[論文レビュー] A Digital Twin for Reconfigurable Intelligent Surface Assisted Wireless Communication

Baoling Sheen, Jin Yang+2 more|arXiv (Cornell University)|Sep 1, 2020

Advanced Wireless Communication Technologies参考文献 19被引用数 17

ひとこと要約

本稿では、チャネル状態情報（CSI）やビームトレーニングを必要とせずに、6G無線ネットワークにおける再構成可能知能表面（RIS）の自動的かつほぼ最適な設定を可能にする、深層学習を用いたデジタルツインフレームワークであるEnvironment-Twin（Env-Twin）を提案する。受信機の位置の2%未満で訓練されたモデルは、完全なCSIを仮定した理論的上限に非常に近い性能を達成する最適なRIS設定を予測する。

ABSTRACT

Reconfigurable Intelligent Surface (RIS) has emerged as one of the key technologies for 6G in recent years, which comprise a large number of low-cost passive elements that can smartly interact with the impinging electromagnetic waves for performance enhancement. However, optimally configuring massive number of RIS elements remains a challenge. In this paper, we present a novel digital-twin framework for RIS-assisted wireless networks which we name it Environment-Twin (Env-Twin). The goal of the Env-Twin framework is to enable automation of optimal control at various granularities. In this paper, we present one example of the Env-Twin models to learn the mapping function between the RIS configuration with measured attributes for the receiver location, and the corresponding achievable rate in an RIS-assisted wireless network without involving explicit channel estimation or beam training overhead. Once learned, our Env-Twin model can be used to predict optimal RIS configuration for any new receiver locations in the same wireless network. We leveraged deep learning (DL) techniques to build our model and studied its performance and robustness. Simulation results demonstrate that the proposed Env-Twin model can recommend near-optimal RIS configurations for test receiver locations which achieved close to an upper bound performance that assumes perfect channel knowledge. Our Env-Twin model was trained using less than 2% of the total receiver locations. This promising result represents great potential of the proposed Env-Twin framework for developing a practical RIS solution where the panel can automatically configure itself without requesting channel state information (CSI) from the wireless network infrastructure.

研究の動機と目的

• 6G無線ネットワークにおける大規模なRISエレメントの最適設定を解決すること。
• RIS支援システムにおいて、明示的なチャネル推定やビームトレーニングの必要性を排除すること。
• リアルタイムのRIS最適化を可能にする自動的かつスケーラブルなデジタルツインフレームワークの開発。
• 再トレーニングを必要とせずに、新しい受信機の位置に対する最適なRIS設定の予測を可能にすること。
• 最小限の訓練データを用いても、高い性能と頑健性を示すことを実証すること。

提案手法

• Env-Twinフレームワークは、受信機の位置属性に基づいてRIS設定と達成可能速率のマッピングを学習する深層学習モデルを採用する。
• モデルは、さまざまな受信機位置におけるRIS設定とそれに対応する達成可能速率のデータセットを用いて訓練される。
• 教師あり学習を活用して、未観測の受信機位置における最適なRIS位相シフトを予測する。
• エンドツーエンドの性能指標（達成可能速率）と幾何的属性から学習することで、明示的なチャネル推定を回避する。
• 最小限の再トレーニングで、異なるネットワーク展開に一般化できるように設計されている。
• RIS設定とシステム性能の複雑な非線形関係を近似するためのニューラルネットワークアーキテクチャを用いる。

実験結果

リサーチクエスチョン

• RQ1 デジタルツインフレームワークは、チャネル状態情報（CSI）やビームトレーニングを必要とせずに、最適なRIS設定を予測できるか？
• RQ2 深層学習ベースのデジタルツインは、RIS支援ネットワークにおける新しい未確認の受信機位置にどの程度一般化できるか？
• RQ3 限られた訓練データを用いた場合、提案されたEnv-Twinモデルはベースライン手法に比べてどの程度の性能向上を達成できるか？
• RQ4 受信機位置や環境条件の変動に対して、モデルはどの程度頑健か？
• RQ5 全訓練位置の2%未満のデータで、モデルはほぼ最適な性能を達成できるか？

主な発見

• Env-Twinモデルはほぼ最適な性能を達成し、完全なCSIを仮定した理論的上限に非常に近づいた。
• モデルは全受信機位置の2%未満のデータで効果的な訓練が可能であり、高いデータ効率を示した。
• フレームワークは、追加のチャネル推定やフィードバックを必要とせずに、新しい受信機位置の最適なRIS設定を成功裏に予測した。
• 深層学習ベースのモデルは、多様な展開シナリオにおいて優れた一般化性能と頑健性を示した。
• 結果から、Env-Twinフレームワークは実用的な6Gネットワークにおける自律的でCSIフリーなRIS運用を可能にすることが示された。