Data Detection for Massive MIMO Systems with 1-Bit Quantized Dithered Linear Precoding

기술 요약: 1비트 양자화 디더링 선형 프리코딩을 적용한 Massive MIMO 시스템의 데이터 검출

문제 정의
완전 디지털 Massive MIMO(다중 입출력) 시스템의 배포는 아날로그-디지털 변환기(ADC) 및 디지털-아날로그 변환기(DAC)의 높은 전력 소비와 하드웨어 복잡성으로 인해 제약을 받습니다. 송신단에 1비트 DAC를 채택하면 전력과 복잡성을 크게 줄일 수 있지만, 이는 신호 무결성을 저해하는 심각한 양자화 왜곡을 유발합니다. 1비트 DAC를 위한 프리코딩 설계에 관한 광범위한 연구가 존재함에도 불구하고, 점대점(point-to-point) Massive MIMO 시스템에서 송신 측의 1비트 양자화를 명시적으로 고려하는 직접적인 데이터 검출 방법은 아직 탐구되지 않은 상태입니다. 기존의 검출 방법들은 주로 수신 측에 1비트 ADC를 사용하는 다중 사용자 업링크 시스템에 맞춰져 있으며, 이는 여기서 고려하는 송신 측 양자화와는 근본적으로 다른 시나리오입니다. 또한, 표준 베이스라인은 대개 2단계 접근 방식(먼저 이진 송신 신호를 검출한 다음 데이터를 복구하는 방식)을 포함하며, 이는 오류 전파의 위험을 초래합니다.

방법론
본 논문은 송신단에서 가우시안 디더링(Gaussian dithering)이 적용된 1비트 DAC를 사용하고, 수신단에서는 풀-레졸루션(full-resolution) 또는 1비트 ADC를 사용하는 점대점 Massive MIMO 시스템을 조사합니다. 연구는 디더 벡터가 수신단에서 알려져 있어 디더 제거가 가능하다는 것을 가정합니다. 방법론은 양자화된 신호에 대한 두 가지 주요 선형화 접근법을 중심으로 구성됩니다.

1. 심볼 독립적 선형화 (Bussgang Decomposition): 이 접근법은 양자화 왜곡을 상관관계가 없는 노이즈로 취급합니다. 이는 소프트 추정 기반의 데이터 검출 방법을 도출하는 데 사용됩니다. 저자들은 풀-레졸루션 ADC를 위한 BLMMSE-DR(디더 제거가 적용된 Bussgang 선형 최소 평균 제곱 오차)과 1비트 ADC를 위한 D-BLMMSE-DR(이중 1비트 양자화 BLMMSE-DR)을 제안합니다. 이 방법들은 선형 결합을 수행하기 전에 수신 신호에서 추정된 디더 유도 바이어스(bias)를 차감합니다.

2. 심볼 종속적 선형화: 특정 데이터 심볼 벡터에 따라 송신 신호를 선형화하는 새로운 접근법이 도입되었습니다. 이를 통해 중간의 소프트 추정 단계 없이 데이터를 직접 복구하는 최대 가능도(Maximum-Likelihood, ML) 기반 검출 방법을 도출할 수 있습니다.

   • 풀-레졸루션 ADC의 경우, 저자들은 수신 신호의 전체 가능도 함수를 도출합니다. 이들은 ML(디더 제거 없음)과 ML-DR(심볼 종속적 디더 제거 적용)을 제안합니다. ML-DR 방식은 비대각 성분을 무시함으로써 공분산 행렬을 단순화하여, 성능을 유지하면서도 복잡도를 크게 줄입니다.
   • 1비트 ADC의 경우, 저자들은 D-ML(이중 1비트 양자화 ML)을 개발합니다. 심볼 종속적 디더 제거가 1비트 양자화된 수신 신호에 직접 적용될 수 없기 때문에, 이 방법은 양자화 전 수신 신호의 통계적 특성을 활용하여 1비트 출력의 가능도 함수를 근사합니다.

데이터 스트림 수($K$)가 증가함에 따라 발생하는 전수 조사(exhaustive search) ML의 지수적인 계산 복잡도 문제를 해결하기 위해, 저복잡도 변형 모델들이 제안됩니다. 이러한 변형 모델들은 대응하는 소프트 추정 방법(예: BLMMSE-DR 또는 D-BLMMSE-DR)에 의해 식별된 후보들의 부분 집합으로 탐색 범위를 제한합니다.

