⚡ electrical engineering

GNN-based Online Beamforming Design for HAPS-Assisted NTN

Cet article propose un cadre d'optimisation en ligne basé sur les réseaux de neurones sur graphes pour concevoir conjointement les vecteurs de formation de faisceaux pour les stations de base terrestres et les stations en haute altitude (HAPS), maximisant efficacement l'efficacité énergétique et améliorant le service pour les utilisateurs en bordure de cellule en exploitant les liaisons en visibilité directe (LoS) pour atténuer la perte de trajet et les interférences.

Auteurs originaux : Lavanya S S Anjapuli, Animesh Yadav, Halim Yanikomeroglu

Publié 2026-06-02

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Lavanya S S Anjapuli, Animesh Yadav, Halim Yanikomeroglu

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez une ville très animée où les antennes relais (stations de base) essaient de communiquer avec les téléphones des gens. Habituellement, les personnes se trouvant juste à côté de la tour bénéficient d'un signal cristallin. Mais les personnes situées à la toute limite du quartier (les utilisateurs en « bordure de cellule ») ont souvent du mal. Leurs signaux peuvent être bloqués par de hauts bâtiments, perdus avec la distance ou étouffés par le bruit provenant des antennes voisines. C'est comme essayer d'entendre un chuchotement dans une pièce bondée et bruyante.

Cet article propose une solution ingénieuse : faire appel à un assistant de haute altitude.

L'assistant de haute altitude (HAPS)

Considérez un HAPS (Station de Plateforme à Haute Altitude) comme un drone ou un dirigeable surpuissant flottant haut dans le ciel (à environ 22 kilomètres d'altitude). Parce qu'il est si haut, il possède une ligne de vue dégagée et sans obstacle vers tout le monde au sol, tout comme un phare peut voir par-dessus les vagues.

Dans ce système, lorsqu'une personne à la bordure de la cellule rencontre des difficultés, la tour au sol ne se contente pas de crier plus fort. Au lieu de cela, elle envoie le message à l'assistant HAPS. Le HAPS le réceptionne, l'amplifie et le projette directement vers l'utilisateur en difficulté. Cela permet de contourner les bâtiments et les interférences qui causaient le problème.

Le défi : Trop de voix

Le problème est que les antennes au sol et le HAPS essaient tous les deux de parler à de nombreuses personnes en même temps en utilisant les mêmes fréquences radio. S'ils n'y prennent pas garde, leurs signaux risquent de s'entrechoquer, créant un désordre de bruit.

Pour corriger cela, les ingénieurs utilisent le Beamforming (formation de faisceaux). Imaginez une lampe de poche. Une ampoule classique diffuse de la lumière partout, gaspillant ainsi de l'énergie. Une lampe de poche dotée d'une lentille concentre la lumière en un faisceau serré là où vous en avez besoin. En termes radio, les tours utilisent des « réseaux d'antennes » (plusieurs petites antennes travaillant ensemble) pour concentrer leurs signaux comme des faisceaux laser directement vers des utilisateurs spécifiques.

Cependant, réaliser cela parfaitement relève d'un calcul mathématique incroyablement complexe. Les signaux changent chaque milliseconde à mesure que les gens se déplacent ou que les nuages passent. Les ordinateurs traditionnels tentent de résoudre cela en effectuant des calculs complexes et lents de manière répétée, ce qui prend trop de temps et consomme trop de batterie.

La solution : Le « Cerveau de réseau intelligent » (GNN)

Les auteurs de cet article proposent une nouvelle façon de résoudre cela en utilisant des Réseaux de Neurones sur Graphes (GNN).

L'ancienne méthode (DNN/CNN) : Imaginez un étudiant essayant d'apprendre les schémas de circulation en regardant une seule photo d'une intersection. Il pourrait bien apprendre cette intersection, mais si on lui montre une ville différente avec une configuration différente, il sera confus. Il ne comprend pas comment toute la ville est connectée.
La nouvelle méthode (GNN) : Imaginez un étudiant qui apprend en regardant une carte de la ville entière, comprenant comment chaque rue est reliée à toutes les autres. Il voit le flux de trafic comme un système global.

Le GNN agit comme cet étudiant « lecteur de cartes ». Il traite l'ensemble du réseau (tours, HAPS et téléphones) comme un graphe connecté. Il comprend que si la Tour A crie, elle pourrait déranger l'Utilisateur B à la bordure de la Tour C. En comprenant ces relations, il peut instantanément déterminer l'angle et la puissance parfaits pour chaque « lampe de poche » (faisceau) afin de maximiser l'efficacité.

Qu'ont-ils découvert ?

Les chercheurs ont testé leur « Cerveau de réseau intelligent » contre d'autres méthodes (comme l'IA de type « apprenant par photo » et certains algorithmes mathématiques traditionnels).

