[논문 리뷰] CogRF: A New Frontier for Machine Learning and Artificial Intelligence for 6G RF Systems

Tarun S. Cousik, Rubayet Shafin외 4명|arXiv (Cornell University)|2019. 09. 15.

Radio Frequency Integrated Circuit Design참고 문헌 14인용 수 4

한 줄 요약

CogRF는 6G 시스템을 위한 기계학습을 활용한 혁신적인 인공지능 기반 인지 라디오 주파수(RF) 프론트엔드를 제안한다. 실시간으로 RF 구성 요소의 설정을 동적으로 최적화함으로써, 삼중 레이어 아키텍처(시스템 수준, 구성 요소 수준, RF 하드웨어 수준)에 걸쳐 신경망을 통합함으로써 자가 최적화, 스펙트럼 효율성 향상, 환경 변화에 대한 적응적 반응을 가능하게 하여 정적 룩업 테이블(LUT)에 대한 의존도를 크게 감소시키고 시스템의 내구성과 성능을 향상시킨다.

ABSTRACT

The concept of CogRF, a novel tunable radio frequency (RF) frontend that uses artificial intelligence (AI) to meet mission requirements for beyond 5G and 6G systems, is introduced. CogRF utilizes AI as the core to control and operate RF system components with the objective of optimizing the overall system performance. An overview of the vital elements that make up CogRF as well as the overall hierarchy of the envisioned CogRF system is provided, and potential RF components and control parameters are discussed. AI-powered flexible RF front ends, provide new opportunities to identify to enhance security, speed up optimization of device configurations, further refine radio design, improve existing spectrum sharing operations, and develop device health analytics. Top research challenges for CogRF systems have also been described and potential research directions are provided.

연구 동기 및 목표

• 동적인 6G 환경에서 기존 RF 프론트엔드의 유연성 부족과 최적 성능 미달 문제를 해결하기 위해.
• 루크업 테이블(LUT)과 같은 전통적 조정 방법의 한계를 극복하기 위해, 미지의 조건에 대해 적응성과 최적 설정이 부족함을 해결하기 위해.
• 기계학습을 활용해 실시간 데이터 기반 최적화를 통해 RF 파arameter(예: 주파수, 이득, 샘플링 속도)를 실시간으로 최적화하여 시스템 성능을 향상시키기 위해.
• AI 기반 인식과 예측 제어를 통해 스펙트럼 공유, 장치 상태 모니터링, 보안성을 향상시키기 위해.
• AI 기반 RF 시스템의 핵심 연구 과제인 데이터 부족, 알고리즘 설계, 에너지 효율성 문제를 규명하고 해결하기 위해.

제안 방법

• 시스템 수준, 구성 요소 수준, 물리적 RF 레이어로 구성된 삼중 레이어 CogRF 아키텍처 설계: 시스템 수준 신경망(NN)이 고수준 목표를 설정하고, 구성 요소 수준의 NN이 개별 RF 요소를 제어하며, 재구성 가능한 하드웨어를 갖춘 물리적 RF 레이어를 구현한다.
• 환경 피드백에 기반한 적응적 설정을 가능하게 하기 위해 센서 데이터와 이전 동작 데이터(Prior Action Data, PAD)를 기반으로 강화학습 및 지도학습 프레임워크를 사용해 NN을 훈련시킨다.
• 실시간 RF 환경 감지 및 성능 지표를 바탕으로 신경망을 활용해 최적의 RF 설정(예: ADC 샘플링 속도, 비트 수, PA 바이어스)을 예측한다.
• AI를 활용해 RF 비선형성으로 인한 잡음 신호를 탐지하고 제거함으로써 스펙트럼 감지 정확도를 향상시키고 잘못된 탐지 확률을 감소시킨다.
• AI를 통해 하드웨어 고장에 대한 자가 인식 능력을 확보하고, 구성 요소 노후화에도 불구하고 최적 성능을 유지하기 위해 동적 재구성 기능을 제공한다.
• AI가 각 레벨에서 국소 데이터를 처리함으로써 계산 오버헤드를 줄이고 민첩한 스펙트럼 접근을 가능하게 하는 계층적 스펙트럼 공유 프레임워크를 제안한다.

실험 결과

연구 질문

• RQ1 AI는 전통적인 LUT 기반 제어를 초월해 실시간으로 적응 가능한 최적화를 가능하게 하기 위해 RF 프론트엔드에 어떻게 효과적으로 통합될 수 있는가?
• RQ2 다층적이고 분산된 지능이 RF 구성 요소 전반에 걸쳐 시스템 수준의 성능 향상을 이끌 수 있도록 하기 위해 필요한 아키텍처 및 훈련 프레임워크는 무엇인가?
• RQ3 CogRF 시스템은 잡음 신호의 오진 탐지 확률을 최소화하면서도 스펙트럼 감지 정확도와 간섭 제거 능력을 어떻게 높일 수 있는가?
• RQ4 제한적 또는 희박한 훈련 데이터로 CogRF 시스템을 훈련할 때 발생하는 주요 과제는 무엇이며, 데이터 효율성을 어떻게 향상시킬 수 있는가?
• RQ5 에너지 효율적인 AI 하드웨어와 알고리즘은 어떻게 설계되어야 하며, 전력 제약이 있는 RF 시스템에서 실시간, 저지연 추론을 지원할 수 있는가?

주요 결과

• CogRF는 훈련된 신경망을 활용해 RF 구성 요소(예: PAs, 믹서, ADCs)의 동적 실시간 재구성 기능을 제공함으로써, 정적 또는 LUT 기반 시스템에 비해 시스템의 적응성과 성능을 크게 향상시킨다.
• 시스템 수준의 신경망은 고수준 지시를 내리며, 이 지시는 구성 요소 수준의 NN이 최적의 제어 설정으로 번역되어 종단 간 시스템 최적화를 가능하게 한다.
• AI 기반 CogRF 시스템은 RF 비선형성으로 인한 잡음 신호를 탐지하고 억제함으로써 잘못된 스펙트럼 점유 탐지 확률을 감소시키고 스펙트럼 접근 효율성을 향상시킨다.
• 이전 동작 데이터(PAD)를 활용해 CogRF 엔진은 환경 조건 변화에 따라 원하는 SINR 수준을 달성하기 위해 샘플링 속도 및 비트 깊이 등의 파arameter에 최적 설정을 학습할 수 있다.
• CogRF는 하드웨어 노후화에 대한 자가 인식 능력을 제공하고 고장 발생 시 자동으로 재구성함으로써 성능 유지 기능을 통해 장치 상태 분석 능력을 향상시킨다.
• 뉴모르피크 컴퓨팅은 디지털 구현 대비 약 4배의 에너지 효율성을 확보할 수 있는 잠재력을 지닌 바람직한 하드웨어 플랫폼으로 확인되어, RF 시스템 내 저전력 AI 추론을 지원한다.