KR102310001B1 - 다중 안테나 송수신기를 이용한 무선 송신을 위한 정보의 인코딩 및 디코딩 - Google Patents

다중 안테나 송수신기를 이용한 무선 송신을 위한 정보의 인코딩 및 디코딩 Download PDF

Info

Publication number
KR102310001B1
KR102310001B1 KR1020207031258A KR20207031258A KR102310001B1 KR 102310001 B1 KR102310001 B1 KR 102310001B1 KR 1020207031258 A KR1020207031258 A KR 1020207031258A KR 20207031258 A KR20207031258 A KR 20207031258A KR 102310001 B1 KR102310001 B1 KR 102310001B1
Authority
KR
South Korea
Prior art keywords
information
signals
machine learning
channel
transmitter
Prior art date
Application number
KR1020207031258A
Other languages
English (en)
Other versions
KR20200126433A (ko
Inventor
티모시 제임스 오'쉐아
투그바 에르펙
Original Assignee
버지니아 테크 인터렉추얼 프라퍼티스, 인크.
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 버지니아 테크 인터렉추얼 프라퍼티스, 인크. filed Critical 버지니아 테크 인터렉추얼 프라퍼티스, 인크.
Priority to KR1020217031505A priority Critical patent/KR102530000B1/ko
Publication of KR20200126433A publication Critical patent/KR20200126433A/ko
Application granted granted Critical
Publication of KR102310001B1 publication Critical patent/KR102310001B1/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/0413—MIMO systems
    • H04B7/0452—Multi-user MIMO systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G06N3/0445—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0454—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/391—Modelling the propagation channel
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/0413—MIMO systems
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
    • H04B7/0613—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission
    • H04B7/0615—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal
    • H04B7/0619—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal using feedback from receiving side
    • H04B7/0621—Feedback content
    • H04B7/0626—Channel coefficients, e.g. channel state information [CSI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Electromagnetism (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Physiology (AREA)
  • Radio Transmission System (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Transceivers (AREA)

Abstract

MIMO(multi-input-multi-output) 채널들을 통해 머신 러닝된 통신을 훈련하고 전개하기 위한 방법들, 시스템들, 및 장치. 방법들 중 하나는: 송신기 및 수신기를 결정하는 단계 -그 중 적어도 하나는 머신 러닝 네트워크를 구현함 -; MIMO 채널 모델을 결정하는 단계; 제1 정보를 결정하는 단계; 송신기를 이용하여 제1 정보를 처리하고 MIMO 채널 모델에 대한 입력들을 나타내는 제1 RF 신호들을 생성하는 단계; MIMO 채널 모델의 출력들을 나타내는 제2 RF 신호들을 결정하는 단계 - 각각의 제2 RF 신호는 MIMO 채널 모델을 통한 제1 RF 신호들의 총계 수신을 나타냄-; 수신기를 이용하여 제2 RF 신호들을 처리하고 제1 정보의 재구성으로서 제2 정보를 생성하는 단계; 제2 정보와 제1 정보 사이의 거리를 계산하는 단계; 및 계산된 거리에 기초하여 머신 러닝 네트워크를 업데이트하는 단계를 포함한다.

