Association-Aware GNN for Precoder Learning in Cell-Free Systems

Titolo

GNN Consapevole dell'Associazione per l'Apprendimento del Precodificatore in Sistemi Cell-Free

1. Il Problema

I sistemi Cell-Free Multi-Antenna (senza celle) mitigano efficacemente l'interferenza tra celle servendo gli utenti (UE) in modo coordinato tramite punti di accesso (AP) multipli. Tuttavia, l'ottimizzazione congiunta dei precodificatori per massimizzare la somma dei tassi (sum-rate) comporta un elevato onere computazionale, rendendo difficile soddisfare i requisiti di tempo reale.

Sebbene le reti neurali profonde (DNN) siano state utilizzate per apprendere politiche di precodifica, esistono due limitazioni critiche nei metodi esistenti per i sistemi Cell-Free:

1. Mancanza di invarianza permutazionale (Permutation Equivariance - PE): Le politiche di precodifica ideali devono essere invarianti rispetto alla permutazione degli indici degli UE, degli AP e delle antenne. Le architetture esistenti (come FNN o CNN standard) non sfruttano appieno questa proprietà, portando a una maggiore complessità di addestramento e a una scarsa generalizzazione.
2. Gestione statica dell'associazione: A differenza dei sistemi cellulari tradizionali dove un UE è servito da un singolo AP, in un sistema Cell-Free un UE può essere servito da un sottoinsieme variabile di AP. I metodi di apprendimento attuali spesso assumono un'associazione fissa o ottimizzano l'associazione basandosi su canali a piccola scala, causando un eccessivo overhead di segnalazione. È necessario un approccio che consideri esplicitamente lo stato dinamico di associazione UE-AP (basato su guadagni a larga scala) insieme alle informazioni sullo stato del canale (CSI).

2. Metodologia Proposta: AAGNN

Gli autori propongono una Rete Neurale Grafica Consapevole dell'Associazione (AAGNN - Association-Aware Graph Neural Network) progettata specificamente per soddisfare le proprietà di invarianza permutazionale 3D (rispetto a UE, AP e antenne).

A. Formulazione del Problema e Politiche di Precodifica

• Il problema di ottimizzazione massimizza la somma dei tassi soggetta a vincoli di potenza per AP.
• Viene introdotta una distinzione esplicita tra canali di segnale desiderato e canali di interferenza basandosi sulla matrice di associazione $D$. Se $d_{km}=1$, il canale $h_{km}$ è un segnale desiderato; altrimenti è interferenza.
• La politica di precodifica ottimale è formulata come una mappa che prende in input varianti della matrice del canale costruite esplicitamente con lo stato di associazione.

B. Struttura a Condivisione dei Parametri (Parameter-Sharing)

Per garantire la proprietà 3D-PE, gli autori derivano una struttura specifica per le matrici di peso della GNN.

• Invece di utilizzare pesi arbitrari, la matrice di peso è vincolata a condividere parametri in modo che, se gli indici di ingresso vengono permutati, l'uscita venga permutata di conseguenza.
• Questo vincolo riduce drasticamente il numero di parametri liberi (da milioni a solo 6 parametri liberi per strato per ogni componente di peso), garantendo che la rete apprenda la politica indipendentemente dalla numerazione specifica di AP o UE.

C. Costruzione del Grafo e Aggiornamento

• Viene costruito un grafo eterogeneo con vertici per le antenne degli AP e vertici per gli UE.
• Gli archi collegano le antenne agli UE serviti (linee continue) o non serviti (linee tratteggiate).
• L'aggiornamento degli stati nascosti segue un processo di aggregazione e combinazione che tiene conto dell'associazione $d_{km}$, permettendo alla rete di distinguere dinamicamente tra segnali utili e interferenze.

D. Meccanismo di Attenzione

Per migliorare la generalizzazione rispetto al numero variabile di UE, viene introdotto un meccanismo di attenzione personalizzato:

• Invece di combinare direttamente le informazioni aggregate, la rete calcola coefficienti di attenzione basati sulla correlazione tra il canale $h_{km}$ e le rappresentazioni aggregate.
• Questo permette alla rete di pesare dinamicamente l'importanza delle informazioni provenienti dallo stesso UE rispetto a quelle provenienti da altri UE, migliorando la robustezza quando il numero di utenti cambia.

3. Risultati delle Simulazioni

Le simulazioni sono state condotte confrontando l'AAGNN con algoritmi numerici (WMMSE) e altri metodi basati su Deep Learning (SUNet, GNN esistenti, ecc.).

• Prestazioni di Apprendimento: L'AAGNN supera tutti i metodi di base, raggiungendo prestazioni vicine all'algoritmo WMMSE (quasi ottimo) anche con un numero molto ridotto di campioni di addestramento (es. 16 campioni).
• Generalizzazione:
  • Numero di UE: L'AAGNN mantiene alte prestazioni quando il numero di UE di test differisce da quello di addestramento, mentre altri metodi (come SUNet o GNN senza attenzione) subiscono un calo drastico.
  • Numero di AP e Antenne: La rete generalizza bene anche al variare del numero di AP e delle antenne per AP, grazie alla proprietà 3D-PE.
• Complessità:
  • Complessità dei Campioni: L'AAGNN richiede un numero di campioni di addestramento significativamente inferiore (12 campioni vs >12.800 per altri metodi) per raggiungere il 90% delle prestazioni di WMMSE.
  • Complessità Temporale e Spaziale: Grazie alla condivisione dei parametri, il tempo di addestramento e il numero di parametri (spazio) sono molto più bassi rispetto alle controparti senza la struttura PE o con meccanismi di attenzione generici.
  • Tempo di Inferenza: Il tempo di inferenza è basso e paragonabile ad altri metodi efficienti, rendendolo adatto per applicazioni in tempo reale.

4. Contributi Chiave

1. Proposta AAGNN: Prima architettura GNN che integra esplicitamente lo stato di associazione UE-AP nel design del precodificatore per sistemi Cell-Free.
2. Soddisfacimento della Proprietà 3D-PE: Derivazione teorica di una struttura di condivisione dei parametri che garantisce l'invarianza permutazionale rispetto a UE, AP e antenne, riducendo la complessità di addestramento.
3. Meccanismo di Attenzione Adattivo: Sviluppo di un meccanismo di attenzione specifico per sistemi Cell-Free che migliora la generalizzazione al variare del numero di utenti.
4. Efficienza Dimostrata: Dimostrazione empirica che l'approccio proposto supera i metodi esistenti in termini di prestazioni, generalizzazione ed efficienza computazionale.

5. Significato e Impatto

Questo lavoro risolve una delle principali sfide nell'implementazione pratica dei sistemi Cell-Free: la gestione efficiente e scalabile delle associazioni dinamiche tra utenti e punti di accesso.

• Scalabilità: La capacità di generalizzare a numeri variabili di utenti e AP rende il sistema adatto a scenari reali dove la densità degli utenti fluttua.
• Efficienza Operativa: La riduzione drastica della complessità di addestramento e l'overhead di segnalazione ridotto (grazie all'associazione basata su canali a larga scala) facilitano l'adozione di soluzioni basate sull'IA nelle reti di nuova generazione (6G).
• Robustezza: L'approccio garantisce prestazioni stabili anche in condizioni di dati di addestramento limitati, un vantaggio cruciale per l'addestramento di modelli in ambienti di rete complessi.