Hybrid Downlink Beamforming with Outage Constraints under Imperfect CSI using Model-Driven Deep Learning

기술 요약: 불완전한 CSI 환경에서 출력 제약 조건을 고려한 하이브리드 다운링크 빔포밍을 위한 모델 기반 딥러닝

문제 정의
본 논문은 불완전한 채널 상태 정보(CSI)가 존재하는 상황에서 에너지 효율적인 다중 사용자 하이브리드 다운링크 빔포밍(BF) 및 전력 할당 문제를 다룹니다. 추정 오차, 피드백 양자화, 시변 페이딩 등으로 인해 발생하는 CSI 저하는 밀리미터파 또는 미래 6G 대역과 같은 실제 시스템에서 중요한 과제입니다. 본 연구의 목표는 다중 사용자에 대한 확률적 서비스 품질(QoS) 제약 조건(특히, 출력 확률 제약 조건)을 만족하면서 총 송신 전력을 최소화하는 것입니다.

이 문제에 대한 전통적인 최적화 방식은 일반적으로 계산 비용이 많이 드는 원뿔 프로그래밍(conic programming)이나 반양정치 프로그래밍(semidefinite programming)에 의존하며, 이는 실제 환경에서 구하기 어려운 CSI 오차 분포에 대한 지식을 요구합니다. 반대로, 일반적인 딥러닝(DL) 구조는 해석 가능성이 부족하고, 방대한 학습 데이터셋이 필요하며, 재학습 없이 다양한 네트워크 구성(예: 사용자 수 또는 CSI 품질의 변화)에 걸쳐 일반화되는 데 어려움이 있습니다. 또한, 표준 딥러닝 방법은 비볼록(non-convex) 또는 확률적 QoS 제약을 효과적으로 처리하지 못하는 경우가 많습니다.

방법론
저자들은 도메인 지식과 학습 가능한 구성 요소를 결합한 경량 모델 보조 딥러닝(DL) 구조를 제안합니다. 핵심 방법론은 다음과 같은 요소들로 구성됩니다:

1. 모델 기반 구조: 제안된 네트워크인 U-G-HBF-GCN은 아날로그 빔 코드워드를 선택하는 그리디(greedy) 선택 알고리즘을 기반으로 합니다. 이 네트워크는 아날로그 빔을 선택하고 디지털 빔포밍 하위 문제를 해결하는 반복 과정을 언롤링(unrolling)합니다.
2. 인스턴스 적응형 오차 모델링: 고정된 오차 분포를 가정하는 대신, 본 구조는 그래프 합성곱 네트워크(GCN)를 사용하여 CSI 오차의 영향을 추정합니다. GCN은 인스턴스별 특징(예: 채널 추정치, QoS 요구사항, 파일럿 전력)을 입력으로 받아 가상 채널 공분산 행렬을 수정하는 적응형 계수를 출력합니다. 이를 통해 모델은 사전 통계적 지식 없이도 데이터로부터 오차 분포를 암시적으로 학습할 수 있습니다.
3. 기울기 계산을 위한 암시적 미분: 중첩된 최적화 문제(디지털 BF 및 전력 할당)는 폐쇄형 해(closed-form solution)가 없기 때문에 기울기를 계산하는 것은 매우 까다로운 기술적 난제입니다. 저자들은 효율적인 업링크 BF 문제의 새로운 암시적 표현을 도출했습니다. KKT(Karush-Kuhn-Tucker) 조건을 비선형 방정식 시스템으로 정식화하고 암시적 함수 정리(implicit function theorem)를 적용함으로써, 이들은 기울기의 존재에 대한 충분 조건을 증명했습니다. 이 접근 방식은 고유값 분해(eigendecomposition)나 반양정치 완화(semidefinite relaxation)를 통한 미분의 계산 비용을 피할 수 있게 해줍니다.
4. 어닐링 기반 손실 함수: 확률적 출력 제약을 처리하기 위해, 저자들은 손실 함수에 적응형 어닐링 근사법을 도입했습니다. 고정된 분위수 기반 페널티와 달리, 이 방법은 현재의 QoS 위반 수준에 따라 변화하는 어닐링 계수를 사용합니다. 이를 통해 모델은 학습 초기 단계(제약 조건이 위반되는 시기)에서 효과적으로 학습하고, 학습이 진행됨에 따라 정확한 확률적 제약 조건으로 수렴할 수 있습니다.