Description

다중 안테나 송수신기를 이용한 무선 송신을 위한 정보의 인코딩 및 디코딩{ENCODING AND DECODING OF INFORMATION FOR WIRELESS TRANSMISSION USING MULTI-ANTENNA TRANSCEIVERS}
본 출원은 2017년 6월 19일자로 출원된 미국 가출원 제62/521,745호 및 2017년 7월 20일에 출원된 제62/534,813호에 대한 우선권을 주장한다. 이들 종래 출원들의 개시내용은 본 출원의 일부로서 간주되며, 본 출원의 개시내용에 참조로 포함된다.
본 개시내용은 다중 안테나 송수신기들을 이용하는 및 특히 무선 주파수(RF) 신호들에 대한 적응적 무선 통신의 머신 러닝 및 전개에 관한 것이다.
무선 주파수(RF) 파형들은 통신, 저장, 감지, 측정, 및 모니터링을 위한 많은 시스템에서 널리 이용된다. RF 파형들은 다양한 유형의 통신 매체를 통해, 예를 들어, OTA(over the air)로, 수중에서, 또는 외부 공간을 통해 송신 및 수신된다. 일부 시나리오들에서, RF 파형은 RF 주파수들에서 동작하는 하나 이상의 캐리어 파형상으로 변조된 정보를 송신한다. 다른 시나리오들에서, RF 파형 자체가 센서들 또는 프로브들의 출력들과 같은 정보이다. RF 파형들에서 운반되는 정보는 전형적으로, 다른 형태의 통신을 통해, 예를 들어 컴퓨터 내의 내부 시스템 버스를 통해, 로컬 또는 광역 네트워크들을 통해, 처리, 저장, 및/또는 전송된다.
일반적으로, 본 개시내용에 설명된 주제는 RF 채널들을 통해 통신하기 위해, 구체적으로 다중 안테나 송수신기를 이용하는 RF 채널들을 통한 통신을 위한 정보를 인코딩 및 디코딩하기 위해 머신 러닝 네트워크들을 훈련 및 전개하기 위한 방법, 장치, 및 시스템에서 구체화될 수 있다.
일 양태에서, 다중 입력 다중 출력(multi-input-multi-output, MIMO) 통신 채널을 통해 다중의 송신 안테나 및 다중의 수신 안테나를 이용하여 통신하기 위해 적어도 하나의 머신 러닝 네트워크를 훈련하도록 적어도 하나의 프로세서에 의해 방법이 수행된다. 방법은: 송신기 및 수신기 - 이들 중 적어도 하나는 적어도 하나의 머신 러닝 네트워크를 구현하도록 구성됨 - 를 결정하는 단계; MIMO 통신 채널의 송신 효과들을 나타내는 MIMO 채널 모델을 결정하는 단계; MIMO 채널 모델을 통한 송신을 위한 제1 정보를 결정하는 단계; 송신기를 이용하여 제1 정보를 처리하고 MIMO 채널 모델에 대한 입력들을 나타내는 복수의 제1 RF 신호를 생성하는 단계; MIMO 채널 모델의 출력들을 나타내는 복수의 제2 RF 신호를 결정하는 단계 - 복수의 제2 RF 신호 중 각각의 제2 RF 신호는 MIMO 채널 모델을 통한 송신에 의해 변경된 복수의 제1 RF 신호의 총계 수신을 나타냄 -; 수신기를 이용하여 복수의 제2 RF 신호를 처리하고 제1 정보의 재구성으로서 제2 정보를 생성하는 단계; 제2 정보와 제1 정보 사이의 거리 측도(measure of distance)를 계산하는 단계; 및 제2 정보와 제1 정보 사이의 거리 측도에 기초하여 적어도 하나의 머신 러닝 네트워크를 업데이트하는 단계를 포함한다. 이러한 양태의 다른 구현들은 대응하는 컴퓨터 시스템들, 장치들, 및 하나 이상의 컴퓨터 저장 디바이스상에 기록된 컴퓨터 프로그램들을 포함하며, 이들 각각은 적어도 하나의 동작적으로 접속된 프로세서가 방법들의 액션들을 수행하게 야기하도록 구성된다.
구현들은 이하의 특징들 중 하나 이상을 포함할 수 있다. 방법은: 복수의 제1 RF 신호를 처리하여 MIMO 채널 모델에 입력되는 복수의 제1 아날로그 RF 파형을 생성하는 단계; MIMO 채널 모델의 출력들로서 복수의 제2 아날로그 RF 파형을 수신하는 단계 - 복수의 제2 RF 파형의 각각의 제2 아날로그 RF 파형은 MIMO 채널 모델에 의해 변경된 복수의 제1 아날로그 RF 파형의 총계 수신을 나타냄 -; 및 복수의 제2 아날로그 RF 파형을 처리하여 복수의 제2 RF 신호를 생성하는 단계를 추가로 포함한다. 