AI/ML 기반 서브어레이 구조 결정을 통한 환경 인지적 대규모 MIMO 전송 기술
An Environment-Aware Large-Scale MIMO Transmission Technique via AI/ML based Subarray Structure Determination
- 주제어 (키워드) Sub-6GHz , massive MIMO , beamforming , deep learning , dynamic subarray
- 발행기관 서강대학교 일반대학원
- 지도교수 성원진
- 발행년도 2025
- 학위수여년월 2025. 2
- 학위명 석사
- 학과 및 전공 일반대학원 전자공학과
- 실제 URI http://www.dcollection.net/handler/sogang/000000079354
- UCI I804:11029-000000079354
- 본문언어 영어
- 저작권 서강대학교 논문은 저작권 보호를 받습니다.
초록 (요약문)
Sub-6GHz 대규모 다중 입력 다중 출력 (multiple-input multiple-output; MIMO) 시스템에서 성능과 하드웨어 복잡성 간의 트레이드오프를 해결하기 위해, 본 논문은 인공지능 (artificial intelligence; AI) 및 (machine learning; ML) 기반 동적 서브어레이 구성 및 기계적 다운틸트 최적화 방식을 제안한다. 제안 방법은 소형 대규모 배열을 구축하는 데 어려움이 있고, 높은 전력 소비로 인해 다수의 위상 변환기 배치가 제한되는 sub-6GHz 5G 통신 시스템에 특화되어 있다. 제안된 프레임워크에서 안테나 어레이는 위상 변환기를 사용하지 않고 작동하며, 채널 추정 및 빔포밍은 3GPP 표준 참조 신호인 프리코딩 행렬 지시자 (precoding matrix indicator; PMI)에 기반하여 수행된다. 심층 학습 (deep learning; DL) 모델은 사전에 정의된 여러 서브어레이 구성 중에서 원하는 배열 구조를 선택함으로써 동적으로 서브어레이를 구성한다. 이러한 접근 방식은 저복잡도, 실용적인 송수신기 운영을 가능하게 하며, 다수의 송수신 장치 (transceiver unit; TXRU)를 갖춘 기존 상용 어레이 하드웨어에 즉각적으로 적용할 수 있다는 장점을 제공한다. DL 모델은 3GPP 표준 채널 환경의 변형으로 생성된 다양한 가상 채널 모델을 사용하여 학습된다. 성능 평가 결과, 제안된 방법이 완전 디지털 어레이의 다중 사용자 MIMO 합 전송률에 필적하거나 이를 초과하는 성능을 달성함을 보여준다.
more초록 (요약문)
To address the trade-offs between performance and hardware complexity in sub-6GHz massive multiple-input multiple-output (MIMO) systems, this thesis proposes an artificial intelligence (AI)/machine learning (ML)-based approach for dynamic subarray configuration and mechanical downtilt optimization. The proposed method is specifically tailored for sub-6GHz 5G communication systems, for which constructing compact massive arrays is challenging, and high-power consumption limits the deployment of multiple phase shifters. In the proposed framework, the array operates without phase shifters, and the channel estimation as well as beamforming are performed solely based on the precoding matrix indicator (PMI), a 3GPP standard reference signal. A deep learning (DL) model dynamically configures subarrays and selects the desirable array structure from multiple predefined subarray configurations. This approach enables low-complexity, practical transceiver operations and offers the advantage of immediate applicability to existing commercial array hardware equipped with a large number of transceiver units (TXRUs). The DL model is trained using various virtual channel models generated as variations of the 3GPP standard channel environments. Performance evaluations demonstrate that the proposed method achieves the multi-user MIMO (MU-MIMO) sum-rate comparable to or exceeding that produced by fully digital arrays.
more목차
1. Introduction 1
2. System Model 8
2.1 Signal Model 8
2.2 CSI-RS Transmission 9
3. Dynamic Subarrays 11
3.1 Overall Operation 11
3.2 Subarray Types 13
3.3 Downtilt Determination 17
3.4 Subarray Configuration 19
3.5 Model Training Using Virtual Environments 20
4. Performance Evaluation 24
4.1 Experimental Setup 24
4.2 Training DL Models 26
4.3 MU-MIMO Transmission Performance 28
5. Conclusions 35
References 36