[논문 리뷰] Indoor Signal Focusing with Deep Learning Designed Reconfigurable Intelligent Surfaces

Chongwen Huang, George C. Alexandropoulos외 2명|arXiv (Cornell University)|2019. 05. 19.

Indoor and Outdoor Localization Technologies참고 문헌 16인용 수 25

한 줄 요약

이 논문은 실내 환경에서 재구성 가능한 지능형 표 superficies(RIS)의 실시간 무선 설정을 위한 딥 러닝 기반 방법을 제안한다. 목적 사용자에게 신호 에너지를 집중시키기 위해, 오프라인으로 학습된 지문 데이터베이스를 사용하여 딥 신경망(DNN)이 사용자 위치를 최적의 RIS 위상 이동으로 매핑한다. 이로 인해 RIS 설정에서 높은 신호 강도와 낮은 평균 제곱 오차(MSE)를 달성하며, 시뮬레이션 결과는 제한된 학습 에포크 수에도 불구하고 상당한 Throughput 향상을 보여준다.

ABSTRACT

Reconfigurable Intelligent Surfaces (RISs) comprised of tunable unit elements have been recently considered in indoor communication environments for focusing signal reflections to intended user locations. However, the current proofs of concept require complex operations for the RIS configuration, which are mainly realized via wired control connections. In this paper, we present a deep learning method for efficient online wireless configuration of RISs when deployed in indoor communication environments. According to the proposed method, a database of coordinate fingerprints is implemented during an offline training phase. This fingerprinting database is used to train the weights and bias of a properly designed Deep Neural Network (DNN), whose role is to unveil the mapping between the measured coordinate information at a user location and the configuration of the RIS's unit cells that maximizes this user's received signal strength. During the online phase of the presented method, the trained DNN is fed with the measured position information at the target user to output the optimal phase configurations of the RIS for signal power focusing on this intended location. Our realistic simulation results using ray tracing on a three dimensional indoor environment demonstrate that the proposed DNN-based configuration method exhibits its merits for all considered cases, and effectively increases the achievable throughput at the target user location.

연구 동기 및 목표

• 실내 환경에서 복잡한 유선 RIS 설정 문제를 해결하기 위해.
• 기존 제어 방법 대신 딥 러닝을 사용하여 효율적인 온라인 무선 RIS 설정을 가능하게 하기 위해.
• 지능적인 RIS 튜닝을 통해 목표 사용자 위치에서의 신호 집중도와 수신 신호 강도를 향상시키기 위해.
• 운영 중 복잡한 실시간 채널 추정 및 최적화의 필요성을 줄이기 위해.
• 실제 3차원 실내 레이 트레이싱 환경에서 DNN 기반 RIS 설정의 가능성과 성능을 입증하기 위해.

제안 방법

• 240개의 기준 위치의 좌표 정보와 그에 해당하는 최적의 RIS 위상 설정을 사용하여 오프라인 지문 데이터베이스를 구축한다.
• 수신 신호 강도를 최대화하는 데 최적의 RIS 위상 이동과 사용자 위치 간의 매핑을 학습하기 위해 딥 신경망(DNN)을 사용한다.
• 예측된 위상 행렬과 최적의 위상 행렬 간의 차이를 최소화하는 손실 함수를 사용하여 50 에포크 동안 DNN을 학습한다.
• 온라인 운영 중에, 훈련된 DNN은 실시간 사용자 위치 추정치를 입력으로 받아 최적의 RIS 위상 설정을 무선으로 출력한다.
• 3차원 실내 환경을 가정하며, 천장에 RIS가 위치하고, 32개의 안테나를 갖는 AP와 장애물이 존재하며, Rayleigh fading 및 경로 손실 모델을 사용한다.
• 성능 평가를 위해 200회 반복하는 몬테카를로 시뮬레이션을 사용하며, 달성 가능한 속도와 예측된 위상 행렬과 최적의 위상 행렬 간의 MSE를 측정한다.

실험 결과

연구 질문

• RQ1 DNN은 사용자 위치와 최적의 RIS 위상 설정 간의 매핑을 효과적으로 학습할 수 있는가?
• RQ2 RIS 요소의 수가 DNN 기반 설정 방법의 정확도에 어떤 영향을 미치는가?
• RQ3 DNN 기반 RIS 설정을 사용할 경우 비-RIS 전송 대비 달성 가능한 속도에서 어떤 성능 향상이 이루어지는가?
• RQ4 다양한 학습 에포크 수에서 DNN이 낮은 오차 수준으로 수렴하는 데 얼마나 오래 걸리는가?
• RQ5 제한된 학습 데이터와 온라인 배포 조건에서도 제안된 방법이 낮은 MSE를 달성할 수 있는가?

주요 결과

• DNN 기반 방법은 상당한 Throughput 향상을 달성하며, 모든 SNR 수준과 사용자 거리에서 RIS 지원 시스템이 비-RIS 사례를 능가한다.
• RIS 위상 행렬 추정에서 낮은 MSE를 보이며, N=8의 경우 최소 오차를 기록하지만 약간 더 많은 학습 에포크가 필요하다.
• 단지 20개의 학습 에포크만으로도 테스트된 모든 RIS 크기(N=8, 16, 32, 64)에서 양호한 성능를 달성하여 빠른 수렴을 보였다.
• SNR이 높을수록 달성 가능한 속도가 크게 증가하며, RIS 설정은 목표 사용자 위치에 에너지를 효과적으로 집중시켜 인근 지점의 간섭을 줄인다.
• 제한된 학습 데이터 조건에서도 낮은 추정 오차를 유지하여 실용적 구현에 대한 강건성과 확장성을 보였다.
• 시뮬레이션 결과는 딥 러닝이 복잡한 유선 RIS 설정을 저지연, 무선, 온라인 솔루션으로 효과적으로 대체할 수 있음을 확인한다.