방법에서, 송신기를 이용하여 제1 정보를 처리하고 복수의 제1 RF 신호를 생성하는 단계는: 제1 정보로부터, 복수의 제1 정보 부분을 결정하는 단계; 및 복수의 제1 정보 부분에 적어도 부분적으로 기초하여, 각각의 제1 RF 신호가 복수의 제1 정보 부분 중 제각기 것에 대응하면서 복수의 제1 RF 신호를 생성하는 단계를 포함하고, 및 수신기를 이용하여 복수의 제2 RF 신호를 처리하고 제1 정보의 재구성으로서 제2 정보를 생성하는 단계는: 복수의 제2 RF 신호로부터, 각각의 제2 정보 부분이 복수의 제2 RF 신호의 제각기 것에 대응하면서 복수의 제2 정보 부분을 결정하는 단계; 및 복수의 제2 정보 부분으로부터 제2 정보를 생성하는 단계를 포함한다. 방법은 MIMO 채널 모델의 상태, 또는 MIMO 채널 모델의 다중 이용자에 관한 공간적 정보 또는 스케줄링 정보 중 적어도 하나를 표시하는 채널 상태 정보(channel state information, CSI)를 결정하는 단계; 및 CSI를 결정한 것에 기초하여, (i) 송신기를 이용하여 CSI 및 제1 정보에 기초하여 복수의 제1 RF 신호를 생성하는 것, 또는 (ii) CSI에 기초하여 MIMO 채널 모델을 업데이트하는 것 중 적어도 하나를 수행하는 단계를 추가로 포함한다. 방법에서, CSI를 결정하는 단계는: 수신기를 이용하여 MIMO 통신 채널의 출력들을 나타내는 복수의 제2 RF 신호의 처리에 기초하여 CSI를 생성하는 단계를 포함한다. 방법에서, CSI를 결정하는 단계는: MIMO 채널 모델의 상태 또는 MIMO 통신 채널의 다중 이용자에 관한 공간적 정보 또는 스케줄링 정보 중 적어도 하나에 관한 채널 정보를 결정하는 단계; 및 채널 정보를 CSI로서의 이산 수의 상태들 또는 유한 수의 비트들 중 하나가 되도록 양자화하거나 분류함으로써 채널 정보의 콤팩트 표현으로서 CSI를 생성하는 단계를 포함한다. 방법에서, 제2 정보와 제1 정보 사이의 거리 측도에 기초하여 적어도 하나의 머신 러닝 네트워크를 업데이트하는 단계는: 제2 정보와 제1 정보 사이의 거리 측도를 포함하는 목적 함수(objective function)를 결정하는 단계; 적어도 하나의 머신 러닝 네트워크에서의 변동들에 대한 목적 함수의 변화율을 계산하는 단계; 계산된 목적 함수의 변화율에 기초하여, 적어도 하나의 머신 러닝 네트워크에 대한 변동을 선택하는 단계; 머신 러닝 네트워크에 대한 선택된 변동에 기초하여 적어도 하나의 머신 러닝 네트워크를 업데이트하는 단계를 포함한다. 방법에서, 제2 정보와 제1 정보 사이의 거리 측도는 (i) 제2 정보와 제1 정보 사이의 교차-엔트로피(cross-entropy), 또는 다른 확률적 거리 측도, 또는 (ii) 제2 정보와 제1 정보 사이의 기하학적 거리 메트릭 중 적어도 하나를 포함한다. 방법에서, 적어도 하나의 머신 러닝 네트워크를 업데이트하는 단계는: (i) 송신기에서 인코더 머신 러닝 네트워크의 하나 이상의 계층에서의 적어도 하나의 인코딩 네트워크 가중 또는 네트워크 연결성을 업데이트하는 단계, (ii) 수신기에서 디코더 머신 러닝 네트워크의 하나 이상의 계층에서의 적어도 하나의 디코딩 네트워크 가중 또는 네트워크 연결성을 업데이트하는 단계, 또는 (iii) CSI를 생성하도록 구성된 CSI 내장 머신 러닝 네트워크의 하나 이상의 계층에서의 적어도 하나의 네트워크 가중 또는 네트워크 연결성을 업데이트하는 단계 중 적어도 하나를 포함한다. 방법에서, 송신기는 인코더 머신 러닝 네트워크를 포함하고 수신기는 MIMO 통신 채널을 통한 통신을 학습하기 위해 오토인코더(auto-encoder)로서 공동으로 훈련되는 디코더 머신 러닝 네트워크를 포함하고, 오토인코더는 MIMO 채널 모델의 효과들 또는 송신된 파형들상의 다른 손상들을 나타내는 적어도 하나의 채널 모델링 계층을 포함한다. 방법에서, 적어도 하나의 채널 모델링 계층은 (i) MIMO 통신 채널에서의 가산성 가우스 열 잡음, (ii) MIMO 통신 채널의 시변 효과들에 의해 야기되는 지연 확산, (iii) MIMO 통신 채널 또는 하드웨어를 통한 송신 및 수신에 의해 야기되는 위상 잡음 또는 다른 왜곡들, 또는 (iv) MIMO 통신 채널을 통한 송신 및 수신에 의해 야기되는 위상, 주파수, 레이트, 또는 타이밍에서의 오프셋들 중 적어도 하나를 나타낸다. 방법에서, 적어도 하나의 채널 모델링 계층은
