مقاله شبکه‌های هیبریدی NOMA و AirFL با آنتن سیال تحت شرایط CSI و SIC ناقص.

ادغام ارتباطات و محاسبات برای سیستم‌های بی‌سیم نسل آینده، به‌ویژه در سناریوهایی که نیازمند اتصال انبوه و تأخیر فوق‌العاده کم هستند، ضروری است. یادگیری فدرال از طریق هوا (AirFL)، با بهره‌گیری از ماهیت برهم‌نهی کانال‌های بی‌سیم، امکان تجمیع سریع داده‌ها را فراهم می‌کند، در حالی که دسترسی چندگانه غیرمتعامد (NOMA) اتصال کارآمد از نظر طیف را ارائه می‌دهد. این مقاله یک شبکه ترکیبی با پشتیبانی آنتن سیال (FA) را بررسی می‌کند که از کاربران ترکیبی شامل شرکت‌کنندگان AirFL و NOMA پشتیبانی می‌کند. قابلیت پیکربندی مجدد پویا آنتن‌های سیال، با انطباق موقعیت آنتن‌ها در پاسخ به شرایط متغیر کانال، پتانسیل قابل توجهی برای کاهش تداخل و بهبود عملکرد شبکه دارد. ما چالش‌های عملی ناشی از اطلاعات ناقص وضعیت کانال (CSI) و تداخل باقی‌مانده به دلیل لغو تداخل متوالی ناقص (SIC) را در نظر می‌گیریم. برای ارزیابی مشترک عملکرد یادگیری و ارتباطات، یک معیار نرخ ترکیبی معرفی می‌شود. متعاقباً، ما یک مسئله بهینه‌سازی مقاوم را فرموله می‌کنیم که با حداقل‌سازی خطای تجمیع، ضمن تضمین ارتباط قابل اعتماد کاربر تحت عدم قطعیت‌های CSI و SIC، به طور مشترک عمل می‌کند. این بهینه‌سازی مشترک به عنوان یک مسئله غیرمحدب فرموله شده است که با تعاملات پیچیده بین کاربران NOMA و AirFL و تأثیر CSI و SIC ناقص پیچیده می‌شود. برای حل مؤثر این مسئله، ما بهینه‌سازی را به عنوان یک فرآیند تصمیم‌گیری مارکوف بازسازی کرده و آن را با استفاده از الگوریتم گرادیان سیاست قطعی عمیق حافظه طولانی کوتاه مدت (LSTM-DDPG)، یک رویکرد مبتنی بر حافظه در حوزه یادگیری تقویتی عمیق، حل می‌کنیم. نتایج شبیه‌سازی، برتری رویکرد پیشنهادی با پشتیبانی آنتن سیال را نسبت به پایه‌های آنتن ثابت، به‌ویژه تحت شرایط ناقص CSI و SIC، از نظر عملکرد نرخ ترکیبی نشان می‌دهد.

The integration of communication and computation is essential for next-generation wireless systems, especially in scenarios demanding massive connectivity and ultra-low latency. Over-the-air federated learning (AirFL), leveraging the superposition nature of wireless channels, enables fast data aggregation, while non-orthogonal multiple access (NOMA) offers spectrum-efficient connectivity. This paper investigates a fluid antenna (FA)-aided hybrid network, supporting hybrid users comprising both AirFL and NOMA participants. The dynamic reconfigurability of FAs offers significant potential for mitigating interference and enhancing network performance by adapting antenna positions in response to changing channel conditions. We consider practical challenges arising from imperfect channel state information (CSI) and residual interference due to imperfect successive interference cancellation (SIC). To jointly evaluate the learning and communication performance, a hybrid rate metric is introduced. Subsequently, we formulate a robust optimization problem that jointly minimizes the aggregation error while ensuring reliable user communication under CSI and SIC uncertainties. This joint optimization is formulated as a non-convex problem, complicated by the intricate interactions between NOMA and AirFL users and the impact of imperfect CSI and SIC. To solve this problem effectively, we reformulate the optimization as a Markov decision process and solve it using a long short-term memory deep deterministic policy gradient (LSTM-DDPG) algorithm, a memory-based approach within the realm of deep reinforcement learning. Simulation results demonstrate the superiority of the proposed FA-assisted approach over fixed-antenna baselines, particularly under imperfect CSI and SIC conditions, in terms of hybrid rate performance.