🤖 AI

RIS-Assisted Downlink Pinching-Antenna Systems: GNN-Enabled Optimization Approaches

本文提出了一种新颖的三阶段图神经网络（GNN）框架，通过联合优化天线位置、RIS 相移和波束赋形向量，以最大化 RIS 辅助多用户下行链路系统的总速率和能量效率，从而提供一种具有强泛化能力的实时解决方案。

原作者： Changpeng He, Yang Lu, Yanqing Xu, Chong-Yung Chi, Arumugam Nallanathan

发布于 2026-07-13

📖 1 分钟阅读☕ 轻松阅读

原作者： Changpeng He, Yang Lu, Yanqing Xu, Chong-Yung Chi, Arumugam Nallanathan

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一个这样的未来：你手机的网络连接不仅仅是发送一个信号到基站，而是与环境进行一场舞蹈，以寻找完美的路径。这就是这篇论文所探索的世界，它将两种高科技设备结合在了一起：可移动天线系统 (PASS) 和 可重构智能表面 (RIS)。

把标准的 Wi-Fi 路由器想象成一座拥有固定光束的灯塔。它向四面八方照射，但无法移动来避开一片浓雾或一栋挡住光线的建筑。现在，想象一下如果这座灯塔可以沿着轨道滑动它的灯光以靠近你，而且房间的墙壁可以神奇地倾斜它们的镜子，让光线绕过障碍物进行反射。这就是 PASS 和 RIS 协同工作的方式。

问题所在：纠缠不清的选择难题
作者想要研究这两项技术如何协同工作，以便同时向许多人发送数据。但难点在于：为计算机计算出完美的设置简直是一场噩梦。这就像是在解一个鲁比克立方体，其中每一个小方块都是不同的颜色，而你必须同时移动立方体的内部齿轮、倾斜墙上的镜子并调整光束的方向。

传统方法试图通过采取微小的、缓慢的步骤来解决这个问题：检查一项，然后再检查另一项，然后回到第一项重新检查。论文指出，这种“老派”的方法对于实时应用来说太慢且太复杂了。这就像是通过每秒钟看一次纸质地图来导航繁忙的城市；当你终于弄清楚路线时，交通状况已经发生了变化。

解决方案：三阶段“智能大脑”
为了解决这个问题，研究人员构建了一种新型的人工智能，称为图神经网络 (GNN)。他们没有将问题视为一个巨大的数学方程，而是将其视为一个社交网络，其中每个用户、天线和镜子都是互相交流的“朋友”。

他们设计了一个三阶段大脑，学习按特定顺序解决这个谜题，就像厨师准备一道复杂的菜肴一样：

第一阶段：移动者 (PAGNN)。 首先，AI 查看用户站在哪里。根据这些信息，它决定将可移动天线沿着轨道滑动到确切的位置。这就像一位聪明的服务员，能瞬间知道最佳站位，既能服务好桌位又不会撞到其他人。论文显示，这一阶段保证了天线保持在允许的轨道内，且不会发生拥挤。
第二阶段：镜面倾斜者 (RISGNN)。 一旦天线就位，AI 就会计算如何调整墙上“镜子”（RIS）的角度。它计算出完美的角度，让信号绕过障碍物并直达用户。
第三阶段：光束设定者 (BeamGNN)。 最后，它调整信号光束的强度和方向，以确保每个人都能公平地获得数据份额，且互不干扰。

我们有多确定？（仿真结果）
作者并没有仅仅靠猜测；他们运行了广泛的计算机仿真来测试他们的想法。他们还没有搭建包含真实天线和镜子的物理实验室，但他们的数字测试非常彻底。

速度： 最大的优势是速度。他们的 AI 大脑可以在 2 毫秒以内（即 0.002 秒！）做出决策。相比之下，传统的“慢步进”数学方法需要数千毫秒（数秒）才能解决同样的问题。论文表明，这使得他们的方法能够满足实时应用的需求，而旧方法对于快速变化的网络来说过于迟缓。
性能： 在仿真中，他们的系统（称为 RIS+PA）比仅使用可移动天线或仅使用固定天线的系统表现显著更好。具体而言，与仅使用可移动天线相比，它将能量效率提高了约 12.7% 至 17.0%，与固定天线相比提升幅度更大。
灵活性： 最酷的特性之一是，如果你增加了用户数量，AI 不需要重新训练。如果你从 4 个用户增加到 6 个用户，同一个大脑就能自动适应。论文显示，它在处理这些变化时的性能下降不到 0.3%，证明了其极强的泛化能力。

他们排除了什么
论文非常明确地指出了哪些方法效果不佳。他们明确反对使用标准的单层神经网络（如基础的 MLP）来处理这项工作。测试表明，这些较简单的网络无法理解用户与天线之间复杂的相互关系。当测试它们时，这些简单的网络表现差得多（在能量效率方面低了约 18% 到 20%），并且无法在不从头开始重新训练的情况下处理不同数量的用户。

结论
作者得出结论，虽然他们尚未制造出物理原型，但他们的仿真结果强烈表明，这种三阶段 AI 方法是管理这些复杂、移动天线系统的第一种实用方法。它找到了一个平衡点：它极其快速（实时）、足够聪明以应对不断变化的用户数量，并且比现有方法榨取出了更多的性能。

简而言之，他们证明了如果你想构建未来超快、高能效的网络，你需要一个能够同时移动灯光、倾斜镜面并瞄准光束的“大脑”——而他们已经成功打造了一个在实验室里表现完美的数字版本。

