeye dayalı kanal temsili

Her bir metasurface bileşeni ile kullanıcı arasındaki mesafe, yakın alan rejiminde kanal modelinin oluşturulmasında kritik bir faktördür. Kullanıcı konumları pu ile n. XL-IMS bileşeni arasındaki pn uzunluğu şu şekilde verilmiştir:

Statik denge denklemi: dn=|pn−pu|; yapısal analiz için süreç diyagramı. (5)

Bu değer, metasurface'in oldukça geniş alanı nedeniyle yüzey boyunca önemli ölçüde farklılık göstermekte; bu durum, modelde dikkate alınması 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, tüm N meta-yüzey elemanına ait kanal yanıtlarından, Denklem (3)'te olduğu gibi kanal yanıt matrisi oluşturulabilir.

Yakın alan kanallarının uzamsal durağan olmaması ve model önemi

Uzak alan kanallarının aksine, yakın alan kanalları, alınan sinyallerin metasurface boyunca farklılık gösterdiği ve konuma bağlı ışın odaklamayı mümkün kılan uzamsal durağan olmayan bir yapı sergiler. Bu uzamsal bilgi, kanal yanıt matrisine gömülüdür ve GNN-attention modeli tarafından yakalanır. Ek Şekil 1, XL-IMS tabanlı 6G haberleşme sistemi için önerilen yakın alan kanal modelleme çerçevesini ve derin öğrenme tabanlı ışın oluşturma için gerçekçi kanal verilerinin üretimini göstermektedir.

Veri seti oluşturma

Veri üretimi, çevresel geometriyi, uzaysal tutarlılığı ve kullanıcı hareketliliğini kapsayan gerçekçi ışın izleme tabanlı kanal simülasyonları sağlayan DeepMIMO çerçevesi kullanılarak gerçekleştirilmiştir. Birden fazla yakın alan kullanıcı konumu için kanal yanıtları, 28 GHz taşıyıcı frekans ve 100 MHz bant genişliğinde, O1 dış mekan senaryosu kullanılarak üretilmiştir. XL-IMS, düzgün olarak dağıtılmış 256 yansıtıcı elementten oluşmaktadır ve kullanıcı konumları, Rayleigh kriterine göre yakın alan bölgesi içerisinden seçilmiştir. Kanal katsayıları, yol kazançları ve uzaysal bilgiler DeepMIMO Python kütüphanesi kullanılarak çıkarılmıştır. Ek Tablo 1, simülasyon ve tekrarlanabilirlik parametrelerini özetlemektedir. Model, girişler olarak kanal durumu özellikleri ve hedef etiketler olarak fizik tabanlı optimize edilmiş hüzmeleme ağırlıkları kullanılarak denetimli öğrenme ile eğitilmiştir.

Girdi özelliklerinin oluşturulması ve veri seti yapısı

Ardından, ham kanal verileri derin öğrenme modellerine girdi sağlamak üzere özniteliklere dönüştürüldü. Bu öznitelikler, ayrı bileşenler olarak kanal yanıt genliklerini ve fazlarını içeriyordu. Problem gereksinimlerine bağlı olarak diğer girdi parametreleri de dahil edilebilirdi. Örneğin; kullanıcıların koordinatları, mesafeleri ve bazı mekânsal parametreler de öznitelik olarak değerlendirilebilirdi. Veri seti, 80:20 oranında eğitim ve test setlerine ayrıldı.

Eğitim için veri setinin hazırlanması

Son adım, hazırlanan veri setinin normalize edilmesini ve eğitim için GNN-attention mimarisine girdi olarak uygun tensörlere dönüştürülmesini içeriyordu. Eğitim veri seti, kanal durumundan optimal hüzmeleme ağırlıklarına giden eşlemeyi öğrenmek için kullanılırken, test veri seti modelin etkinliğini değerlendirmek için kullanıldı. İyi hazırlanmış 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 dönüştürmüştür. Kanal yanıtları, öğrenme için temel yakın alan bilgilerini korurken aynı zamanda mekânsal ve yayılım karakteristiklerini yakalayan özniteliklere ayrıştırılmıştır. Ek Şekil 2 bu süreçte kullanılan DeepMIMO veri setini göstermektedir. Yakın alan ortamından elde edilen kanal verileri karmaşık sayılar olarak temsil edilmiştir hnkanal katsayılarının faz ve genlik bilgilerini temsil eden reel ve imajiner bileşenlerle birlikte. Makine öğrenimi algoritmalarında etkili bir şekilde kullanılabilmesi için katsayılar; reel (Rehn) ve sanal (Imhn) parçalar. Veriler ayrıca büyüklük olarak da temsil edilebilir hn ve katsayıların fazı ∠hn.

