GNN-based Online Beamforming Design for HAPS-Assisted NTN

Resumo Técnico: Design de Beamforming Online baseado em GNN para NTN Assistido por HAPS

Definição do Problema
As redes celulares terrestres, particularmente em ambientes urbanos, sofrem com limitações significativas de capacidade para usuários na borda da célula devido à alta perda de percurso, sombreamento e interferência intercelular (ICI). Embora as Estações de Plataforma de Alta Altitude (HAPS) ofereçam links de Linha de Visada (LoS) promissores para mitigar esses problemas, a integração delas em redes multi-celulares introduz desafios de otimização complexos. Especificamente, o artigo aborda o design conjunto de vetores de beamforming híbrido (analógico e digital) tanto em Estações Base (BS) terrestres quanto em um HAPS Full-Duplex (FD). O objetivo é maximizar a Eficiência Energética (EE) do sistema, satisfazendo as restrições de taxa de Qualidade de Serviço (QoS) e os limites de potência. O problema é inerentemente não convexo devido às restrições de módulo constante nos pesos analógicos e à natureza acoplada da interferência em um ambiente de Acesso Múltiplo Não Ortogonal (NOMA). Os métodos tradicionais de otimização iterativa (ex: Otimização Alternada, Entropia Cruzada Adaptativa) frequentemente enfrentam dificuldades com complexidade computacional e escalabilidade em redes densas e dinâmicas. Além disso, as abordagens padrão de aprendizado profundo (DNN, CNN) geralmente carecem de modelagem explícita da topologia da rede, limitando sua generalização quando as dimensões da rede mudam.

Metodologia
Os autores propõem um framework de otimização online baseado em Redes Neurais de Grafos (GNN) para resolver o problema de beamforming híbrido. A metodologia é estruturada da seguinte forma:

1. Modelo de Sistema: A rede consiste em múltiplas células, cada uma servida por uma BS com um Array Planar Uniforme (UPA) e um HAPS central FD. O sistema opera na banda mmWave (28 GHz) usando NOMA para multiplexar usuários próximos e de borda. O HAPS atua como um relé, recebendo sinais das BSs e transmitindo para usuários de borda, enquanto também gerencia a interferência via Cancelamento de Interferência Sucessiva (SIC).
2. Design de Beamforming Analógico: Para reduzir a complexidade, os pesos de beamforming analógico são projetados usando uma estratégia de baixa complexidade e forma fechada. Esses pesos são derivados diretamente da informação de estado do canal (CSI), especificamente mapeando a fase dos coeficientes de canal complexo-conjugado ou utilizando direções de partida dominantes para satisfazer as restrições de módulo constante.
3. Beamforming Digital Baseado em GNN: A inovação central reside na otimização online dos pesos de beamforming digital usando uma GNN.
   • Representação de Grafo: A rede sem fio é modelada como um grafo onde os nós representam as BSs, o HAPS e o Equipamento de Usuário (UE). As arestas representam canais sem fio e relações de interferência.
   • Arquitetura: O framework emprega três componentes de rede neural: uma Link NN para processar características de canal, uma Node NN para agregar mensagens e atualizar estados de nó (capturando padrões de interferência) e uma Beamforming NN para gerar os pesos de precodificação e combinação digital.
   • Objetivo de Treinamento: Em vez de treinamento offline, os parâmetros da GNN são atualizados online usando uma função de perda baseada em penalidade. Esta função minimiza o inverso da EE enquanto impõe estritamente as restrições de taxa mínima e limites de potência via termos de penalidade ($\lambda_2$ e $\lambda_3$).
4. Loop de Otimização: O processo itera onde a GNN gera pesos de beamforming, uma função de penalidade avalia a EE e o cumprimento das restrições, e os gradientes são calculados via backpropagation para atualizar os parâmetros da rede em tempo real.

Principais Contribuições

• Framework de Operação Online Baseado em GNN: Desenvolvimento de uma técnica baseada em GNN para otimizar conjuntamente os pesos de beamforming híbrido em BSs terrestres e HAPS. Esta abordagem modela explicitamente a topologia da rede e a interferência, abordando as limitações de generalização de DNNs e CNNs de entrada fixa.
• Estratégia de Beamforming Híbrido: Um design de dois estágios onde os pesos analógicos são determinados via mapeamento de fase de canal, e os pesos digitais são otimizados online via GNN, equilibrando desempenho com restrições de hardware.
• Benchmarking de Desempenho: Avaliação abrangente comparando a abordagem proposta de GNN contra técnicas de Entropia Cruzada Adaptativa (ACE), DNN e baseadas em CNN.
• Análise de Integração de HAPS: Demonstração dos benefícios específicos da integração de HAPS em redes NOMA terrestres, particularmente para o desempenho de usuários na borda da célula.

Resultados
Simulações numéricas conduzidas com variados raios de célula (200m a 1000m) e parâmetros mmWave produzem os seguintes achados:

• Eficiência Energética Superior: A abordagem baseada em GNN alcança consistentemente uma EE maior comparada aos métodos ACE, DNN e CNN em todos os raios de célula. Isso é atribuído à capacidade da GNN de capturar interferência intercelular e topologia através de passagem de mensagens.
• Desempenho do Usuário de Borda: O método proposto melhora significativamente a EE do 5º percentil, indicando maior confiabilidade de serviço para usuários de borda que tipicamente sofrem com condições de canal desfavoráveis.
• Robustez a Mudanças de Topologia: Diferente de DNN e CNN, que mostraram desvios de desempenho quando os tamanhos das células mudaram, a abordagem GNN demonstrou maior consistência e robustez, validando seu design consciente da topologia.
• Impacto do HAPS: Redes utilizando assistência de HAPS mostraram uma EE geral mais alta e melhor desempenho do 5º percentil comparado a redes sem HAPS. A combinação GNN-HAPS manteve o desempenho estável mesmo conforme o raio da célula aumentava, enquanto o desempenho da GNN sem HAPS mostrou variação significativa.
• NOMA vs. OMA: A integração de NOMA com o framework GNN rendeu uma EE maior que o Acesso Múltiplo Ortogonal (OMA) em todos os cenários, com a combinação GNN-NOMA mostrando os ganhos mais consistentes.

Significância e Alegações
O artigo afirma que o framework de otimização online baseado em GNN proposto aborda efetivamente a natureza não convexa e acoplada do beamforming híbrido em redes NOMA assistidas por HAPS sem depender de treinamento offline extensivo. A significância do trabalho reside em demonstrar que o aprendizado consciente da topologia é crucial para a otimização online em ambientes sem fio dinâmicos. Ao alavancar a estrutura de grafo da rede, o método proposto supera algoritmos iterativos tradicionais e modelos de aprendizado profundo padrão em termos de eficiência energética e generalização. Os resultados sugerem que integrar HAPS com beamforming baseado em GNN é uma estratégia viável para aumentar a capacidade e a eficiência energética das futuras redes 6G, particularmente para atender usuários de borda de célula em cenários urbanos densos. Os autores observam que trabalhos futuros explorarão múltiplos implementos de HAPS, mobilidade de usuários e informação de estado de canal imperfeita.