Meilleur pour la bordure : Le système HAPS, guidé par le GGN, a considérablement aidé les utilisateurs à la bordure de la cellule. Il a permis de garantir que même les personnes ayant les moins bonnes connexions bénéficient d'un service décent.
Efficacité énergétique : Le système a utilisé moins d'énergie pour accomplir la tâche. C'était comme obtenir plus de kilomètres par litre dans une voiture. Le GNN était le conducteur le plus efficace, gaspillant le moins d'énergie.
Constance : Même lorsque le réseau devenait important ou que les conditions devenaient difficiles, le GNN ne paniquait pas. Il continuait à bien performer, alors que les autres méthodes avaient plus de mal à mesure que la situation devenait complexe.

L'essentiel à retenir

Cet article démontée qu'en plaçant un assistant dans le ciel et en utilisant un « cerveau intelligent » qui comprend comment l'ensemble du réseau est connecté, nous pouvons rendre l'internet sans fil plus rapide et plus fiable pour tout le monde, surtout pour ceux qui reçoivent habituellement le pire signal, tout en économisant de l'énergie.

Résumé Technique : Conception de Formation de Faisceaux en Ligne basée sur les GNN pour les NTN assistés par HAPS

Énoncé du Problème
Les réseaux cellulaires terrestres, particulièrement dans les environages urbains, souffrent de limitations de capacité significatives pour les utilisateurs en bordure de cellule en raison de l'atténuation élevée, de l'ombrage et des interférences intercellulaires (ICI). Bien que les stations de plateforme à haute altitude (HAPS) offrent des liaisons de visibilité directe (LoS) prometteuses pour atténuer ces problèmes, l'intégration de ces dernières dans des réseaux multi-cellulaires introduit des défis d'optimisation complexes. Plus précisément, l'article traite de la conception conjointe des vecteurs de formation de faisceaux hybrides (analogiques et numériques) tant au niveau des stations de base (BS) terrestres qu'au niveau d'un HAPS en mode duplex intégral (Full-Duplex, FD). L'objectif est de maximiser l'efficacité énergétique (EE) du système tout en respectant les contraintes de débit de Qualité de Service (QoS) et les limites de puissance. Le problème est intrinsèquement non convexe en raison des contraintes de module constant sur les poids analogiques et de la nature couplée des interférences dans un environnement d'accès multiple non orthogonal (NOMA). Les méthodes d'optimisation itératives traditionnelles (par exemple, l'optimisation alternée, l'entropie croisée adaptative) peinent souvent face à la complexité de calcul et au passage à l'échelle dans des réseaux denses et dynamiques. De plus, les approches classiques d'apprentissage profond (DNN, CNN) manquent souvent de modélisation explicite de la topologie du réseau, ce qui limite leur capacité de généralisation lorsque les dimensions du réseau changent.

Méthodologie
Les auteurs proposent un cadre d'optimisation en ligne basé sur les réseaux de neurones sur graphes (GNN) pour résoudre le problème de la formation de faisceaux hybrides. La méthodologie est structurée comme suit :

Modèle de Système : Le réseau se compose de plusieurs cellules, chacune servie par une BS dotée d'un réseau planaire uniforme (UPA), et d'un HAPS central FD. Le système fonctionne dans la bande mmWave (28 GHz) en utilisant le NOMA pour multiplexer les utilisateurs proches et éloignés. Le HAPS agit comme un relais, recevant les signaux des BS et les transmettant aux utilisateurs en bordure de cellule, tout en gérant les interférences via l'annulation successive d'interférences (SIC).
Conception de la Formation de Faisceaux Analogiques : Pour réduire la complexité, les poids de formation de faisceaux analogiques sont conçus à l'aide d'une stratégie à faible complexité et en forme fermée. Ces poids sont dérivés directement de l'état du canal (CSI), spécifiquement en cartographiant la phase des coefficients de canal complexes ou en utilisant les directions de départ dominantes pour satisfaire les contraintes de module constant.
Formation de Faisceaux Numériques basée sur les GNN : L'innovation centrale réside dans l'optimisation en ligne des poids de formation de faisceaux numériques à l'aide d'un GNN.
- Représentation par Graphe : Le réseau sans fil est modélisé comme un graphe où les nœuds représentent les BS, le HAPS et l'équipement utilisateur (UE). Les arêtes représentent les canaux sans fil et les relations d'interférence.
- Architecture : Le cadre utilise trois composants de réseaux neuronaux : un NN de liaison (Link NN) pour traiter les caractéristiques du canal, un NN de nœud (Node NN) pour agréger les messages et mettre à jour l'état des nœuds (capturant les motifs d'interférence), et un NN de formation de faisceaux (Beamforming NN) pour produire les poids de précodage et de combinaison numériques.
- Objectif d'Entraînement : Au lieu d'un entraînement hors ligne, les paramètres du GNN sont mis à jour en ligne à l'aide d'une fonction de perte basée sur une pénalité. Cette fonction minimise l'inverse de l'EE tout en imposant strictement les contraintes de débit minimal et les contraintes de puissance maximale via des termes de pénalité ( $\lambda_2$ et $\lambda_3$ ).
Boucle d'Optimisation : Le processus itère là où le GNN génère les poids de formation de faisceaux, une fonction de pénalité évalue l'EE et le respect des contraintes, et les gradients sont calculés via la rétropropagation pour mettre à jour les paramètres du réseau en temps réel.

