迈向可解释的人工智能：一种用于全息MIMO辅助的6G网络资源分配的深度学习方法

《Physical Communication》：Towards Explainable AI: A Deep Learning Approach for Resource Allocation in Holographic MIMO-Aided 6G Networks

　　摘要：本文提出了一种基于深度学习的新方法，用于全息多输入多输出6G网络中的智能波束成形与功率分配。我们整合了可解释人工智能技术，尤其是局部可解释模型无关解释法和SHapley加性解释法，以提高波束成形和资源分配决策的可解释性与透明度。为了解决高效功率分配的问题，该方法有选择地激活全息网格阵列中的网格天线，在考虑方位角和仰角等关键信道参数的同时优化功率分配。我们采用长短期记忆网络和门控循环单元等序列模型，捕捉毫米波信道中的时间依赖性，从而实现自适应波束成形和资源管理。LIME和SHAP为影响功率分配的关键因素提供了有价值的洞察，凸显了角度参数在优化波束指向和信号质量方面的重要性。仿真结果表明，在各种网络条件下，该系统在功率分配优化和信噪比提升方面都有显著改善。通过将可解释人工智能与深度学习相结合，这项工作为全息MIMO系统中透明、自适应且节能的资源分配奠定了基础，这对6G无线通信网络的成功至关重要。

引言：随着增强现实、虚拟现实、万物互联和自动驾驶等应用的发展，无线数据流量和连接需求迅速增长，给当前及未来的无线通信网络带来了巨大挑战。第六代无线系统旨在通过提供超高的数据传输速率、极低的延迟以及支持海量连接设备来满足这些需求。这就需要创新性的资源分配和波束成形方法，以应对日益复杂和高维的信道环境。大规模MIMO技术通过使用大型天线阵列实现空间复用，提高频谱效率，从而增强网络容量。然而，大规模MIMO系统在有效控制大规模相控阵方面存在诸多困难，这限制了它们满足下一代网络高要求的能力。此外，在设计上还存在一个关键权衡：相控阵元件之间的间距必须至少为波长的一半，以避免互耦问题，而这又限制了定向增益和空间分辨率的进一步提升。这些因素增加了制造难度，并限制了辐射性能，凸显出需要新的天线架构来满足日益增长的无线多媒体服务需求。全息MIMO作为一种有前景的替代方案，通过利用软件控制的收发器前端，根据全息原理生成完全可控的三维波束，为这一领域带来了新的思路。全息MIMO系统由放置在基站顶部的全息网格阵列组成，每个网格元素都可以作为发射源，用来调制参考信号的幅度。这种精确的控制使得能够生成量身定制的波束图案，以优化用户覆盖范围和频谱效率。集成感知与通信技术在这一领域逐渐得到应用，它能够为网络提供智能功能，动态分配资源并激活全息网格阵列中的特定网格，从而提高能效和信噪比，这对于支持多样化用户群体至关重要。在毫米波频段运行还能进一步提升系统容量，因为该频段具有极高的数据传输速率和较低的延迟。不过，毫米波通信也面临着大气衰减、自由空间路径损耗和遮挡效应等挑战，这就需要动态且智能的资源分配机制。在全息MIMO系统中进行高效的资源分配极为复杂，因为它涉及对相互关联的参数进行联合优化，包括发射功率、频谱和天线配置等。由于复杂的信道动态特性、非确定性以及非凸性，传统的优化方法在这些高维环境中难以实现规模化应用。此外，它们在计算效率方面也存在不足，且无法适应具有大规模信道状态信息的异构环境，这阻碍了它们的实时部署。低延迟决策的额外要求进一步限制了传统解决方案的实用性。深度学习近年来展现出强大的潜力，它能够从大规模数据集中学习复杂模式，从而有助于解决这些挑战。诸如长短期记忆网络和门控循环单元之类的序列神经网络能够捕捉无线信道中的时间依赖性，从而在动态网络条件下实现自适应资源分配。在需要精确波束管理的毫米波通信中，深度学习已被应用于波束成形设计，它可以直接将目标波束图案映射到不同天线阵列结构下的最优波束成形向量。此外，深度强化学习通过不断与无线环境互动，学习平衡吞吐量、延迟和连接性要求的最佳策略，从而实现自主资源分配。尽管取得了这些进展，但深度学习在无线通信中的一个主要局限性在于其“黑箱”特性，这种特性掩盖了资源分配决策背后的逻辑。这种缺乏可解释性的特点会降低人们的信任度，尤其是在那些对安全性要求较高或受监管严格的领域。虽然可解释人工智能方法试图解决这一问题，但为了确保决策过程的透明度，仍有必要向本质上可解释的人工智能方向转变。可解释模型不仅有助于调试，还能确保符合监管要求，同时通过提供有依据的洞察而非仅仅是预测精度，从而提升用户信任度。在全息MIMO系统中，将可解释性融入人工智能驱动的资源分配过程中，对于提高系统可靠性、确保公平性以及在关键通信任务中进行有效审计具有重要意义。在我们之前关于基于深度学习的全息MIMO资源分配方法的研究基础上，本文通过整合可解释人工智能方法，进一步提升了现有技术的水平，实现了透明且可靠的资源管理框架。我们的方法增强了人们对自适应波束成形和功率分配的理解与控制能力，有助于构建更可靠、更节能且更具扩展性的6G无线网络。

