[논문 리뷰] Twenty-Five Years of Advances in Beamforming: From Convex and Nonconvex Optimization to Learning Techniques

Ahmet M. Elbir, Kumar Vijay Mishra외 2명|arXiv (Cornell University)|2022. 11. 03.

Antenna Design and Optimization인용 수 4

한 줄 요약

이 논문은 최근 25년간의 빔포밍 기술 발전을 종합적으로 검토하며, 볼록 최적화 기법에서 비볼록 최적화 기법으로, 그리고 현대의 학습 기반 접근법으로의 진화를 추적한다. 이는 레이더, 무선 통신 및 스마트 반사 표면과 근거리 빔포밍과 같은 새로운 애플리케이션 분야에서 강인성, 어레이 불일치, 복잡한 전파 환경 등의 과제를 해결하는 데 기여한다.

ABSTRACT

Beamforming is a signal processing technique to steer, shape, and focus an electromagnetic wave using an array of sensors toward a desired direction. It has been used in several engineering applications such as radar, sonar, acoustics, astronomy, seismology, medical imaging, and communications. With the advances in multi-antenna technologies largely for radar and communications, there has been a great interest on beamformer design mostly relying on convex/nonconvex optimization. Recently, machine learning is being leveraged for obtaining attractive solutions to more complex beamforming problems. This article captures the evolution of beamforming in the last twenty-five years from convex-to-nonconvex optimization and optimization-to-learning approaches. It provides a glimpse of this important signal processing technique into a variety of transmit-receive architectures, propagation zones, paths, and conventional/emerging applications.

연구 동기 및 목표

• 최근 25년간 볼록 최적화에서 비볼록 및 학습 기반 방법으로의 빔포밍 기법의 진화를 조사하기 위해.
• 스티어링 벡터 불일치, 제한된 샘플 수, 어레이 맨폴드 오류에 대한 강인성을 향상시키는 데 핵심이 되는 알고리즘적 발전을 규명하기 위해.
• 伝통적 최적화를 넘어서 복잡한 빔포밍 문제를 해결하는 데에 머신 러닝이 수행하는 역할를 분석하기 위해.
• 하이브리드 빔포밍, 스마트 반사 표면(IRS), 근거리 빔포밍과 같은 새로운 빔포밍 아키텍처를 검토하기 위해.
• 레이더, 무선 통신, 초음파, 광학 등 다양한 응용 분야에 걸쳐 빔포밍의 통합적 개요를 제공하기 위해.

제안 방법

• 전송 거리(원거리 대 근거리), 수신기/송신기 아키텍처(아날로그, 디지털, 하이브리드), 전파 경로(LOS, NLoS) 기반으로 빔포밍 방법을系통적으로 분류한다.
• 최악의 경우 강인 빔포밍, SMI, 타원체 불확실성 모델링과 같은 볼록 최적화 기반 빔포머를 검토하여 강인성을 향상시킨다.
• 반정형 프로그래밍(정규화)과 압축 감지(CS), 교대 최적화를 활용한 비볼록 빔포밍 기법을 분석하여 하이브리드 빔포밍 및 멀티캐스트 빔포밍에 적용한다.
• 감독 학습(SL), 비감독 학습(UL), 강화 학습(RL), 연합 학습(FL), 온라인 학습(OL)을 포함한 학습 기반 빔포밍을 소개하며, 애플리케이션 특화 이점을 설명한다.
• 전력 및 위상 제약 조건을 고려한 공동 최적화 프레임워크를 사용해 IRS 지원 시스템의 공동 활성/수동 빔포밍 설계를 제시한다.
• 근거리 빔포밍을 위한 거리 의존성 어레이 응답 모델을 유도하며, 응답이 방향 뿐 아니라 거리에 따라 달라지므로 구형 파면 모델링이 필요하다.

실험 결과

연구 질문

• RQ1 스티어링 벡터 및 방향 불일치 상황에서 볼록 최적화 기법이 빔포밍의 강인성에 어떻게 향상되었는가?
• RQ2 신호 공분산, 일정 모odulus, 신호 대 잡음비(SNR) 제약 조건이 포함된 비볼록 빔포밍 문제에서의 주요 과제와 해결 방법은 무엇인가?
• RQ3 다양한 머신 러닝 파라다임(SL, RL, FL, OL)이 동적 또는 데이터가 제한된 환경에서 빔포밍 성능을 어떻게 향상시키는가?
• RQ4 스마트 반사 표면(IRS) 기술이 빔포밍 시스템의 커버리지 연장과 전력 소모 감소에 어떻게 기여하는가?
• RQ5 근거리 빔포밍은 원거리 빔포밍과 어떻게 다를까? 정확한 빔포머 설계를 위해 어떤 모델링 변경이 필요한가?

주요 결과

• 최악의 경우 강인 빔포밍 및 SMI와 같은 볼록 최적화 기반 빔포머는 스티어링 벡터 불확실성과 제한된 샘플 수 상황에서 성능을 크게 향상시킨다.
• 반정형 프로그래밍(SDR)과 압축 감지(CS)를 활용한 비볼록 빔포밍 기법은 일정 모듈러스 제약 조건이 있는 하이브리드 빔포밍 및 멀티캐스트 빔포밍에 대해 효율적인 해법을 제공한다.
• 강화 학습은 장기적인 성능 최적화를 보상 기반으로 수행하기 때문에 감독 학습 및 비감독 학습보다 빔포밍 성능에서 뛰어나다.
• 연합 학습(FL)은 개인정보 보호와 피드백 오버헤드 감소를 고려한 다중 사용자 환경에서 분산 빔포밍을 가능하게 한다.
• IRS 지원 빔포밍은 빔포머와 위상 조절을 공동 최적화함으로써 성능 향상을 크게 이룰 수 있으며, 낮은 전력 소모로 커버리지 연장이 가능하다.
• 근거리 빔포밍은 거리 의존성 어레이 응답 모델이 필요하며, 빔 패턴이 거리에 따라 변할 수 있으므로 평면파 근사 대신 구형 파면 모델링이 필수적이다.