Uzamsal özellik çıkarımı

Kanal katsayısına ek olarak, yakın alan ortamının geometrik doğasını hesaba katmak için uzaysal özellikler dahil edilmiştir. Bu özellikler, her bir metasurface elemanının alıcıya olan uzaklığı dn ile birlikte alıcının koordinatlarını (x, y, z) kapsamaktadır. Böylece model, sinyal özelliklerinin verici-alıcı çiftinin uzaysal konumuna bağlı olabileceği gerçeğini, ki bu yakın alan yayılımı için önemli bir özelliktir, hesaba katmıştır.

Normalizasyon ve model girdi hazırlığı

Modele girdiler sağlanmadan önce ön bir adım olarak, sayısal kararsızlığı önlemek ve yakınsamayı hızlandırmak amacıyla bir normalizasyon işlemi gerçekleştirilmiştir. Yapılandırılmış vektörler, (Xtrain, Xtest) ile belirtilen eğitim ve test veri setlerine ayrılmıştır. Böylece girdiler, GNN ve dikkat modellerine sunulmuştur.

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

Mekansal bağımlılık modellemesi için GNN kullanan derin öğrenme tasarımı, küresel bağlam öğrenimi için hibrit bir dikkat mekanizması ile entegre edilmiştir

Bu öğrenme algoritması, GNN'ler ve bir dikkat mekanizması kullanarak, uzamsal ve yayılım özellikleri ile karmaşık yakın alan XL-IMS kanalını verimli bir şekilde eğitmek için geliştirilmiştir. Metayüzey elemanları birbirleriyle yüksek derecede ilişkili olduğundan ve yakın alan bölgesi içindeki etkileşimleri homojen olmadığından, tam bağlantılı bir ağ kanalın uygun şekilde temsil edilmesi için uygun değildir. Bu nedenle, bu yaklaşımda metayüzey, her bir elemanın bir düğüm ve aralarındaki etkileşimlerin ise kenarlar olarak işlev gördüğü bir graf olarak temsil edilmiştir. GNN komşu düğümler arasındaki yerelleştirilmiş uzamsal bağımlılıkları yakalarken, dikkat mekanizması küresel bağımlılıkların öğrenilmesini iyileştirmiştir.

XL-IMS'nin grafik temsili

XL-IMS, her bir köşe vn ∈ V bir meta-yüzey elemanını temsil ederken, kenarlar eij ∈ E elemanlar arasındaki uzamsal ilişkileri temsil eden bir graf G = (V, E) olarak oluşturulur. Her köşe, özellik temsil aşaması yoluyla elde edilen bir özellik vektörü xn değerine sahiptir. Bitişiklik matrisi A, birbirine yakın olan veya belirli mesafe kısıtlamaları dahilindeki köşeler arasındaki bağlantısallığı yakalar. Böyle bir graf formülasyonu, yakın alan yayılımında mevcut olan uzamsal bilgileri dahil etmek için kullanılır.

Tekrarlanabilirliği sağlamak için graf bağlantısallığı, k değeri 8 olarak belirlenmiş K-En Yakın Komşu yaklaşımı kullanılarak belirlenir. pi ve pj, sırasıyla i. ve j. XL-IMS hücrelerinin konum vektörlerini temsil etsin. Herhangi iki köşe arasındaki mesafe, Öklid metriği aracılığıyla şu şekilde ölçülür: dij = ||pi − pj||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 ∈ Nk(i) ise Aij = 1 ve aksi takdirde Aij = 0'dır.

