[논문 리뷰] A Digital Twin for Reconfigurable Intelligent Surface Assisted Wireless Communication

Baoling Sheen, Jin Yang외 2명|arXiv (Cornell University)|2020. 09. 01.

Advanced Wireless Communication Technologies참고 문헌 19인용 수 17

한 줄 요약

이 논문은 6G 무선 네트워크에서 채널 상태 정보(CSI) 또는 비드레인닝을 요구하지 않고도 자동으로 거의 최적의 재구성 가능한 지능형 표면(RIS) 설정을 가능하게 하는 딥러닝 기반의 디지털 트윈 프레임워크인 Environment-Twin(Env-Twin)을 제안한다. 수신기 위치의 2% 미만에서 훈련된 모델은 완벽한 CSI가 있는 이론적 상한선에 가까운 성능을 달성하는 최적의 RIS 설정을 예측한다.

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.

연구 동기 및 목표

• 6G 무선 네트워크에서 대규모 RIS 요소에 대한 최적 설정 문제를 해결하기 위해.
• RIS 지원 시스템에서 명시적 채널 추정 또는 비드레인닝이 필요 없도록 하기 위해.
• 실시간 RIS 최적화를 위한 자동화되고 확장 가능한 디지털 트윈 프레임워크를 개발하기 위해.
• 재훈련 없이도 새로운 수신기 위치에 대한 최적 RIS 설정을 예측할 수 있도록 하기 위해.
• 최소한의 훈련 데이터로도 높은 성능과 강건성을 입증하기 위해.

제안 방법

• Env-Twin 프레임워크는 수신기 위치 특성과 관련된 RIS 설정과 달성 가능한 전송률 간의 매핑을 학습하는 딥러닝 모델을 사용한다.
• 모델은 다양한 수신기 위치에서의 RIS 설정과 해당하는 달성 가능한 전송률 데이터셋을 사용해 훈련된다.
• 새로운, 볼 수 없는 수신기 위치에 대해 최적의 RIS 위상 이동을 예측하기 위해 지도 학습을 활용한다.
• 모델은 종단 간 성능 지표(달성 가능한 전송률)와 기하학적 특성에 기반해 직접적인 채널 추정을 피한다.
• 최소한의 재훈련으로 다양한 네트워크 배포 환경에 일반화될 수 있도록 설계되었다.
• 복잡한 비선형 관계를 근사하기 위해 신경망 아키텍처를 사용한다.

실험 결과

연구 질문

• RQ1 디지털 트윈 프레임워크는 채널 상태 정보(CSI) 또는 비드레인닝 없이도 최적의 RIS 설정을 예측할 수 있는가?
• RQ2 딥러닝 기반 디지털 트윈은 RIS 지원 네트워크에서 새로운, 볼 수 없는 수신기 위치에 얼마나 잘 일반화되는가?
• RQ3 제한된 훈련 데이터로 제안된 Env-Twin 모델은 기준선 방법에 비해 얼마나 높은 성능 향상을 달성하는가?
• RQ4 수신기 위치와 환경 조건의 변동에 대해 모델은 얼마나 강건한가?
• RQ5 모델은 총 훈련 위치의 2% 미만으로도 거의 최적의 성능을 달성할 수 있는가?

주요 결과

• Env-Twin 모델은 완벽한 CSI가 있는 이론적 상한선에 매우 가까운 거의 최적의 성능를 달성했다.
• 효율적인 훈련을 위해 총 수신기 위치의 2% 미만으로도 충분했으며, 높은 데이터 효율성을 입증했다.
• 추가적인 채널 추정 또는 피드백 없이도 새로운 수신기 위치에 대한 최적 RIS 설정을 성공적으로 예측했다.
• 딥러닝 기반 모델은 다양한 배포 시나리오에서 강력한 일반화 능력과 강건성을 보였다.
• 결과적으로 Env-Twin 프레임워크는 실용적인 6G 네트워크에서 자율적이고 CSI 없는 RIS 운영을 가능하게 한다.