[논문 리뷰] Deep-Learning-Aided Detection for Reconfigurable Intelligent Surfaces

Saud Khan, Komal S. Khan외 2명|arXiv (Cornell University)|2019. 10. 21.

Advanced Wireless Communication Technologies참고 문헌 26인용 수 54

한 줄 요약

논문은 수신기에서 채널 페이딩과 RIS 위상 각도를 수신 신호로부터 추정하는 심층RIS(DeepRIS)라는 심층 학습 탐지기를 제안하여 파일럿 없이 기호를 검출하고 전통 탐지기에 비해 BER을 개선합니다.

ABSTRACT

This paper presents a deep learning (DL) approach for estimating and detecting symbols in signals transmitted through reconfigurable intelligent surfaces (RIS). The proposed network utilizes fully connected layers to estimate channels and phase angles from a reflected signal received through an RIS. Because the proposed network can estimate and detect symbols without any pilot signaling, this method reduces the overhead required for transmission. The improvements achieved by this method are quantified in terms of the bit-error rate, outperforming traditional detectors.

연구 동기 및 목표

• 패시브 소자와 최소한의 오버헤드로 RIS 지원 무선 시스템 구동 가능성을 촉진한다.
• 파일럿 신호 없이 수신단에서 채널 페이딩과 RIS 위상 각도를 추정하기 위한 DL 기반 탐지기를 개발한다.
• RIS 시나리오에서 탐지기의 복잡도와 실제 배치를 분석한다.
• 완전 CSI 및 불완전 CSI 하에서, 매칭되지 않은 채널 및 RIS 요소를 포함한 BER 성능을 평가한다.

제안 방법

• 수신된 RIS 반사 신호로부터 채널 및 위상 각을 추정하기 위해 tanh 활성화 함수를 사용하는 3개의 은닉층을 갖는 완전 연결 DNN(DeepRIS)을 설계한다.
• L2 손실과 Adam 최적화를 사용하여 이중 도약 페이딩 및 RIS 위상 변화가 시뮬레이션된 데이터를 활용해 DeepRIS를 오프라인으로 학습한다.
• 수신 신호와 전송 기호 간의 제곱 오차를 최소화하고 L2 정규화 항을 더하는 손실 함수를 사용한다.
• 과적합을 줄이고 매칭 불일치에 대한 견고성을 높이기 위해 드롭아웃 및 정규화를 도입한다.
• LS 및 MMSE 탐지기와 비교한 학습 및 배치 비용에 대한 복잡도 분석을 제공한다.

실험 결과

연구 질문

• RQ1 RIS 보조 채널에서 파일럿 신호 없이 DL 기반 탐지기가 전송 기호와 RIS 관련 매개변수를 복원할 수 있는가?
• RQ2 완전 CSI 및 불완전 CSI 하에서 DeepRIS가 LS, MMSE 및 ML 탐지기에 비해 BER 측면에서 어떤 성능을 보이는가?
• RQ3 합리적인 복잡성을 유지하면서 채널 불일치 및 다양한 RIS 반사 소자 수에 대해 DeepRIS가 견고한가?
• RQ4 학습 및 배치 중 DeepRIS의 계산 복잡도는 얼마이며 기존 방법과 비교하면 어떤가?

주요 결과

• DeepRIS는 기존 LS 및 MMSE 추정기에 비해 BER이 개선되며 완전 CSI 하에서 ML과 비슷한 성능을 보인다.
• 불완전 CSI 하에서도 DeepRIS는 여전히 기존 스킴보다 우수하며 재훈련 없이 ML 탐지 수준의 성능을 보인다.
• DeepRIS는 채널 불일치 및 RIS 소자 수의 변화에 대해 여전히 견고하므로 일반화가 잘 된다.
• 다양한 채널/위상 변화로 학습하고 Adam 최적화 및 정규화 사용으로 안정적인 수렴을 달성한다.
• 본 논문은 빅-O 복잡도 비교를 제공하며 DeepRIS가 일부 ML 탐지기 및 구조화된 MMSE보다 복잡도가 낮음을 보인다.