본 연구에서는 초거대 지능형 메타표면(Extremely Large Intelligent Metasurfaces)을 사용하는 6세대 무선 시스템의 빔포밍 및 근접장 채널 모델링을 위한 물리 기반 딥러닝 프레임워크를 소개합니다. 제안된 방법은 기존의 원거리장 통신 기술과 비교하여 에너지 효율, 빔포밍 이득 및 스펙트럼 효율을 향상시킵니다.
이 콘텐츠를 보려면 JoVE 구독이 필요합니다. 로그인하거나 오늘 무료 평가판을 시작하세요.
연구 논문
본 연구에서는 초거대 지능형 메타표면(Extremely Large Intelligent Metasurfaces)을 사용하는 6세대 무선 시스템의 빔포밍 및 근접장 채널 모델링을 위한 물리 기반 딥러닝 프레임워크를 소개합니다. 제안된 방법은 기존의 원거리장 통신 기술과 비교하여 에너지 효율, 빔포밍 이득 및 스펙트럼 효율을 향상시킵니다.
6세대(6G) 네트워크의 등장은 초고속 및 고스펙트럼 효율을 구현하기 위한 초거대 지능형 메타표면(XL-IMS)의 개발을 촉진했습니다. 그러나 기존의 원거리 장(far-field) 채널은 구면파 전파와 공간 정지성 부족으로 인해 근거리 장(near-field) 전송에 적용할 수 없으며, 이는 빔포밍 성능 저하와 계산 복잡도 증가로 이어집니다. 따라서 본 연구의 목표는 물리 기반 딥러닝을 이용한 근거리 장 채널 모델링 및 빔포밍 최적화 방법을 개발하는 것입니다. 제안된 솔루션은 물리 기반 구면파 채널 모델과 더불어 그래프 신경망(GNN) 및 어텐션 메커니즘을 활용하여 사용자 간의 국부적 공간 관계와 글로벌 네트워크 간의 관계를 포착합니다. 또한, 근거리 장 사용자에 대한 에너지 집중 효율을 높이기 위해 학습 기반 빔포밍 알고리즘을 제안합니다. 제안된 프레임워크의 성능은 DeepMIMO 데이터셋의 실제 전파 시나리오를 사용하여 평가되었습니다. 시뮬레이션 결과, 제안된 기술은 11.6 bps/Hz의 달성 가능한 전송률, 28 dB의 빔포밍 이득, 10.5 bps/Hz의 스펙트럼 효율, 9.8 bits/Joule의 에너지 효율 및 25 dB의 신호 대 간섭 잡음비(SINR)를 나타냈습니다. Zero Forcing(ZF), Minimum Mean Square Error(MMSE), Semidefinite Relaxation(SDR) 및 Alternating Optimization(AO)과 같은 기존 기술과 비교했을 때, 제안된 방식은 전반적인 통신 성능을 약 10-15% 향상시켰습니다. 이러한 결과는 근거리 장 채널 모델링과 GNN 기반 어텐션 학습의 통합이 XL-IMS 기술을 활용하는 미래 6G 무선 네트워크를 위한 효율적이고 정확한 빔포밍 기술이 될 수 있음을 보여줍니다.
최근 몇 년 동안 빔포밍(beamforming)에 대한 관심이 급격히 증가했습니다. 더 나은 연결성과 더 빠른 데이터 전송률에 대한 수요가 증가함에 따라, 6G의 도입과 함께 극도로 높은 용량 요구 사항이 일반화되었습니다. 따라서 신호를 효과적으로 유도하고 전반적인 네트워크 성능을 향상시키기 위해 빔포밍은 유망한 방법입니다1. 기존의 무선 통신 시스템은 공간 다이버시티를 위해 원거리 장(far-field) 공간 자원을 효과적으로 활용해 왔습니다. 미래 무선 통신을 위해 엄청난 가능성을 지닌 신흥 연구 분야는 근거리 장(near-field) 빔포밍입니다2.
반면, 재구성 가능한 지능형 표면(RIS)은 mmWave/THz 스펙트럼과 관련된 일부 전파 문제를 극복할 수 있다는 점에서 특히 흥미롭습니다3,4. RIS는 입사되는 전자기파를 반사, 굴절 및 조절할 수 있습니다5. 이 경우, 빔을 원하는 방향이나 모양으로 조향하는 것이 주요 목표이며, RIS는 방사원의 방사 패턴을 변경하는 것으로 묘사될 수 있습니다. 원거리....
