[논문 리뷰] Leveraging AI and Intelligent Reflecting Surface for Energy-Efficient Communication in 6G IoT

Qianqian Pan, Jun Wu외 4명|arXiv (Cornell University)|2020. 12. 29.

Advanced Wireless Communication Technologies참고 문헌 3인용 수 6

한 줄 요약

이 논문은 6G IoT를 위한 인공지능(AI) 및 지능형 반사면(IRS) 기반 에너지 효율적 통신 시스템을 제안하며, 깊이 강화학습(DRL)을 활용해 전송 전력, IRS 위상 시프트, 기지국(BS) 검출 행렬을 종합적으로 최적화한다. DRL 기반 기법은 전통적인 시스템에 비해 더 높은 에너지 효율성과 더 빠른 수렴성을 달성하며, 특히 IRS 요소와 BS 안테나 수가 증가함에 따라 IoT 기기 부하가 변화하는 조건에서도 성능이 뛰어나다.

ABSTRACT

The ever-increasing data traffic, various delay-sensitive services, and the massive deployment of energy-limited Internet of Things (IoT) devices have brought huge challenges to the current communication networks, motivating academia and industry to move to the sixth-generation (6G) network. With the powerful capability of data transmission and processing, 6G is considered as an enabler for IoT communication with low latency and energy cost. In this paper, we propose an artificial intelligence (AI) and intelligent reflecting surface (IRS) empowered energy-efficiency communication system for 6G IoT. First, we design a smart and efficient communication architecture including the IRS-aided data transmission and the AI-driven network resource management mechanisms. Second, an energy efficiency-maximizing model under given transmission latency for 6G IoT system is formulated, which jointly optimizes the settings of all communication participants, i.e. IoT transmission power, IRS-reflection phase shift, and BS detection matrix. Third, a deep reinforcement learning (DRL) empowered network resource control and allocation scheme is proposed to solve the formulated optimization model. Based on the network and channel status, the DRL-enabled scheme facilities the energy-efficiency and low-latency communication. Finally, experimental results verified the effectiveness of our proposed communication system for 6G IoT.

연구 동기 및 목표

• 6G 네트워크에서 에너지 제약이 있고 고속 데이터 전송이 필요한 IoT 통신의 증가하는 과제를 해결한다.
• 에너지 소비와 간섭 측면에서 현재의 5G 및 전통적 백홀 솔루션의 한계를 극복한다.
• 6G IoT 시스템에서 엄격한 지연 시간 제약 하에 에너지 효율성 최적화를 위한 종합 최적화 프레임워크를 설계한다.
• 실시간 네트워크 및 채널 상태에 적응하는 DRL 기반 동적 자원 할당 메커니즘을 개발한다.
• 대규모 에너지 제약이 있는 IoT 환경에서 IRS와 AI를 통합함으로써 성능 향상이 어떻게 달성되는지 실험적으로 입증한다.

제안 방법

• IRS 보조 신호 반사 및 AI 기반 네트워크 자원 관리 기반의 새로운 6G IoT 통신 아키텍처를 제안한다.
• 주어진 전송 지연 시간 하에서 시스템 에너지 효율성을 최대화하기 위한 종합 최적화 모델을 수립하며, IoT 전송 전력, IRS 위상 시프트, BS 검출 행렬을 동시에 최적화한다.
• 비볼록 최적화 문제를 실시간으로 해결하기 위해 액터-크리틱 네트워크를 활용한 깊이 강화학습(DRL) 프레임워크를 구현한다.
• 순간적인 에너지 효율성과 지연 제약 조건을 기반으로 환경 피드백(보상)을 사용해 DRL 에이전트를 훈련시킨다.
• 다양한 수의 IoT 기기, IRS 요소, BS 안테나 수 조건에서 시스템 성능을 평가하기 위해 시뮬레이션을 실시한다.
• 수렴성과 성능을 최적화하기 위해 DRL 하이퍼파rameter(할인 인자, 학습률, 업데이트 주기)를 조정한다.

실험 결과

연구 질문

• RQ1 IRS와 AI의 통합은 6G IoT 네트워크에서 에너지 효율성을 어떻게 향상시키는가?
• RQ2 지연 제약 조건 하에서 DRL은 전송 전력, IRS 위상 시프트, BS 검출 행렬을 얼마나 동적으로 최적화할 수 있는가?
• RQ3 IRS 요소 수와 BS 안테나 수가 시스템 에너지 효율성과 수렴 속도에 미치는 영향은 어떠한가?
• RQ4 다양한 IoT 기기 부하가 제안된 DRL-IRS 시스템의 성능에 미치는 영향은 무엇인가?
• RQ5 다양한 DRL 하이퍼파rameter 설정이 시스템의 에너지 효율성과 학습 안정성에 미치는 영향은 어떠한가?

주요 결과

• 제안된 DRL-IRS 시스템은 IRS가 없는 시스템에 비해 더 높은 에너지 효율성을 달성하며, 특히 IRS 요소 수가 증가할수록 성능 향상이 두드러진다.
• 학습 에피소드 수가 증가할수록 시스템 에너지 효율성이 수렴하고 향상되며, 안정적이고 효과적인 학습을 보여준다.
• IRS 요소 수를 10에서 30으로 증가시킬 경우 수렴 속도가 빨라지고 보상 수준이 높아지며, 더 큰 IRS 개구부가 성능 향상에 기여함을 시사한다.
• BS 안테나 수를 7까지 증가시킬 경우 시스템 에너지 효율성이 향상되어, IRS 보조 시스템에서 대량 MIMO의 이점이 확인된다.
• 할인 인자 γ=0.9, 학습률 αμ=αQ=10−9, 업데이트 빈도 ε=0.001로 설정된 DRL 모델이 가장 뛰어난 성능과 가장 빠른 수렴 속도를 기록한다.
• IoT 기기 수가 증가할수록 자원 경쟁이 심화되어 에너지 효율성이 감소하지만, DRL-IRS 시스템은 IRS가 없는 기준 시스템에 비해 열등한 성능를 유지한다.