Spectral- and Energy-efficient Multi-BS Multi-RIS Pinching-antenna Systems: A GNN-based Approach

Resumen Técnico: Sistemas de Antenas de Pinzamiento Multi-BS Multi-RIS Eficientes en Espectro y Energía

Planteamiento del Problema
Este artículo aborda la transmisión coordinada de enlace descendente en un sistema de antenas de pinzamiento (PA) asistido por múltiples estaciones base (multi-BS) y múltiples superficies inteligentes reconfigurables (multi-RIS). En esta arquitectura, cada equipo de usuario (UE) es atendido por una única BS, donde cada BS está equipada con PAs móviles desplegadas en guías de onda paralelas. El sistema busca maximizar ya sea la tasa de suma (SR) o la eficiencia energética (EE) mediante la optimización conjunta de cuatro variables estrechamente acopladas:

1. Ubicación de las PA: Las posiciones físicas de las antenas móviles en las guías de onda.
2. Desplazamientos de fase de las RIS: Los coeficientes de reflexión de las superficies inteligentes.
3. Formación de haces de transmisión: Los vectores de precodificación en banda base.
4. Asociación BS-UE: La asignación de los UEs a BS específicas.

La optimización está restringida por requisitos de espaciado inter-PA, presupuestos de potencia total y restricciones de módulo unitario para las fases de las RIS. El problema se caracteriza como una tarea de optimización de variables mixtas altamente acoplada que involucra variables continuas, binarias y de módulo unitario. Los algoritmos iterativos tradicionales se consideran computacionalmente prohibitivos y sufren de mala escalabilidad en topologías de red dinámicas y a gran escala.

Metodología
Para resolver este complejo problema de optimización, los autores proponen una Red Neuronal de Grafos (GNN) de tres etapas entrenada de manera no supervisada y de extremo a extremo. El marco está diseñado para manejar la estructura relacional de la red (BS, RIS y UEs) y garantizar la factibilidad de las variables de salida sin depender de términos de penalización en la función de pérdida.

La arquitectura propuesta consta de tres etapas secuenciales:

1. Etapa 1 (ChanGNN): Utiliza una representación de grafo heterogéneo que contiene nodos de BS, UE y RIS. Emplea Capas de Atención de Grafos Heterogéneos Complejos (CHAL) para aprender conjuntamente las posiciones de las PA y los desplazamientos de fase de las RIS basándose en las ubicaciones de los nodos.
   • Mecanismo de factibilidad: Las posiciones de las PA se reconstruyen a partir de variables auxiliares de espaciado utilizando escalado y normalización con sigmoide para satisfacer las restricciones de espaciado mínimo y límites. Las fases de las RIS se normalizan a módulo unitario.
2. Etapa 2 (BeamGNN): Utiliza un grafo homogéneo donde los nodos representan los enlaces BS-UE. Emplea Capas de Atención de Grafos Complejos (CGAL) para aprender los vectores de formación de haces de transmisión.
   • Mecanismo de factibilidad: La red genera coeficientes híbridos y asignaciones de potencia, que se procesan mediante un esquema de aprendizaje de Anulación Cero Híbrida y Transmisión de Máxima Relación (HZM) para generar vectores de formación de haces válidos.
3. Etapa 3 (AssocGNN): Opera sobre el mismo grafo homogéneo pero se centra en las características de ganancia de formación de haces para determinar la matriz de asociación BS-UE.
   • Mecanismo de factibilidad: Se utiliza una relajación Gumbel-Softmax durante el entrenamiento para permitir la optimización diferenciable de las variables de asociación binarias, seguida de una asignación dura (argmax) durante la inferencia. La normalización de potencia por BS garantiza que se cumplan las restricciones del presupuesto de potencia.

El modelo integra representaciones de grafos tanto heterogéneos como homogéneos para capturar interacciones diversas (por ejemplo, BS-RIS, interferencia intra-BS, competencia inter-BS).

Contribuciones Clave

• Marco de Optimización Unificado: El artículo formula problemas de maximización de SR y EE para un sistema multi-BS multi-RIS con PA, optimizando conjuntamente la ubicación de las PA, la configuración de las RIS, la formación de haces y la asociación bajo restricciones prácticas.
• Arquitectura GNN de Tres Etapas: Los autores proponen una arquitectura novedosa (ChanGNN, BeamGNN, AssocGNN) que modela explícitamente interacciones heterogéneas y homogéneas. Introduce mecanismos de lectura que preservan la factibilidad para todas las variables de decisión, asegurando que las restricciones se satisfagan por diseño en lugar de mediante penalizaciones suaves.
• Escalabilidad y Generalización: El método propuesto está diseñado para ser escalable a números no vistos de UEs, BS y RIS mediante el intercambio de parámetros y un sesgo inductivo basado en grafos, evitando la necesidad de reentrenamiento cuando cambia el tamaño de la red.

Resultados Numéricos
Simulaciones extensivas demuestran que la GNN de tres etapas propuesta supera consistentemente a las líneas base representativas del sistema (por ejemplo, sistemas sin RIS, sistemas con PA fija, asociación aleatoria) y a las líneas base de modelos (por ejemplo, MLP, HAN de una sola etapa, GAT estándar).

• Rendimiento: La optimización conjunta de la movilidad de las PA y la reconfiguración de las RIS produce ganancias significativas tanto en SR como en EE en comparación con sistemas que utilizan solo una de estas tecnologías.
• Generalización: El modelo se generaliza bien a tamaños de problema no vistos (diferentes números de UEs, BS y RIS) y mantiene el rendimiento incluso con discrepancias moderadas de topología entre el entrenamiento y la prueba.
• Eficiencia: El tiempo de inferencia se mantiene a nivel de milisegundos, lo que hace que el enfoque sea adecuado para la implementación en línea.
• Estudios de Ablación: Los resultados confirman la necesidad de paso de mensajes, conexiones residuales y mapeos de valor complejo en cada etapa. El estudio también muestra que las ganancias de rendimiento de la movilidad de las PA aumentan con el número de PA, saturándose eventualmente debido a la disminución de los grados de libertad espaciales.

Significado
El artículo afirma presentar el primer diseño de transmisión efectivo para sistemas de PA dentro del contexto desafiante de la asistencia coordinada multi-BS multi-RIS. Al cerrar la brecha entre la reconfiguración espacial en el lado del transmisor (PA) y el control de ondas en el lado del entorno (RIS), el marco propuesto ofrece una solución prácticamente viable para las futuras comunicaciones inalámbricas 6G. El trabajo destaca que combinar arquitecturas de antenas flexibles con superficies inteligentes, gestionadas por un marco de aprendizaje profundo escalable, puede mejorar significativamente la eficiencia espectral y energética en entornos dinámicos y multicelda.