[논문 리뷰] Deep Learning Optimized Sparse Antenna Activation for Reconfigurable Intelligent Surface Assisted Communication

Shunbo Zhang, Shun Zhang외 3명|arXiv (Cornell University)|2020. 09. 03.

Advanced Wireless Communication Technologies참고 문헌 45인용 수 12

한 줄 요약

이 논문은 재구성 가능 지능 표면(RIS) 기반 통신을 위한 딥러닝 최적화된 희박한 안테나 활성화 방식을 제안하며, 확률적 샘플링 기반의 활성 안테나 선택 네트워크를 통해 효율적인 채널 외삽과 빔포밍을 가능하게 한다. 이 방법은 최소한의 활성 요소로 근사 최적 성능를 달성하여 전력 소비를 줄이고, 동시에 높은 스펙트럼 효율성을 유지한다. 두 가지 딥러닝 기반 기법인 채널 외삽과 직접 빔 탐색을 통해 이를 실현한다.

ABSTRACT

To capture the communications gain of the massive radiating elements with low power cost, the conventional reconfigurable intelligent surface (RIS) usually works in passive mode. However, due to the cascaded channel structure and the lack of signal processing ability, it is difficult for RIS to obtain the individual channel state information and optimize the beamforming vector. In this paper, we add signal processing units for a few antennas at RIS to partially acquire the channels. To solve the crucial active antenna selection problem, we construct an active antenna selection network that utilizes the probabilistic sampling theory to select the optimal locations of these active antennas. With this active antenna selection network, we further design two deep learning (DL) based schemes, i.e., the channel extrapolation scheme and the beam searching scheme, to enable the RIS communication system. The former utilizes the selection network and a convolutional neural network to extrapolate the full channels from the partial channels received by the active RIS antennas, while the latter adopts a fully-connected neural network to achieve the direct mapping between the partial channels and the optimal beamforming vector with maximal transmission rate. Simulation results are provided to demonstrate the effectiveness of the designed DL-based schemes.

연구 동기 및 목표

• 기본적으로 신호 처리 능력이 제한된 수동 RIS 시스템에서 정확한 채널 상태 정보(CSI) 확보의 과제를 해결한다.
• 기존 RIS의 한계를 극복하기 위해 밴드백 처리 기능을 갖춘 소수의 활성 안테나를 도입하여 부분적 CSI 추정을 가능하게 한다.
• 확률적 샘플링 기반 신경망을 통한 활성 RIS 안테나 선택 최적화를 통해 전력 소비를 최소화한다.
• 부분 관측치로부터 전체 CSI를 외삽하고, 부분 채널을 직접 최적의 빔포밍 벡터로 매핑하는 딥러닝 기반 기법을 개발한다.
• 학습된 매핑 관계를 활용하여 부분 채널과 시스템 성능 지표 간의 관계를 활용함으로써 저복잡도 신호 처리로 높은 스펙트럼 효율성을 달성한다.

제안 방법

• 소수의 활성 RIS 안테나를 위한 최적 위치를 식별하기 위해 확률적 샘플링 이론 기반의 활성 안테나 선택 네트워크를 제안한다.
• 부분 관측치에서 전체 채널 행렬을 복원하는 데 사용되는 컨volutional 신경망(CNN)을 활용한 채널 외삽 기법을 설계한다.
• 부분 채널을 직접 최적의 빔포밍 벡터로 매핑하는 데 사용되는 완전 연결 신경망을 활용한 빔 탐색 기법을 개발한다. 이는 스펙트럼 효율성을 최대화한다.
• 물리적 내재 요소, 전체 채널, 부분 채널 간의 이론적 일대일 대응 매핑 관계를 수립하여 채널 외삽 및 빔 선택의 가능성을 입증한다.
• 부분 채널에서 전체 채널로, 그리고 부분 채널에서 최적의 빔포밍 벡터로의 변환을 수식화하기 위해 복합 매핑 함수(Ψ 및 Π)를 활용한다.
• 빔포밍 탐색을 위한 구조화된 코드북을 사용하고, 부분 CSI에서 최적의 빔 벡터로의 명시적 매핑 존재성을 검증한다.

실험 결과

연구 질문

• RQ1 딥러닝은 희박한 활성 안테나 선택을 효과적으로 최적화하여 전력 소비를 최소화하면서도 높은 시스템 성능을 유지를 할 수 있는가?
• RQ2 소수의 활성 RIS 요소를 통해 확보한 부분 채널 관측치로부터 전체 채널 행렬을 외삽하는 것이 가능한가?
• RQ3 딥 뉴럴 네트워크를 통해 전체 CSI 없이도 부분 채널 상태 정보를 최적의 빔포밍 벡터로 직접 매핑할 수 있는가?
• RQ4 제안된 확률적 샘플링 기반 활성 안테나 선택이 스펙트럼 효율성과 수렴 속도 측면에서 균일하거나 무작위 활성화 패tern보다 우수한가?
• RQ5 부분 CSI를 갖는 RIS 보조 시스템에서 채널 외삽 및 빔 선택의 가능성을 보장하는 이론적 근거는 무엇인가?

주요 결과

• 확률적 샘플링 기반의 제안된 활성 안테나 선택 네트워크는 균일하거나 무작위 활성화 패턴에 비해 채널 외삽 정확도를 크게 향상시킨다.
• CNN 기반 채널 외삽 기법은 RIS 요소의 10–20%만 활성화된 상태에서도 전체 채널 성능에 근접한 성능를 달성하며, 전력 소비를 줄이고도 높은 스펙트럼 효율성을 유지한다.
• 완전 연결 신경망 기반 빔 탐색 기법은 제한된 CSI 조건에서도 완전 탐색으로 확보한 최적 해에 비해 스펙트럼 효율성이 5% 이내로 높은 성능를 기록한다.
• 이론적 분석을 통해 부분 채널과 전체 채널 간, 그리고 부분 채널과 최적의 빔포밍 벡터 간의 일대일 대응 매핑 관계 존재를 확인하여 제안된 기법의 타당성을 입증한다.
• 시뮬레이션 결과는 딥러닝 기반 기법이 시간에 따라 변하는 산란 환경에서 기존 RIS 빔포밍 방법에 비해 합산 속도와 강인성 측면에서 뛰어난 성능를 보임을 보여준다.
• 딥러닝과 희박한 활성 RIS 요소의 통합은 6G 무선 시스템에서 에너지 효율성과 스펙트럼 성능 간 실용적인 트레이드오프를 가능하게 한다.