[논문 리뷰] Learning to Reflect and to Beamform for Intelligent Reflecting Surface with Implicit Channel Estimation

Tao Jiang, Hei Victor Cheng외 1명|arXiv (Cornell University)|2020. 09. 30.

Advanced Wireless Communication Technologies참고 문헌 38인용 수 7

한 줄 요약

이 논문은 수신된 파ilot 신호를 사용하여 기지국의 빔포밍과 지능형 반사면(ISR)의 반사 계수를 직접 최적화하는 딥러닝 프레임워크를 제안한다. 전문적인 채널 추정을 생략하며, 순열에 대한 불변성을 가지는 그래프 신경망(GNN)을 활용해 기존 방법보다 훨씬 적은 수의 파ilot으로 합률 또는 최소율 유용도를 최대화하는 데 성공한다. 이로 인해 해석 가능하고 일반화 가능한 설정을 얻을 수 있으며, 이는 시선(LoS) 방향과 일치한다.

ABSTRACT

Intelligent reflecting surface (IRS), which consists of a large number of tunable reflective elements, is capable of enhancing the wireless propagation environment in a cellular network by intelligently reflecting the electromagnetic waves from the base-station (BS) toward the users. The optimal tuning of the phase shifters at the IRS is, however, a challenging problem, because due to the passive nature of reflective elements, it is difficult to directly measure the channels between the IRS, the BS, and the users. Instead of following the traditional paradigm of first estimating the channels then optimizing the system parameters, this paper advocates a machine learning approach capable of directly optimizing both the beamformers at the BS and the reflective coefficients at the IRS based on a system objective. This is achieved by using a deep neural network to parameterize the mapping from the received pilots (plus any additional information, such as the user locations) to an optimized system configuration, and by adopting a permutation invariant/equivariant graph neural network (GNN) architecture to capture the interactions among the different users in the cellular network. Simulation results show that the proposed implicit channel estimation based approach is generalizable, can be interpreted, and can efficiently learn to maximize a sum-rate or minimum-rate objective from a much fewer number of pilots than the traditional explicit channel estimation based approaches.

연구 동기 및 목표

• IRS 요소의 수동성으로 인해 전문적인 채널 추정이 비현실적인 다중 사용자 MIMO 시스템에서 IRS 위상 이완과 기지국 빔포머 최적화 문제를 해결하기 위해.
• 많은 반사 요소를 가진 대규모 IRS로 인해 발생하는 고차원적이고 비凸인 최적화 문제를 극복하기 위해.
• 수신된 파ilot에서 최적의 빔포머와 반사 계수로 직접 매핑하는 데이터 기반 프레임워크를 개발하여 시스템 수준의 목표(합률 또는 최소율)와 일치시키기 위해.
• 사용자 수와 사용자 위치의 변화에 일반화할 수 있도록 순열에 대한 불변성을 가지는 GNN 아키텍처를 통해 가능하게 하기 위해.
• 기존의 전문적인 채널 추정 방법에 비해 파ilot 오버헤드를 줄이면서도 스펙트럼 효율성을 유지하거나 향상시키기 위해.

제안 방법

• 기지국, IRS, 다수의 사용자 간의 상호작용을 모델링하기 위해 그래프 신경망(GNN)을 사용하며, 빔포머에는 순열에 대한 불변성 구조, IRS 반사 계수에는 순열에 대한 불변성 구조를 적용한다.
• GNN은 수신된 파ilot 및 사용자 위치 정보를 직접 기지국의 최적화된 빔포밍 벡터와 IRS의 반사 계수로 매핑한다.
• 시스템 유용도 목표(합률 또는 최소율)를 최대화하기 위해 미분 가능한 손실 함수를 사용하여 엔드 투 엔드로 네트워크를 훈련시킨다.
• 사용자 순열에 대한 불변성을 유지함으로써 임의의 사용자 수를 가진 네트워크로의 일반화를 보장한다.
• 시스템의 물리 계층 응답과 파ilot 신호에 의존하여 전문적인 추정 없이도 효과적인 채널 응답을 암묵적으로 학습한다.
• 기지국과 IRS의 어레이 응답 패턴을 분석하여 학습된 설정이 사용자들의 시선 방향과 일치하는 지 확인한다.

실험 결과

연구 질문

• RQ1 딥러닝 모델이 전문적인 채널 추정 없이 파ilot 신호에서 직접 IRS 반사 계수와 기지국 빔포머를 설정할 수 있는가?
• RQ2 기존의 채널 추정 기반 빔포밍에 비해 제안된 GNN 기반 방법의 스펙트럼 효율성과 파ilot 오버헤드 측면에서의 성능은 어떠한가?
• RQ3 학습된 빔포밍 및 반사 패턴이 시선 방향과의 일치성 측면에서 얼마나 해석 가능한가?
• RQ4 다른 사용자 수와 사용자 위치에 대해 모델의 일반화 능력은 얼마나 뛰어나며?
• RQ5 최소 사용자 신속도를 최적화함으로써 다중 사용자 환경에서 공정성을 달성할 수 있는가?

주요 결과

• 제안된 방법은 특히 파ilot 수가 적은 영역(25K개 파ilot)에서 전문적인 채널 추정 기반 빔포밍보다 더 높은 스펙트럼 효율성을 달성한다.
• 배치된 기지국 빔포머는 어레이 응답도를 통해 진짜 IRS 방향에서 피크 이득을 보이며 에너지를 IRS 쪽으로 집중시킴을 확인하였다.
• IRS 반사 계수는 목적지 사용자 쪽으로 신호를 굴절시키도록 최적화되어 있으며, 어레이 응답 피크가 실제 사용자 시선 각도와 일치한다.
• IRS 요소 수가 증가함에 따라(30개에서 100개로) 빔포밍의 정밀도가 향상되어 더 날카롭고 집중된 메인 로브를 형성한다.
• 3명의 사용자 시나리오에서 GNN은 최소 신속도를 극대화하기 위해 빔포밍과 반사를 균형 있게 조정하며, 가장 먼 사용자에게는 약한 IRS 반사에 비해 강력한 기지국 빔포머를 보상함으로써 보완한다.
• 시스템은 해석 가능하다: 빔포밍 및 반사 패턴은 사용자들의 물리적 시선 각도와 일치하며, 이는 모델이 물리적으로 의미 있는 설정을 학습하고 있음을 확인한다.