[논문 리뷰] AIRIS: Artificial Intelligence Enhanced Signal Processing in Reconfigurable Intelligent Surface Communications

Shun Zhang, Muye Li외 3명|arXiv (Cornell University)|2021. 06. 01.

Advanced Wireless Communication Technologies참고 문헌 45인용 수 4

한 줄 요약

이 논문은 환경 감지, 채널 수신, 빔포밍, 자원 스케줄링 등에서 신호 처리 성능을 향상시키기 위해 인공지능(AI)을 재구성 가능 지능형 표면(RIS) 통신에 통합한 새로운 프레임워크인 AIRIS를 소개한다. 딥 러닝과 딥 강화 학습을 활용하여 하드웨어 결함 및 동적 환경과 같은 비이상적 조건에서도 데이터 기반, 강건하고 적응형 신호 처리를 가능하게 하여 6G 네트워크의 시스템 성능과 적응성에 크게 기여한다.

ABSTRACT

Reconfigurable intelligent surface (RIS) is an emerging meta-surface that can provide additional communications links through reflecting the signals, and has been recognized as a strong candidate of 6G mobile communications systems. Meanwhile, it has been recently admitted that implementing artificial intelligence (AI) into RIS communications will extensively benefit the reconfiguration capacity and enhance the robustness to complicated transmission environments. Besides the conventional model-driven approaches, AI can also deal with the existing signal processing problems in a data-driven manner via digging the inherent characteristic from the real data. Hence, AI is particularly suitable for the signal processing problems over RIS networks under unideal scenarios like modeling mismatching, insufficient resource, hardware impairment, as well as dynamical transmissions. As one of the earliest survey papers, we will introduce the merging of AI and RIS, called AIRIS, over various signal processing topics, including environmental sensing, channel acquisition, beamforming design, and resource scheduling, etc. We will also discuss the challenges of AIRIS and present some interesting future directions.

연구 동기 및 목표

• 모델 기반 신호 처리의 한계를 해결할 것 — RIS 통신에서의 모델 불일치, 하드웨어 결함, 높은 계산 복잡도 문제 해결
• 동적 환경, 자원 부족, 완벽하지 않은 채널 상태 정보 등의 비이상적 조건 하에서 RIS 네트워크에서 데이터 기반의 신호 처리를 가능하게 할 것
• AI와 RIS의 통합을 탐색하여 빔포밍, 채널 추정, 자원 할당과 같은 핵심 신호 처리 작업에서 강건성, 적응성, 성능 향상을 도모할 것
• 모델 일반화, 사전 구축 최적화, 감지-통신 통합 등 AI 강화 RIS 시스템에서의 열린 과제를 식별하고 해결할 것
• 이식 학습, 광대역 빔포밍, AI 기반 사전 구축을 포함한 향후 연구 방향을 제안하여 확장성 있고 효율적인 RIS 구축을 가능하게 할 것

제안 방법

• 실세계 또는 시뮬레이션 데이터를 활용해 채널 추정, 빔포밍 설계, 빔 추적과 같은 작업에 대해 지도 학습(예: CNN, DNN, ODE 기반 LSTMs)을 적용할 것
• 딥 강화 학습(DRL)을 활용해 환경 인식 빔포밍과 자원 스케줄링을 실현하여, 에이전트가 동적 전파 환경과 상호작용하면서 최적 정책을 학습할 수 있도록 할 것
• 원시 데이터를 공유하지 않고도 다수의 사용자 간 분산형, 프라이버시 보존 채널 추정을 가능하게 하기 위해 연합 학습을 구현할 것
• 광대역 RIS 시스템에서 빔 스쿼이트를 완화하기 위해 RIS 빔 선택용 분류 네트워크와 비균일 양자화 코드북을 설계할 것
• 유사한 전파 환경에서 유사한 사용자 간에 한 가지 사용자의 훈련된 모델에서 지식을 전이함으로써 모델 훈련을 가속화할 것
• 선택 네트워크를 활용한 AI 기반 사전 구축 프레임워크를 개발하여 RIS 위치 및 활성화 패턴을 최적화하고, 구축 비용과 사용자 활동 패턴을 고려해 시스템 속도를 극대화할 것

실험 결과

연구 질문

• RQ1 AI 기반 신호 처리는 하드웨어 결함 및 동적 환경과 같은 비이상적 조건 하에서 RIS 통신의 강건성과 성능을 어떻게 향상시킬 수 있는가?
• RQ2 채널 추정, 빔포밍, 자원 스케줄링와 같은 RIS 관련 신호 처리 작업에 가장 효과적인 딥 러닝 아키텍처는 무엇인가?
• RQ3 딥 강화 학습은 시간에 따라 변화하는 RIS 환경에서 적응형 빔포밍과 자원 할당을 어떻게 실현할 수 있는가?
• RQ4 이식 학습은 유사한 전파 환경에서 다수의 사용자 간 모델 일반화를 향상시키고 훈련 시간을 어떻게 줄일 수 있는가?
• RQ5 AI는 광대역 및 고속 이동 환경, 예를 들어 UAV에 장착된 RIS 시스템을 포함한 사전 구축을 최적화하는 데 어떻게 활용될 수 있는가?

주요 결과

• 딥 러닝과 딥 강화 학습을 포함한 AI 기반 접근 방식은 RIS 신호 처리에서 비선형성과 모델 불일치 문제를 다루는 데 기존 모델 기반 방법에 비해 뚜렷한 성능 향상을 보였다.
• 지도 학습은 부분적 또는 노이즈가 있는 CSI 조건 하에서도 정확한 연결 채널 추정과 빔포밍 설계를 가능하게 하여 훈련 및 피드백 오버헤드를 감소시켰다.
• 딥 강화 학습은 상호작용을 통해 최적 정책을 학습함으로써 동적 환경에서 적응형 빔포밍을 실현하여 시스템 합산 속도와 강건성을 향상시켰다.
• 연합 학습은 원시 데이터 공유 없이도 다수 사용자 간 분산형 프라이버시 보존 채널 추정을 가능하게 하여 통신 오버헤드를 감소시키면서도 높은 정확도를 유지했다.
• 이식 학습은 유사한 전파 환경에서 한 사용자의 훈련된 모델에서 지식을 다른 사용자로 전이함으로써 모델 수렴 속도를 가속화하고 일반화 능력과 효율성을 향상시켰다.
• AI 기반 사전 구축 전략는 시스템 속도를 극대화하기 위해 RIS 위치 및 활성화 패턴을 최적화할 수 있으며, 실시간 요구 사항이 없기 때문에 수용 가능한 훈련 시간을 확보할 수 있었다.