Perpustakaan Digital ITB

Alokasi pilot dan kontrol daya secara terpadu merupakan aspek krusial untuk mengurangi kontaminasi pilot dan menjamin pemerataan Quality of Service (QoS) pada sistem cell-free massive MIMO (CF-mMIMO). Namun, optimasi terpadu tersebut merupakan masalah yang bersifat NP-hard. Pendekatan yang ada umumnya mengandalkan graph coloring (GC) berbasis heuristik yang dioptimasikan secara sekuensial, atau Deep Neural Networks (DNN) yang tidak memanfaatkan struktur graf, yang pada akhirnya kurang adaptif serta generalisasi yang buruk terhadap variasi ukuran jaringan. Dalam penelitian ini, kami mengusulkan suatu kerangka kerja unsupervised graph neural network untuk alokasi pilot dan kontrol daya secara terpadu menggunakan Graph Isomorphism Network (GIN). Terinspirasi oleh formulasi klasik GC, jaringan CF-mMIMO dimodelkan sebagai graf konflik UE–UE homogen, di mana atribut edge merepresentasikan metrik kontaminasi pilot dan hubungan geometris antar UE. Dengan mengintegrasikan atribut edge ke dalam proses message passing, model GIN yang diusulkan memungkinkan penentuan pilot dan kontrol daya yang terkoordinasi dalam satu arsitektur end-to-end. Kinerja GIN dievaluasi dengan membandingkannya terhadap pendekatan heuristik konvensional, model DNN, serta edge-weighted GNN (EW-GNN). Hasil numerik menunjukkan bahwa GIN mengungguli seluruh metode pembanding, pada kepadatan tinggi dengan jumlah UE K=96, efisiensi spektral pada tingkat keandalan 95% didapat sebesar 3.635 bps/Hz, dibandingkan dengan 3.403 bps/Hz untuk model EW-GNN dan 2.796 bps/Hz untuk model DNN. Hasil evaluasi generalisasi menunjukkan bahwa GIN dapat mempertahankan kinerja konsisten ketika diterapkan pada kepadatan UE yang berbeda dari kondisi pelatihan. Hal ini mengindikasikan bahwa GIN yang memperhitungkan atribut edge merupakan elemen kunci dalam mendukung optimasi alokasi sumber daya secara terpadu, berskala besar, dan merata pada sistem CF-mMIMO.