[논문 리뷰] AI for 5G: Research Directions and Paradigms

Xiaohu You, Chuan Zhang외 3명|arXiv (Cornell University)|2018. 07. 23.

Advanced MIMO Systems Optimization인용 수 16

한 줄 요약

이 논문은 5G 네트워크 최적화를 위한 AI 기반 패러다임을 제안하며, 통합된 물리계층 가속, 딥 오토에인코더를 통한 종단 간 공동 최적화, 그리고 지능적인 자원 할당을 포함한다. 깊이 있는 신경망을 사용해 통신 체인 전체를 종단 간으로 모델링함으로써, 특히 대규모 MIMO와 다양한 서비스 요구사항을 가진 복잡하고 동적인 5G 환경에서 전통적인 블록 기반 최적화에 비해 뛰어난 스펙트럼 효율성과 오류 성능을 달성한다.

ABSTRACT

The 5th wireless communication (5G) techniques not only fulfil the requirement of $1,000$ times increase of internet traffic in the next decade, but also offer the underlying technologies to the entire industry and ecology for internet of everything. Compared to the existing mobile communication techniques, 5G techniques are more-widely applicable and the corresponding system design is more complicated. The resurgence of artificial intelligence (AI) techniques offers as an alternative option, which is possibly superior over traditional ideas and performance. Typical and potential research directions to which AI can make promising contributions need to be identified, evaluated, and investigated. To this end, this overview paper first combs through several promising research directions of AI for 5G, based on the understanding of the 5G key techniques. Also, the paper devotes itself in providing design paradigms including 5G network optimization, optimal resource allocation, 5G physical layer unified acceleration, end-to-end physical layer joint optimization, and so on.

연구 동기 및 목표

• 인공지능(AI)을 5G 이동통신 시스템에 통합하기 위한 가장 유망한 연구 방향을 식별하고 평가하는 것.
• 이질적 네트워크, 네트워크 슬라이싱, 지연, 신뢰성, 스펙트럼 효율성과 같은 다양한 KPI를 포함한 5G 시스템 설계의 복잡성 증가에 대응하는 것.
• 전통적인 모듈화된 접근 방식을 뛰어넘어 5G에서 다중 계층 및 기능 간 공동 최적화를 가능하게 하는 새로운 AI 기반 설계 패러다임을 제안하는 것.
• 다양한 채널 조건과 시스템 구성에서 물리계층 통신에 대해 종단 간 딥 러닝 모델—특히 오토에인코더—의 타당성과 성능 향상을 입증하는 것.

제안 방법

• 다양한 물리계층 기능(예: MIMO 검출, 채널 복호화)을 하나의 탄력적인 하드웨어 플랫폼에 통합하여 복잡성을 줄이고 처리량을 향상시키는 통합된 AI 가속기 아키텍처를 제안한다.
• 송신기와 수신기를 딥 뉴럴 네트워크로 모델링한 종단 간 오토에인코더 기반 통신 시스템을 도입하며, 비트 오류율(BER) 또는 블록 오류율(BLIER)을 최소화하도록 훈련한다.
• 가우시안 백색 잡음(AWGN) 채널을 모델링하기 위해 변동 가능한 분산을 가진 노이즈 레이어를 사용하여, 불완전한 채널 상태 정보(CSI) 조건에서도 강건한 신호 재구성 능력을 갖춘 오토에인코더를 학습시킨다.
• 송신기에서 에너지 제약을 강제하기 위해 정규화 레이어를 적용하고, 수신기에서 소프트 결정 출력을 생성하기 위해 소프트맥스 활성화 함수를 사용하여 검출 정확도를 향상시킨다.
• 채널 행렬을 입력 모듈로 통합하여 오토에인코더 프레임워크를 다중 사용자 및 MIMO 환경으로 확장함으로써 공간 multiplexing와 간섭 관리의 공동 최적화를 가능하게 한다.
• 입력-출력 쌍이 레이블링된 지도 학습을 사용하여 DNN을 훈련시켜, 개별 구성 요소의 명시적 모델링 없이도 복잡한 비선형 매핑을 학습할 수 있도록 한다.

실험 결과

연구 질문

• RQ1 AI는 전통적인 모듈화된 접근 방식을 넘어서 5G 네트워크 기능을 어떻게 효과적으로 최적화할 수 있는가?
• RQ2 종단 간 딥 러닝을 통한 오토에인코더가 오류율과 스펙트럼 효율성 측면에서 기존의 블록 기반 물리계층 처리 방식을 능가할 수 있는가?
• RQ3 대규모 MIMO와 네트워크 슬라이싱을 포함한 5G 시스템의 복잡성과 이질성 문제를 해결하는 데 AI가 기여할 수 있는 핵심 설계 패러다임은 무엇인가?
• RQ4 MIMO 검출 및 채널 복호화와 같은 물리계층 기능에 AI를 통합할 경우, 시스템 성능 및 하드웨어 효율성에 어떤 영향을 미치는가?
• RQ5 5G 통신 시스템에서 전통적인 모델 기반 최적화와 AI 기반 데이터 기반 최적화 간의 성능 상충 관계는 어떠한가?

주요 결과

• 종단 간 오토에인코더 프레임워크는 다양한 채널 조건과 안테나 구성에서 기존의 별도 최적화된 등화기와 복호화기보다 향상된 비트 오류율(BER) 성능을 달성한다.
• 오토에인코더 모델은 기반 채널 모델에 대한 명시적 지식 없이도 노이즈가 있는 관측치로부터 전송된 신호를 성공적으로 재구성하며, 불완전한 CSI에 대한 강건성을 입증한다.
• 통합된 AI 가속기 아키텍처는 기능별 전용 하드웨어에 비해 하드웨어 복잡성을 줄이고 처리량을 증가시키며, 다양한 5G 시스템 요구사항을 충족하는 높은 유연성을 유지한다.
• 시뮬레이션 결과는 송신기, 수신기 및 채널 모델의 DNN 기반 공동 최적화가 MIMO 및 다중 사용자 환경에서 스펙트럼 효율성과 신뢰성을 향상시킨다는 것을 확인한다.
• 제안된 AI 패러다임은 URLLC, eMBB 및 mMTC와 같은 다양한 엄격한 KPI를 가진 5G 서비스를 지원하는 동적이고 적응형 자원 할당 및 네트워크 최적화를 가능하게 한다.
• AI 기반 5G 시스템에 강화학습과 지도학습을 통합할 경우, 매우 동적인 네트워크 환경에서 실시간 적응 및 최적화에 유망한 전망을 보인다.