本文的主要贡献包括：•开发了一种基于长短期记忆网络和门控循环单元模型的深度学习框架，用于毫米波全息MIMO网络中的自适应且节能资源分配，实现了预测精度与功耗之间的平衡。•通过全面的实证评估表明，与门控循环单元模型相比，长短期记忆网络在功率分配精度和稳健性方面表现更优，同时也能提升信噪比。•引入了LIME和SHAP等可解释人工智能工具，为资源分配提供可解释且透明的洞察，有助于提升用户信任度和确保符合监管要求。•对特征重要性和相关性进行了深入分析，发现方向性参数大约占总特征重要性的三分之二。•研究了在资源有限的6G环境中实现实时部署时，模型精度、可解释性和计算效率之间的权衡关系。•证明了全息波束成形在克服毫米波传播挑战方面的有效性，有助于实现可扩展且节能的下一代无线通信。

本文的结构如下：第二部分概述相关研究工作。第三部分介绍全息MIMO的基本原理及系统模型。第四部分阐述问题建模。第五部分介绍所提出的结合可解释人工智能的深度学习框架。第六部分展示仿真结果并进行全面分析。第七部分总结并指出未来研究方向。

文献综述：全息MIMO系统中的传统资源分配方案通常依赖于序列分数规划法和交替最大化法等优化技术，这些方法会在理想条件下，如具备完美的信道状态信息时，共同优化波束成形矩阵、相位偏移和功率水平，以实现能量效率或频谱效率的最大化。虽然与放大转发中继相比，这些方法能使能量效率提升多达300%，但……

全息MIMO基本原理：全息MIMO技术是无线通信系统的一项重大进步，尤其对6G网络而言，它是在5G时代mMIMO技术基础上的发展。传统的mMIMO系统依靠大型天线阵列来提高频谱效率和吞吐量，但在超密集环境中，它们在功耗、硬件复杂度以及扩展性方面面临诸多挑战。全息MIMO系统则是一种中央式的全息网格阵列，通过……与用户相连。

问题建模：基于混合波束成形和功率分配框架，每个用户的接收信噪比可以表示为：γk=|DkHΩΨPqd,k|2/DkHΩΨPQsQsHPHΨHΩHDk+∑k′≠k|DkHΩΨPqd,k′|2+σ2。其中，γk表示第k个用户的信噪比。Dk代表与第k个用户相关的信道向量。Ω和Ψ分别表示模拟波束成形矩阵和数字预编码矩阵，而P则是控制发射功率分配的功率分配矩阵。向量qd,k对应于……

所提出的基于深度学习的框架：本文提出的用于智能资源分配的基于可解释人工智能的深度学习框架遵循一种结构化的流程，包括数据预处理、模型训练、优化和可解释性分析，如图4所示，该流程旨在解决毫米波频段中的信道建模、用户关联以及频谱/功率分配等关键问题。这一迭代过程涵盖了系统配置、数据获取、预处理、模型选择、训练以及性能评估等内容。

结果与性能评估：我们对所提出的模型进行了全面评估，运用了一系列性能指标来衡量它们在不同架构配置下的效果。这些分析指标包括R2值，该值用于量化模型所能解释的因变量方差比例，因此是衡量预测精度的重要指标；还有RMSE和MAE，它们用于衡量预测误差的大小，数值越低表示精度越高。

局限性及未来研究方向：尽管在所考虑的全息MIMO配置和信道条件下，所提出的可解释深度学习框架展现了良好的预测性能和出色的计算特性，但仍存在一些局限性，需要进一步研究。首先，目前的研究仅针对固定的全息MIMO配置，因此尚未明确分析增加全息元件数量所带来的影响。这样一来，该框架在处理更大规模场景时的扩展性就难以确定……

结论：本文提出了一种用于全息MIMO辅助的6G网络资源分配的新的深度学习框架，该框架结合了长短期记忆网络和门控循环单元模型以及可解释人工智能技术，从而提升了系统的性能和透明度。实验结果表明，该框架的R2值达到了0.982，峰值信噪比为22.9 dB，RMSE和MAE的值则非常小，仅为0.002。对于那些重视信号质量的场景，我们推荐使用LSTM-100模型，因为它具有更高的精度，不过它的参数数量较多，为44,551个。

CRediT作者贡献声明：Tonmoy Debnath：撰写——初稿、可视化、方法论、概念设计。Md. Masudur Rahman：验证、资源获取、数据整理。Md. Shamim Ahsan：撰写——审阅与编辑。Mohammad Amzad Hossain：撰写——审阅与编辑、研究工作。Abidur Rahaman：撰写——审阅与编辑。Yu Qiao：监督、研究工作。Apurba Adhikary：撰写——审阅与编辑、可视化、监督。Choong Seon Hong：监督、研究工作。

利益冲突声明：作者声明他们没有已知的可能会影响本文所述工作的财务利益或个人关系。

Tonmoy Debnath|Md. Masudur Rahman|Md. Shamim Ahsan|Mohammad Amzad Hossain|Abidur Rahaman|Yu Qiao|Apurba Adhikary|Choong Seon Hong