[논문 리뷰] Deep Learning for Wireless Communications: An Emerging Interdisciplinary Paradigm

Linglong Dai, Ruicheng Jiao외 3명|arXiv (Cornell University)|2020. 07. 12.

Wireless Signal Modulation Classification참고 문헌 13인용 수 7

한 줄 요약

이 논문은 무선 통신을 변환하기 위한 두 가지 주요 딥러닝(DL)-기반 접근법—DL 기반 아키텍처 설계와 DL 기반 알고리즘 설계—를 제안한다. 기존의 모델 기반 블록들을 엔드 투 엔드로 훈련 가능한 신경망으로 대체함으로써, DL은 매크로 MIMO 및 IoT와 같은 복잡하고 비선형적이며 저지연 환경에서 정확한 수학적 채널 모델에 의존하지 않고도 뛰어난 성능을 달성할 수 있다.

ABSTRACT

Wireless communications are envisioned to bring about dramatic changes in the future, with a variety of emerging applications, such as virtual reality (VR), Internet of things (IoT), etc., becoming a reality. However, these compelling applications have imposed many new challenges, including unknown channel models, low-latency requirement in large-scale super-dense networks, etc. The amazing success of deep learning (DL) in various fields, particularly in computer science, has recently stimulated increasing interest in applying it to address those challenges. Hence, in this review, a pair of dominant methodologies of using DL for wireless communications are investigated. The first one is DL-based architecture design, which breaks the classical model-based block design rule of wireless communications in the past decades. The second one is DL-based algorithm design, which will be illustrated by several examples in a series of typical techniques conceived for 5G and beyond. Their principles, key features, and performance gains will be discussed. Furthermore, open problems and future research opportunities will also be pointed out, highlighting the interplay between DL and wireless communications. We expect that this review can stimulate more novel ideas and exciting contributions for intelligent wireless communications.

연구 동기 및 목표

• 복잡하고 비선형적이며 시간에 따라 변하는 환경에서 전통적인 모델 기반 무선 통신 시스템의 한계를 해결하기 위해.
• 딥러닝이 채널 추정 및 등화와 같은 고전적 신호 처리 블록을 어떻게 대체하거나 향상시킬 수 있는지 조사하기 위해.
• 딥러닝을 활용한 무선 시스템에서 데이터 품질, 모델 해석 가능성, 실시간 적응 가능성의 핵심 과제를 특정하기 위해.
• 하이브리드 DL/비-DL 운영 및 소프트 스위칭을 통해 기존 무선 인프라에 DL을 통합하기 위한 통합 프레임워크를 제안하기 위해.
• 딥러닝과 무선 통신의 융합 분야에서의 열린 문제점과 향후 연구 방향을 부각하기 위해.

제안 방법

• 기존의 블록 기반 모델 기반 통신 시스템을 엔드 투 엔드로 훈련 가능한 신경망으로 대체하는 DL 기반 아키텍처 설계를 제안한다.
• 딥신경망을 활용해 검출, 빔포밍, 채널 추정과 같은 신호 처리 작업을 최적화하는 DL 기반 알고리즘 설계를 도입한다.
• 정확한 수학적 모델이 필요 없이도 무선 채널 내 복잡하고 비선형적인 매핑을 학습하기 위해 심층 신경망(DNN)을 활용한다.
• 예를 들어 파ilot 시퀀스와 같은 레이블이 있는 데이터를 활용해 고차원적이고 이질적인 무선 환경에서도 DNN를 지도 학습시키는 전략을 적용한다.
• 시간에 따라 변화하거나 예측할 수 없는 환경에서의 강건성과 계산 효율성을 향상시키기 위해 전이 학습과 경량 DNN를 활용한다.
• 고전적 모델 기반 및 DL 기반 통신 모듈 간 공존과 소프트 스위칭을 가능하게 하는 하이브리드 시스템 아키텍처를 제안한다.

실험 결과

연구 질문

• RQ1 딥러닝을 활용해 기존의 블록 기반 모델을 초월한 무선 통신 시스템의 기본 아키텍처를 어떻게 재설계할 수 있는가?
• RQ2 MIMO 검출 및 채널 추정과 같은 핵심 물리계층 작업에서 DL 기반 알고리즘의 성능 향상과 설계 원칙은 무엇인가?
• RQ3 재훈련 없이도 시간에 따라 변화하거나 예측할 수 없는 무선 환경에서 DL 기반 시스템이 성능을 유지할 수 있는 방법은 무엇인가?
• RQ4 실세계 무선 시스템에서 효과적인 DL 모델을 훈련시키기 위해 데이터 수집, 품질, 분포의 핵심 과제는 무엇인가?
• RQ5 DL 기반 무선 통신 시스템의 해석 가능성과 이론적 기초를 어떻게 향상시킬 수 있는가?

주요 결과

• DL 기반 아키텍처 설계는 복잡한 채널의 정확한 수학적 모델이 필요 없이도 통신 시스템의 엔드 투 엔드 학습을 가능하게 한다.
• DL 기반 알고리즘 설계는 비선형적이거나 알려지지 않은 환경에서 MIMO 검출 및 채널 등화와 같은 작업에서 뛰어난 성능을 달성한다.
• 경량 DNN는 엄청나게 밀도가 높고 지연 제약이 엄격한 대규모 네트워크에서 저지연 처리에 적합하다.
• 전이 학습은 시간에 따라 변화하는 무선 환경에서 강건성을 향상시키고 재훈련 비용을 줄일 수 있다.
• 고차원적이고 이질적인 무선 데이터는 데이터 전처리 및 모델 일반화에 있어 중대한 과제를 야기한다.
• 훈련된 DNN의 해석 가능성은 여전히 제한적이며, 네트워크 행동이나 하이퍼파rameter 선택에 대한 명확한 물리적 또는 수학적 설명이 없다.