Set Transformer-Based Beamforming Design for Cell-Free Integrated Sensing and Communication

Titel: Set Transformer-gebaseerd Beamforming-ontwerp voor Cell-Free Integrated Sensing and Communication (CF-ISAC)

1. Het Probleem

Cell-free Integrated Sensing and Communication (CF-ISAC) systemen worden gezien als een cruciale technologie voor de volgende generatie draadloze netwerken. Ze combineren communicatie en radar-sensoren in één infrastructuur met een dicht netwerk van verdeelde toegangspunten (Access Points - AP's).

De kernuitdaging ligt in het ontwerp van coöperatief beamforming. Dit vereist het simultaan voldoen aan:

• Communicatie-eisen (snelheid voor gebruikers).
• Sensing-eisen (nauwkeurigheid voor het detecteren van doelen).
• Onderdrukking van interferentie tussen AP's, gebruikers en doelen.

Bestaande oplossingen hebben twee fundamentele beperkingen:

1. Klassieke optimalisatie-algoritmen (zoals SDR, SCA, ALM-MO): Deze zijn rekenkundig zeer intensief, hebben een hoge complexiteit, schalen slecht bij grote netwerken en vereisen vaak vereenvoudigende aannames (zoals perfecte kanaal-informatie).
2. Bestaande leer-gebaseerde methoden (zoals CNN's of Graph Neural Networks): Deze hebben moeite om globale interacties en lange-afstand afhankelijkheden tussen de verspreide AP's, gebruikers en doelen te modelleren. CNN's zijn beperkt tot lokale patronen, en GNN's zijn vaak afhankelijk van vooraf gedefinieerde grafen die niet altijd de fysieke realiteit van een willekeurige set AP's weergeven.

Daarnaast vormen de netwerkentiteiten (AP's, gebruikers, doelen) een ongesorteerde verzameling (unordered set); de volgorde waarin ze worden geïndexeerd heeft geen fysieke betekenis. Bestaande modellen zijn hier vaak niet invariant voor.

2. Methodologie: STCIB

De auteurs stellen STCIB (Set Transformer-based CF-ISAC beamforming framework) voor. Dit is het eerste framework dat gebruikmaakt van Set Transformers om beamforming te leren.

• Set Transformer Architectuur: In tegenstelling tot standaard Transformers die werken op geordende sequenties (zoals tekst), is de Set Transformer ontworpen voor ongesorteerde verzamelingen. Het gebruikt een permutatie-invariante zelf-attentie-mechanisme (Self-Attention). Dit betekent dat het model de relaties tussen alle entiteiten (AP's, gebruikers, doelen) kan leren, ongeacht de volgorde waarin ze worden ingevoerd.
• Unsupervised Learning: Het framework werkt zonder gelabelde trainingsdata. In plaats van een doel te voorspellen, optimaliseert het model een aangepaste verliesfunctie (loss function) die direct de prestaties van het systeem (snelheid en sensing-rate) maximaliseert onder bepaalde constraints.
• Drie Ontwerpregimes: Het framework ondersteunt drie scenario's:
  1. Sensing-centric (SC): Maximaliseer de sensing-snelheid onder communicatie-kwaliteitsbeperkingen.
  2. Communication-centric (CC): Maximaliseer de communicatie-snelheid onder sensing-eisen.
  3. Joint ISAC: Optimaliseer een gewogen som van beide.
• Praktische Implementatie:
  • Het model neemt geschatte kanaalparameters (met imperfecte CSI) als input.
  • Het gebruikt een Lambda-laag in de post-processing om de uitgang (beamforming matrix) strikt binnen de zendvermogensbeperkingen te houden.
  • Het proces bestaat uit een offline trainingsfase (waarbij het model leert op een grote dataset) en een online implementatiefase (waarbij beamforming in één doorloop wordt gegenereerd).

3. Belangrijkste Bijdragen

1. Eerste Set Transformer-toepassing: Introductie van het eerste Set Transformer-gebaseerde framework voor CF-ISAC beamforming, specifiek ontworpen om de ongesorteerde aard van netwerkentiteiten te hanteren.
2. Globale Interactie-modellering: Het vermogen om via zelf-attentie globale afhankelijkheden tussen alle AP's, gebruikers en doelen te modelleren, wat een verbetering is ten opzichte van lokale CNN- of GNN-benaderingen.
3. Ongeëvenaarde Schaalbaarheid: Het vervangen van iteratieve optimalisatie door data-gedreven inferentie leidt tot een drastische reductie in rekentijd tijdens de online fase.
4. Uitgebreide Evaluatie: Het framework wordt getest onder drie verschillende regimes (SC, CC, Joint) en vergeleken met state-of-the-art methoden (CCPA, ALM-MO en CNN).
5. Robuustheid: Het model is getest op imperfecte kanaalschattingen (CSI errors) en toont robustheid tegen variaties in het Rician-fading kanaal.

4. Resultaten

De numerieke resultaten tonen aan dat STCIB superieur presteert ten opzichte van de concurrenten:

• Prestatieverbetering:
  • T.o.v. een CNN-baseline: STCIB bereikt aanzienlijk hogere ISAC-prestaties. Bijvoorbeeld, in het gezamenlijke regime (η=0.4) verbetert het de sensing-somrate met 14,8% en de communicatie-somrate met 31,6%.
  • T.o.v. klassieke optimalisatie (CCPA, ALM-MO): STCIB levert een bescheiden maar consistente prestatieverbetering (bijv. +4,45% tot +5,9% in sensing-rate).
• Rekentijd en Complexiteit:
  • Online Runtime: STCIB is ordegroottes sneller dan klassieke methoden. In het SC-regime is de runtime van STCIB slechts 0,1% tot 0,3% van die van CCPA en ALM-MO.
  • Efficiëntie: De toename in runtime ten opzichte van de CNN-baseline is verwaarloosbaar (slechts 0,26%), terwijl de prestatie-voordeel enorm is.
• Locatie-nauwkeurigheid: Met de MUSIC-algoritme voor locatiebepaling toont STCIB een lagere Root Mean Square Error (RMSE) in hoekschattingen vergeleken met alle benchmarks.
• Haalbaarheid: Het model voldoet in meer dan 98% van de gevallen aan de strikte snelheids- en vermogensbeperkingen.

5. Betekenis en Impact

Dit onderzoek markeert een paradigmaverschuiving in het ontwerp van CF-ISAC systemen:

• Van Iteratief naar Inference: Het bewijst dat leer-gebaseerde methoden, specifiek gebaseerd op Set Transformers, de hoge rekentijd van klassieke iteratieve optimalisatie kunnen elimineren zonder in te leveren op prestaties.
• Schalbaarheid: De permutatie-invariantie maakt het systeem ideaal voor dynamische netwerken waar het aantal gebruikers of AP's fluctueert, zonder dat de modelstructuur hoeft te veranderen.
• Toekomstperspectief: De methode biedt een fundament voor toekomstige toepassingen zoals autonoom rijden, extended reality en IoT, waar lage latentie en hoge nauwkeurigheid essentieel zijn. Het opent de deur voor adaptieve, online leer-systemen die zich kunnen aanpassen aan veranderende omgevingscondities zonder volledige hertraining.

Kortom, STCIB biedt een robuust, schaalbaar en computerefficiënt alternatief voor traditionele beamforming-technieken in complexe, verdeelde draadloze netwerken.