Unsupervised Learning for Scalable Downlink Power Control in Cell-Free Massive MIMO

기술 요약: 셀-프리 대규모 MIMO 를 위한 확장 가능한 하향 링크 전력 제어에 대한 비지도 학습

문제 제기
셀-프리 대규모 다중 입력 다중 출력 (CF-mMIMO) 시스템에서 하향 링크 전력 제어는 분산된 다수의 액세스 포인트 (AP) 와 사용자 장비 (UE) 간의 간섭을 관리하고 균일한 서비스 품질을 보장하는 데 필수적입니다. 기존 솔루션들은 확장성과 성능 사이에서 절충을 강요받습니다. 최대 - 최소 공정성 (MMF) 을 목표로 하는 중앙 집중식 반복적 접근 방식은 전역 채널 상태 정보와 복잡한 최적화가 필요하여 네트워크 규모가 커질수록 계산 비용이 prohibitive 해집니다. 반면, 분수 전력 할당 (FPA) 과 같은 확장 가능한 분산 전략은 로컬 정보에 의존하지만 공정성 최적화에 실패하여 최악의 경우 사용자의 스펙트럼 효율 (SE) 이 저하되는 결과를 초래합니다. 또한, 최근의 딥러닝 기반 시도들은 최적 라벨 (얻기 어려움) 을 사용한 지도 학습에 의존하거나 UE 위치 정보를 요구하여, 역동적이고 사용자 중심적인 아키텍처에서의 적용 가능성을 제한합니다.

방법론
본 논문은 양방향 장기 단기 기억 (BiLSTM) 네트워크를 활용하여 하향 링크 전력 제어 최적화를 위한 비지도, 물리 정보 기반 딥러닝 프레임워크를 제안합니다.

• 시스템 모델: 시스템은 시분할 듀플렉스 (TDD) 모드에서 작동합니다. 목표는 AP 당 전력 제약 조건 하에서 최소 사용자 스펙트럼 효율 (MMF) 을 최대화하는 것입니다. 달성 가능한 SE 는 선형 최소 평균 제곱 오차 (MMSE) 채널 추정 및 최대 비율 빔포밍을 기반으로 유도됩니다.
• 신경 아키텍처: 제안된 모델은 "AP 중심"입니다. 각 AP $\ell$에 대해 네트워크는 해당 UE($K_\ell$) 에 대응하는 입력 특징 시퀀스를 처리합니다. 특정 AP-UE 쌍에 대한 입력 벡터에는 직접적인 대규모 페이딩 계수, UE 가 관측한 집계 대규모 채널 강도, 그리고 AP 와 UE 집단 간의 집계 결합이 포함됩니다.
• 지도 학습 없는, 물리 정보 기반 학습: 지도 학습 방법과 달리, 이 접근 방식은 최적 전력 할당 라벨을 필요로 하지 않습니다. 대신, 손실 함수는 시스템 모델에 정의된 통신 유틸리티 (SINR 및 SE 방정식) 에서 직접 계산됩니다. 네트워크는 미니배치 단위의 네트워크 실현에 대한 MMF 목표의 미분 가능한 소프트 - 최소 (soft-min) 대리 함수를 최소화하도록 오프라인으로 학습됩니다.
• 제약 조건 강제: 아키텍처는 본질적으로 전력 제약 조건을 만족합니다. 출력 레이어는 양의 전력 계수를 보장하기 위해 Softplus 활성화 함수를 사용합니다. 후속 정규화 단계는 각 AP 에 대해 예측된 전력을 스케일링하여 합계가 AP 의 전력 예산을 초과하지 않도록 합니다.
• 확장성 메커니즘: 모델은 모든 AP 와 시퀀스 위치에 대해 동일한 매개변수를 재사용합니다. 가변 길이 입력 시퀀스를 수용하여 재학습 없이 다양한 수의 UE 를 처리할 수 있습니다. AP 와 사용자 모두에 대한 완전한 확장성을 달성하기 위해, 논문은 입력 특징을 전체 네트워크가 아닌 로컬 이웃 정보만으로 집계하도록 수정할 것을 제안합니다.

주요 기여

1. 비지도 프레임워크: 이 방법은 최적 감독 라벨과 UE 위치 정보에 대한 필요성을 제거하며, 파일럿 할당 및 연결에 이미 사용 가능한 대규모 페이딩 통계에만 의존합니다.
2. 본질적 확장성: BiLSTM 기반 정책은 사용자 수에 비례하여 선형적으로 확장 ($O(K)$) 되며, 재학습 없이 다른 사용자 집단을 가진 네트워크에 적용할 수 있습니다.
3. 제약 조건 충족: 설계는 아키텍처 정규화를 통해 AP 당 전력 제약 조건을 보장하며, 이는 다른 학습 기반 접근 방식에서 종종 결여된 기능입니다.
4. 성능: 이 접근 방식은 반복적 중앙 집중식 최적화의 계산 부담을 피하면서도 기존 저복잡도 분산 방식보다 훨씬 우수한 성능을 발휘합니다.

시뮬레이션 결과
수치 시뮬레이션은 $500 \times 500$ m$^2$ 영역에서 16 개의 AP 와 다양한 수의 UE(8, 10, 15 개) 를 사용하여 수행되었습니다.

• 스펙트럼 효율: 제안된 방법은 분수 전력 할당 (FPA) 및 등분 전력 할당 (EPA) 과 같은 확장 가능한 기준선 대비 최소 (최악의 사용자) 스펙트럼 효율을 거의 두 배로 높입니다.
• 일반화: 8 개의 UE 로 학습된 모델은 10 개 및 15 개의 UE 가 있는 시나리오에서 성공적으로 평가되었으며, 학습된 정책이 더 밀집되고 이전에 보지 못한 작동 조건에도 효과적으로 일반화됨을 입증했습니다.
• 복잡도: 추론 복잡도는 사용자 수에 대해 선형 ($O(K)$) 이며, $O(K^3)$으로 확장되는 이분법 기반 MMF 알고리즘 대비 상당한 개선입니다. 메모리 풋프린트는 일정하며 네트워크 크기와 무관합니다.

의의 및 주장
본 논문은 이 프레임워크가 CF-mMIMO 시스템의 확장성 - 공정성 트레이드오프에 대한 실용적인 해결책을 제공한다고 주장합니다. 비지도, 물리 정보 기반 학습을 활용함으로써 이 방법은 중앙 집중식 최적화의 계산 비용이나 지도 학습의 데이터 요구 사항 없이 거의 최적의 공정성 성능을 달성합니다. 저자들은 이 접근 방식이 사용자 집단과 네트워크 토폴로지의 변화에 강건하며 재학습이 필요 없고, 확장 가능한 6G 네트워크 관리로 가는 실현 가능한 경로를 제공한다고 강조합니다. 향후 작업으로는 완전히 확장 가능한 입력 특징 (로컬 이웃 사용), 대체 공정성 목표, 그리고 파일럿 재사용 전략을 조사하는 것으로 식별되었습니다.