⚡ electrical engineering

GNN Based Joint Beamforming Design for Extremely Large-Scale RIS Assisted Near-Field ISAC Systems

本文针对极大规模可重构智能表面（XL-RIS）辅助的近场通感一体化系统，提出了一种基于图神经网络的联合波束成形设计方案，通过构建异构图模型有效学习近场信道特征，在满足感知波束成形增益等约束下最大化通信用户加权总和速率，并展现出优于传统算法的计算效率、鲁棒性与泛化能力。

原作者： Jiahao Chen, Feng Wang, Guojun Han, Xin Wang, Vincent K. N. Lau

发布于 2026-03-03

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Jiahao Chen, Feng Wang, Guojun Han, Xin Wang, Vincent K. N. Lau

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

这篇论文讲述了一个关于未来 6G 网络如何变得更聪明、更高效的故事。为了让你轻松理解，我们可以把整个系统想象成一个超级繁忙的“智能交通指挥中心”。

1. 场景设定：拥挤的“近场”交通网

想象一下，未来的城市里，基站（BS）就像是一个巨大的交通指挥塔，它需要同时做两件事：

发快递（通信）：给很多个用户（CU，比如你的手机）发送数据。
巡逻监控（感知）：盯着路上的目标（TGT，比如自动驾驶汽车或无人机），确保它们安全。

在这个系统中，有一个超级巨大的“智能反射墙”（XL-RIS），它由成千上万个微小的镜子组成。

传统问题：以前，如果指挥塔离用户太远，或者中间有障碍物，信号就会变弱。
新挑战：在这个论文里，指挥塔、用户和监控目标都离这面“智能墙”非常近（这叫近场）。这就好比你在一个狭小的房间里大喊，声音会在墙壁、天花板和地板之间反复反射，变得非常复杂，传统的计算方法很难处理这种复杂的“回声”。

2. 核心难题：如何同时做好两件事？

指挥塔面临一个巨大的难题：

它手里的“能量”（发射功率）是有限的。
它需要把能量分配给“发快递”和“巡逻监控”。
那面“智能墙”上的每一块小镜子，只能调整角度（相位），不能改变大小（单位模约束）。

目标：在满足监控目标不被干扰的前提下，让所有用户收到的快递速度（网速）总和最快。

这就像是一个超级复杂的拼图游戏，你需要同时调整指挥塔的发射方向、分配能量比例，以及调整墙上成千上万块镜子的角度。

3. 第一种解法：传统的“数学苦力”（BCD 算法）

论文首先提出了一种传统的数学方法（基于分式规划和坐标下降的 BCD 算法）。

比喻：这就像是一个极其严谨但动作缓慢的数学家。他拿着计算器，一步一步地试错：先调好镜子，再算算网速；再调调能量，再算算监控效果。
缺点：虽然他能算出很好的答案，但随着镜子数量（XL-RIS 规模）变得巨大，他算得越来越慢，甚至算到第二天都算不完。这无法满足 6G 网络要求的“实时”速度。

4. 第二种解法：聪明的“图神经网络”（GNN）

为了解决慢的问题，作者提出了一种基于**图神经网络（GNN）**的新方法。这是论文的核心亮点。

比喻：想象一下，这个系统不再是一个个孤立的点，而是一个巨大的社交网络。
- 节点：指挥塔、智能墙、每个用户、每个监控目标，都是网络里的一个“人”。
- 连线：他们之间的信号干扰和连接，就是“人际关系”。
- GNN 的作用：这就像是一个拥有超强直觉的“老练交警”。他不需要像数学家那样一步步死算，而是通过**“消息传递”**（Message Passing）机制，让网络里的每个人互相交流信息。
  - 用户告诉交警：“我这边信号有点乱。”
  - 监控目标告诉交警：“我这边需要更清晰的视野。”
  - 智能墙上的镜子们互相商量：“我们怎么摆角度能同时帮到所有人？”

GNN 的三大超能力：

举一反三（泛化能力）：
- 传统的深度学习（DNN）就像是一个只会背题的学生，如果考试题目里的用户数量变了（比如从 4 个变成 10 个），他就不会做了，必须重新学习。
- 而 GNN 就像是一个真正理解交通规则的交警。无论路上有多少辆车（用户或目标），他都能根据当前的“人际关系网”迅速做出最佳指挥。不需要重新训练，直接就能用。
处理复杂关系：
- 在近场环境下，信号干扰非常复杂。GNN 能像蜘蛛感知网上的震动一样，敏锐地捕捉到这种复杂的“空间拓扑”关系，而传统方法容易“抓瞎”。
速度快：
- 一旦训练完成，GNN 交警在做出决定的瞬间（推理阶段）比那个慢吞吞的数学家要快得多，完全能满足实时通信的需求。