Contributions Clés

Cadre en Ligne basé sur les GNN : Développement d'une technique basée sur les GNN pour optimiser conjointement les poids de formation de faisceaux hybrides aux BS terrestres et au HAPS. Cette approche modélise explicitement la topologie du réseau et l'interférence, répondant aux limitations de généralisation des DNN et CNN à entrées fixes.
Stratégie de Formation de Faisceaux Hybrides : Une conception en deux étapes où les poids analogiques sont déterminés par une cartographie de la phase du canal, et les poids numériques sont optimisés en ligne via le GNN, équilibrant la performance et les contraintes matérielles.
Évaluation de Performance : Évaluation complète comparant l'approche GNN proposée aux méthodes basées sur l'entropie croisée adaptative (ACE), le DNN et le CNN.
Analyse de l'Intégration HAPS : Démonstration des bénéfices spécifiques de l'intégration d'un HAPS dans les réseaux NOMA terrestres, particulièrement concernant la performance des utilisateurs en bordure de cellule.

Résultats
Les simulations numériques menées avec des rayons de cellule variables (200 m à 1000 m) et des paramètres mmWave produisent les conclusions suivantes :

Efficacité Énergétique Supérieure : L'approche basée sur les GNN atteint systématiquement une EE plus élevée que les méthodes ACE, DNN et CNN sur tous les rayons de cellule. Cela est attribué à la capacité du GNN à capturer l'interférence intercellulaire et la topologie grâce au passage de messages.
Performance des Utilisateurs en Bordure de Cellule : La méthode proposée améliore considérablement l'EE au 5ème percentile, indiquant une fiabilité de service accrue pour les utilisateurs en bordure de cellule qui souffrent typiquement de mauvaises conditions de canal.
Robustesse aux Changements de Topologie : Contrairement au DNN et au CNN, qui ont montré des écarts de performance lorsque la taille des cellules changeait, l'approche GNN a démontré une plus grande cohérence et robustesse, validant sa conception sensible à la topologie.
Impact du HAPS : Les réseaux utilisant l'assistance HAPS ont montré une EE globale plus élevée et une meilleure performance au 5ème percentile par rapport aux réseaux sans HAPS. La combinaison GNN-HAPS a maintenu des performances stables même lorsque le rayon de la cellule augmentait, tandis que la performance du GNN sans HAPS a montré une variation significative.
NOMA vs OMA : L'intégration du NOMA avec le cadre GNN a produit une EE plus élevée que l'accès multiple orthogonal (OMA) dans tous les scénarios, la combinaison GNN-NOMA présentant les gains les plus constants.

Signification et Revendications
L'article affirme que le cadre d'optimisation en ligne basé sur les GNN proposé traite efficacement la nature non convexe et couplée de la formation de faisceaux hybride dans les réseaux NOMA assistés par HAPS sans dépendre d'un entraînement hors ligne extensif. La signification de ce travail réside dans la démonstration que l'apprentissage sensible à la topologie est crucial pour l'optimisation en ligne dans les environnements sans fil dynamiques. En exploitant la structure de graphe du réseau, la méthode proposée surpasse les algorithmes itératifs traditionnels et les modèles d'apprentissage profond standards en termes d'efficacité énergétique et de généralisation. Les résultats suggèrent que l'intégration du HAPS avec la formation de faisceaux basée sur les GNN est une stratégie viable pour améliorer la capacité et l'efficacité énergétique des futurs réseaux 6G, particulièrement pour servir les utilisateurs en bordure de cellule dans des scénarios urbains denses. Les auteurs notent que les travaux futurs exploreront le déploiement de multiples HAPS, la mobilité des utilisateurs et l'état imparfait du canal (CSI).

L'assistant de haute altitude (HAPS)

Le défi : Trop de voix

La solution : Le « Cerveau de réseau intelligent » (GNN)

Qu'ont-ils découvert ?

L'essentiel à retenir

Articles similaires