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

Graf sinir ağı denklemi, düğüm güncelleme formülü, sinirsel hesaplama süreci, matematiksel ifade. (6)

burada hi(l), l katmanındaki i düğümünün özellik vektörünü, N(i), i düğümünün komşuluğunu, W(l) öğrenilebilir ağırlık matrisini ve σ(·) doğrusal olmayan bir aktivasyon fonksiyonunu temsil eder.

GNN-attention modeli, gizli boyutları 128 olarak ayarlanan üç graf konvolüsyonel katmandan oluşmuştur ve aktivasyon fonksiyonu olarak Rectified Linear Unit (ReLU) kullanılmıştır. Graf 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 kafalı bir çok kafalı öz-dikkat ağı kullanılmıştır. 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 mekanizması eklenmiştir:

Softmax fonksiyonu formülü, aij=exp(eij)/Σkexp(eik), sembolik gösterim, matematiksel kavram. (7)

burada eij = LeakyReLU(aT[Whi | Whj]), i ve j düğümlerinin önemini temsil eder. Bu model ile, düğümlere rollerine göre farklı önem seviyeleri atanabilir ve böylece modelin metasurface genelindeki küresel bağlamı anlaması kolaylaşır. Hibrit çerçeve, hem yerel hem de küresel uzamsal bilgileri yakalar ve öğrenilen özellikler, hüzmeleme ağırlıklarını oluşturmak için tam bağlantılı katmanlar aracılığıyla işlenir. Ek Şekil 3 ve 4'te gösterildiği gibi, GNN yerel uzamsal bağımlılıkları mesaj iletimi ve özellik toplama yoluyla modellerken, dikkat mekanizması metasurface elemanları arasındaki küresel etkileşimleri yakalayarak etkili yakın alan hüzmelemesine 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 özellik füzyonu, daha az alakalı bilgileri baskılarken önemli uzamsal karakteristikleri vurgulayan optimize edilmiş bir özellik temsili oluşturarak, etkili hüzmeleme optimizasyonunu ve enerji odaklamasını 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 hüzmelemesi enerjiyi belirli uzamsal konumlarda yoğunlaştırır. Önerilen çerçevede, bir GNN-attention modeli optimal hüzmeleme parametrelerini doğrudan kanal özelliklerinden öğrenerek yinelemeli optimizasyon yöntemlerinin karmaşıklığını azaltmıştır. Alınan kullanıcı sinyali Denklem (4)'te verilmiştir.

Her kanal gerçekleştirimi için eğitim verileri DeepMIMO'dan elde edilmiş ve ilgili XL-IMS faz kaymaları AO algoritması kullanılarak belirlenmiştir. Yakın alan kanal matrisi h ve XL-IMS faz kayma matrisi, alınan sinyal gücünü maksimize ederek faz kayma vektörü θ'yi hesaplamak için kullanılmıştır:

Optimizasyon formülü max |h^H Θx|^2; sinyal işleme analizi için matematiksel denklem. (8)

Statik denge formülü, Σ|θn|=1, araştırma diyagramındaki denklem. (9)

AO optimize edici, 10−4 değerindeki istenen yakınsama eşiğine ulaşana kadar 100 iterasyon boyunca çalıştırıldı. Bu optimize edilmiş değerler, GNN-attention modelimiz için eğitim etiketleri olarak kullanıldı. Amaç, etkili yakın alan hüzme odaklama ve artırılmış alınan sinyal gücü için yapıcı girişim sağlamaktı. SDR veya AO gibi geleneksel optimizasyon yöntemleri yerine, problem öğrenme tabanlı bir yaklaşımla çözüldü. Spesifik olarak, hüzmeleme optimizasyon problemi, bir derin öğrenme modeli olan fΘ(⋅) ile yaklaştırıldı.

GNN-attention modelini eğitmek için denetimli öğrenme benimsenmiş ve AO algoritması tarafından sağlanan optimal hüzmeleme faz kaydırma vektörleri eğitim hedefleri olarak kullanılmıştır. Spesifik olarak, AO tarafından üretilen optimal faz kaydırma vektörünü θAO,i ve ağ tahminlerini İstatistiki kestirim yöntemleriyle ilgili diyagramda, matematiksel bağlamda θ̂ᵢ sembolü. olarak tanımlayalım. Bu durumda, eğitim kriteri şu şekilde formüle edilmiştir:

Ortalama kare hata formülü, \(L_{MSE}=\frac{1}{N}\sum_{i=1}^{N}||\hat{\theta}_i-\theta_{AO,i}||^2\). (10)

burada N eğitim örneklerinin sayısıdır.

