⚡ electrical engineering

GNN Based Joint Beamforming Design for Extremely Large-Scale RIS Assisted Near-Field ISAC Systems

تقترح هذه الورقة تصميمًا لتشكيل الحزم يعتمد على الشبكات العصبية الرسومية (GNN) لأنظمة الاتصالات والاستشعار المتكاملة (ISAC) في المجال القريب ذات الأسطح العاكسة الذكية (RIS) فائقة الضخامة، والتي تهدف إلى تعظيم مجموع المعدل الموزون تحت قيود الاستشعار والقدرة، مما يظهر كفاءة حوسبية وتفوقًا في المتانة والتعميم مقارنة بالطرق الحالية القائمة على البرمجة الكسرية.

المؤلفون الأصليون: Jiahao Chen, Feng Wang, Guojun Han, Xin Wang, Vincent K. N. Lau

نُشر 2026-03-03

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Jiahao Chen, Feng Wang, Guojun Han, Xin Wang, Vincent K. N. Lau

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

الصورة الكبيرة: "المرآة الذكية" لشبكات الجيل السادس (6G)

تخيل أنك تحاول إجراء محادثة مع صديق في غرفة مزدحمة وصاخبة (جزء الاتصال)، بينما تحاول في الوقت نفسه رصد شخص معين يختبئ خلف عمود (جزء الاستشعار). في مستقبل الشبكات اللاسلكية (6G)، نريد القيام بالأمرين معاً باستخدام نفس الموجات الراديوية.

لتحقيق ذلك، يستخدم المهندسون تقنية جديدة تسمى XL-RIS (سطح ذكي قابل لإعادة التشكيل واسع النطاق للغاية). فكر في هذه الـ RIS كأنها مرآة ذكية عملاقة وسحرية مكونة من آلاف البلاطات الصغيرة القابلة للتعديل.

المشكلة: هذه المرآة ضخمة (مثل ملعب كرة قدم)، والأشخاص والأشياء التي نتواصل معها أو نستشعرها قريبة جداً منها. في هذه المنطقة "القريبة" (near-field)، تصبح الفيزياء معقدة؛ حيث لا تنتقل الموجات الراديوية في خطوط مستقيمة فحسب، بل تنحني وتتفاعل بطرق معقدة.
الهدف: نحتاج إلى إخبار كل بلاطة صغيرة على هذه المرآة الضخمة بكيفية ضبط زاوية ميلها بدقة لتعكس الإشارة بشكل مثالي نحو الشخص الصحيح والهدف الصحيح.
التحدي: القيام بالعمليات الحسابية لتحديد الزاوية المثالية لآلاف البلاطات في الوقت الفعلي يشبه محاولة حل مكعب روبيك يحتوي على مليون قطعة أثناء الجري في ماراثون. الطرق الرياضية التقليدية بطيئة جداً وتتعثر في حلقات مفرغة.

الحل: نهجان مختلفان

تقترح الورقة البحثية طريقتين لحل هذا اللغز.

1. نهج "الحاسوب الخارق" (خوارزمية BCD)

أولاً، قام المؤلفون ببناء محلل رياضي متطور للغاية (يسمى FP-based BCD).

كيف يعمل: يشبه عالماً رياضياً عبقرياً ولكنه بطيء. يحاول إيجاد حل، ثم يتحقق مما إذا كان جيداً، ثم يعدله، ثم يتحقق مرة أخرى، ويكرر هذه العملية آلاف المرات حتى يجد إجابة "جيدة بما يكفي".
العيب: يستغرق وقتاً طويلاً جداً. فبحلول الوقت الذي ينتهي فيه من العمليات الحسابية، يكون الشخص الذي تحاول التحدث إليه قد تحرك بالفعل. إنه بطيء جداً للاستخدام في الوقت الفعلي.

2. نهج "الشبكة العصبية الذكية" (GNN)

هذا هو النجم الرئيسي للورقة البحثية. استخدم المؤلفون شبكة عصبية رسومية (Graph Neural Network - GNN).

التشبيه: تخيل النظام اللاسلكي كأنه شبكة اجتماعية.
- المحطة الأساسية (Base Station) هي المضيف.
- المستخدمون (الأشخاص) والأهداف (الأشياء) هم الضيوف.
- الـ RIS هو منظم الحفلات.
كيف يعمل: بدلاً من إجراء الرياضيات من الصفر في كل مرة، فإن الـ GNN تشبه منظم حفلات ذكي جداً حضر آلاف الحفلات المشابهة.
- ينظر إلى "الرسم البياني" (الخريطة التي توضح مكان وجود كل شخص).
  ها ويستخدم آلية تسمى "تمرير الرسائل" (Message Passing). تخيل الضيوف وهم يتهامسون مع جيرانهم حول مصدر الإشارة. يستمع المنظم لهذه الهمسات، ويتعلم النمط، ويعرف فوراً كيفية ضبط بلاطات المرآة.
- الخدعة السحرية: لأنها تتعلم العلاقات بين الأشخاص بدلاً من مجرد حفظ أرقام محددة، يمكنها التعامل مع حفلة تضم 4 ضيوف أو 20 ضيفاً دون الحاجة لإعادة تعلم كل شيء من جديد. إنها تمتلك القدرة على التعميم.

