[論文レビュー] Leveraging AI and Intelligent Reflecting Surface for Energy-Efficient Communication in 6G IoT

Qianqian Pan, Jun Wu+4 more|arXiv (Cornell University)|Dec 29, 2020

Advanced Wireless Communication Technologies参考文献 3被引用数 6

ひとこと要約

本稿では、深層強化学習（DRL）を活用して送信電力、IRS位相シフト、基地局（BS）検出行列を共同最適化することで、6G IoT向けにAIおよび知能反射表面（IRS）を活用したエネルギ効率の高い通信システムを提案する。DRL駆動の手法は、特にIRS素子数やBSアンテナ数が増加する状況下でも、従来のシステムに比べて高いエネルギ効率と高速な収束を達成する。IoTデバイス負荷の変動に応じても同様の効果が得られる。

ABSTRACT

The ever-increasing data traffic, various delay-sensitive services, and the massive deployment of energy-limited Internet of Things (IoT) devices have brought huge challenges to the current communication networks, motivating academia and industry to move to the sixth-generation (6G) network. With the powerful capability of data transmission and processing, 6G is considered as an enabler for IoT communication with low latency and energy cost. In this paper, we propose an artificial intelligence (AI) and intelligent reflecting surface (IRS) empowered energy-efficiency communication system for 6G IoT. First, we design a smart and efficient communication architecture including the IRS-aided data transmission and the AI-driven network resource management mechanisms. Second, an energy efficiency-maximizing model under given transmission latency for 6G IoT system is formulated, which jointly optimizes the settings of all communication participants, i.e. IoT transmission power, IRS-reflection phase shift, and BS detection matrix. Third, a deep reinforcement learning (DRL) empowered network resource control and allocation scheme is proposed to solve the formulated optimization model. Based on the network and channel status, the DRL-enabled scheme facilities the energy-efficiency and low-latency communication. Finally, experimental results verified the effectiveness of our proposed communication system for 6G IoT.

研究の動機と目的

• 6Gネットワークにおけるエネルギー制限がありながらも高データレートを要するIoT通信の増大する課題に対処する。
• エネルギー消費と干渉の点で、現在の5Gおよび従来のバックホールソリューションの限界を克服する。
• 6G IoTシステムにおいて厳密な遅延制約下でのエネルギ効率のための共同最適化フレームワークを設計する。
• リアルタイムのネットワークおよびチャネル状態に適応可能なDRLベースの動的リソース割り当てメカニズムを開発する。
• 大規模かつエネルギー制限のあるIoT展開において、IRSとAIを統合することによる性能向上を実証する。

提案手法

• IRS支援信号反射とAI駆動ネットワークリソース管理を統合した新しい6G IoT通信アーキテクチャを提案する。
• 与えられた伝送遅延を満たす条件下で、システムのエネルギ効率を最大化する共同最適化モデルを定式化し、IoT送信電力、IRS位相シフト、BS検出行列を同時に最適化する。
• 非凸最適化問題をリアルタイムに解くために、エージェント・クリティックネットワークを用いた深層強化学習（DRL）フレームワークを実装する。
• 即時のエネルギ効率と遅延制約に基づく環境フィードバック（報酬）を用いてDRLエージェントを訓練する。
• IoTデバイス数、IRS素子数、BSアンテナ数の変動を想定したシミュレーションにより、システム性能を評価する。
• 収束性と性能最適化を目的に、DRLハイパーパrameter（割引率、学習率、更新頻度）を調整する。

実験結果

リサーチクエスチョン

• RQ1 IRSとAIの統合は、6G IoTネットワークにおけるエネルギ効率をどのように向上させるか？
• RQ2 遅延制約下で、DRLは送信電力、IRS位相シフト、BS検出行列をどれほど動的に最適化できるか？
• RQ3 IRS素子数とBSアンテナ数の増加が、システムのエネルギ効率と収束速度に与える影響は何か？
• RQ4 IoTデバイス負荷の変動が、提案されたDRL-IRSシステムの性能に与える影響は何か？
• RQ5 異なるDRLハイパーパrameterが、システムのエネルギ効率と学習安定性に与える影響は何か？

主な発見

• 提案されたDRL-IRSシステムは、IRSを備えないシステムに比べて高いエネルギ効率を達成しており、特にIRS素子数が増加するほど顕著である。
• 訓練エピソードの増加に伴い、システムのエネルギ効率が収束し向上するため、安定的かつ効果的な学習が実証された。
• IRS素子数を10から30に増加させると、収束が速くなり、報酬値も上昇する。これは、より大きなIRSアパーチャーによる性能向上を示している。
• BSアンテナ数を最大7まで増加させることで、システムのエネルギ効率が向上し、IRS支援システムにおけるマスティブMIMOの利点が裏付けられた。
• 割引率γ=0.9、学習率αμ=αQ=10−9、更新頻度ε=0.001のDRLモデルが、最良の性能と最速の収束を達成した。
• IoTデバイス数の増加に伴い、リソース競合が増加するためエネルギ効率が低下するが、DRL-IRSシステムは非IRSベースラインに比べて優れた性能を維持した。