Performance Analysis of a Novel Lightweight Transformer-Based CSI Feedback Framework for 5G-Advanced Massive MIMO Systems

기술 요약: 5G-Advanced Massive MIMO 시스템을 위한 새로운 경량 트랜스포머 기반 CSI 피드백 프레임워크의 성능 분석

문제 정의
5G-Advanced 및 미래 6G 시스템에서, 대규모 안테나 배열(32개에서 1024개 요소)을 사용하는 Massive MIMO-OFDM 아키텍처는 효과적인 빔포밍과 간섭 완화를 위해 액세스 포인트(AP)에 정확한 채널 상태 정보(CSI)를 요구한다. 주파수 분할 이중화(FDD) 모드에서는 사용자 단말(UT)이 하향링크 채널을 추정하고 이 정보를 AP로 피드백해야 한다. 그러나 전체 CSI를 전송하는 데 필요한 데이터의 양은 수신 안테나($N_r$)의 수가 증가함에 따라 피드백 오버헤드를 과도하게 높이는 문제를 야기한다. 3GPP 권고 압축 방식(Type-I, Type-II, enhanced Type-II)은 성능을 제한하는 사전 정의된 구조에 의존하는 반면, 딥러닝(DL) 접근 방식이 대안으로 부상했다. CsiNet 및 다양한 트랜스포머 기반 프레임워크(예: CsiFormer, TransNet)와 같은 기존의 DL 기반 방법들은 종종 명시적인 CSI 행렬 재구성에 집중한다. 이러한 접근 방식은 수신 안테나의 수에 따라 피드백 오버해드가 증가하는 확장성 문제와, 높은 재구성 정확도를 달eras 위해 높은 계산 복잡도(FLOPs)를 초래하는 문제점을 빈번히 겪는다.

방법론
본 논문은 명시적인 CSI 재구성이 아닌 **직접적인 프리코더 추정(direct precoder estimation)**으로 패러다임을 전환하는 새로운 경량 프레임워크인 TPCNet을 제안한다. 전체 채널 행렬을 재구성하는 대신, UT는 주요 전송 레이어에 해당하는 프리코딩 행렬을 직접 추정한다.

이 프레임워크는 다음과 같은 특정 구성 요소를 갖춘 오토인코더-오토디코더 아키텍처를 활용한다:

• 인코더 (UT 측):

  • 입력 처리: 프리코딩 행렬은 2D 이산 푸리에 변환(DFT)을 통해 각도-지연(angle-delay, AD) 도메인으로 변환되고, 유의미한 에너지를 유지하도록 절단(truncation)된 후 실수 값 텐서로 변환된다.
  • 다중 스케일 해상도 특징 추출 네트워크 (MRFEN): 방향성 및 비균일 상관관계를 포착하기 위해 $3\times3$, $1\times9$, $9\times1$ 커널 크기를 사용하는 병렬 컨볼루션 브랜치를 사용하는 프런트엔드 모듈이다. 이는 서브캐리어 및 레이어 차원을 따라 작동한다.
  • 트랜스포머 블록 (TB): 패치 임베딩과 2D 위치 인코딩을 거친 후, 다중 헤드 셀프 어텐션(MHSA) 메커니즘을 통해 AD 도메인 전반의 전역적 의존성을 포착하며, 이는 국소적인 컨볼루션 수용 영역의 한계를 극복한다.
  • 공간 해상도 네트워크 (SRN): 단계별 전치 컨볼루션(transposed convolutions)을 사용하여 패치 수준의 특징으로부터 공간 구조를 점진적으로 복원하는 모듈이다.
  • 출력: 수신 안테나의 수와 관계없이 단일하고 압축된 코드워드(CW)를 생성한다.

• 디코더 (AP 측):

  • 입력 처리: 수신된 CW를 확장하고 공간 구조로 재형성한다.
  • 특징 정밀화 네트워크 (FRN): 순차적 방향성 컨볼루션과 병렬 다중 스케일 컨볼루션을 사용하여 공간적 특성을 정밀화하고 국소적 패턴을 포착한다.
  • 재구성: SRN과 잔차 연결(residual connections)을 활용하여 프리코더 행렬을 재구성하며, 이는 이후 역 이산 푸리에 변환(IDFT)을 통해 원래 도메인으로 변환된다.

주요 기여

1. 직접 프리코더 추정: TPCNet은 명시적인 CSI 재구성이라는 중간 단계를 제거하고, 주요 레이어에 대한 프리코더 행렬을 직접 출력한다.
2. 확장성 및 오버헤드 감소: 본 프레임워크는 수신 안테나($N_r$)의 수와 무관하게 단일 CW를 생성한다. 이는 피드백 오버헤드를 $N_r$ 배만큼 감소시키며, 입력 텐서 차원이 수신 안테나 수에 독립적이므로 $N_r$ 증가에 따른 확장성 병목 현상을 제거한다.
3. 하이브리드 아키텍처: 방향성 특징 추출을 위한 MRFEN, 전역 의존성 모델링을 위한 트랜스포머 블록, 그리고 공간 정밀화를 위한 SRN/FRN의 통합은 특징 학습과 재구성을 위한 균형 잡힌 아키텍처를 형성한다.
4. 효율성: 본 설계는 높은 재구성 충실도를 유지하면서도 계산 부하를 줄여, 우수한 정확도-복잡도 트레이드오프(accuracy–complexity trade-off)를 달성하는 것을 목표로 한다.

결과
광범위한 시뮬레이션이 Massive MIMO 설정(32 Tx 안테나, 4 Rx 안테나)에서 3GPP 표준화된 CDL-C MIMO 채널 모델을 사용하여 다양한 압축 비율(CR: 1/4, 1/8, 1/32, 1/64)에 대해 수행되었다. TPCNet은 CsiNet, CRNet, DeConvD-CRNet, CsiFormer과 비교되었다.

• 재구성 정확도: TPCNet은 모든 CR에서 모든 베이스라인 방식보다 일관되게 우수한 성능을 보였다. TPCNet은 가장 성능이 뛰어난 벤치마크(예: CsiFormer) 대비 약 0.5–2 dB의 NMSE(정규화 평균 제곱 오차) 개선을 달성했다. 마찬가지로, 더 우수한 서브스페이스 코사인 유사도(SCS) 점수를 입증했다.
• 계산 복잡도: 높은 성능에도 불구하고, TPCNet은 선도적인 트랜스포머 기반 벤치마크(CsiFormer)와 비교하여 FLOPs 측면에서 거의 25%의 계산 복잡도를 감소시켰다.
• 절제 연구 (Ablation Study): 실험을 통해 MRFEN 및 FRN 모듈의 포함과 SRN의 2단계 점진적 업샘플링 전략이 성능 향상에 크게 기여했음을 확인하였다.

의의 및 주장
저자들은 TPCNet이 실질적인 5G-Advanced 및 미래 6G 배치에 적합한 효율적이고 저복잡도이며 확장 가능한 솔루션을 제공한다고 주장한다. 프리코더를 직접 추정하고 수신 안테나 수에 독립적인 단일 코드워드를 생성함으로써, 본 프레임워크는 Massive MIMO 시스템의 고유한 피드백 오버헤드 및 확장성 문제를 해결한다. 결과는 T-PCNet이 기존의 최첨단 방법들보다 재구성 성능과 계산 비용 사이에서 더 유리한 균형을 제공하며, 차세대 무선 통신 시스템의 유망한 후보가 될 수 있음을 시사한다.