Algoritma 1: GNN-attention Modeli kullanılarak Yakın Alan Hüzmeleme, Ek Dosya 1'de sunulmuştur. Bu Algoritmadaki 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 ile uzamsal özellikler gibi önemli özellikler veri tabanından çıkarılmıştır. Çıkarılan özellikler yapılandırılmış bir forma dönüştürülmüş ve ardından metasurface elemanları düğümler olacak şekilde bir grafik olarak temsil edilmiştir. Yerel uzamsal bağımlılıkları yakalamak için GNN katmanları kullanılarak derin öğrenme modeli oluşturulmuş ve küresel bağımlılıkları öğrenmek için bir attention mekanizması eklenmiştir. Derin öğrenme çerçevesi, tahmin edilen faz kaymaları ile AO tarafından oluşturulan optimal faz kayması etiketleri arasındaki MSE kaybı ile denetimli öğrenme kullanılarak eğitilmiştir.

Bu uygulama Python ve PyTorch kullanılarak gerçekleştirilmiştir. DeepMIMO kanalı için örnekler O1 dış mekan senaryosundan elde edilmiştir. Bu kanal katsayıları graflara dönüştürülmüş ve üç katmanlı bir GNN ile çok kafalı dikkat mekanizması kullanılarak işlenmiştir. Model, MSE kayıp fonksiyonu ve Adam optimize edici kullanılarak eğitilmiştir. Bu model, yakın alan kullanıcıları için hüzmeleme faz kaymaları ve ağırlıkları üretmiş; sonuçlar ise veri hızı, verimlilik ve SINR açısından değerlendirilmiştir.

Sonuçlar

6G haberleşme ağlarında XL-IMS için sunulan Yakın Alan Kanal Modelleme ve Hüzmeleme çerçevesinin performansı, pratik yayılım ortamları ve uzamsal olarak tutarlı kanal verileri sunan DeepMIMO Veri Kümesi kullanılarak değerlendirilmektedir. Bu veri kümesini yapılandırmak için, meta-yüzeyin yakın alanındaki çeşitli kullanıcı konumlarını temsil eden birçok kanal örneği oluşturulmalıdır. Spesifik olarak bu çalışmada, farklı yayılım koşulları ve kullanıcı konumları altında toplanan 10.000–20.000'e kadar örnek kullanılmaktadır. Bu kanal örneklerini %80 eğitim ve %20 test olarak ayırmak için 80:20 oranı kullanılmıştır. Bu bağlamda, test seti modelin genelleme yeteneğini değerlendirirken, eğitim seti öğrenme için bir temel sağlamaktadır.

Deneysel sonuçlar, önerilen GNN-Attention çerçevesinin geleneksel uzak alan huzmeleme 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 huzmeleme kazancı, spektral verimlilik ve enerji odaklama performansı elde etmektedir. Performans; iletişim kapasitesini, sinyal odaklama etkinliğini ve güç tüketimine göre veri iletim verimliliğini sırasıyla ölçen ulaşılabilir hız, huzmeleme kazancı ve enerji verimliliği kullanılarak değerlendirilmiştir.

