Tensor-based modeling/estimation of static channels in IRS-assisted MIMO systems

기술 요약: IRS 지원 MIMO 시스템의 정적 채널에 대한 텐서 기반 모델링 및 추정

문제 제기
본 논문은 지능형 반사 표면 (IRS) 이 지원되는 다중 입력 다중 출력 (MIMO) 시스템에서 채널 추정의 과제를 다룹니다. 이러한 네트워크에서 수신기는 IRS 를 통해 반사된 파일럿 신호를 사용하여 말단 사용자 장비 (UE) 에서 IRS 를 거쳐 기지국 (BS) 에 이르는 캐스케이드 채널을 추정해야 합니다. 기존 방법들은 주로 매개변수 기반 기하학적 모델을 활용하는 구조화 기법과 비구조화 기법으로 분류됩니다. 이전 연구들은 특정 시나리오 (예: 밀리미터파 시스템 또는 반-블라인드 데이터 검출) 에 텐서 접근법을 활용했으나, prohibitive 한 계산 비용을 치르지 않으면서 추정 정확도를 향상시키기 위해 정적 IRS 지원 채널의 고유한 기하학적 구조를 활용하는 견고한 프레임워크에 대한 필요성이 존재합니다.

방법론
저자들은 채널 추정 문제를 3 차 Tucker 텐서 모델로 공식화하는 새로운 신호 모델링 프레임워크를 제안합니다. 방법론의 핵심은 다음과 같은 단계를 포함합니다:

1. 시스템 모델: 시스템은 $M$ 개의 안테나를 갖춘 기지국 (BS), $Q$ 개의 안테나를 갖춘 사용자 장비 (UE), 그리고 $N$ 개의 수동 소자를 갖춘 IRS 를 포함하는 상향 링크 시나리오를 고려합니다. 채널 (BS-IRS 및 IRS-UE) 은 조향 벡터와 경로 손실/페이딩 계수로 특징지어지는 직진로 (LOS) 와 비직진로 (NLOS) 성분을 모두 포함하는 다중 경로 기하학적 모델을 사용하여 모델링됩니다.
2. 텐서 공식화: 수신된 파일럿 신호를 벡터화하고 크로네커 곱과 카트리 - 라오 곱의 성질을 활용함으로써, 저자들은 수신 신호와 연결된 채널 매개변수 간의 선형 관계를 유도합니다. 이 관계는 3 차 Tucker 텐서 모델로 재구성됩니다:
   $$\mathcal{R} \approx \mathcal{F} \times_1 \mathbf{A}_{rx} \times_2 \mathbf{A}^*_{tx} \times_3 \mathbf{P}_B$$
   여기서 $\mathcal{R}$은 수신된 데이터 텐서를 나타내고, $\mathbf{A}_{rx}$와 $\mathbf{A}_{tx}$는 각각 BS 와 UE 의 조향 행렬이며, $\mathbf{P}_B$는 IRS 기하학 정보를 포함하고, $\mathcal{F}$는 경로 계수를 나타내는 핵심 텐서입니다.
3. 제안된 알고리즘: 매개변수 추정 문제 (인자 행렬과 핵심 텐서 복원) 를 해결하기 위해 두 가지 알고리즘이 유도됩니다:
   • Tucker-ALS (교대 최소 제곱): 최소 제곱 부분 문제를 해결하여 $\mathbf{A}_{rx}$, $\mathbf{A}_{tx}$, $\mathbf{P}_B$ 및 핵심 텐서 벡터 $\mathbf{f}$의 추정을 교대로 업데이트하는 반복 알고리즘으로, 수렴할 때까지 수행됩니다.
   • Tucker-HOSVD (고차 특이값 분해): 수신된 텐서의 모드 펼침에 대해 잘라낸 SVD 를 수행하여 인자 행렬을 계산한 후, 의사 역행렬 단계를 거쳐 핵심 텐서를 추정하는 폐형식 (closed-form) 솔루션입니다.

주요 기여

• 새로운 신호 모델: 본 논문은 캐스케이드 채널의 기하학적 구조를 명시적으로 활용하도록 특별히 맞춤화된 3 차 Tucker 텐서 모델을 정적 IRS 지원 MIMO 채널에 도입합니다.
• 이중 알고리즘 접근법: 저자들은 수렴 요구 사항 대 계산 속도 기반 구현 유연성을 제공하는 반복적 ALS 방법과 비반복적 HOSVD 방법이라는 두 가지 구별된 솔루션을 제공합니다.
• 복잡도 분석: 이 연구는 제안된 방법들을 고전적인 최소 제곱 (LS) 과 최첨단 카트리 - 라오 분해 (KRF) 알고리즘과 비교한 상세한 계산 복잡도 분석을 포함합니다.

시뮬레이션 결과
수치적 시뮬레이션은 추정된 연결 채널의 정규화 평균 제곱 오차 (NMSE) 를 사용하여 성능을 평가합니다:

• 성능 향상: 제안된 텐서 기반 방법 (ALS 및 HOSVD 모두) 은 고전적인 LS 와 KRF 벤치마크보다 현저히 우수한 성능을 보입니다. 구체적으로, 제안된 방법은 LS 대비 약 10 dB, KRF 대비 5 dB의 개선을 달성합니다.
• 알고리즘 비교: 반복적 ALS 알고리즘은 폐형식 HOSVD 보다 약간 더 나은 성능 (약 1 dB 이득) 을 보여주지만, 두 방법 모두 벤치마크보다 우수합니다.
• 수렴 동작: ALS 알고리즘은 낮은 신호 대 잡음비 (SNR) 영역이나 전파 경로 수가 증가할 때 더 많은 반복 횟수가 필요합니다. 반면, IRS 소자 수 ($N$) 를 늘리면 수렴에 필요한 반복 횟수가 감소합니다.
• 계산 비용: 성능 향상에도 불구하고, 제안된 ALS 및 HOSVD 방식의 계산 복잡도는 벤치마크인 LS 및 KRF 알고리즘과 비교 가능합니다. 저자들은 모든 방식에서 지배적인 비용은 초기 LS 단계 또는 SVD/의사 역행렬 연산에 있으며, 이는 방식 간에 유사하게 확장된다고 지적합니다.

의의 및 주장
본 논문은 결합된 채널의 대수적 텐서 구조를 활용함으로써 제안된 방법들이 기존 최첨단 기법들에 비해 계산 복잡도를 증가시키지 않고도 우수한 추정 정확도를 달성한다고 주장합니다. 저자들은 IRS 배포가 필수적으로 예상되는 5G 이상 (B5G) 및 6G 네트워크를 위한 효율적인 채널 추정을 향한 한 걸음으로 이 작업을 위치시킵니다. 이 작업은 시간에 따라 변하는 채널 문제를 해결한다고 주장하지는 않습니다 (이에 대해서는 이전 연구를 참조할 것을 언급함) 하지만, 효과적인 IRS 위상 천이 구성을 가능하게 하기 위해 정적 채널 추정을 최적화하는 데 중점을 둡니다.