[논문 리뷰] Reconfigurable Intelligent Surface Based Hybrid Precoding for THz Communications

Yu Lu, Hao Mo외 1명|arXiv (Cornell University)|2020. 12. 11.

Advanced Wireless Communication Technologies인용 수 9

한 줄 요약

이 논문은 에너지 소모가 높은 위상 배열을 수동적이고 저전력인 재구성 가능한 지능형 표면(RIS) 요소로 대체하여 테라헤르츠(THz) 통신에서 에너지 소비를 줄이기 위해 RIS 기반 하이브리드 프리코딩 아키텍처를 제안한다. 이중 이산 단계 이동을 고려한 총 데이터율 최대화 문제를 딥 러닝 기반 다중 이산 분류 문제로 재구성함으로써 제안된 DL-MDC 기법은 반복적 검색 방법에 비해 훨씬 빠른 런타임으로 최적에 가까운 총 데이터율 성능을 달성한다.

ABSTRACT

Benefiting from the growth of the bandwidth, Terahertz (THz) communication can support the new application with explosive requirements of the ultra-high-speed rates for future 6G wireless systems. In order to compensate for the path loss of high frequency, massive multiple-input multiple-output (MIMO) can be utilized for high array gains by beamforming. However, since a large number of analog phase shifters should be used to realize the analog beamforming, the existing THz communication with massive MIMO has very high energy consumption. To solve this problem, a reconfigurable intelligent surface (RIS)-based hybrid precoding architecture for THz communication is developed in this paper, where the energy-hungry phased array is replaced by the energy-efficient RIS to realize the analog beamforming of the hybrid precoding. Then, based on the proposed RIS-based architecture, a sum-rate maximization problem for hybrid precoding is investigated. Since the phase shifts implemented by RIS in practice are often discrete, this sum-rate maximization problem with a non-convex constraint is challenging. Next, the sum-rate maximization problem is reformulated as a parallel deep neural network (DNN)-based classification problem, which can be solved by the proposed low-complexity deep learning-based multiple discrete classification (DL-MDC) hybrid precoding scheme. Finally, we provide numerous simulation results to show that the proposed DL-MDC scheme works well both in the theoretical Saleh-Valenzuela channel model and practical 3GPP channel model. Compared with existing iterative search algorithms, the can proposed DL-MDC scheme reduces the runtime significantly with a negligible performance loss.

연구 동기 및 목표

• 대규모 MIMO에서 테라헤르츠 대역에서의 높은 에너지 소비 문제를 해결하기 위해 많은 수의 아날로그 위상 이동기 사용을 줄이기 위해.
• 기존의 위상 배열을 대체하여 에너지 효율적인 재구성 가능한 지능형 표면(RIS)을 도입하여 아날로그 빔포밍을 가능하게 하기 위해.
• 실제로 존재하는 RIS의 이산적 위상 이동 제약 조건 하에서 총 데이터율을 최대화하는 저복잡도 하이브리드 프리코딩 기법을 개발하기 위해.
• 이산적 위상 이동 최적화 문제의 비볼록성 문제를 딥 러닝 기반 분류 기법을 통해 해결하기 위해.
• 테라헤르츠 대규모 MIMO 시스템에서 스펙트럼 효율성과 계산 복잡도 사이의 유리한 트레이드오프를 달성하기 위해.

제안 방법

• 기존의 대규모 MIMO에서 아날로그 빔포밍 위상 이동기 역할을 하는 RIS를 대체하는 새로운 RIS 기반 하이브리드 프리코딩 아키텍처를 제안한다.
• 이산적 위상 이동 조건 하에서 총 데이터율 최대화 문제를 병렬 다중 이산 분류 문제로 재구성한다.
• 채널 상태 정보를 최적의 RIS 위상 이동 설정으로 매핑하기 위해 3개의 은닉층(512, 256, 128개 뉴런)을 갖는 딥 신경망(DNN)을 설계한다.
• 실제 채널 조건에 일반화하기 위해 Saleh-Valenzuela 및 3GPP 풍부한 산란 모델에서 생성한 합성 채널 데이터를 사용해 DNN을 훈련시킨다.
• 수렴 상태를 모니터링하고 과적합을 방지하기 위해 검증 세트를 사용하며, 훈련 손실 지표로 평균 제곱오차(MSE)를 사용한다.
• 훈련된 DNN을 실시간으로 배포하여 RIS 위상 이동과 RF 빔포머를 예측함으로써 저지연 하이브리드 프리코딩을 구현한다.

실험 결과

연구 질문

• RQ1 RIS 기반 하이브리드 프리코딩은 전통적인 하이브리드 프리코딩과 유사한 스펙트럼 효율성을 달성하면서도 에너지 소비를 줄일 수 있는가?
• RQ2 딥 러닝 기반 RIS 프리코딩 기법은 반복적 검색 알고리즘에 비해 총 데이터율과 런타임 측면에서 어떻게 성능을 내는가?
• RQ3 RIS의 이산적 위상 이동 제약 조건이 이상적인 연속적 위상 이동에 비해 시스템 성능에 얼마나 큰 영향을 미치는가?
• RQ4 DNN이 실제 3GPP 채널 환경에서 채널 행렬과 최적의 RIS 빔포밍 설정 간의 복잡한 비볼록 매핑을 효과적으로 학습할 수 있는가?
• RQ5 제안된 DL-MDC 프레임워크에서 예측 정확도와 계산 복잡도 사이의 트레이드오프는 어떠한가?

주요 결과

• Saleh-Valenzuela 채널 모델에서 5 dB SNR 조건 하에서 제안된 DL-MDC 기법은 최적의 전수 탐색(CEO) 알고리즘의 약 95%의 총 데이터율을 달성한다.
• 더 복잡한 3GPP 채널 모델에서는 5 dB SNR 조건 하에서 DL-MDC 기법이 CEO 알고리즘의 약 91%의 총 데이터율을 달성한다.
• DL-MDC 기법의 런타임은 반복적 검색 알고리즘에 비해 크게 감소하였으며, 성능 손실는 극미니에 가깝다.
• DNN 기반 접근 방식은 실제 3GPP 채널에 대해 잘 일반화되며, 검증 MSE는 약 0.05이며 평균 예측 정확도는 0.94이다.
• RIS 요소 수가 많을 경우 이산적 위상 이동과 연속적 위상 이동 간의 성능 격차는 거의 없으며, 이는 이산 RIS 설계의 실용성을 뒷받침한다.
• 모든 채널 모델에서 전통적인 안테나 선택(AS)-기반 하이브리드 프리코딩에 비해 DL-MDC 기법이 총 데이터율과 내성 면에서 뛰어난 성능을 보였다.