Нейросети на графах помогут 6G справляться с широкополосными помехами без дорогого оборудования

Исследователи предложили использовать графовые нейросети для оптимизации лучевой формирования в широкополосных системах 6G — дешевле, чем аппаратные фильтры, и точнее, чем классические алгоритмы.

Широкополосная связь шестого поколения будет страдать от так называемого «дрейфа луча» на сверхвысоких частотах, но вместо того чтобы усложнять и удорожать антенное оборудование, можно поручить решение проблемы нейросети — и она справится лучше, чем традиционные методы.

Что такое beam squinting и почему он мешает 6G

Чтобы понять, о чём речь, начнём с азов. Мобильная связь шестого поколения будет работать на заметно более высоких частотах, чем нынешние 4G и 5G. Это позволяет передавать больше данных, но есть нюанс: чем выше частота, тем уже луч, которым антенна «достаёт» до телефона. Система должна точно направлять этот луч — это и называют beamforming, или лучевое формирование.

Проблема возникает, когда антенна пытается одновременно обслужить сразу несколько несущих частот внутри одного широкого канала. Из-за физических свойств сигнала направление «луча» для разных частот немного смещается. Это явление — beam squinting, буквально «косоглазие луча». Представьте, что вы направили фонарик на стену, а разные цвета света попадают в чуть разные точки: красный — левее, синий — правее. Результат — размытое пятно вместо чёткого пятна.

С ростом полосы пропускания, которую планирует задействовать 6G, этот эффект становится серьёзной помехой. Сигнал расфокусируется, часть данных теряется, скорость связи падает — ровно то, чего пользователь не должен замечать.

Традиционное решение: дорого и непрактично

Классический инженерный подход — добавить к каждому элементу антенной решётки специальный аппаратный фильтр с правильной задержкой сигнала (true-time-delay, TTD). Он компенсирует сдвиг по частотам и возвращает лучу чёткость. Звучит логично, но на практике это означает сотни и тысячи дополнительных компонентов на каждую базовую станцию. В масштабе целой сети стоимость неприемлема, а энергопотребление и габариты оборудования растут до абсурдных значений.

Инженеры давно ищут программную альтернативу — способ исправить проблему на уровне математики и алгоритмов, не перегружая «железо». Именно в эту сторону направлено новое исследование, принятое к публикации в IEEE Transactions on Wireless Communications.

Нейросети на графах вместо лишних микросхем

Авторы работы — группа исследователей во главе с Бейер Ли — предложили использовать графовые нейросети (Graph Neural Networks, GNN) для оптимизации гибридного лучевого формирования в широкополосных многонесущих системах.

Графовые нейросети — это разновидность нейросетей, которые работают не с картинками и не с текстом, а с графами: структурами из узлов и связей между ними. Идея хорошо ложится на задачу, потому что антенная система и её поднесущие частоты естественным образом образуют граф: антенны — это узлы, а связи между ними и с цифровой частью — рёбра.

Исследователи представили антенную систему как двудольный граф (bipartite graph), где аналоговый блок формирования луча разделяется между несколькими поднесущими. На этой основе они разработали три архитектуры нейросетей:

• первая размещает цифровой beamformer в узлах графа (по одному на каждую поднесущую);
• вторая — на рёбрах, то есть в связях между узлами;
• третья гибридно интегрирует классическое сингулярное разложение (SVD) — проверенную математическую технику — прямо в архитектуру нейросети.

Ключевой элемент — механизм передачи сообщений между узлами графа. Он позволяет нейросети «договариваться» о настройках для разных частот, учитывая их взаимное влияние. По сути, сеть учится находить такие параметры лучевого формирования, при которых все поднесущие работают слаженно, несмотря на физический сдвиг.

Что это даёт на практике

По результатам обширных экспериментов и абляционных исследований все три предложенные архитектуры показали лучшие результаты, чем традиционные методы оптимизации и ранее существовавшие решения на основе машинного обучения. Но главное — они оказались заметно устойчивее к эффекту beam squinting и лучше справляются с несовершенной информацией о состоянии канала связи (imperfect CSI).

Это важный момент. В реальных сетях базовая станция никогда не знает точно, где находится телефон и каковы условия распространения сигнала. Информация всегда приходит с погрешностями. Если алгоритм чувствителен к этим погрешностям, он работает хорошо только в идеальных лабораторных условиях. Предложенная система, по данным авторов, превосходит даже полностью цифровое формирование луча — то есть вариант, где каждая антенна обрабатывается отдельно, что в теории даёт максимальную точность, но требует колоссальных вычислений.

Ещё одна практическая деталь: обученная модель легко переносится на другие конфигурации — другое количество пользователей, другое число поднесущих — без необходимости переобучения. Это свойство обобщения критически важно для реального внедрения, потому что условия в сети постоянно меняются, и перенастраивать нейросеть при каждом изменении — непозволительная роскошь.

Оговорки и перспективы

Стоит понимать, что мы имеем дело с научной статьёй, а не с готовым продуктом. Работа принята в солидный журнал, но путь от лабораторного прототипа до коммерческой базовой станции небыстр. Тем не менее направление выглядит перспективным.

Промышленность 6G пока находится на стадии стандартизации, и окончательные технические решения ещё не приняты. Если подход на основе графовых нейросетей подтвердит свою эффективность в более широком тестировании — включая реальные полевые условия, а не только моделирование — он может стать одним из вариантов, которые производители оборудования интегрируют в чипсеты будущих базовых станций.

Для конечного пользователя всё это означает примерно следующее: когда 6G наконец появится в вашем телефоне, внутри антенной системы на крыше соседнего дома, возможно, будет работать нейросеть, которая в реальном времени подстраивает лучи так, чтобы ваш стрим шёл без задержек. И при этом оператору не придётся ставить на каждую вышку километры дополнительной проводки.