5. 实验结果：谁更厉害？

论文通过大量的模拟实验（就像在电脑里模拟了成千上万次交通状况）证明了：

速度：GNN 方案比传统数学方法快了几个数量级，真正实现了“实时”控制。
效果：虽然快，但 GNN 并没有牺牲性能，它依然能让网速达到很高，同时保证监控效果达标。
抗干扰：即使信号测量有点小误差（比如天气不好导致看路不清），GNN 交警依然能做出稳健的决策，不会像传统方法那样容易“翻车”。

总结

这篇论文的核心思想就是：面对未来 6G 网络中那种超大规模、超复杂、且变化极快的环境，传统的“死算”方法已经跟不上了。我们需要一种像“智能交警”一样的图神经网络（GNN），它通过模仿人与人之间的交流（消息传递），能够灵活、快速且聪明地协调通信和感知，让未来的网络既快又稳。

简单来说，就是把复杂的数学优化问题，变成了一个聪明的社交网络协作问题。

这是一份关于论文《GNN Based Joint Beamforming Design for Extremely Large-Scale RIS Assisted Near-Field ISAC Systems》（基于图神经网络的极大规模智能超表面辅助近场通感一体化系统联合波束成形设计）的详细技术总结。

1. 研究背景与问题定义 (Problem)

研究场景：本文研究的是极大规模可重构智能超表面（XL-RIS）辅助的近场通感一体化（ISAC）系统。
- 系统构成：一个配备多天线（均匀线性阵列 ULA）的基站（BS），同时向多个单天线通信用户（CUs）发送单播数据，并感知多个目标（TGTs）。
- 关键特征：BS、CUs 和 TGTs 均位于 XL-RIS 的近场区域（Fresnel 区）。由于 XL-RIS 规模巨大，传统的远场平面波假设不再适用，必须考虑球面波效应和复杂的近场信道耦合。
核心挑战：
1. 非凸优化难题：需要联合优化 BS 的发射波束成形矩阵、感知协方差矩阵以及 XL-RIS 的反射系数，以最大化加权总和速率（WSR），同时满足感知波束图案增益约束、发射功率约束和 RIS 单位模约束。这是一个高度非凸且变量强耦合的问题。
2. 计算复杂度与实时性：随着 XL-RIS 单元数量（ $N$ ）的增加，基于传统优化理论（如块坐标下降 BCD）的算法计算开销巨大，难以满足实时通信和感知的需求。
3. 泛化性与可扩展性：现有的深度学习方法（如 DNN）通常基于固定维度的输入，当系统中用户数（ $K$ ）或目标数（ $L$ ）发生变化时，模型需要重新训练，缺乏对动态拓扑的适应能力。

2. 方法论 (Methodology)

论文提出了两种解决方案：一种基于传统优化理论的基准算法，另一种是提出的基于图神经网络（GNN）的创新方案。

A. 基于分数规划（FP）的块坐标下降（BCD）算法（基准方案）

为了获得问题的局部最优解，作者首先推导了一个基于分数规划（FP）的 BCD 算法：

FP 重构：将加权速率最大化问题转化为等价的凸优化问题。
变量交替优化：
- 辅助变量更新：利用闭式解更新 FP 引入的辅助变量。
- 发射波束成形优化：将问题转化为凸二次约束二次规划（QCQP），利用 SCA（逐次凸近似）处理非凸约束，使用 CVX 求解。
- RIS 反射系数优化：利用黎曼流形优化（Riemannian Manifold Optimization）和惩罚函数法，在单位模约束流形上通过共轭梯度法（RCG）更新相位。
局限性：虽然能获得较优解，但迭代次数多，计算延迟高，且无法直接适应动态变化的用户/目标数量。

