[論文レビュー] RIS Enhanced Massive Non-orthogonal Multiple Access Networks: Deployment and Passive Beamforming Design

Xiao Liu, Yuanwei Liu+2 more|arXiv (Cornell University)|Jan 28, 2020

Advanced Wireless Communication Technologies参考文献 54被引用数 11

ひとこと要約

本稿では、エネルギー効率を最大化するために、RIS強化型の巨大なNOMAネットワークにおける共同配置および受動ビームフォーミング設計のための深層強化学習フレームワークを提案する。交通量予測にLSTMベースのESNを、RISの配置と位相シフトの最適化にD³QNベースのエージェントを用い、OMAおよびベンチマークのRIS配置と比較して優れたエネルギー効率を達成する。

ABSTRACT

A novel framework is proposed for the deployment and passive beamforming design of a reconfigurable intelligent surface (RIS) with the aid of non-orthogonal multiple access (NOMA) technology. The problem of joint deployment, phase shift design, as well as power allocation is formulated for maximizing the energy efficiency with considering users' particular data requirements. To tackle this pertinent problem, machine learning approaches are adopted in two steps. Firstly, a novel long short-term memory (LSTM) based echo state network (ESN) algorithm is proposed to predict users' tele-traffic demand by leveraging a real dataset. Secondly, a decaying double deep Q-network (D3QN) based position-acquisition and phase-control algorithm is proposed to solve the joint problem of deployment and design of the RIS. In the proposed algorithm, the base station, which controls the RIS by a controller, acts as an agent. The agent periodically observes the state of the RIS-enhanced system for attaining the optimal deployment and design policies of the RIS by learning from its mistakes and the feedback of users. Additionally, it is proved that the proposed D3QN based deployment and design algorithm is capable of converging within mild conditions. Simulation results are provided for illustrating that the proposed LSTM-based ESN algorithm is capable of striking a tradeoff between the prediction accuracy and computational complexity. Finally, it is demonstrated that the proposed D3QN based algorithm outperforms the benchmarks, while the NOMA-enhanced RIS system is capable of achieving higher energy efficiency than orthogonal multiple access (OMA) enabled RIS system.

研究の動機と目的

• 巨大なNOMAネットワークにおけるRIS配置および受動ビームフォーミングの最適化という挑戦に取り組み、エネルギー効率を向上させる。
• 現実的な無線環境におけるユーザーの動的データレート要件および変動するトラフィック需要を考慮する。
• サービス品質制約下でのRIS配置、位相シフト設計、および電力割り当ての共同最適化フレームワークを開発する。
• 機械学習を統合し、ユーザーのトラフィックを予測し、強化学習を介してRISのリアルタイムな適応的制御を可能にする。
• 比較的性能評価を通じて、RIS支援システムにおけるNOMAがOMAを上回ることを実証する。

提案手法

• 実データを用いてユーザーのリアルタイム通信トラフィック需要を予測するためのLSTMベースのエコー状態ネットワーク（ESN）を提案する。
• 基地局がエージェントとして機能する減衰型二重深層Qネットワーク（D³QN）アルゴリズムを設計し、最適なRIS配置および位相シフトポリシーを学習する。
• RIS配置およびビームフォーミングをマルコフ意思決定過程としてモデル化し、システムのエネルギー効率とユーザーのQoS満足度に基づく報酬を設定する。
• チャネルゲインに基づいて、逐次干渉キャンセレーション（SIC）の性能を向上させるために、NOMAにおける動的デコード順序を導入する。
• 実用的なエネルギー消費モデル（回路および反射電力含む）を用いて、実践的なエネルギー効率最適化を保証する。
• D³QNエージェントの学習安定性と収束性を向上させるために、二重Q学習機構とエプシロンの減衰を採用する。

実験結果

リサーチクエスチョン

• RQ1 LSTMベースのESNモデルは、低計算負荷で現実のRIS強化型ネットワークにおけるユーザーのトラフィック需要を正確に予測できるか？
• RQ2 D³QNベースのエージェントは、標準的なDQNに比べて、エネルギー効率の最適化においてRIS配置および位相シフトをどのように上回るのか？
• RQ3 固定順序デコードと比較して、NOMAにおける動的デコード順序のRIS支援システムへの影響は何か？
• RQ4 D³QNによって学習された最適位置にRISを配置することは、ランダム配置や重心配置と比較して、システムのエネルギー効率を顕著に向上させるか？
• RQ5 RISの反射素子数の増加は、スペクトル効率とエネルギー効率のトレードオフにどのように影響するか？

主な発見

• 提案されたLSTMベースのESNは、予測精度と計算複雑性の良好なトレードオフを達成し、リアルタイムのトラフィック予測を可能にする。
• D³QNベースのアルゴリズムはやや緩い条件下でも収束し、二重Q学習とエプシロンの減衰を活用することで、標準的なDQNを上回る性能を示す。
• 最適なRIS配置はエネルギー効率を顕著に向上させ、D³QNで学習された配置はランダムおよび重心配置を上回る。
• NOMA-RISシステムは、従来のAFリレーリングに比べて最大300%高いエネルギー効率を達成し、OMAベースのRISシステムをも上回る。
• エネルギー効率は反射素子数が約18の付近でピークに達し、それ以上に増加させても性能向上が得られず、エネルギー消費が増加する。
• ユーザーのデータ要件が類似している状況では、動的デコード順序（NOMA-PH-optimal）が固定順序デコード（NOMA-PH-random）を顕著に上回る。