주요 기여

• 새로운 구조: 본 논문은 전력을 직접 예측하는 대신 GCN을 통한 CSI의 적응형 매핑에 의존하는, 출력 제약 조건 하의 하이브리드 BF를 위한 모델 보조 DL 프레임워크를 제시합니다. 이는 추론 시 2차 원뿔 또는 반양정치 프로그래밍을 사용할 필요를 없애줍니다.
• 일반화 성능: 제안된 방법은 단일 학습된 모델을 사용하여 다양한 사용자 수, 다양한 QoS 요구사항, 변동하는 CSI 품질에 대해 일반화할 수 있음을 입증했습니다. 또한 이는 순시적(instantaneous) CSI와 통계적(statistical) CSI를 모두 지원합니다.
• 이론적 기울기 유도: 저자들은 암시적 미분을 통해 제약된 업링크/다운링크 BF 문제에 대한 기울기를 엄밀하게 유도하였으며, 이를 통해 엔드투엔드(end-to-end) 학습이 가능함을 증명했습니다.
• 적응형 손실 함수: 분위수 기반 방식보다 어닐링 기반 접근 방식이 학습을 가속화하고 더 나은 전력-출력 트레이드오프를 제공한다는 것을 보여줌으로써 적응형 어닐링의 효용성을 입증했습니다.

실험 결과
4x4 및 8x8 안테나 배열을 사용하여 다양한 사용자 수(1~4명)와 CSI 저하 수준(노이즈가 포함된 MMSE 추정 및 DFT 피드백 양자화를 통해 시뮬레이션)에 대한 시뮬레이션을 수행했습니다.

• 성능: 제안된 U-G-HBF-GCN은 마진 조정을 사용하는 벤치마크 그리디 알고리즘(G-HBF-marg)보다 성능이 크게 우수합니다. 이 모델은 벤치마크보다 적은 전력을 할당하면서도 명목 출력 수준(예: 10%)을 달성합니다.
• 벤치마크와의 비교: 모델은 RF 체인이 충분할 때 완전 디지털 빔포밍(U-FDBF-GCN)에 근접한 성능을 보이며, 완전 연결 네트워크 변형(U-G-HBF-FCN)보다 일관되게 우수한 성능을 보여줌으로써 사용자 간섭 상관관계를 포착하는 GCN의 효과를 입증했습니다.
• 일반화: 모델은 재학습 없이도 보지 못한 수의 사용자(외삽)와 다양한 CSI 품질에 성공적으로 적응합니다.
• 학습 효율성: 적응형 어닐링 손실 함수는 분위수 기반 방식에 비해 더 빠른 수렴(더 적은 학습 단계)과 더 매끄러운 손실 지형(loss landscape)을 결과로 나타냈습니다.

의의 및 주장
본 논문의 주요 의의는 딥러닝의 계산 효율성과 불완전한 CSI 환경에서 요구되는 실무적 견고함 사이의 간극을 메우는 데 있습니다. 블랙박스 구조와 경직된 최적화 가정에서 벗어남으로써, 제안된 방법은 에너지 효율적인 하이브리드 빔포밍을 위한 확장 가능한 솔루션을 제공합니다. 저자들은 제안된 방식이 분석적인 CSI 오차 분포에 대한 지식을 요구하지 않으므로, 분포를 알 수 없는 실제 배포 환경에 적합하다고 강조합니다. 또한, 본 연구는 제약된 최적화 문제를 미분하기 위한 이론적 토대를 제공하여, 확률적 제약 조건이 포함된 복잡한 언롤링 구조의 학습을 가능하게 합니다. 결론적으로, 충분한 RF 체인이 확보된다면 하이브리드 빔포밍은 낮은 하드웨어 복잡도와 에너지 소비를 유지하면서도 완전 디지털 시스템에 필적하는 성능을 달성할 수 있습니다.