[논문 리뷰] Channel Estimation for Full-Duplex RIS-assisted HAPS Backhauling with Graph Attention Networks

Kürşat Tekbıyık, Güneş Karabulut Kurt외 3명|arXiv (Cornell University)|2020. 10. 22.

Advanced Wireless Communication Technologies참고 문헌 21인용 수 9

한 줄 요약

이 논문은 전체 이중성 재구성 가능 지능형 표 superfine(RIS)-보조 고고도 플랫폼 스테이션(HAPS) 백홀링을 위한 그래프 어텐션 네트워크(GAT)-기반 채널 추정 방법을 제안한다. 이는 시간분할이중성(TDD) 신호를 사용하지 않고도 연쇄 채널 계수를 동시에 추정할 수 있도록 한다. GAT는 낮은 오버헤드와 뛰어난 정규화된 평균 제곱 오차(NMSE) 성능을 달성하며, 훈련 데이터에 이러한 변동이 포함되지 않았음에도 불구하고 하드웨어 결함과 다양한 근접 fading 조건에 대해 강건함을 입증한다.

ABSTRACT

In this paper, graph attention network (GAT) is firstly utilized for the channel estimation. In accordance with the 6G expectations, we consider a high-altitude platform station (HAPS) mounted reconfigurable intelligent surface-assisted two-way communications and obtain a low overhead and a high normalized mean square error performance. The performance of the proposed method is investigated on the two-way backhauling link over the RIS-integrated HAPS. The simulation results denote that the GAT estimator overperforms the least square in full-duplex channel estimation. Contrary to the previously introduced methods, GAT at one of the nodes can separately estimate the cascaded channel coefficients. Thus, there is no need to use time-division duplex mode during pilot signaling in full-duplex communication. Moreover, it is shown that the GAT estimator is robust to hardware imperfections and changes in small-scale fading characteristics even if the training data do not include all these variations.

연구 동기 및 목표

• RIS 보조 전체 이중성 HAPS 시스템에서 기존 채널 추정 기법의 높은 오버헤드와 복잡도 문제를 해결한다.
• 전체 이중성 RIS 통신에서 TDD 모드의 피LOT 신호 전송 방식에 기인한 한계를 극복한다.
• 동시로 연쇄 채널(CN–RIS 및 RIS–BS)을 추정할 수 있는 저오버헤드, 고성능 채널 추정 기법을 개발한다.
• 훈련 데이터에 포함되지 않은 하드웨어 결함과 근접 fading 조건의 변동성에 대해 강건성을 확보한다.
• 다중 사용자 및 MIMO 시스템을 포함한 전체 이중성 및 반중성 시나리오 모두에 적용 가능한 방법을 제공한다.

제안 방법

• RIS 보조 HAPS 통신 링크를 그래프로 모델링하기 위해 그래프 어텐션 네트워크(GAT)를 활용한다. 여기서 노드는 RIS 요소를, 간선은 채널 의존성을 나타낸다.
• GAT 추정기는 한 노드(예: 코어 네트워크)에서 수신한 피LOT 신호를 처리하여 동시에 CN–RIS 및 RIS–BS 채널 계수를 추정함으로써 TDD 기반 피LOT 스케줄링이 필요 없어진다.
• GAT의 어텐션 메커니즘을 활용해 추정 과정에서 가장 관련성이 높은 RIS 요소에 동적으로 집중함으로써 채널 변동성에 대한 강건성을 향상시킨다.
• GAT 아키텍처는 레이블이 부여된 채널 데이터를 사용해 엔드 투 엔드로 훈련되며, 그래프 구조는 RIS 요소의 공간적 및 전파 특성을 인코딩한다.
• 모델은 다양한 근접 fading 파rameter(K-팩터) 및 RIS 진폭 이득 오차를 포함한 볼 수 없는 그래프 구조와 채널 조건에 일반화할 수 있도록 설계되었다.
• 모든 채널 계수를 동시에 추정함으로써 케이스 온 오프 상태 제어를 피하고, 훈련 및 추정 오버헤드를 감소시킨다.

실험 결과

연구 질문

• RQ1 GAT 기반 추정기는 TDD 모드에 의존하지 않고 전체 이중성 RIS 보조 HAPS 백홀링에서 고정밀도 채널 추정을 달성할 수 있는가?
• RQ2 기존 최소 제곱(LS) 추정법과 비교해 GAT 추정기의 정규화된 평균 제곱 오차(NMSE) 성능은 어떠한가?
• RQ3 훈련 데이터에 포함되지 않은 RIS 진폭 이득 오차와 같은 하드웨어 결함에 대해 GAT 추정기는 어느 정도 강건한가?
• RQ4 훈련 세트에 포함되지 않은 다양한 근접 fading 조건(예: K-팩터의 변화)에 대해 GAT 추정기는 어떻게 대응하는가?
• RQ5 다른 수의 RIS 요소와 피LOT 기호를 포함한 볼 수 없는 그래프 구조 및 채널 조건에 대해 GAT 추정기는 일반화 가능한가?

주요 결과

• GAT 추정기는 전체 이중성 RIS 보조 HAPS 백홀링에서 최소 제곱(LS) 추정기보다 유의미하게 낮은 NMSE 성능을 달성하며, 뛰어난 추정 정확도를 입증한다.
• GAT 추정기는 CN–RIS 및 RIS–BS 채널 추정 모두에서 거의 동일한 NMSE 성능을 유지함으로써 두 링크 전반에 걸쳐 균형 잡히고 신뢰할 수 있는 추정이 가능함을 보여준다.
• K=10(Rayleigh fading)로만 훈련된 경우에도 GAT 추정기는 광범위한 K-팩터(비선형 통로 조건 포함)에서 만족스러운 NMSE 성능을 달성하며, 예상치 못한 fading 환경에 대한 강력한 일반화 능력을 입증한다.
• RIS 진폭 이득 오차(ε = 10⁻³, 10⁻², 10⁻¹)에 대해 GAT 추정기는 NMSE 성능이 약간 악화되기는 하지만 강건하게 유지되며, 반면 LS 추정기는 영향을 받지 않지만 전반적인 성능이 열 劣하다.
• RIS 요소 수가 증가할수록 NMSE 성능은 약간 악화되며, 요소 수가 두 배가 되면 동일한 NMSE 성능을 유지를 위해 약 3 dB 더 높은 신호 대 잡음비(SNR)가 필요하다.
• 어텐션 메커니즘이 GAT이 가장 관련성이 높은 RIS 요소에 집중할 수 있도록 하여 고피LOT 오버헤드가 필요 없이 효율적인 추정이 가능하며, 제한된 훈련 데이터 조건에서도 유연하게 작동한다.