لماذا هذه الورقة مميزة؟

إليك النجاحات الأربعة الرئيسية لمنهج الـ GNN الجديد:

السرعة (العداء السريع مقابل عداء الماراثون):
الطريقة الرياضية التقليدية (BCD) تشبه عداء الماراثون—ثابت ولكن بطيء. أما الـ GNN فهي مثل العداء السريع (Sprinter). فهي تحسب الحل في لمح البصر، مما يجعلها مثالية لتطبيقات الجيل السادس (6G) التي تتطلب استجابة فورية.
المرونة (الحرباء):
في العالم الحقيقي، يتحرك الناس داخل وخارج الغرفة. إذا أضفت مستخدماً جديداً، فإن نماذج الذكاء الاصطناعي القديمة ستتعطل وتحتاج إلى إعادة تدريب من الصفر. أما الـ GNN فهي مثل الحرباء؛ تتكيف مع العدد الجديد من الأشخاص تلقائياً دون الحاجة إلى "إعادة تشغيل".
المتانة (الرامي معصوب العينين):
أحياناً لا يعرف النظام بدقة مكان الأهداف (بيانات غير مكتملة). لقد تم تدريب الـ GNN مع وجود بعض "الضجيج" (مثل التدرب مع عصابة على العينين). عندما تبدأ اللعبة الحقيقية، لا تزال تصيب الهدف بدقة، بينما قد تخطئ الطرق الأخرى الهدف.
القابلية للتوسع (مجموعة الليغو):
يعامل النظام المرآة الضخمة والمستخدمين كشبكة متصلة. وهذا يسمح له بالتعامل مع التعقيد الهائل لفيزياء "المجال القريب" (حيث تنحني الموجات) بشكل أفضل بكثير من نماذج الذكاء الاصطناٍ العادية التي تعامل البيانات كقائمة مسطحة من الأرقام.

الخلا الخلاصة

لقد ابتكر المؤلفون نظام ذكاء اصطناعي ذكياً، سريعاً، وقابلاً للتكيف يتحكم في "مرآة ذكية" ضخمة لمساعدة شبكات الجيل السادس على التواصل مع المستخدمين واستشعار البيئة المحيطة في آن واحد.

بدلاً من القيام بعمليات حسابية ثقيلة وبطيئة في كل مرة، علموا الذكاء الاصطناعي كيف "يرى" الشبكة كنسيج مترابط من العلاقات. وهذا يسمح للنظام باتخاذ قرارات في أجزاء من الثانية، والتعامل مع الأهداف المتحركة، والعمل بكفاءة حتى عندما تكون البيانات غير مثالية. إنها خطوة كبيرة نحو جعل شبكات الجيل السادس فائقة السرعة وفائقة الوع awareness بمحيطها في نفس الوقت.

إليك ملخص تقني مفصل للورقة البحثية بعنوان: "تصميم تشكيل الحزم المشترك القائم على الشبكات العصبية الرسومية (GNN) لأنظمة التكامل بين الاستشعار والاتصالات (ISAC) المدعومة بأسطح ذكية عاكسة (XL-RIS) في المنطقة القريبة."

1. بيان المشكلة

تتناول الورقة البحثية مشكلة تصميم تشكيل الحزم المشترك لنظام تكامل بين الاستشعار والاتصالات (ISAC) مدعوم بـ سطح ذكي عاكس ضخم للغاية (XL-RIS).

