[논문 리뷰] Antenna Coding Optimization for Pixel Antenna Empowered Wireless Communication Using Deep Learning with Heterogeneous Multi-Head Selection

Binzhou Zuo, Shanpu Shen외 1명|arXiv (Cornell University)|2026. 02. 27.

Wireless Signal Modulation Classification인용 수 0

한 줄 요약

논문은 이질적 다중헤드 선택(HMSM)을 사용해 SISO 및 MIMO 시스템에서 픽셀 안테나를 위한 안테나 코딩을 최적화하는 딥 러닝 접근법을 제시하며, 휴리스틱 SEBO 성능의 약 98%에 도달하고 계산 속도는 최대 297배 빨라진다.

ABSTRACT

Pixel antenna is a promising antenna technology that enables flexible adjustment of radiation characteristics and enhancement of wireless systems through antenna coding. This work proposes a novel deep learning-based antenna coding optimization algorithm. Specifically, the proposed algorithm is supported by a heterogeneous multi-head selection mechanism, whose main idea is to train multiple neural networks based on various coding schemes and select the one that leads to the best system performance. Unlike traditional heuristic searching-based algorithms that require high computational complexity to achieve satisfactory performance, the proposed data-driven deep learning approach can achieve 98\% of the performance achieved by the searching-based algorithms with significantly reduced computational complexity. Results demonstrate that in pixel antenna empowered single-input single-output systems, the proposed algorithm achieves a computational speed 81 times faster than the searching-based algorithm. For more complex pixel antenna empowered multiple-input multiple-output systems, the computational speed is 297 times faster than the existing searching-based algorithm. Benefiting from the high performance and low computational complexity, this algorithm demonstrates the significant potential of pixel antennas as a novel and practical technology to enhance wireless systems.

연구 동기 및 목표

• 6G/WiFi 시스템의 성능 향상과 계산 복잡도 감소를 위해 픽셀 안테나와 안테나 코딩의 필요성을 제시한다.
• 높은 성능의 코더 구성을 선택하기 위해 HMSM를 이용한 딥 러닝 기반 안테나 코딩 설계를 제안한다.
• 디코딩/탐색 공간을 줄이기 위해 이진 인코더를 이진/Gray 코딩으로 압축한다.
• 채널 이득/용량과 계산 효율성을 비교하여 SISO 및 MIMO 설정에서 접근법을 검증한다.

제안 방법

• 픽셀 안테나를 binary 안테나 코더 b와 개방/단락 스위치 상태를 갖는 Q+1 포트 네트워크로 모델링한다.
• 안테나 코딩 최적화를 |e_R(b_R)^T H_v e_T|^2 (SISO) 또는 log2|I + (P/(σ^2 N_T)) H(B_T,B_R) H(B_T,B_R)^H| (MIMO)를 최대화하도록 형식화한다.
• 세 채널 입력, 이질적 다중헤드(ResNet50 기반), unzip 계층, 최적의 안테나 맵을 선택하는 결정 함수가 포함된 HMSM 아키텍처를 제안한다.
• 입력으로 Re{H_v}, Im{H_v}, 및 SNR를 사용하여 학습하고; 이진 및 Gray 코딩으로 SEBO를 통해 레이블을 생성하여 두 개의 헤드( M=3 )를 학습시킨다.
• 하위 작업 수와 범주 크기를 균형 있게 맞추는 복잡도 모델 D(M)=Φ(f(Q/M), g(2^M))를 제공한다.

Figure 1: (a) An example of pixel antenna designs proposed in [ 19 ] and (b) the multi-port circuit network for pixel antenna.

실험 결과

연구 질문

• RQ1 딥 러닝 기반 HMSM 접근법이 SISO 시스템에서 픽셀 안테나 코딩에 대해 휴리스틱 SEBO 성능에 근접하도록 달성할 수 있는가?
• RQ2 채널 용량 및 계산 시간 측면에서 픽셀-안테나를 적용한 MIMO로 HMSM이 어떻게 확장되는가?
• RQ3 안테나 코더에 이진 vs Gray 코딩을 사용하는 것이 학습 정확도와 성능에 어떤 영향을 미치는가?
• RQ4 HMSM이 효과적으로 일반화하기 위해 필요한 데이터셋 규모는 어느 정도인가?

주요 결과

• HMSM은 MIMO에서 SEBO 성능의 약 98%를 달성하면서 큰 속도 향상을 제공하며(시간은 SEBO의 약 0.34%로 단축).
• 단일 헤드 DL이 기존 코드북을 능가하고 SISO에서 단일 헤드 DL에 비해 HMSM이 평균 이득을 약 17% 향상시킨다.
• SISO에서 HMSM은 SEBO 계산 시간의 약 1.23%를, MIMO에서 약 0.34%를 산출한다.
• HMSM을 갖춘 신경망은 데이터셋 크기에 강하게 의존하며, 일반화는 약 1e5 샘플에서 더 잘 나타난다.
• HMSM은 비교적 높은 복잡도 없이 SEBO 성능에 근접하며, 병렬 계산이 MIMO에서 증가된 부하를 완화한다.

Figure 2: Diagram of (a) pixel antenna empowered SISO systems and (b) pixel antenna empowered MIMO systems integrated with HMSM.