编辑推荐：
在无人机辅助的 THz 6G 网络中，传统资源分配方法难以适应其动态特性。研究人员开展了关于混合机器学习框架优化 3D 无人机节点定位和资源分配的研究。结果表明该框架性能优异，这对未来 6G 网络发展意义重大。
随着科技的飞速发展，6G 网络成为了人们关注的焦点。在 6G 网络的构建中，无人机（Unmanned Aerial Vehicles，UAV）辅助通信被寄予厚望，它有望在诸如灾难救援、智慧城市建设等场景中实现高速、可靠的连接。然而，现实却给这一美好愿景泼了冷水。传统的资源分配方法，像基于博弈论和启发式算法的方案，在面对 UAV 网络动态变化的特性时，显得力不从心。想象一下，在一场突发的自然灾害后，大量救援需求涌现，UAV 需要迅速调整位置和资源分配来保障通信畅通，但传统方法却无法及时适应这种变化，导致通信效率低下，救援工作受阻。这就迫切需要一种新的解决方案，来突破这些困境。
在这样的背景下，来自未知研究机构的研究人员展开了深入的研究。他们聚焦于如何优化 3D UAV 节点定位和资源分配，以确保在动态、高密度环境下实现高效的网络覆盖。经过不懈努力，他们提出了一种结合图神经网络（Graph Neural Networks，GNN）、深度神经网络（Deep Neural Networks，DNN）和双深度 Q 网络（Double Deep Q Networks，DDQN）的混合机器学习框架（QuantumGraph）。研究结果令人振奋，该框架在性能上远超传统机器学习模型，显著提升了能源效率、降低了延迟并提高了吞吐量。这一成果对于未来 6G 网络的发展意义非凡，它为实现高效、稳定的通信提供了有力的技术支持，让人们在复杂的通信场景中也能享受到流畅的网络服务。该研究成果发表在《Cognitive Robotics》上。
研究人员在开展研究时，主要运用了以下几种关键技术方法：首先是图构建技术，将 UAV - to - UAV 链路视为节点，以边表示链路间的干扰关系，并为节点和边赋予相应特征和权重；其次是 GNN 技术，通过邻居采样、特征聚合和特征更新三个步骤，有效处理动态网络信息；然后是深度强化学习技术，利用 DNN 生成的特征进行资源分配决策，通过定义状态空间、行动空间和奖励函数来优化 UAV 部署和资源管理；最后是 DNN 技术，用于处理 GNN 嵌入和动态系统指标，预测 UAV 特定输出，辅助 DDQN 进行决策。
下面来看具体的研究结果：
- 系统模型：构建了 UAV 辅助 THz 6G 网络的系统模型，涵盖网络架构、信道模型、3D THz 传输方案等。通过一系列公式详细描述了节点位置、信道响应、路径损耗、多普勒频移等因素之间的关系，如 3D 信道响应公式h(t)=PLoS(t)K+1KhLoS(t)+PNLoS(t)K+11hNLoS(t)，明确了不同条件下信道的特性，为后续研究奠定了理论基础。
- 提出的混合机器学习算法：
- 图构建：将 UAV 网络表示为图，节点包含 UAV - to - UAV 链路、UAV - to - X 链路的相关特征以及干扰信号强度等信息，边的权重根据节点间距离确定，公式为wi,k=1+∣∣D[i,k]∣∣α1，这种图构建方式能有效表征网络环境。
- 图神经网络：针对传统 GNN 在 UAV 网络中的不足，改进后的 GNN 通过邻居采样、特征聚合和更新，有效提取特征。如在两层聚合过程中，通过迭代更新节点特征，公式（28） - （32）详细展示了节点特征的更新过程，提高了对复杂网络的适应性。
- 深度强化学习：定义了状态空间、行动空间和奖励函数。状态空间包含 UAV 的预测最优位置、任务优先级权重等信息；行动空间涵盖 UAV 重新定位、频谱分配等决策；奖励函数平衡了多个目标，如公式rt=TU2U?λ1LU2U?λ2EU2U+TrU2X?λ3pt，通过优化奖励函数来提升 UAV 通信链路性能。
- 深度神经网络用于学习优化：DNN 处理 GNN 嵌入和动态系统指标，预测 UAV 的最优位置、任务优先级权重等。输入向量由 GNN 嵌入和动态系统指标连接而成，经过多个全连接层处理后输出预测结果，为 UAV 决策提供支持。
- 提出的 QuantumGraph：混合机器学习框架：该框架结合了 GNN、DNN 和 DDQN 的优势，通过 DNN 处理 GNN 的输出和动态系统指标，为 DDQN 提供优化的输入，从而实现 UAV 的高效决策和资源分配。研究中还给出了各模型的具体参数设置，如 GNN 的深度、采样邻居数，DNN 和 DDQN 的层大小和神经元数量等。
- 数据集：利用 Facebook Terragraph sounders 和 3GPP 基准数据，设置了一系列仿真参数，如中心频率 0.1 THz、系统带宽 1 GHz 等，为模型的训练和验证提供了数据支持。
- 仿真结果和讨论：通过仿真实验，验证了该框架的有效性。优化 UAV 轨迹可提高用户吞吐量、确保覆盖和速率稳定性；随着 UAV - to - X 对数量增加，吞吐量先升后降，该框架能有效应对；在不同链路密度下，GNN 和混合框架表现出色；与其他模型相比，该混合模型在能源效率（90 Tbps/J）、延迟（0.0105 ms）和吞吐量（96 Tbps）方面有显著提升，在高热点场景下也能更好地优化资源分配和管理干扰。
研究结论和讨论部分指出，该混合机器学习框架在解决 UAV 辅助 THz 6G 网络的资源分配和轨迹优化问题上表现卓越。它能够适应动态网络条件，在不同密度环境下都能保持良好性能。与传统方法相比，在能源效率、吞吐量和延迟方面的显著改进，充分展示了其在管理干扰和资源竞争方面的强大能力。这种将空间特征聚合和分布式决策相结合的方法，为大规模网络的扩展和公平性提供了有力支持，确保了 UAV 轨迹的优化和资源的公平分配。这一研究成果为下一代 6G 网络提供了一种强大且可扩展的解决方案，能够满足复杂动态环境下对高吞吐量、低延迟通信的不断增长的需求，在未来通信领域具有广阔的应用前景。
