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

Résumé technique : Systèmes à antennes pincées multi-BS et multi-RIS à efficacité spectrale et énergétique

Énoncé du problème
Ce papier traite de la transmission en liaison descendante coordonnée dans un système à antennes pincées (PA) assisté par plusieurs stations de base (multi-BS) et plusieurs surfaces intelligentes reconfigurables (multi-RIS). Dans cette architecture, chaque équipement utilisateur (UE) est desservi par une seule BS, où chaque BS est équipée de PA mobiles déployées sur des guides d'ondes parallèles. Le système vise à maximiser soit le débit global (SR), soit l'efficacité énergétique (EE) en optimisant conjointement quatre variables étroitement couplées :

1. Placement des PA : Les positions physiques des antennes mobiles sur les guides d'ondes.
2. Déphasages des RIS : Les coefficients de réflexion des surfaces intelligentes.
3. Précodage de transmission : Les vecteurs de précodage en bande de base.
4. Association BS-UE : La mise en correspondance des UEs avec des BS spécifiques.

L'optimisation est contrainte par les exigences d'espacement inter-PA, les budgets de puissance totaux et les contraintes de module unitaire pour les phases des RIS. Le problème est caractérisé comme une tâche d'optimisation mixte hautement couplée impliquant des variables continues, binaires et à module unitaire. Les algorithmes itératifs traditionnels sont jugés prohibitifs en termes de calcul et souffrent d'une mauvaise évolutivité dans les topologies de réseau dynamiques à grande échelle.

Méthodologie
Pour résoudre ce problème d'optimisation complexe, les auteurs proposent un réseau de neurones à graphes (GNN) en trois étapes entraîné de manière non supervisée et de bout en bout. Le cadre est conçu pour gérer la structure relationnelle du réseau (BS, RIS et UEs) et assurer la faisabilité des variables de sortie sans recourir à des termes de pénalité dans la fonction de perte.

L'architecture proposée se compose de trois étapes séquentielles :

1. Étape 1 (ChanGNN) : Utilise une représentation de graphe hétérogène contenant des nœuds BS, UE et RIS. Elle emploie des couches d'attention de graphes hétérogènes complexes (CHAL) pour apprendre conjointement les positions des PA et les déphasages des RIS basés sur les emplacements des nœuds.
   • Mécanisme de faisabilité : Les positions des PA sont reconstruites à partir de variables d'espacement auxiliaires en utilisant une mise à l'échelle sigmoïde et une normalisation pour satisfaire les contraintes d'espacement minimum et de limites. Les phases des RIS sont normalisées pour avoir un module unitaire.
2. Étape 2 (BeamGNN) : Utilise un graphe homogène où les nœuds représentent les liens BS-UE. Elle emploie des couches d'attention de graphes complexes (CGAL) pour apprendre les vecteurs de précodage de transmission.
   • Mécanisme de faisabilité : Le réseau sort des coefficients hybrides et des allocations de puissance, qui sont traités via un schéma d'apprentissage de forçage nul hybride et de transmission à rapport maximal (HZM) pour générer des vecteurs de précodage valides.
3. Étape 3 (AssocGNN) : Opère sur le même graphe homogène mais se concentre sur les caractéristiques de gain de précodage pour déterminer la matrice d'association BS-UE.
   • Mécanisme de faisabilité : Une relaxation Gumbel-Softmax est utilisée pendant l'entraînement pour permettre une optimisation différentiable des variables d'association binaires, suivie d'une affectation dure (argmax) lors de l'inférence. La normalisation de la puissance par BS garantit que les contraintes de budget de puissance sont respectées.

Le modèle intègre à la fois des représentations de graphes hétérogènes et homogènes pour capturer des interactions diverses (par exemple, BS-RIS, interférences intra-BS, compétition inter-BS).

Contributions clés

• Cadre d'optimisation unifié : Le papier formule des problèmes de maximisation du SR et de l'EE pour un système multi-BS multi-RIS à PA, optimisant conjointement le placement des PA, la configuration des RIS, le précodage et l'association sous des contraintes pratiques.
• Architecture GNN en trois étapes : Les auteurs proposent une architecture novatrice (ChanGNN, BeamGNN, AssocGNN) qui modélise explicitement les interactions hétérogènes et homogènes. Elle introduit des mécanismes de lecture préservant la faisabilité pour toutes les variables de décision, garantissant que les contraintes sont satisfaites par conception plutôt que par des pénalités douces.
• Évolutivité et généralisation : La méthode proposée est conçue pour être évolutive vers des nombres non vus d'UE, de BS et de RIS grâce au partage de paramètres et à un biais inductif basé sur les graphes, évitant ainsi la nécessité de réentraîner le modèle lorsque la taille du réseau change.

Résultats numériques
Des simulations extensives démontrent que le GNN en trois étapes proposé surpasse constamment les références représentatives du système (par exemple, systèmes sans RIS, systèmes à PA fixes, association aléatoire) et les références de modèles (par exemple, MLP, HAN à une seule étape, GAT standards).

• Performance : L'optimisation conjointe de la mobilité des PA et de la reconfiguration des RIS génère des gains significatifs tant en SR qu'en EE par rapport aux systèmes utilisant uniquement l'une de ces technologies.
• Généralisation : Le modèle se généralise bien à des tailles de problèmes non vues (différents nombres d'UE, de BS et de RIS) et maintient ses performances même avec des écarts de topologie modérés entre l'entraînement et le test.
• Efficacité : Le temps d'inférence reste au niveau de la milliseconde, rendant l'approche adaptée au déploiement en ligne.
• Études d'ablation : Les résultats confirment la nécessité du passage de messages, des connexions résiduelles et des mappings à valeurs complexes à chaque étape. L'étude montre également que les gains de performance issus de la mobilité des PA augmentent avec le nombre de PA, pour finalement saturer en raison de la diminution des degrés de liberté spatiaux.

Signification
Le papier prétend présenter la première conception de transmission efficace pour les systèmes à PA dans le contexte difficile de l'assistance coordonnée multi-BS multi-RIS. En comblant le fossé entre la reconfiguration spatiale côté émetteur (PA) et le contrôle des ondes côté environnement (RIS), le cadre proposé offre une solution pratiquement viable pour les communications sans fil 6G futures. Le travail met en évidence que la combinaison d'architectures d'antennes flexibles avec des surfaces intelligentes, gérées par un cadre d'apprentissage profond évolutif, peut améliorer considérablement l'efficacité spectrale et énergétique dans des environnements dynamiques multicellulaires.