[논문 리뷰] Unsupervised Learning for Passive Beamforming

Jiabao Gao, Caijun Zhong외 3명|arXiv (Cornell University)|2020. 01. 08.

Advanced Wireless Communication Technologies인용 수 14

한 줄 요약

이 논문은 레이저 인텔리전트 서피스(RIS) 기반 무선 시스템에서 수동 비프래밍을 위한 비지도 딥 러닝 접근법을 제안한다. 오프라인으로 훈련된 맞춤형 딥 뉴럴 네트워크를 사용하여 레이블이 없는 데이터로도 최적의 위상 이동을 예측한다. 이 방법은 전통적인 준정적방식(정규화) 기반 기술 대비 계산 시간이 수개의 지수 차수만큼 감소하여 실시간 구현이 가능하며, near-SDR 성능을 달성한다.

ABSTRACT

Reconfigurable intelligent surface (RIS) has recently emerged as a promising candidate to improve the energy and spectral efficiency of wireless communication systems. However, the unit modulus constraint on the phase shift of reflecting elements makes the design of optimal passive beamforming solution a challenging issue. The conventional approach is to find a suboptimal solution using the semi-definite relaxation (SDR) technique, yet the resultant suboptimal iterative algorithm usually incurs high complexity, hence is not amenable for real-time implementation. Motivated by this, we propose a deep learning approach for passive beamforming design in RIS-assisted systems. In particular, a customized deep neural network is trained offline using the unsupervised learning mechanism, which is able to make real-time prediction when deployed online. Simulation results show that the proposed approach maintains most of the performance while significantly reduces computation complexity when compared with SDR-based approach.

연구 동기 및 목표

• RIS 기반 시스템에서 준정적방식(SDR) 기반 수동 비프래밍의 높은 계산 복잡도 문제를 해결하기 위해.
• 지도 학습 대신 비지도 학습을 활용하여 고비용의 레이블이 필요한 데이터가 필요 없도록 하기 위해.
• 동적인 무선 환경에 적합한 실시간, 저복잡도 비프래밍 솔루션을 설계하기 위해.
• SDR 대비 계산 시간을 크게 줄이면서도 높은 스펙트럼 효율성을 유지하기 위해.
• 채널 협응 시간이 제한된 실세계 시스템에서 RIS의 실용적 구현을 가능하게 하기 위해.

제안 방법

• 채널 상태 정보를 최적의 위상 이동 설정으로 매핑하기 위해 비지도 학습을 사용하여 사전에 훈련된 맞춤형 딥 뉴럴 네트워크(RISBFNN)를 사용한다.
• 복소수 채널 행렬을 처리할 수 있도록 설계된 네트워크 아키텍처로, 정규화 레이어를 통해 위상 이동의 단위 모듈러스 제약 조건을 강제한다.
• 지식 기반 레이블이 필요 없이 수신 신호 대 간섭 및 노이즈 비율(SINR)을 최대화하는 자기지도 학습 손실 함수를 사용하여 훈련한다.
• 레이저 페이딩과 경로 손실을 포함한 합성 채널 데이터를 사용하여, 많은 수의 랜덤 채널 실현값을 기반으로 훈련한다.
• 추론 과정에서 훈련된 네트워크는 채널 상태에서 직접 비프래밍 솔루션을 실시간으로 예측하며, 복잡도는 O((64M + 804)N²)로 스케일링된다. 여기서 M은 AP 안테나 수이고 N은 RIS 요소 수이다.
• 채널 상태에서 비프래밍 솔루션으로의 직접적인 엔드 투 엔드 매핑을 학습함으로써 반복 최적화를 피한다.

실험 결과

연구 질문

• RQ1 비지도 딥 러닝이 레이블이 없는 데이터로도 near-최적의 수동 비프래밍 성능를 달성할 수 있는가?
• RQ2 제안된 비지도 학습 접근법은 SDR 대비 스펙트럼 효율성과 계산 시간 측면에서 어떻게 비교되는가?
• RQ3 RIS 크기(N)와 AP 안테나 수(M)가 비지도 학습 기반 비프래밍 성능에 미치는 영향은 무엇인가?
• RQ4 제한된 채널 협응 시간을 가진 실세계 무선 시스템에서 제안된 방법이 실시간 제약 조건을 충족할 수 있는가?
• RQ5 다양한 채널 조건과 시스템 구성에서 비지도 접근법의 강건성은 어떠한가?

주요 결과

• N=8인 단일 안테나 케이스에서 제안된 RISBFNN은 SDR 성능의 96.26%를 달성하며, 다양한 구성에서도 90% 이상의 성능 유지를 보였다.
• M=2, N=16일 경우 RISBFNN은 SDR 성능의 93.90%를 달성하였고, 계산 시간은 SDR의 199.2 ms에서 RISBFNN의 0.0399 ms로 감소하였다.
• RISBFNN은 SDR 대비 약 1,000~7,000배 빠르게 작동하며, M=8, N=64인 큰 시스템에서도 평균 추론 시간이 0.12 ms 이하로 유지되었다.
• 경로 손실과 레이저 페이딩을 포함한 현실적인 실내 페이딩 조건에서도 효과적이며, 채널 변동에 대한 강건성을 입증하였다.
• 고려된 시나리오에서 채널 협응 시간은 13.77 ms이며, 이는 SDR가 불가능할 정도로 부족하다 (예: M=8, N=64일 경우 약 715.3 ms 소요). 반면 RISBFNN은 이 시간 제한 내에서 잘 작동한다.
• N과 M이 증가함에 따라 성능 저하가 약간 발생하지만, RISBFNN과 SDR 간의 격차는 안정적이거나 약간 증가하며, 이는 확장성 있음을 시사한다.