[논문 리뷰] AI-Empowered Hybrid MIMO Beamforming

Nir Shlezinger, Mengyuan Ma외 4명|arXiv (Cornell University)|2023. 03. 03.

Millimeter-Wave Propagation and Modeling인용 수 4

한 줄 요약

이 논문은 대규모 MIMO 시스템에서 실시간으로 고성능·저전력 비트포밍을 구현하기 위한 AI 기반 하이브리드 MIMO 비트포밍에 대한 종합적인 리뷰를 제시한다. 최적화 기반, 딥 뉴럴 네트워크(DNN) 기반, 딥 언폴딩 기반 접근법을 비교 분석하며, 딥 언폴딩 기법이 성능, 해석 가능성, 수렴 속도 사이의 유리한 트레이드오프를 제공함을 입증한다. 이는 하드웨어 제약 조건 하에서도 확장 가능한 6G 호환 비트포밍을 가능하게 한다.

ABSTRACT

Hybrid multiple-input multiple-output (MIMO) is an attractive technology for realizing extreme massive MIMO systems envisioned for future wireless communications in a scalable and power-efficient manner. However, the fact that hybrid MIMO systems implement part of their beamforming in analog and part in digital makes the optimization of their beampattern notably more challenging compared with conventional fully digital MIMO. Consequently, recent years have witnessed a growing interest in using data-aided artificial intelligence (AI) tools for hybrid beamforming design. This article reviews candidate strategies to leverage data to improve real-time hybrid beamforming design. We discuss the architectural constraints and characterize the core challenges associated with hybrid beamforming optimization. We then present how these challenges are treated via conventional optimization, and identify different AI-aided design approaches. These can be roughly divided into purely data-driven deep learning models and different forms of deep unfolding techniques for combining AI with classical optimization.We provide a systematic comparative study between existing approaches including both numerical evaluations and qualitative measures. We conclude by presenting future research opportunities associated with the incorporation of AI in hybrid MIMO systems.

연구 동기 및 목표

• 기존 반복 최적화 기법의 느린 수렴 속도로 인해 발생하는 대규모 MIMO 시스템에서의 실시간 하이브리드 비트포밍 도전 과제를 해결한다.
• 완전 디지털 MIMO의 하드웨어 비용과 전력 소모 문제를 해결하기 위해 하이브리드 비트포밍 아키텍처를 활용한다.
• 순수 데이터 기반 DNN, 최적화 기반 방법, 딥 언폴딩을 포함한 AI 보조 비트포밍 기법들을 핵심 성능 지표 기준으로 체계적으로 평가하고 비교한다.
• AI 통합을 위한 연구 격차와 향후 방향을 규명한다. 이는 감지 기능, 전력 인식 설계, 분산 시스템, 근거리 통신을 포함한다.

제안 방법

• 하이브리드 비트포밍 설계를 세 가지 유형으로 분류한다: 최적화 기반 반복 알고리즘, 엔드 투 엔드 딥 뉴럴 네트워크(DNN), 고전적 최적화 단계를 신경망 아키텍처에 통합한 딥 언폴딩 기법.
• 딥 언폴딩을 통해 각 최적화 반복 단계를 신경망의 레이어로 모델링함으로써, 비트포머와 네트워크 파라미터의 공동 최적화를 위한 역전파를 가능하게 하여 해석 가능성을 유지한다.
• 수치 시뮬레이션과 수렴 속도, 스펙트럼 효율성, 채널 변동에 대한 강건성과 같은 정성적 지표를 활용해 성능을 평가한다.
• 비트포밍 실현 가능성에 미치는 영향을 분석하기 위해, 단계 이동자 네트워크, 벡터 모odulator, 동적 메타표면과 같은 아키텍처 제약 조건을 분석한다.
• 실용성 향상을 위해 전력 소모와 비선형 전력 증폭기와 같은 하드웨어 인식 제약 조건을 최적화 프레임워크에 통합한다.
• 향후 확장성을 고려해 통신과 감지의 공존, 셀리스 네트워크에서의 분산 비트포밍, 구형 파면을 갖는 근거리 비트포밍을 탐색한다.

실험 결과

연구 질문

• RQ1 AI 기반 비트포밍 기법들은 수렴 속도, 스펙트럼 효율성, 채널 변동에 대한 강건성 측면에서 어떻게 비교되는가?
• RQ2 DNN 기반 아키텍처와 딥 언폴딩 아키텍처 간에 해석 가능성, 성능, 학습 복잡성 사이의 트레이드오프는 무엇인가?
• RQ3 AI는 전력 소모와 비선형 증폭기와 같은 하드웨어 특수 제약 조건을 하이브리드 비트포밍 설계에 어떻게 통합할 수 있는가?
• RQ4 하이브리드 MIMO 시스템에 감지 기능을 통합할 경우의 영향은 무엇이며, AI는 이러한 이중 기능 시나리오에서 비트포밍을 어떻게 향상시킬 수 있는가?
• RQ5 근거리 통신에서 파면이 구형이며 기존의 원거리 가정이 더 이상 성립하지 않는 상황에서 AI는 실시간 비트포밍을 어떻게 지원할 수 있는가?

주요 결과

• 딥 언폴딩 기법은 성능와 해석 가능성 사이의 균형 잡힌 트레이드오프를 제공하며, 투명성과 수렴 제어 측면에서 블랙박스 DNN보다 뛰어나다.
• DNN 기반 접근법은 빠른 추론 지연을 달성하지만, 해석 가능성에 빈도가 낮고, 시스템 구성이 변경될 경우 광범위한 재학습이 필요하다.
• 반복 최적화 방법은 해석 가능성이 높지만, 느린 수렴 속도로 인해 빠르게 변하는 채널 환경에서 실시간 응용에 부적합하다.
• 벡터 모듈레이터 또는 동적 메타표면을 활용한 하이브리드 비트포밍은 선택적 활성화를 통해 전력 소모를 감소시킬 수 있으며, 이는 AI를 통해 최적화될 수 있다.
• 긴 최적화 과정이 수반되지만 근거리 비트포밍은 하이브리드 MIMO를 통해 실현 가능하며, AI 기반 딥 언폴딩은 실시간 집중 비트포밍을 가능하게 한다는 잠재력이 있다.
• 미래 시스템은 통신과 감지의 공동 설계가 필요하며, AI 기반 비트포밍이 동적이고 적응적이며 효율적인 자원 할당을 가능하게 할 수 있다.