B. 基于图神经网络（GNN）的联合波束成形设计（核心方案）

为了解决上述局限性，作者提出了一种定制的 GNN 框架：

异构图建模：
- 将 ISAC 系统建模为一个异构图，包含三种类型的节点：XL-RIS 节点、CU 节点和 TGT 节点。
- 边（Edges）：定义了节点间的相互作用（如信道链路、干扰关系）。CU 节点间和 TGT 节点间存在干扰边，RIS 节点与所有 CU/TGT 节点相连以获取全局信息。
消息传递机制（Message Passing）：
- 初始层：利用全连接神经网络（FCNN）提取近场信道状态信息（CSI）的特征，包括直接链路和级联链路信息。
- 节点更新层：通过聚合邻居节点的特征（如 CU 节点聚合其他用户的干扰特征，RIS 节点聚合所有 CU/TGT 信息），迭代更新节点表示向量。这利用了图的置换不变性（Permutation Invariance）。
- 读出层（Readout Layer）：将最终更新后的节点特征映射回优化变量：
  - RIS 节点特征 $\rightarrow$ 反射系数向量 $\theta$ （经归一化满足单位模约束）。
  - CU/TGT 节点特征 $\rightarrow$ BS 的发射波束成形向量 $w_k$ 和感知协方差矩阵 $R_0$ 。
  - 引入可学习的功率分配因子，动态平衡通信和感知的功率。
训练策略：采用无监督学习，损失函数定义为负加权和速率加上感知约束的惩罚项，利用 Adam 优化器进行训练。

3. 主要贡献 (Key Contributions)

系统建模与优化框架：首次针对 XL-RIS 辅助的近场ISAC 系统，建立了包含球面波效应的高保真信道模型，并提出了最大化 WSR 的联合波束成形优化问题。
高效基准算法：开发了一种基于 FP 和 BCD 的算法，将非凸问题转化为一系列凸子问题，为后续深度学习方案提供了性能基准。
创新的 GNN 架构：
- 提出了基于异构图的 GNN 设计框架，将 XL-RIS/CU/TGT 建模为不同节点。
- 利用消息传递机制有效捕捉近场信道中复杂的通信与感知耦合关系。
- 核心优势：利用 GNN 的置换不变性，实现了零样本泛化（Zero-shot Generalization）。即模型在特定数量（ $K, L$ ）的训练集上训练后，可直接应用于不同数量用户/目标的系统，无需重新训练。
全面性能评估：通过数值仿真，从计算效率、可行性、鲁棒性和泛化能力四个维度验证了方案的有效性。

4. 实验结果 (Numerical Results)

计算效率：GNN 方案的推理时间显著低于 BCD 算法（例如在 $N=2^{12}$ 时，BCD 耗时约 5 秒，而 GNN 仅需 0.048 秒），满足实时性要求。
性能表现：
- GNN 方案的加权总和速率（WSR）接近甚至优于 BCD 算法，且明显优于传统的 DNN 方案。
- DNN 由于无法有效利用空间拓扑结构，在近场复杂信道下性能较差。
鲁棒性：在存在信道估计误差（CSI 不完美， $\sigma_e^2 \in \{0.001, 0.01\}$ ）的情况下，GNN 方案仍能保持较高的约束满足率和通信性能。
泛化能力：
- 在训练集为 $(K=4, L=2)$ 的情况下，GNN 模型能够直接适应 $K$ 和 $L$ 更大的系统（如 $K=20$ ），且 WSR 下降缓慢。
- 相比之下，DNN 模型在拓扑变化时必须重新训练，无法直接泛化。
- 实验还发现，使用中等规模用户数（如 $K=12$ ）进行训练，能更好地学习干扰管理策略，从而在泛化到更大规模系统时表现更稳健。

5. 意义与价值 (Significance)

解决 6G 关键难题：为 6G 网络中极大规模天线阵列（XL-MIMO/RIS）和近场通信带来的高维、非线性优化问题提供了新的解决思路。
突破传统 DL 瓶颈：克服了传统深度学习模型（DNN/CNN）在动态网络拓扑下缺乏泛化能力的缺陷，证明了 GNN 在无线资源管理中的巨大潜力。
实时性与实用性：提出的方案在保证高性能的同时，极大地降低了计算延迟，使得在 XL-RIS 辅助的 ISAC 系统中实现实时波束成形成为可能。
理论结合实践：将优化理论（BCD）作为基准，结合数据驱动（GNN）的灵活性，为未来智能无线环境下的资源分配提供了可落地的技术路径。

总结：该论文通过引入图神经网络，成功解决了 XL-RIS 近场 ISAC 系统中高维、动态且非凸的联合波束成形问题，实现了在计算效率、泛化能力和系统性能之间的最佳平衡，是 6G 智能超表面与通感一体化领域的重要进展。