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
XL-IMS가 적용된 6G 시스템의 근거리 장 채널 모델링 및 빔포밍을 위해 제안된 프레임워크는 기존의 원거리 장 접근 방식의 한계를 극복하기 위해 물리 기반 모델링과 머신러닝 최적화를 결합합니다. 구면파 전파와 공간적 비정상성을 포함하는 근거리 장 채널 모델이 개발되었으며, DeepMIMO 데이터셋을 통해 검증되었습니다. 메타표면 소자와 사용자 간의 공간적 의존성을 캡처하기 위해 채널 정보를 그래프로 표현하였으며, 근거리 빔 포커싱을 위한 빔포밍 가중치를 학습시키기 위해 엔드 투 엔드 GNN-어텐션 네트워크를 활용합니다. 기존의 반복적 최적화 방법과 달리, 학습 기반 프레임워크는 빔포밍 솔루션을 직접 예측하여 계산 복잡도를 줄이면서도 높은 정확도와 동적 채널 조건에 대한 적응성을 유지합니다. 성능은 달성 가능한 전송률, 빔포밍 이득 및 에너지 효율 측면에서 평가되었으며, 기존의 원거리 장 빔포밍 방법보다 우수한 결과를 보여주었습니다. 그림 1은 전체 프레임워크를 보여줍니다.
제안된 단계는 다음과 같습니다:
1단계: DeepMIMO 환경 설정
DeepMIMO v3.....
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
6G 통신 네트워크의 XL-IMS를 위해 도입된 근거리 채널 모델링 및 빔포밍 프레임워크의 성능은 실제 전파 환경과 공간적으로 일관된 채널 데이터를 제공하는 DeepMIMO 데이터셋을 사용하여 평가됩니다. 이 데이터셋을 구성하려면 메타표면의 근거리 내 다양한 사용자 위치를 나타내는 많은 채널 샘플을 생성해야 합니다. 구체적으로, 본 연구에서는 서로 다른 전파 조건과 사용자 위치에서 수집된 최대 10,000–20,000개의 샘플을 사용합니다. 이러한 채널 샘플은 80:20의 비율로 나누어 80%는 훈련용으로, 20%는 테스트용으로 사용되었습니다. 이러한 관점에서 테스트 세트는 모델의 일반화 능력을 평가하며, 훈련 세트는 학습을 위한 기반을 제공합니다.
실험 결과, 제안된 GNN-Attention 프레임워크가 기존의 원거리 빔포밍 및 최적화 기반 방법보다 우수한 성능을 보임을 입증하였습니다. 구형 파동 채널 모델링과 딥러닝 기반의 공간 특징 추출을 결합함으로써, 제안된 방식은 더 높.......
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
제안된 알고리즘은 비선형 프리코딩을 사용하여 근접장 구면파 전파를 모델링함으로써 ZF, MMSE, SDR 및 AO와 같은 선형 프리코딩 기반 알고리즘보다 더 우수한 빔 포커싱을 달성합니다. SDR 및 AO 알고리즘의 결과는 최적에 가깝지만, 제안된 GNN-attention 네트워크는 훨씬 낮은 계산 비용으로 더 나은 성능을 구현하며, 이는 향후 6G 네트워크의 XL-IMS 배포에 있어 매우 중요합니다 21,26,27.
앞서 언급한 바와 같이, 이러한 주장을 정량적 관점에서 실증적으로 검증하기 위해 복잡도 분석을 수행하였으며, 그 결과는 표 4에 제시되어 있습니다. 제안된 GNN-attention 아키텍처의 훈련 과정 계산 복잡도는 O(E · d + N.......
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
저자들은 이해관계의 충돌이 없습니다.
본 연구는 중국 국가자연과학基金 (Grant No. 62466036) 및 간동대학교 연구 초기 정착 자금 (Grant No. 12225000423)의 부분적 지원을 받아 수행되었습니다. 저자들은 필요한 연구 시설과 기관적 지원을 제공해 준 간동대학교에 감사를 표합니다. 본 연구는 중국 푸저우에 위치한 간동대학교 정보공학대학 및 인공지능 알고리즘 및 응용 연구실의 지원을 받았습니다.
....액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
| 이름 | 회사 | 카탈로그 번호 | 댓글 |
|---|---|---|---|
| CUDA Toolkit | NVIDIA | CUDA 12.4 | https://developer.nvidia.com/cuda-toolkit |
| DGL | DGL Team | DGL 2.2.1 | https://www.dgl.ai |
| Matplotlib | Matplotlib Development Team | Matplotlib 3.9.0 | https://matplotlib.org |
| NumPy | NumPy Developers | NumPy 1.26.4 | https://numpy.org |
| Python | Python Software Foundation | Python 3.10.13 | https://www.python.org |
| PyTorch | Meta AI | PyTorch 2.3.1 | https://pytorch.org |
| PyTorch Geometric | PyG Team | PyG 2.5.3 | https://pytorch-geometric.readthedocs.io |
| Seaborn | Seaborn Developers | Seaborn 0.13.2 | https://seaborn.pydata.org |
| TensorFlow | TensorFlow 2.16.1 | https://www.tensorflow.org |
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.