Önerilen yöntem; ZF ve MMSE dahil olmak üzere geleneksel hüzmeleme tekniklerinin yanı sıra SDR ve AO gibi optimizasyon tabanlı yöntemlerle karşılaştırılmıştır. Uzak alan yaklaşımları düzlemsel dalga varsayımlarıyla sınırlıyken ve yakın alan XL-IMS ortamlarında düşük performans sergilerken, optimizasyon yöntemleri genellikle yüksek hesaplama karmaşıklığına yol açar. Buna karşılık, GNN-dikkat çerçevesi, daha düşük hesaplama maliyetiyle verimli hüzmeleme sağlar. Adil bir karşılaştırma için tüm yöntemler; aynı DeepMIMO tarafından oluşturulmuş yakın alan kanalları, XL-IMS yapılandırması, taşıyıcı frekansı, kullanıcı konumları, iletim gücü ve sinyal-gürültü oranı (SNR) koşulları kullanılarak değerlendirilmiştir. ZF ve MMSE özdeş kanal durum bilgisi varsayarken, SDR ve AO standart literatür tabanlı parametre ayarları kullanılarak aynı güç ve faz kayması kısıtlamaları 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 kıyaslama yöntemleri karşılaştırılmıştır. SNR 0'dan 30 dB'ye yükseldikçe, tüm yöntemlerde elde edilebilir hızların arttığı görülmektedir; ancak önerilen model tutarlı bir şekilde kıyaslama yöntemlerinden daha iyi performans göstermektedir. 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'nun performansını aşmıştır. Tablo 1, elde edilebilir hızların SNR'ye karşı 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 yol kaybı nedeniyle alınan hüzmelenmiş sinyal gücü azalmakta ve bu durum tüm yöntemlerde hüzmeleme kazancının düşmesine yol açmaktadır. 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'den daha iyi performans sergilemiş ve tutarlı bir şekilde en yüksek hüzmeleme kazancını elde etmiştir. Bu sonuçlar, önerilen çerçevenin üstün yakın alan hüzme odaklama yeteneğini ve kazanç koruma kapasitesini kanıtlamakta, mevcut yöntemlere kıyasla daha gelişmiş bir hüzmeleme verimliliği sağlamaktadır.

GNN-dikkat öğrenme çerçevesinin performansı

Şekil 5, önerilen GNN-attention hüzmeleme şemasının spektral verimliliğini; ZF, MMSE, SDR ve AO ile 0 ila 30 dB arasındaki SNR değerlerinde karşılaştırmaktadır. Spektral verimlilik, tüm yöntemler için daha yüksek SNR ile artmasına rağmen, önerilen yaklaşım 0 dB'de 1.8 bps/Hz, 15 dB'de 6.8 bps/Hz ve 30 dB'de 10.5 bps/Hz değerlerine ulaşarak tüm karşılaştırma yöntemlerinden daha iyi bir performans sergileyerek tutarlı bir şekilde en iyi sonucu vermektedir. Şekil 6, önerilen GNN-attention hüzmeleme sisteminin enerji verimliliğini; ZF, MMSE, SDR ve AO ile değişken 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 tüm karşılaştırma tekniklerinden daha üstün, en yüksek performansı tutarlı bir şekilde sergilemektedir.

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. epokta yaklaşık 0,04'lük bir MSE değerine ulaşarak kademeli olarak yakınsamış; bu durum, kararlı bir eğitimi ve temel kanal özelliklerinin etkili bir şekilde öğrenildiğini göstermiştir.

Hüzmeleme optimizasyon sonuçları

Şekil 8, önerilen GNN-attention hüzmeleme yönteminin toplam hız performansını, kullanıcı sayısı 2'den 12'ye yükselirken ZF, MMSE, SDR ve AO ile karşılaştırmaktadır. Tüm yöntemler daha fazla kullanıcı ile daha yüksek toplam hızlara ulaşsa da, önerilen yaklaşım tutarlı bir şekilde en iyi performansı sergileyerek 2 kullanıcı için 12.5 bps/Hz, 6 kullanıcı için 31.6 bps/Hz ve 12 kullanıcı için 50.3 bps/Hz değerlerine ulaşmış ve farklı kullanıcı yoğunluklarında tüm kıyaslama yöntemlerini geride bırakmıştır.