السيناريو: تقوم محطة قاعدة (BS) متعددة الهوائيات بإرسال بيانات أحادية الاتجاه (unicast) في آن واحد إلى مستخدمي اتصالات (CUs) متعددين (كل منهم به هوائي واحد)، واستشعار أهداف (TGTs) متعددة.
القيد الرئيسي: تقع جميع الكيانات (المحطة، مستخدمو الاتصالات، والأهداف) في المنطقة القريبة (near-field region) من الـ XL-RIS. وهذا يستلزم استخدام نماذج الموجات الكروية بدلاً من نماذج الموجات المستوية التقليدية المستخدمة في أنظمة المجال البعيد.
الهدف: تعظيم مجموع المعدل الموزون (WSR) لجميع مستخدمي الاتصالات.
القيود:
1. الاستشعار: متطلبات الحد الأدنى من كسب نمط الشعاع لكل هدف.
2. القدرة: ميزانية إجمالي قدرة الإرسال عند محطة القاعدة.
3. الأجهزة: قيود وحدة المعامل (unit modulus constraints) على إزاحات الطور في الـ XL-RIS.
التحدي: المشكلة هي مسألة تحسين غير محدبة (non-convex optimization) ذات متغيرات شديدة الترابط (تشكيل حزم المحطة، مصفوفة تغطية الاستشعار، ومعاملات انعكاس الـ RIS). تعاني طرق التحسين التقليدية من تعقيد حسابي عالٍ وضعف في القدرة على التوسع مع زيادة عدد عناصر الـ RIS والمستخدمين. علاوة على ذلك، تفتقر نماذج التعلم العميق (DL) التقليدية إلى القدرة على التعميم عندما يتغير عدد المستخدمين أو الأهداف (بسبب محدودية أبعاد المدخلات الثابتة).

2. المنهجية

يقترح المؤلفون نهجين: نموذج مرجعي يعتمد على التحسين التقليدي، وحل مبتكر يعتمد على الشبكة العصبية الرسومية (GNN).

أ. النموذج المرجعي القائم على التحسين (FP-based BCD)

لإنشاء خط أساس للأداء، طور المؤلفون خوارزمية تفكيك الإحداثيات الكتلية (BCD) القائمة على البرمجة الكسرية (FP):

إعادة صياغة FP: تم تحويل مسألة تعظيم الـ WSR غير المحدبة إلى مسألة محدبة ثنائياً (biconvex) باستخدام إعادة صياغة FP ذات الصيغة المغلقة.
تفكيك BCD: تم تفكيك المسألة إلى مسائل فرعية متناوبة:
- المتغيرات المساعدة: تحديثات الصيغة المغلقة لمتغيرات FP.
- تشكيل الحزم والتغطية: يتم تحسينها عبر التقريب المتتالي الناجح (SCA) والانتظام القريب (proximal regularization)، وتُحل باستخدام أدوات حل المسائل المحدبة (مثل CVX).
- معاملات الـ RIS: يتم تحسينها باستخدام خوارزميات التدرج المترافق على مانيفولد ريمان (RCG) للتعامل مع قيود وحدة المعامل غير المحدبة.

القصور: رغم فعاليتها، إلا أن هذه الطريقة تعاني من زمن استجابة حسابي مرتفع ( $O(I_{out} \cdot N^2)$ )، مما يجعلها غير مناسبة لسيناريوهات الـ ISAC الديناميكية في الوقت الفعلي.

ب. الحل المقترح القائم على GNN

للتغلب على مشكلات التوسع والتعميم، يقترح المؤلفون إطار عمل شبكة عصبية رسومية (GNN) مخصصة:

نمذجة الرسم البياني (Graph Modeling): يتم نمذجة نظام ISAC كـ رسم بياني غير متجانس (heterogeneous graph) حيث:
- العقد (Nodes): الـ XL-RIS، ومستخدمو الاتصالات (CUs)، والأهداف (TGTs) هي أنواع عقد متميزة.
- الحواف (Edges): تمثل روابط القنوات (المباشرة والمتسلسلة) وعلاقات التداخل.
- الميزات (Features): يتم تهيئة العقد بميزات معلومات حالة القناة (CSI) المستمدة من نماذج قنوات المجال القريب.
البنية (Architecture):
- الطبقة الأولية: تعالج بيانات الـ CSI الخام (السعة والطور) باستخدام الشبكات العصبية كاملة الاتصال (FCNNs) لاستخراج ميزات العقد الأولية.
- طبقات تحديث العقد: تستخدم آلية تمرير الرسائل (message-passing mechanism) حيث تقوم العقد بتجميع المعلومات من الجيران (على سبيل المثال، تجمع عقد مستخدمي الاتصالات التداخل من المستخدمين الآخرين؛ وتجمع عقد الـ RIS معلومات الـ CSI العالمية). هذا يلتقط الارتباطات المكانية المعقدة والارتباط بين الاستشعار والاتصالات.
- طبقة القراءة (Readout Layer): تقوم برسم خرائط لمتجهات ميزات العقد النهائية مرة أخرى إلى متغيرات التحسين:
  - متجهات تشكيل حزم الإرسال للمحطة ( $w_k$ ).
  - مصفوفة تغطية الاستشعار ( $R_0$ ).
  - متجه معامل انعكاس الـ RIS ( $\theta$ ).
- التعامل مع القيود: تستخدم طبقات التطبيع لفرض قيود وحدة المعامل على الـ RIS وعوامل قياس القدرة للوفاء بميزانيات قدرة المحطة.
التدريب: تُستخدم عملية تدريب غير خاضعة للإشراف (unsupervised training) حيث تجمع دالة الخسارة بين الـ WSR السالب وحداً جزائياً لانتهاكات قيود الاستشعار.

