[論文レビュー] Developing NOMA to Next Generation Multiple Access (NGMA): Future Vision and Research Opportunities

Yuanwei Liu, Wenqiang Yi+4 more|arXiv (Cornell University)|Mar 3, 2021

Advanced Wireless Communication Technologies被引用数 16

ひとこと要約

本稿は、6Gネットワークにおける次世代多重アクセス（NGMA）への非直交多重アクセス（NOMA）の進化を促進する「1つの基本原則＋4つの新技術」フレームワークを提案する。ハイブリッド逐次干渉キャンセレーション（SIC）を導入し、チャネル状態情報（CSI）とサービス品質（QoS）要件を統合的に活用することで、従来のアウトージ確率の誤差床を解消し、優れたスペクトル効率と信頼性を実現する。このフレームワークは、マスコネクティビティの強化、リコンフィギュラブルインテリジェントサーフェス（RIS）やISaCといった高度な物理層技術との統合、新たな応用シナリオ、AI駆動のリソース割り当ての探求を含み、NOMAが6Gの多目的かつ高パフォーマンスなビジョンの基盤たる存在であることを位置づけている。

ABSTRACT

As a prominent member of the next generation multiple access (NGMA) family, non-orthogonal multiple access (NOMA) has been recognized as a promising multiple access candidate for the sixth-generation (6G) networks. This article focuses on applying NOMA in 6G networks, with an emphasis on proposing the so-called "One Basic Principle plus Four New" concept. Starting with the basic NOMA principle, the importance of successive interference cancellation (SIC) becomes evident. In particular, the advantages and drawbacks of both the channel state information based SIC and quality-of-service based SIC are discussed. Then, the application of NOMA to meet the new 6G performance requirements, especially for massive connectivity, is explored. Furthermore, the integration of NOMA with new physical layer techniques is considered, followed by introducing new application scenarios for NOMA towards 6G. Finally, the application of machine learning in NOMA networks is investigated, ushering in the machine learning empowered NGMA era.

研究の動機と目的

• 従来のNOMA SIC方式が高SNR条件下で避けられないアウトージ確率の誤差床に直面するという限界を是正すること。特に、動的かつ高密度な6Gネットワーク環境において顕著である。
• NOMAの役割を5Gを越えて再定義し、マスコネクティビティ、超信頼性、低遅延といった6Gの多目的要件を満たすためのコア原則を再考すること。
• 再構成可能インテリジェントサーフェス（RIS）、統合センシングと通信（ISaC）、直交時間周波数空間（OTFS）変調といった新たな6G物理層技術とNOMAを統合する方法を検討すること。
• 強化学習やディープラーニングを含む機械学習技術を、NOMAベースのNGMAシステムにおける適応的・リアルタイムなリソース割り当てと信号処理に効果的に応用する方法を調査すること。
• NOMAの6Gにおける包括的かつ包括的な研究ロードマップを策定し、システム設計、スケーラビリティ、知能化に関する主な課題と機会を特定すること。

提案手法

• SICの信号検出順序を最適化するために、チャネル状態情報（CSI）とユーザー固有のQoS要件を統合的に考慮するハイブリッドSIC復調戦略を提案。単一指標SICの限界を克服する。
• CSIとQoS指標の組み合わせに基づき、動的に復調順序を最適化する一般化SICフレームワークを導入。これにより、従来のSICが失敗する高SNR領域でも性能向上を実現。
• 強化学習（RL）を活用し、NOMAネットワークにおける長期的リソース割り当てと動的ユーザークラスタリングを最適化。環境変化に応じた適応的意思決定を可能にする。
• ディープラーニング（DL）を用いて、明示的なチャネルフィードバックの必要性を低減し、時間変動環境でも高い耐障害性を実現する、自動化されたCSI取得、チャネル推定、信号検出を実現。
• エッジデバイスで局所モデルを学習し、基地局でのみモデルパラメータを集約することで、ユーザーの個人データのプライバシーを保護するフェデレーテッドラーニング（FL）を活用。
• 新規または類似したネットワーク環境での収束を加速するために、事前に学習済みのディープニューラルネットワークを再利用するトランスファーラーニングを活用。これにより、トレーニング時間とデータ要件を削減。

実験結果

リサーチクエスチョン

• RQ1 従来のCSIベースおよびQoSベースのSIC方式に内在するアウトージ確率の誤差床を解消するため、NOMAにおける逐次干渉キャンセレーション（SIC）をどのように再定義できるか？
• RQ2 RIS、ISaC、OTFSといった新たな6G物理層技術とNOMAを統合した場合の性能向上とシステムレベルの利点は何か？
• RQ3 強化学習やディープラーニングといった機械学習技術を、NOMAベースの6Gネットワークにおける適応的・低遅延・省エネルギーなリソース割り当てに効果的に応用する方法は何か？
• RQ4 NOMAは、異種かつ動的変化が激しいネットワーク環境において、6Gのビジョンが求めるマスコネクティビティ、超信頼性、1ミリ秒未塔の遅延をどのように実現できるか？
• RQ5 AI強化型NOMAシステムの展開に際して、モデル収束、プライバシー、計算複雑性といった点で直面する主な設計的トレードオフと課題は何か？

主な発見

• CSIとQoS指標を統合したハイブリッドSIC方式は、従来のアウトージ確率の誤差床を明確に解消し、高SNRでも信頼性の高い通信を実現。これは、従来のNOMAシステムに見られた主要な制限要因を克服した。
• RIS、ISaC、OTFSといった高度な物理層技術とNOMAを統合することで、6G環境下でのスペクトル効率と信頼性が顕著に向上した。
• 強化学習を用いたリソース割り当ては、ネットワーク状態との相互作用を通じて最適な長期的方策を学習するため、動的環境下で従来手法を上回る性能を示した。
• ディープラーニングは、フィードバックオーバーヘッドを低減し、高速 fading 環境やマスミMO環境でも高い性能を発揮する、正確かつ低遅延なCSI推定と信号検出を可能にした。
• フェデレーテッドラーニングは、ユーザーの生データを共有せず分散学習を可能にすることで、NOMAベースのネットワークにおけるデータプライバシーを強化した。加えて、NOMAの多重アクセス能力のおかげで、モデル集約の遅延も低減された。
• トランスファーラーニングにより、事前学習済みモデルを活用することで、新規ネットワーク展開の収束を加速し、ラベル付きデータが限られる状況でもトレーニング時間とデータ要件を削減した。