Tablo 2, önerilen GNN-attention hüzmeleme çerçevesinin çok kullanıcılı performansını ZF, MMSE, SDR ve AO ile karşılaştırmaktadır. Önerilen yöntem; en yüksek çok kullanıcılı verimliliğe (%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 bir şekilde daha yüksek SINR değerlerine işaret eden sağa kaymış bir dağılım göstermektedir. Medyanda (%50'lik dilim), SDR (23 dB), AO (22 dB), MMSE (20 dB) ve ZF'den (17 dB) daha iyi performans göstererek yaklaşık 25 dB'lik bir SINR değerine ulaşmaktadır. Önerilen modelin üstün SINR performansı, GNN'ler aracılığıyla yerel uzamsal bağımlılıkları ve dikkat mekanizmaları aracılığıyla küresel etkileşimleri yakalama yeteneğinden kaynaklanmakta ve bu sayede etkili yakın alan hüzmeleme imkanı sağlamaktadır. CDF sonuçları, geleneksel ZF, MMSE, SDR ve AO yöntemlerine göre daha sağlam bir girişim yönetimi ve tutarlı bir şekilde daha yüksek SINR değerleri ortaya koymaktadır.

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

Ablasyon çalışması

Çerçevedeki bireysel bileşenlerin etkisi; GNN, Attention ve Fizik tabanlı Yakın Alan Kanal Modelleme gibi bileşenlerin ya çıkarıldığı ya da değiştirildiği ablasyon analizi yoluyla değerlendirilebilir. Tam çerçeve her üç bileşeni de kapsarken, ablasyon modelleri şunlardan oluşur: (i) sadece GNN modeli, (ii) sadece Attention modeli ve (iii) fizik tabanlı küresel dalga modeli (uzak alan varsayımı) olmayan model. Performans değerlendirmesi; elde edilebilir veri hızı, hüzmeleme kazancı ve SINR gibi metrikler kullanılarak gerçekleştirilir. 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 şekilde modellenmesinin önemini ortaya koymaktadır.

Tablo 5'teki ablasyon sonuçlarından, önerilen mimarinin her bir bölümünün önemi doğrulanabilir. Yukarıdaki deney sonuçlarında gösterildiği gibi, tüm parçalara sahip model; 11,6 bps/Hz ulaşılabilir hız, 28 dB hüzmeleme kazancı ve 25 dB SINR ile en iyi performansı sergileyerek önerilen mimarinin iyi çalıştığını kanıtlamıştır. Dikkat mekanizması olmadan model yalnızca 10,2 bps/Hz hızına ulaşmakta, bu da küresel sinyal bağlamının zayıfladığını göstermektedir. Ek olarak, GNN bileşeninin kaldırılması 9,8 bps/Hz ile düşük bir performansa yol açmakta, bu da yakın alan haberleşmeleri için uzaysal bağımlılıkların modellenmesinin gerekli olduğunu belirtmektedir. En büyük performans kaybı, fizik tabanlı küresel dalga modeli göz ardı edildiğinde gözlemlenmiş; 8,5 bps/Hz ulaşılabilir hız ve 19,2 dB SINR elde edilmiş olup, bu durum yakın alan kanal modellemesinin de gerekli olduğunu kanıtlamıştır.

Özetle, deneysel sonuçlar, XL-IMS destekli 6G ağlarına uygulanmak üzere elektromanyetik dalgaların yakın alanına dayalı kanal ve hüzmeleme modelleri geliştirme araştırma hedeflerini doğrulamaktadır. GNN-dikkat 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 analizleri, küresel dalgalar için fiziksel modellerin, grafik sinir ağlarının ve dikkatin kullanılmasının performansı artırmak için oldukça değerli olduğunu göstermiştir.

Veri Erişilebilirliği

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 mekan ışın izleme senaryosu, 28 GHz taşıyıcı frekans ve yakın alan XL-MIMO konfigürasyonu kullanılarak DeepMIMO Python Deposu aracılığıyla oluşturulmuştur. DeepMIMO Python Deposu şu adreste mevcuttur: https://github.com/DeepMIMO/DeepMIMO-python.

Yakın alan kanal modelleme, grafik sinir ağı, hüzmeleme işlemi için derin öğrenme diyagramı.
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.

Kablosuz iletişim diyagramı: Baz istasyonu sinyalli XL-IMS paneli; yakın alan dalga yayılımı.
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.

