Channel Estimation for Movable Intelligent Surface

기술 요약: 이동형 지능형 표면(MIS)을 위한 채널 추정

문제 정의
본 논문은 이동형 지능형 표면(MIS)에 의해 보조되는 업링크 MIMO 시스템에서의 채널 추정 과제를 다룬다. 재구성 가능한 지능형 표면(RIS)은 프로그래밍 가능한 무선 환경을 제공하지만, 기존의 단일 계층 RIS는 정확한 채널 상태 정보(CSI)와 수동 빔포밍에 의존한다. 기존의 액티브 RIS 또는 적층형 지능형 메타표면(SIM)과 같은 구조는 복잡성이나 전력 소비를 증가시킨다. 선행 연구[7]에서 제안된 MIS 구조는 고정된 투과 계층(MS1)과 더 작은 규모의 이동 계층(MS2)을 결합함으로써 절충안을 제시한다. MS2를 MS1에 대해 기계적으로 변위시키는 것은 개별 소자의 빠른 전자적 튜닝 없이도 뚜렷한 유효 위상 프로파일을 생성한다.

그러나 이 구조는 상당한 추정 병목 현상을 초래한다. 기존 RIS와 마찬가지로, 표면의 수동적 특성으로 인해 기저대역 관측이 직접적으로 불가능하다. 또한, 이동 계층은 위치에 따라 변하는 응답을 도입하며, 이는 무선 채널과 함께 공동으로 추정되어야 한다. 결정적으로, 실제 시나리오에서 이동 계층의 유효 위상 응답은 수신기 측에서 알려지지 않거나 불완전하게 교정될 수 있다. 기존의 RIS용 텐서 기반 채널 추정 방식은 이러한 추가적인 기계적 자유도나 이동 계층 위상 행렬의 미지성을 직접적으로 다루지 못한다.

방법론
저자들은 수신된 파일럿 신호를 4차 PARAFAC(Parallel Factor) 텐서로 모델링하는 텐서 기반 프레임워크를 제안한다. 시스템은 두 가지 차원의 트레이닝을 결합하여 활용한다:

1. 고정 계층 위상 패턴: 고정 계층(MS1)은 $S$개의 사전 정의된 위상 변화 패턴을 적용한다.
2. 이동 계층 위치: 이동 계층(MS2)은 고정 그리드 상에서 $U$개의 이산적인 기계적 위치를 탐색한다.

기지국(BS)에서의 수신 신호는 필터링되어 텐서 $\mathcal{Y} \in \mathbb{C}^{N_r \times N_t \times S \times U}$로 구조화된다. 여기서 $N_r$과 $N_t$는 각각 기지국과 사용자 단말(UT)의 안테나 수이다. 텐서는 다음과 같은 모델을 따른다:
$$\mathcal{Y} = \mathcal{I}_{4,M} \times_1 G \times_2 H \times_3 \Phi_f \times_4 \Phi_m$$
여기서 $G$와 $H$는 각각 MIS-BS 및 UT-MIS 채널을 나타내며, $\Phi_f$는 알려진 고정 계층 위상 변화를, $\Phi_m$은 미지의 위치 의존적 이동 계층 위상 응답을 나타낸다.

미지 요인들을 추정하기 위해, 저자들은 삼선형 교대 최소제곱법(Trilinear Alternating Least Squares, TALS) 수신기를 도출한다. 훈련 행렬에 대한 완전한 지식을 가정하는 기존 방식과 달리, 이 수신기는 이동 계층 위상 행렬($D$, $\Phi_m$에 대응)을 추정해야 할 미지 요인으로 취급한다. 알고리즘은 수신된 텐서의 $n$-모드 언폴딩(unfolding)을 기반으로 조건부 최소제곱 하위 문제를 해결함으로써, 채널 행렬($G$, $H^T$)과 이동 계층 응답($D$)의 추정치를 반복적으로 업데이트한다.

주요 기여
본 논문은 세 가지 주요 기여를 기술한다:

1. 트레이닝 프로토콜 및 텐서 모델링: 저자들은 고정 계층 위상 변화와 이동 계층 위치를 결합한 2차원 트레이닝 프로토콜을 제안하고, 수신 신호를 4차 PARAFAC 텐서로 모델링한다.
2. TALS-PARAFAC 수신기: UT-MIS 채널, MIS-BS 채널, 그리고 위치 의존적 이동 계층 응답을 동시에 추정하는 수신기를 도출한다. 핵심적인 특징은 이 수신기가 이동 계층 위상 행렬에 대한 사전 지식 없이도 작동하며, 텐서 구조로부터 이를 직접 추정한다는 점이다.
3. 식별 가능성 및 복잡도 분석: 논문은 채널 요인들의 식별 가능성 조건(특히 트레이닝 슬롯 $S$, 위치 $U$, 안테나 수와 관련된 Khatri-Rao 곱의 랭크와 관련됨)을 논의하고, 반복 횟수 및 위치 수에 따라 선형적으로 확장되는 계산 복잡도를 분석한다.

시뮬레이션 결과
성능은 추정된 요인들과 재구성된 캐스케이드 채널의 정규화 평균 제곱 오차(NMSE)를 사용하여 평가되었다.

• BALS와의 비교: 제안된 TALS 수신기는 기존의 이선형 교대 최소제곱법(Bilinear Alternating Least Squares, BALS) 벤치마크와 비교되었다. BALS 벤치마크는 더 낮은 NMSE를 달성했으나, 이는 이동 계층 훈련 행렬에 대한 완벽한 지식을 가정했다. 이동 계층 위상이 미지라는 더 까다로운 가정하에서 작동하는 TALS 수신기는 성공적인 수렴과 정확한 추정을 입증하였다.
• 트레이닝 길의 영향: 시뮬레이션 결과, 트레이닝 슬롯($S$)의 수를 늘리는 것이 NMSE를 크게 개선함을 보여주었다. 훈련 길이가 부족할 경우 텐서 분해의 조건 설정 문제로 인해 높은 NM의 NMSE가 발생하는 반면, 충분한 길이($S=64$)에서는 오차가 급격히 감소하는 전이가 관찰되었다.
• 결합 추정: 결과는 트레이닝 길이를 늘리는 것이 이동 계층 응답($D$)과 캐스케이드 채널 모두의 추정 정확도를 향상시킨다는 것을 확인하였으며, 이는 미지 위상 행렬을 수신 데이터로부터 복구하는 모델의 능력을 검증한다.

의의 및 주장
본 논문은 문헌상 MIS 보조 MIMO 구조를 위한 채널 추정 문제를 다룬 첫 번째 연구라고 주장한다. 주요 의의는 제안된 공식의 실용적 이점에 있다. 즉, 이동 계층의 위상 응답에 대한 사전 교정이나 지식이 필요하지 않다는 것이다. 미지 기계적 응답을 추정 가능한 텐서 요인으로 취로함으로써, 이 방법은 물리적 상태가 수신기에 완벽하게 알려지지 않은 상황에서도 유연한 채널 추정을 가능하게 한다. 저자들은 제안된 프레임워크가 기계적 변위에 의해 제공되는 추가적인 구조적 차원을 성공적으로 활용하여, 캐스케이드 채널과 이동 계층 응답을 결합하여 분리하고 추정한다고 결론짓는다.