[論文レビュー] AIRIS: Artificial Intelligence Enhanced Signal Processing in Reconfigurable Intelligent Surface Communications

Shun Zhang, Muye Li+3 more|arXiv (Cornell University)|Jun 1, 2021

Advanced Wireless Communication Technologies参考文献 45被引用数 4

ひとこと要約

本稿では、環境センシング、チャネル取得、ビームフォーミング、リソーススケジューリングにおいて信号処理を向上させるために人工知能（AI）を再構成可能知的表面（RIS）通信に統合する新規フレームワーク、AIRISを紹介する。ディープラーニングおよびディープ強化学習を活用することで、ハードウェアの制限や動的な環境など非理想状態下でも、データ駆動型で頑健かつ適応的な信号処理を実現し、6Gネットワークにおけるシステム性能と適応性を顕著に向上させる。

ABSTRACT

Reconfigurable intelligent surface (RIS) is an emerging meta-surface that can provide additional communications links through reflecting the signals, and has been recognized as a strong candidate of 6G mobile communications systems. Meanwhile, it has been recently admitted that implementing artificial intelligence (AI) into RIS communications will extensively benefit the reconfiguration capacity and enhance the robustness to complicated transmission environments. Besides the conventional model-driven approaches, AI can also deal with the existing signal processing problems in a data-driven manner via digging the inherent characteristic from the real data. Hence, AI is particularly suitable for the signal processing problems over RIS networks under unideal scenarios like modeling mismatching, insufficient resource, hardware impairment, as well as dynamical transmissions. As one of the earliest survey papers, we will introduce the merging of AI and RIS, called AIRIS, over various signal processing topics, including environmental sensing, channel acquisition, beamforming design, and resource scheduling, etc. We will also discuss the challenges of AIRIS and present some interesting future directions.

研究の動機と目的

• モデル駆動型信号処理の限界に対処すること。具体的には、モデル不一致、ハードウェアの制限、高い計算複雑性に起因する問題を解消する。
• 動的な環境、リソース不足、不完全なチャネル状態情報といった非理想状態下でも、RISネットワークにおけるデータ駆動型信号処理を可能にすること。
• AIとRISの統合を検討し、ビームフォーミング、チャネル推定、リソース割り当てといった主要な信号処理タスクにおける頑健性、適応性、性能の向上を図ること。
• AI強化RISシステムにおける未解決課題、例えばモデルの汎化性、事前デプロイ最適化、センシングと通信の統合を特定・解決すること。
• スケーラブルかつ効率的なRIS展開を実現するための今後の研究方向性を提案すること。具体的には、トランスファー学習、広帯域ビームフォーミング、AIベースの事前デプロイを含む。

提案手法

• 実世界またはシミュレートされたデータを用いて、チャネル推定、ビームフォーミング設計、ビームトラッキングなどのタスクに、教師ありディープラーニング（例：CNN、DNN、ODEにインspiredされたLSTM）を適用する。
• ディープ強化学習（DRL）を活用し、環境に適応したビームフォーミングとリソーススケジューリングを実現。エージェントが動的伝搬環境と相互作用することで最適な方策を学習する。
• フェデレーテッドラーニングを実装し、生データを共有せずに複数ユーザー間で分散型かつプライバシー保護型のチャネル推定を可能にする。
• RISビーム選択用の分類ネットワークと、広帯域RISシステムにおけるビームスキュイントを軽減する非一様量子化コードブックを設計する。
• トランスファー学習を活用し、類似した伝搬環境にいる他のユーザーに、あるユーザーのトレーニング済みモデルの知識を転送することで、モデルのトレーニングを加速する。
• 選択ネットワークを用いたAIベースの事前デプロイフレームワークを開発し、RISの配置とアクティベーションパターンを最適化。システムレートを最大化するとともに、デプロイコストとユーザーのアクティビティパターンを考慮する。

実験結果

リサーチクエスチョン

• RQ1 AIベースの信号処理は、ハードウェアの制限や動的な環境といった非理想状態下で、RIS通信の頑健性と性能をどのように向上させ得るか？
• RQ2 チャネル推定、ビームフォーミング、リソーススケジューリングといったRIS関連の信号処理タスクにおいて、最も効果的なディープラーニングアーキテクチャは何か？
• RQ3 ディープ強化学習は、時間的に変化するRIS環境において、どのように適応的ビームフォーミングとリソース割り当てを実現できるか？
• RQ4 トランスファー学習は、類似した伝搬環境にいる複数ユーザー間で、モデルの汎化性を向上させるとともに、トレーニング時間を短縮するのにどのような方法で有効か？
• RQ5 AIは、広帯域および高移動度環境、特にUAV搭載RISシステムを含めたRISの事前デプロイを最適化するために、どのように活用できるか？

主な発見

• 特にディープラーニングおよびディープ強化学習を活用したAIベースのアプローチは、RIS信号処理における非線形性やモデル不一致に対処する上で、従来のモデル駆動型手法を顕著に上回る性能を発揮する。
• 教師あり学習により、部分的またはノイズ混在のCSIであっても、正確なカスケードチャネル推定とビームフォーミング設計が可能となり、トレーニングおよびフィードバックのオーバーヘッドが削減される。
• ディープ強化学習により、エージェントが動的環境と相互作用しながら最適な方策を学習することで、適応的ビームフォーミングが実現され、システムの合計スループットと頑健性が向上する。
• フェデレーテッドラーニングにより、生データを共有せずに複数ユーザー間で分散型かつプライバシー保護型のチャネル推定が可能となり、通信オーバーヘッドを低減しながらも高い精度を維持できる。
• トランスファー学習により、類似した伝搬環境にいる他のユーザーに、あるユーザーのトレーニング済みモデルの知識を転送することで、モデルの収束を加速し、汎化性と効率性が向上する。
• AIベースの事前デプロイ戦略により、RISの配置とアクティベーションパターンを最適化し、システムレートを最大化できる。非リアルタイム要件を考慮すれば、トレーニング時間も許容範囲内に収まる。