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

Resumo Técnico: Sistemas de Antenas de Pinçamento Multi-BS Multi-RIS com Eficiência Espectral e Energética

Enunciado do Problema
Este artigo aborda a transmissão coordenada de enlace descendente em um sistema de antenas de pinçamento (PA) assistido por múltiplas estações base (multi-BS) e múltiplas superfícies inteligentes reconfiguráveis (multi-RIS). Nesta arquitetura, cada equipamento de usuário (UE) é atendido por uma única BS, onde cada BS está equipada com PAs móveis implantadas em guias de onda paralelos. O sistema visa maximizar a taxa de soma (SR) ou a eficiência energética (EE) através da otimização conjunta de quatro variáveis fortemente acopladas:

1. Posicionamento de PA: As posições físicas das antenas móveis nos guias de onda.
2. Deslocamentos de Fase RIS: Os coeficientes de reflexão das superfícies inteligentes.
3. Formação de Feixe de Transmissão: Os vetores de pré-codificação em banda base.
4. Associação BS-UE: O mapeamento de UEs para BSs específicas.

A otimização é restrita por requisitos de espaçamento inter-PA, orçamentos de potência total e restrições de módulo unitário para as fases RIS. O problema é caracterizado como uma tarefa de otimização de variáveis mistas altamente acoplada, envolvendo variáveis contínuas, binárias e de módulo unitário. Algoritmos iterativos tradicionais são considerados computacionalmente proibitivos e sofrem de baixa escalabilidade em topologias de rede em grande escala e dinâmicas.

Metodologia
Para resolver este problema de otimização complexo, os autores propõem uma Rede Neural de Grafos (GNN) de três estágios treinada de forma não supervisionada e ponta a ponta. O framework é projetado para lidar com a estrutura relacional da rede (BSs, RISs e UEs) e garantir a viabilidade das variáveis de saída sem depender de termos de penalidade na função de perda.

A arquitetura proposta consiste em três estágios sequenciais:

1. Estágio 1 (ChanGNN): Utiliza uma representação de grafo heterogêneo contendo nós BS, UE e RIS. Emprega Camadas de Atenção a Grafos Heterogêneos Complexos (CHAL) para aprender conjuntamente posições de PA e deslocamentos de fase RIS com base nas localizações dos nós.
   • Mecanismo de Viabilidade: As posições de PA são reconstruídas a partir de variáveis auxiliares de espaçamento usando escalonamento e normalização sigmoidal para satisfazer restrições de espaçamento mínimo e limites. As fases RIS são normalizadas para módulo unitário.
2. Estágio 2 (BeamGNN): Utiliza um grafo homogêneo onde os nós representam links BS-UE. Emprega Camadas de Atenção a Grafos Complexos (CGAL) para aprender vetores de formação de feixe de transmissão.
   • Mecanismo de Viabilidade: A rede gera coeficientes híbridos e alocações de potência, que são processados através de um esquema de aprendizado de Forçamento Zero Híbrido e Transmissão com Razão Máxima (HZM) para gerar vetores de formação de feixe válidos.
3. Estágio 3 (AssocGNN): Opera no mesmo grafo homogêneo, mas foca em características de ganho de formação de feixe para determinar a matriz de associação BS-UE.
   • Mecanismo de Viabilidade: Uma relaxação Gumbel-Softmax é usada durante o treinamento para permitir otimização diferenciável das variáveis de associação binária, seguida por uma atribuição rígida (argmax) durante a inferência. A normalização de potência por BS garante que as restrições de orçamento de potência sejam atendidas.

O modelo integra representações de grafos heterogêneos e homogêneos para capturar interações diversas (por exemplo, BS-RIS, interferência intra-BS, competição inter-BS).

Principais Contribuições

• Framework de Otimização Unificado: O artigo formula problemas de maximização de SR e EE para um sistema multi-BS multi-RIS PA, otimizando conjuntamente posicionamento de PA, configuração RIS, formação de feixe e associação sob restrições práticas.
• Arquitetura GNN de Três Estágios: Os autores propõem uma arquitetura inovadora (ChanGNN, BeamGNN, AssocGNN) que modela explicitamente interações heterogêneas e homogêneas. Introduz mecanismos de leitura que preservam a viabilidade para todas as variáveis de decisão, garantindo que as restrições sejam satisfeitas por projeto, e não por penalidades suaves.
• Escalabilidade e Generalização: O método proposto é projetado para ser escalável a números não vistos de UEs, BSs e RISs através de compartilhamento de parâmetros e viés indutivo baseado em grafos, evitando a necessidade de retreinamento quando o tamanho da rede muda.

Resultados Numéricos
Simulações extensivas demonstram que a GNN de três estágios proposta supera consistentemente bases de referência de sistemas representativas (por exemplo, sistemas sem RIS, sistemas de PA fixa, associação aleatória) e bases de referência de modelos (por exemplo, MLPs, HANs de estágio único, GATs padrão).

• Desempenho: A otimização conjunta da mobilidade de PA e reconfiguração de RIS produz ganhos significativos tanto em SR quanto em EE em comparação com sistemas que utilizam apenas uma dessas tecnologias.
• Generalização: O modelo generaliza bem para tamanhos de problema não vistos (diferentes números de UEs, BSs e RISs) e mantém o desempenho mesmo com discrepâncias moderadas de topologia entre treinamento e teste.
• Eficiência: O tempo de inferência permanece no nível de milissegundos, tornando a abordagem adequada para implantação online.
• Estudos de Ablação: Os resultados confirmam a necessidade de passagem de mensagens, conexões residuais e mapeamentos de valor complexo em cada estágio. O estudo também mostra que os ganhos de desempenho da mobilidade de PA aumentam com o número de PAs, eventualmente saturando devido à diminuição dos graus de liberdade espaciais.

Significância
O artigo afirma apresentar o primeiro projeto de transmissão eficaz para sistemas PA no contexto desafiador de assistência coordenada multi-BS multi-RIS. Ao preencher a lacuna entre reconfiguração espacial no lado do transmissor (PA) e controle de ondas no lado do ambiente (RIS), o framework proposto oferece uma solução praticamente viável para comunicações sem fio 6G futuras. O trabalho destaca que combinar arquiteturas de antena flexíveis com superfícies inteligentes, gerenciadas por um framework de aprendizado profundo escalável, pode melhorar significativamente a eficiência espectral e energética em ambientes dinâmicos multicélula.