3. المساهمات الرئيسية

نمذجة ISAC في المجال القريب: صياغة مسألة تشكيل حزم مشتركة خصيصاً لـ XL-RIS في منطقة المجال القريب، مع مراعاة انتشار الموجات الكروية وقنوات الـ cascaded المعقدة.
خوارزمية التحسين: تطوير خوارزمية BCD قائمة على FP ذات تعقيد منخفض للحصول على حل محلي أمثل، ليكون بمثابة مرجع صارم.
إطار عمل GNN: اقتراح بنية GNN مبتكرة تنمذج نظام ISAC كرسم بياني غير متجانس.
- ثبات التبديل (Permutation Invariance): على عكس الشبكات العصبية العميقة (DNN) القياسية، يمكن لـ GNN التعميم على الأنظمة ذات أعداد متغيرة من المستخدمين والأهداف دون إعادة تدريب، مما يعالج تحدي الطوبولوجيا الديناميكية.
- تعلم الميزات: تتعلم بفعالية ميزات الـ CSI المعقدة للمجال القريب وأنماط التداخل من خلال تمرير الرسائل.
التقييم الشامل: أظهرت النتائج أن نهج GNN يتفوق على كل من التحسين التقليدي (من حيث السرعة) والـ DNN القياسي (من حيث الأداء والتعميم).

4. النتائج العددية

تقدم الورقة محاكاة واسعة تقارن بين GNN المقترح وبين مخطط يعتمد على DNN ومعيار BCD:

الكفاءة الحسابية: يحقق GNN زمن استجابة أقل بكثير مقارنة بخوارزمية BCD (على سبيل المثال، ميلي ثانية مقابل ثوانٍ)، مما يجعله قابلاً للتطبيق في تطبيقات الوقت الفعلي.
الأداء (WSR): يحقق GNN أداء WSR مقارباً لمرجع BCD ومتفوقاً على DNN. حيث يعاني DNN من ضعف الأداء لأنه يفشل في التقاط التبعيات الطوبولوجية لقناة المجال القريب.
المتانة (Robustness): يحافظ GNN على أداء عالٍ حتى مع وجود معلومات حالة قناة (CSI) غير مثالية، حيث يظهر انخفاضاً طفيفاً فقط مع زيادة تباين الخطأ.
التعميم:
- GNN الذي تم تدريبه على نظام صغير (مثل 4 مستخدمين و2 هدف) نجح في التعميم على أنظمة أكبر (مثل +10 مستخدمين) دون إعادة تدريب.
- التدريب على عدد متوسط من المستخدمين يسمح للنموذج بتعلم أنماط إدارة التداخل المعقدة، مما يؤدي إلى انخفاض أبطأ في الأداء عند التوسع.
الوفاء بالقيود: يحقق GNN معدل رضا يزيد عن 99% لقيود نمط شعاع الاستشراف، حتى في ظل وجود CSI غير مثالية.

5. الأهمية

تعد هذه الورقة مهمة لتطوير شبكات 6G اللاسلكية لعدة أسباب:

سد الفجوة: تعالج الانتقال الحرج من المجال البعيد إلى المجال القريب، وهو أمر لا مفر منه مع XL-RIS ونطاقات التردد العالية (mmWave/THz).
القابلية للتوسع: تحل مشكلة "لعنة الأبعاد" في أنظمة XL-RIS حيث يصبح التحسين التقليدي مكلفاً حسابياً بشكل كبير.
التكيف الديناميكي: من خلال الاستفية من GNNs، يتغلب الحل على جمود نماذج DL التقليدية، مما يسمح لأنظمة ISAC بالتكيف ديناميكياً مع تغير أعداد المستخدمين ومواقع الأهداف دون الحاجة لإعادة تدريب مكلفة.
تكامل ISAC: توفر إطار عمل موحد لتحسين الاستشعار والاتصالات معاً، مما يعظم كفاءة الموارد في الشبكات المتكاملة المستقبلية.

ختاماً، تثبت الورقة أن تشكيل الحزم القائم على GNN هو نهج متفوق لأنظمة ISAC في المجال القريب المدعومة بـ XL-RIS، حيث يوفر توازناً مثالياً بين الكفاءة الحسابية، والأداء، والقدرة على التكيف مع طوبولوجيا الشبكة الديناميكية.