技术摘要：RIS 辅助下行链路挤压天线系统：基于 GNN 的优化方法

问题陈述
本文研究了集成可重构智能表面（RIS）与挤压天线系统（PASS）的新型下行链路通信系统中的联合优化挑战。在该设置中，基站配备 $N$ 条并行波导，为 $K$ 个单天线用户提供服务。每条波导包含 $M$ 个可移动的挤压天线（PA），这些天线可以在波导上调整其位置，以利用有利的信道条件，同时一个具有 $L$ 个反射单元的 RIS 辅助信号传播。

核心目标是最大化系统的总速率（SR）或能量效率（EE）。这需要对三个强耦合的高维决策变量进行联合优化：

PA 位置： 波导上可移动天线的物理位置。
RIS 相移： RIS 单元的反射系数。
发射波束赋形向量： 基带预编码权重。

该问题受限于总发射功率预算、同一波导上相邻 PA 之间的最小间距要求，以及 RIS 相移的单位模约束。传统的优化方法，如交替优化（AO）和逐次凸近似（SCA），由于计算复杂度极高且随系统规模扩展性较差，难以处理该问题，并且在分解问题时无法充分保留联合优化的增益。此外，现有的使用多层感知器（MLP）的深度学习（DL）方法通常无法泛化到变化的网络规模，也无法有效捕捉无线网络的图结构拓能。

方法论
为了克服这些局限性，作者提出了一种新型的**三阶段图神经网络（GNN）**框架，该框架采用无监督方式进行训练。系统被建模为一个全连接有向图，其中节点代表用户，边捕捉用户间的关系。

所提出的 GNN 架构由三个连续且相互依赖的子模型组成：

第一阶段（PAGNN）： 将用户位置映射到最优 PA 位置。它利用复数图卷积层（CGCL）和可行性保证模块。该模块通过 Sigmoid 激活和数值缩放，确保学习到的位置满足最小间距和边界约束。
第二阶段（RISGNN）： 以有效信道（使用第一阶段的 PA 位置和初始相移计算得出）作为输入，并输出 RIS 相移矩阵。它同样使用 CGCL 和归一化机制来确保满足单位模约束。
第三阶段（BeamGNN）： 基于优化的 PA 位置和 RIS 相移设计发射波束赋形向量。为了降低输出维度并提高训练效率，该阶段采用了**混合零陷与最大比传输（HZM）**学习方法。它将波束赋形向量分解为功率分配和方向向量，通过使用复数图注意力层（CGAL）和复数全连接层（CFL）的并行分支来学习混合系数和功率值。定制的归一化激活函数确保满足总功率约束。

该框架支持三种实现策略，以平衡推理时间与解的最优性：

策略 I（全学习型）： 三阶段 GNN 直接输出完整的解集。
策略 II（混合学习-优化型）： GNN 学习 PA 位置和 RIS 相移（阶段 1 和 2），而基于 SCA 的算法利用学习到的参数优化波束赋形向量。
策略 III（基于模型的混合型）： GNN 被简化为两个阶段（PA 和 RIS 优化），而波束赋形通过闭式表达式导出并由 SCA 进行精细化。

核心贡献

统一框架： 本文为 RIS 辅助的多波导 PASS 系统制定了 SR 和 EE 最大化问题，对 PA 位置、RIS 相移和波束赋形进行了联合优化。
新型三阶段 GNN： 作者提出了针对该特定集成系统首个有效的基于 GNN 的解决方案。该架构显式地将无线系统建模为图，利用用户位置配置 PA 和 RIS 参数，同时捕捉用于传输策略的用户间交互。
约束满足： 设计中包含了特定的机制（Sigmoid 激活、数值缩放和定制归一化），以确保学习到的所有解都能严格满足物理和系统约束，无需后处理。
实现策略： 本文引入了三种不同的策略，在计算效率和解的最优性之间提供权衡，并在适当处将 GNN 与传统的凸优化方法相结合。
泛化能力： 模型具有置换等变属性，使其能够在不重新训练的情况下，泛化到未见的规模（不同用户数量），这是动态无线环境中的关键特性。

数值结果
广泛的仿真验证了所提方法的有效性：

性能： RIS 辅助的 PASS 系统显著优于仅有 PA 或固定位置天线的系统。具体而言，与仅有 PA 的系统相比，RIS+PA 配置实现了 12.7%–17.0% 更高的 EE 和 21.0%–38.3% 更高的 SR。
策略对比： 策略 II（混合学习-优化型）通常表现最佳，因为它结合了 GNN 寻找近优结构参数的能力与 SCA 在波束赋形方面的精确性。策略 I 提供了最快的推理速度，且性能损失微乎其微。
泛化性： GNN 展示了强大的泛化能力，能够应对不同数量的用户（ $K$ ），在重叠配置下的敏感度低于 0.3%，而 MLP 基准模型则无法泛化到未见的用户数量。
效率： 学习型方法比基于 CVX 的 SCA 求解器实现了三个数量级的加速。即使在规模较大的场景下，GNN 的推理时间也保持在 2 毫秒以下，具备实时应用性。
参数影响： 结果表明，增加波导、PA 和 RIS 单元的数量通常会提升性能，尽管随着 RIS 尺寸增大，增益会趋于饱和。可移动 PA 的优势在路径损耗严重的场景中尤为突出。

意义与主张
本文声称，所提出的三阶段 GNN 是针对 RIS 辅助 PASS 系统联合优化问题的首个实用且有效的解决方案，该场景此前在公开文献中尚未被提及。这项工作的意义在于，它能够以实时推理速度（毫秒级）处理复杂的、高维的联合优化问题，同时保持高解质量和可行的泛化性。通过成功地将新兴的 PASS 技术与 RIS 集成，本研究展示了一条显著提升未来 6G 无线网络传输容量和能量效率的路径，为需要应对时变环境的灵活且可靠的设计框架提供了参考。

类似论文