Algoritmaları karşılaştıran ulaşılabilir hız ile SNR grafiği: Önerilen (GNN-Attention), ZF, MMSE, SDR, AO.
Şekil 3: Ulaşılabilir hız ile SNR sonucunun karşılaştırılması. Önerilen ve mevcut yaklaşımlar için SNR'nin bir fonksiyonu olarak hız performansı. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Hüzmeleme kazancı ve mesafe grafiği; yöntemler: GNN-Attention, ZF, MMSE, SDR, AO; veri analizi.
Şekil 4: Hüzmeleme kazancı ile mesafe arasındaki ilişki. Yakın alan bölgesindeki kullanıcı mesafesinin bir fonksiyonu olarak farklı hüzmeleme yöntemleri ile elde edilen hüzmeleme kazancı; uzaysal sinyal odaklama etkinliğini ve artan mesafe ile kazanç korunumunu göstermektedir. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Spektral verimlilik ile SNR grafiği; GNN-Attention, ZF, MMSE, SDR, AO model karşılaştırmalarını göstermektedir.
Şekil 5: Spektral verimliliğin SNR'ye göre sonucu. Çeşitli SNR değerlerindeki spektral verimlilik karşılaştırması. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Enerji verimliliği ve SNR grafiği; modeller: Önerilen (GNN-Attention), ZF, MMSE, SDR, AO.
Şekil 6: Enerji verimliliği ve SNR sonucunun grafiği. Farklı SNR değerlerindeki enerji verimliliği performansı. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Eğitim sonuçlarında 50 epoch boyunca MSE azalmasını gösteren GNN modelinin yakınsama grafiği.
Şekil 7: MSE yakınsama sonucu. Eğitim sırasında MSE kaybının yakınsaması. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

GNN-Attention, ZF, MMSE, SDR ve AO yöntemlerini kullanarak toplam hız ile kullanıcı sayısını karşılaştıran grafik.
Şekil 8: Toplam hız ile kullanıcı sayısının karşılaştırma sonucu. Kullanıcı sayısı arttıkça toplam hız performansı. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Sinyal işlemedeki GNN-Attention, ZF, MMSE, SDR ve AO yöntemleri için SINR CDF karşılaştırma grafiği.
Şekil 9: CDF ile SINR karşılaştırma sonucu. CDF grafikleri üzerinden SINR karşılaştırması. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

YöntemOrtalama ulaşılabilir veri hızı (bps/Hz)Performans düzeyi
Önerilen (GNN-dikkat)7.36*****
Yazılım Tanımlı Radyo6.66****
AO6.5****
MMSE (Mini Mental Durum Muayenesi)6.03***
ZF5.23***

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

YöntemÇok kullanıcılı verimlilik (%)Girişim yönetimi (SINR, dB)Kapasite artırımı (bps/Hz)
Önerilen (GNN-Attention)92.5 ± 0.824.8 ± 0.550.3 ± 0.7
SDR86.3 ± 1.122.1 ± 0.745.0 ± 0.9
AO84.7 ± 1.021.5 ± 0.843.2 ± 1.0
MMSE (Mini Mental Durum Muayenesi)78.9 ± 1.319.2 ± 0.938.7 ± 1.2
ZF72.5 ± 1.517.0 ± 1.033.5 ± 1.4

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

MetrikOrtalamaStandart Sapma%95 GA
Erişilebilir hız11.6 ± 0.210.21[11.42,11.78]
Spektral verimlilik10.5 ± 0.180.18[10.34,10.66]
Enerji verimliliği9.8 ± 0.150.15[9.67,9.93]
SINR (Sinyal-Gürültü ve Girişim Oranı)25.0 ± 0.420.42[24.63,25.37]

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

YöntemEğitim karmaşıklığıÇıkarım karmaşıklığıOrtalama çıkarım süresi (ms)
ZFLütfen çevirisini yapmamı istediğiniz metni paylaşın.O(N³)12.8
Mini Mental Durum MuayenesiGirdi sağlanmamıştır. Lütfen çevrilmesini istediğiniz metni giriniz.O(N³)15.6
Yazılım Tanımlı Radyo (SDR)Yalnızca çevrilecek kaynak metin sağlandığında çeviri işlemi gerçekleştirilecektir. Lütfen çevrilmesini istediğiniz metni paylaşın.O(N³·⁵)85.4
AOYalnızca çevrilecek metin sağlandığında çeviri işlemi gerçekleştirilebilir. Lütfen çevirmemi istediğiniz İngilizce kaynak metni iletiniz.O(IN²)63.7
Önerilen GNN-dikkat mekanizmasıO(E·L·F² + N²)O(E·L·F² + N²)4.9

Tablo 4: Hesaplama karmaşıklığı ve ölçeklenebilirlik analizi. Önerilen çalışmanın Hesaplama Karmaşıklığı ve Ölçeklenebilirlik Analizi gösterilmektedir.

