[论文解读] Developing NOMA to Next Generation Multiple Access (NGMA): Future Vision and Research Opportunities

Yuanwei Liu, Wenqiang Yi+4 more|arXiv (Cornell University)|Mar 3, 2021

Advanced Wireless Communication Technologies被引用 16

一句话总结

本文提出了一套“一个基本原理加四项创新”框架，将非正交多址接入（NOMA）演进为6G网络的下一代多址接入（NGMA）。该框架引入了混合逐次干扰消除（SIC），联合利用信道状态信息（CSI）与服务质量（QoS）需求，消除传统中断概率误差底限，从而实现更高的频谱效率与可靠性。该框架进一步探索了大规模连接、与智能反射面（RIS）和感知通信一体化（ISaC）等先进物理层技术的融合、新型应用场景以及人工智能驱动的资源分配，将NOMA确立为6G多目标、高性能愿景的核心支柱。

ABSTRACT

As a prominent member of the next generation multiple access (NGMA) family, non-orthogonal multiple access (NOMA) has been recognized as a promising multiple access candidate for the sixth-generation (6G) networks. This article focuses on applying NOMA in 6G networks, with an emphasis on proposing the so-called "One Basic Principle plus Four New" concept. Starting with the basic NOMA principle, the importance of successive interference cancellation (SIC) becomes evident. In particular, the advantages and drawbacks of both the channel state information based SIC and quality-of-service based SIC are discussed. Then, the application of NOMA to meet the new 6G performance requirements, especially for massive connectivity, is explored. Furthermore, the integration of NOMA with new physical layer techniques is considered, followed by introducing new application scenarios for NOMA towards 6G. Finally, the application of machine learning in NOMA networks is investigated, ushering in the machine learning empowered NGMA era.

研究动机与目标

• 为解决传统NOMA SIC方案在高信噪比（SNR）下不可避免的中断概率误差底限问题，尤其在动态且密集的6G网络中。
• 通过重新定义NOMA的核心原则，将其角色从5G扩展至6G，以支持6G多样化的多目标需求，包括大规模连接、超可靠性和低时延。
• 探索NOMA与新兴6G物理层技术（如可重构智能表面（RIS）、感知与通信一体化（ISaC）以及正交时频空（OTFS）调制）的集成。
• 研究机器学习技术（特别是强化学习与深度学习）在NOMA基NGMA系统中实现自适应、实时资源分配与信号处理的应用。
• 建立NOMA在6G中的全面研究路线图，识别系统设计、可扩展性与智能化方面的关键挑战与机遇。

提出的方法

• 提出一种混合SIC解调策略，联合考虑信道状态信息（CSI）与用户特定QoS需求，以确定最优信号检测顺序，克服单一指标SIC的局限性。
• 引入广义SIC框架，根据CSI与QoS指标的组合动态调整解调顺序，实现在传统SIC失效的高SNR区域的性能增益。
• 应用强化学习（RL）以优化NOMA网络中的长期资源分配与动态用户聚类，实现对环境变化的自适应决策。
• 采用深度学习（DL）实现自动CSI获取、信道估计与信号检测，减少对显式信道反馈的依赖，并提升在时变环境中的鲁棒性。
• 利用联邦学习（FL）在分布式NOMA网络中保护用户数据隐私，即在边缘设备上训练本地模型，并仅在基站聚合模型参数。
• 利用迁移学习在新或相似网络环境中加速收敛，通过复用预训练深度神经网络，减少训练时间与数据需求。

实验结果

研究问题

• RQ1 如何重新定义NOMA中的逐次干扰消除（SIC），以消除传统基于CSI或QoS的SIC方案中固有的中断概率误差底限？
• RQ2 将NOMA与新兴6G物理层技术（如RIS、ISaC和OTFS）集成后，性能增益与系统级优势为何？
• RQ3 如何有效应用强化学习与深度学习等机器学习技术，以实现NOMA基6G网络中自适应、低时延与节能的资源分配？
• RQ4 NOMA在异构且动态的网络场景下，如何支持6G愿景中的大规模连接、超可靠性与亚毫秒级时延？
• RQ5 在部署AI赋能的NOMA系统时，关键的设计权衡与挑战是什么，特别是在模型收敛性、隐私保护与计算复杂度方面？

主要发现

• 结合CSI与QoS指标的混合SIC方案成功消除了传统SIC的中断概率误差底限，使高SNR下仍能实现可靠通信，解决了以往NOMA系统的关键局限。
• 通过将NOMA与可重构智能表面（RIS）、感知与通信一体化（ISaC）及OTFS等先进物理层技术融合，显著提升了6G场景下的频谱效率与可靠性。
• 基于强化学习的NOMA资源分配在动态环境中优于传统方法，通过与网络状态的交互学习最优长期策略。
• 深度学习实现了高精度、低时延的CSI估计与信号检测，降低了反馈开销，并在快衰落与大规模MIMO场景中提升了性能。
• 联邦学习通过在不共享原始用户数据的前提下实现分布式模型训练，增强了NOMA网络中的数据隐私，同时NOMA的多址能力降低了模型聚合延迟。
• 迁移学习通过复用预训练模型，加速了新网络部署中的收敛速度，减少了在标注数据有限场景下的训练时间与数据需求。