주요 기여

• 새로운 검출 프레임워크: 본 논문은 디더링이 적용된 1비트 DAC를 사용하는 점대점 Massive MIMO를 위한 최초의 직접적 데이터 검출 방법을 제안하며, 풀-레졸루션 및 1비트 수신 아키텍처를 모두 다룹니다.
• 디더 제거 기술: 소프트 추정(심볼 독립적) 및 ML 기반(심볼 종속적) 검출 모두에 적용되는 특정 디더 제거 전략을 도입하였으며, 알려진 디더 바이어스를 제거하는 것이 특히 중고(moderate-to-high) SNR에서 검출 정확도를 향상시킨다는 것을 입증했습니다.
• 심볼 종속적 선형화: 1비트 양자화된 송신 신호에 대한 새로운 선형화 기술이 개발되어, 수신 신호를 데이터 심볼로 직접 매핑하는 ML 기반 검출기를 도출할 수 있게 되었습니다.
• 복잡도 감소: ML 기반 방법의 저복잡도 변형 모델을 개발하여, 탐색 공간을 $L^K$ (여기서 $L$은 성좌 크기)에서 $\nu^K$ ($\nu \leq L$)로 줄임으로써 실질적인 스트림 수에서도 해당 방법들을 실행 가능하게 만들었습니다.

수치적 결과
심볼 오차율(SER)을 지표로 사용한 수치적 평가는 다음과 같은 점을 강조합니다.

• 디더 전력의 역할: 최적의 디더 전력이 존재합니다. 낮은 디더 전력에서는 양자화 왜곡 성분 간의 상관관계가 높게 유지되지만, 높은 전력에서는 디더가 지배적이 됩니다. 최적의 성능은 일반적으로 중고 SNR에서 관찰됩니다.
• 성능 이득: 제안된 ML 기반 방법들(ML-DR 및 D-ML)은 소프트 추정 기반 방법들과 베이스라인인 2단계 호모토피 최적화 ML(two-stage hoML) 방법보다 일관되게 우수한 성능을 보입니다.
  • 풀-레졸루션 ADC의 경우, ML-DR은 소프트 추정 방식에 비해 최대 2 자릿수 낮은 SER을 달ramble하며, 2단계 hoML 베이스라인을 크게 상회합니다. ML-DR에서 디더 제거를 적용하는 것은 최적의 디더 전력에서 비제거 방식 대비 2배의 SER 감소 효과를 제공합니다.
  • 1비트 ADC의 경우, D-ML 방법은 2단계 방식의 고유한 문제인 오류 전파를 피함으로써, 다른 방법들과 베이스라인인 2단계 hoML을 포함한 모든 방법보다 10배 낮은 SER을 달성합니다.
• 확장성: 축소된 탐색 공간(예: $\nu=3$ 또는 $4$)을 사용하는 저복잡도 변형 모델은 계산 부하를 획기적으로 줄이면서도 전수 조사 ML 방법과 거의 구별할 수 없는 성능을 달성합니다.
• 강건성: 제안된 방법들은 수신 측의 불완전한 채널 상태 정보(CSI) 하에서도 베이스라인보다 우월한 성능을 유지합니다.

의의 및 주장
본 논문은 제안된 ML 기반 검출 방법이, 특히 디더 제거 및 저복잡도 탐색 전략과 결 결합될 때, 1비트 DAC의 심각한 양자화 왜곡을 처리하는 데 결정적인 진전을 제공한다고 주장합니다. 송신 측의 양자화 및 디더링 효과를 직접 모델링함으로써, 이 방법들은 문제를 표준적인 이진 검출 및 심볼 복구 작업으로 취급하는 기존 베이스라인의 한계를 극복합니다. 실험 결과는 디더링된 양자화 신호의 통계적 특성을 활용하도록 설계된 검출 알고즘을 수신단에서 채택한다면, 저해상도 하드웨어를 통해서도 정확한 데이터 복구가 가능하다는 것을 보여줍니다. 본 연구는 디더 전력이 중요한 시스템 파라미터임을 입증하며, 제안된 프레임워크가 미래의 6G 및 무선 백홀 애플리케이션을 위한 성능과 계산 복잡도 사이의 유리한 트레이드오프를 제공함을 확립합니다.