Model varyantıElde edilebilir hız (bps/Hz)Hüzmeleme Kazancı (dB)SINR (dB)Spektral verimlilik (bps/Hz)
Önerilen tam model (GNN + dikkat + fizik tabanlı)11.6 ± 0.228.0 ± 0.425.0 ± 0.310.5 ± 0.2
Dikkat mekanizması olmaksızın10.2 ± 0.325.5 ± 0.522.8 ± 0.49.1 ± 0.3
GNN olmadan (yalnızca MLP)9.8 ± 0.324.0 ± 0.621.5 ± 0.58.7 ± 0.3
Fizik tabanlı bir kanal modeli (Uzak alan varsayımı) olmaksızın8.5 ± 0.421.0 ± 0.719.2 ± 0.67.4 ± 0.4

Tablo 5: Ablasyon çalışması 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.Lütfen bu dosyayı indirmek için buraya tıklayın.

Ek Şekil 2. Değerlendirme için kullanılan DeepMIMO veri seti özellikleri. DeepMIMO veri setinden çıkarılan ve eğitim ile değerlendirme için model girdileri olarak kullanılan özellikler.Lütfen bu dosyayı indirmek için buraya tıklayınız.

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

Ek Şekil 4. Küresel bağlam farkındalığı için dikkat mekanizması. Küresel bağlam bilgilerini yakalamaya yönelik dikkat modülünün grafiksel gösterimi.Lütfen bu dosyayı indirmek için 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.Lütfen bu dosyayı indirmek için 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 getirir16,18,20.

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 sağlamaktadır21,27,28.

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 gerekir26,38. 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.

Açıklamalar

Yazarların herhangi bir çıkar çatışması bulunmamaktadır.

Teşekkürler

Bu çalışma kısmen Çin Ulusal Doğa Bilimleri Vakfı (Hibe No. 62466036) ve Gandong Üniversitesi Araştırma Başlangıç Fonu (Hibe No. 12225000423) tarafından desteklenmiştir. Yazarlar, gerekli araştırma olanaklarını ve kurumsal desteği sağladığı için GanDong Üniversitesi'ne teşekkür ederler. Bu çalışma, Fuzhou, Çin'deki GanDong Üniversitesi Bilgi Mühendisliği Okulu ve Yapay Zeka Algoritmaları ve Uygulamaları Laboratuvarı tarafından desteklenmiştir.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
CUDA Araç SetiNVIDIACUDA 12.4https://developer.nvidia.com/cuda-toolkit
DGLDGL EkibiDGL 2.2.1https://www.dgl.ai
MatplotlibMatplotlib Geliştirme EkibiMatplotlib 3.9.0https://matplotlib.org
NumPyNumPy GeliştiricileriNumPy 1.26.4https://numpy.org
PythonPython Software FoundationPython 3.10.13https://www.python.org
PyTorchMeta AIPyTorch 2.3.1https://pytorch.org
PyTorch GeometricPyG EkibiPyG 2.5.3https://pytorch-geometric.readthedocs.io
SeabornSeaborn GeliştiricileriSeaborn 0.13.2https://seaborn.pydata.org
TensorFlowGoogleTensorFlow 2.16.1https://www.tensorflow.org

Kaynaklar

  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.

Yeniden basım ve izinler

Etiketler

Hüzmeleme OptimizasyonuGrafik Sinir AğlarıDikkat MekanizmasıDerin Öğrenme ÇerçevesiKüresel Dalga YayılımıAşırı Büyük Akıllı MetayüzeylerSpektral VerimlilikEnerji Verimliliği
Bize Ulaşın
Kütüphaneye Öner

Gizlilik

Kullanım Koşulları

Politikalar

Telif Hakkı © 2026 MyJoVE Corporation. Tüm hakları saklıdır.