[논문 리뷰] Graph Attention Networks for Channel Estimation in RIS-assisted Satellite IoT Communications

Kürşat Tekbıyık, Güneş Karabulut Kurt외 2명|arXiv (Cornell University)|2021. 04. 01.

Satellite Communication Systems인용 수 7

한 줄 요약

이 논문은 재구성 가능 지능표면(RIS) 기반 직접 위성(DtS) 사물인터넷(IoT) 통신을 위한 그래프 어텐션 네트워크(GAT)-기반 채널 추정 방법을 제안한다. 펄스 신호를 그래프로 모델링함으로써 GAT는 연결 채널 내의 위상 관계를 학습하여, 동적 조건 하에서도 강인하고 저복잡도의 추정을 가능하게 하며, 특히 이산 RIS 위상 이동과 2비트 해상도에서 뛰어난 비트 오류율(BER) 성능을 달성한다.

ABSTRACT

Direct-to-satellite (DtS) communication has gained importance recently to support globally connected Internet of things (IoT) networks. However, relatively long distances of densely deployed satellite networks around the Earth cause a high path loss. In addition, since high complexity operations such as beamforming, tracking and equalization have to be performed in IoT devices partially, both the hardware complexity and the need for high-capacity batteries of IoT devices increase. The reconfigurable intelligent surfaces (RISs) have the potential to increase the energy-efficiency and to perform complex signal processing over the transmission environment instead of IoT devices. But, RISs need the information of the cascaded channel in order to change the phase of the incident signal. This study evaluates the pilot signal as a graph and incorporates this information into the graph attention networks (GATs) to track the phase relation through pilot signaling. The proposed GAT-based channel estimation method examines the performance of the DtS IoT networks for different RIS configurations to solve the challenging channel estimation problem. It is shown that the proposed GAT both demonstrates a higher performance with increased robustness under changing conditions and has lower computational complexity compared to conventional deep learning methods. Moreover, bit error rate performance is investigated for RIS designs with discrete and non-uniform phase shifts under channel estimation based on the proposed method. One of the findings in this study is that the channel models of the operating environment and the performance of the channel estimation method must be considered during RIS design to exploit performance improvement as far as possible.

연구 동기 및 목표

• 장거리와 제한된 IoT 장치 성능으로 인한 직접 위성(DtS) IoT 네트워크의 높은 경로 손실과 하드웨어 복잡도 문제를 해결한다.
• 재구성 가능 지능표면(RIS)을 활용하여 전파 매질로 처리를 이동시킴으로써 IoT 장치에서의 복잡한 신호 처리가 필요 없도록 한다.
• 특히 동적 조건과 제한된 펄스 오버헤드 하에서 RIS 기반 DtS IoT 시스템의 채널 추정 정확도를 향상시킨다.
• 이산, 비균일, 양자화된 위상 설정을 포함한 RIS 위상 이동 구성이 시스템 성능 및 채널 추정 강인성에 미치는 영향을 조사한다.
• 기존의 딥러닝 방법보다 낮은 계산 복잡도로도 변화하는 전파 조건 하에서도 높은 성능을 달성할 수 있음을 보여주며, GAT 기반 추정이 가능함을 입증한다.

제안 방법

• 노드는 펄스 심볼을 나타내고, 간선은 채널 내의 공간적 및 시간적 상관관계를 캡처하는 방식으로 펄스 신호 정보를 그래프로 모델링한다.
• 그래프 어텐션 네트워크(GAT)를 사용하여 간선을 따라 어텐션 가중치를 학습함으로써 추정 과정에서 중요한 채널 위상 관계에 집중할 수 있도록 한다.
• 추정 오차를 최소화하는 손실 함수를 사용하여, 펄스 신호에서 연결 채널 상태 정보(CSI)를 예측하도록 GAT를 엔드 투 엔드로 훈련시킨다.
• RIS 기반 DtS IoT 시스템 아키텍처에 GAT 추정기를 통합하여 추정된 CSI 기반의 위상 이동 최적화를 가능하게 한다.
• 다양한 비트 해상도를 가진 RIS 위상 이동 구성—Set 1(전체 스펙트럼), Set 2(중심 제외), Set 3(좁은 스펙트럼)—을 기반으로 성능을 평가한다.
• 추정된 CSI를 사용하여 유효한 빔포밍을 계산하고, 이산적이고 비균일한 위상 이동을 포함한 현실적인 RIS 제약 조건 하에서 BER 성능을 평가한다.

실험 결과

연구 질문

• RQ1 학습 중에 관찰되지 않은 동적 전파 조건 하에서도 GAT 기반 채널 추정이 RIS 기반 DtS IoT 시스템에서 높은 정확도와 강인성을 달성할 수 있는가?
• RQ2 이산, 비균일, 또는 제한된 스펙트럼의 RIS 위상 이동 구성 선택이 GAT 기반 채널 추정 성능과 후속 BER에 어떤 영향을 미치는가?
• RQ3 GAT 기반 추정과 조합했을 때, 2비트 이산 위상 이동 RIS가 이상적인 연속 위상 RIS의 성능을 어느 정도 근사할 수 있는가?
• RQ4 기존 최첨단 기술 대비 제안된 GAT 기반 방법을 사용할 경우, 펄스 오버헤드가 추정 정확도와 BER 성능에 어떤 영향을 미치는가?
• RQ5 GAT 기반 추정기는 위성 IoT 시스템에서 업링크와 다운링크 채널 특성의 차이를 어떻게 고려하여 적응시킬 수 있는가?

주요 결과

• 제안된 GAT 기반 채널 추정기는 기존 딥러닝 방법보다 변화하는 전파 조건 하에서도 더 높은 성능과 강인성을 확보한다.
• 기존의 딥러닝 기반 추정기보다 훨씬 낮은 계산 복잡도를 유지하면서도 높은 정확도를 확보한다.
• 2비트 RIS 위상 이동을 사용할 경우, 이상적인 연속 위상 RIS 성능과 거의 동일한 BER 성능을 달성하여 높은 실용성 잠재력을 보여준다.
• 위상이 ±π 근처를 포함하는 Set 1과 Set 2 구성은 실제 연결 채널의 주요 위상 분포와 더 잘 일치하므로 Set 3(제한된 [−π/2, π/2] 범위)보다 성능이 뛰어나다.
• GAT 추정기는 매우 짧은 펄스 시퀀스로도 효과적인 채널 추정을 가능하게 하여 펄스 오버헤드를 감소시키면서도 낮은 BER을 유지한다.
• 채널 모델과 RIS 설계는 상호 연계하여 고려되어야 하며, 구성이 맞지 않으면 정확한 추정이라도 성능 저하가 발생함을 확인했다.