Figure 112020115101971-pat00001
개의 송신 안테나에 대응하는
Figure 112020115101971-pat00002
개의 입력
Figure 112020115101971-pat00003
에 기초하여
Figure 112020115101971-pat00004
개의 수신 안테나에 대응하는
Figure 112020115101971-pat00005
개의 출력
Figure 112020115101971-pat00006
을 생성하도록 구성된다. 방법에서, 적어도 하나의 머신 러닝 네트워크가 심층 조밀 신경망(deep dense neural network, DNN), 컨볼루션 신경망(convolutional neural network, CNN), 또는 파라메트릭 곱셈들, 덧셈들, 및 비선형성들을 포함하는 순환 신경망(recurrent neural network, RNN) 중 적어도 하나를 포함한다. 방법에서, MIMO 채널 모델은 무선 통신 채널, 음향 통신 채널, 또는 광 통신 채널 중 적어도 하나를 모델링하도록 구성된다. 방법은: 다중 이용자에 의해 활용되는 다중 이용자 MIMO 통신 채널을 통해 통신하기 위해 적어도 하나의 머신 러닝 네트워크를 훈련하는 단계를 추가로 포함하고, 여기서 송신기가 하나 이상의 인코더 머신 러닝 네트워크를 포함하고, 수신기가 하나 이상의 디코더 머신 러닝 네트워크를 포함하고, 송신기를 이용하여 제1 정보를 처리하고 복수의 제1 RF 신호를 생성하는 단계는: 하나 이상의 인코더 머신 러닝 네트워크를 이용하여 (i) 제1 정보의 적어도 제1 부분을 처리하여 복수의 제1 RF 신호의 제1 서브세트를 생성하는 단계; 및 (ii) 제1 정보의 적어도 제2 부분을 처리하고 복수의 제1 RF 신호의 제2 서브세트를 생성하는 단계를 포함하고, 여기서 수신기를 이용하여 복수의 제2 RF 신호를 처리하고 제1 정보의 재구성으로서 제2 정보를 생성하는 단계는: 하나 이상의 디코더 머신 러닝 네트워크를 이용하여 (i) 복수의 제2 RF 신호의 제1 서브세트를 처리하고 제2 정보의 적어도 제1 부분을 제1 정보의 제1 부분의 재구성으로서 생성하는 단계; 및 (ii) 복수의 제2 RF 신호의 제2 서브세트를 처리하고 제2 정보의 적어도 제2 부분을 제1 정보의 제2 부분의 재구성으로서 생성하는 단계를 포함하고, 여기서 제2 정보와 제1 정보 사이의 거리 측도를 계산하는 단계는: (i) 제2 정보의 제1 부분과 제1 정보의 제1 부분 사이의 제1 거리 측도를 계산하는 단계, 및 (ii) 제2 정보의 제2 부분과 제1 정보의 제2 부분 사이의 제2 거리 측도를 계산하는 단계를 포함하고, 및 여기서 제2 정보와 제1 정보 사이의 거리 측도에 기초하여 적어도 하나의 머신 러닝 네트워크를 업데이트하는 단계는: 제1 거리 측도와 제2 거리 측도에 기초하여 (i) 하나 이상의 인코더 머신 러닝 네트워크, 또는 (ii) 하나 이상의 디코더 머신 러닝 네트워크 중 적어도 하나를 업데이트하는 단계를 포함한다. 방법에서, 하나 이상의 인코더 머신 러닝 네트워크 및 하나 이상의 디코더 머신 러닝 네트워크는 오토인코더로서 공동으로 훈련되어 다중 이용자 MIMO 통신 채널을 나타내는 다중 이용자 MIMO 채널 모델을 통한 통신을 학습한다. 설명된 기술의 구현들은 하드웨어, 방법 또는 프로세스, 또는 컴퓨터 액세스 가능 매체상의 컴퓨터 소프트웨어를 포함할 수 있다.
또 다른 양태에서, 방법은 적어도 하나의 프로세서에 의해 수행되어, MIMO 통신 채널을 통해 다중 송신 안테나 및 다중 수신 안테나를 이용하여 통신하기 위한 학습된 통신 시스템을 전개한다. 방법은: 송신기 및 수신기를 결정하는 단계 - 이들 중 적어도 하나는 MIMO 통신 채널을 통해 통신하도록 훈련된 적어도 하나의 머신 러닝 네트워크를 구현하도록 구성됨 -; MIMO 통신 채널을 통한 송신을 위해 제1 정보를 결정하는 단계; 송신기를 이용하여 제1 정보를 처리하고 복수의 제1 RF 신호를 생성하는 단계; MIMO 통신 채널을 통해 복수의 송신 안테나 중 제각기 것들을 이용하여 복수의 제1 RF 신호를 송신하는 단계; 복수의 수신 안테나 중 제각기 것들을 이용하여 복수의 제2 RF 신호를 수신하는 단계 - 복수의 제2 RF 신호 중 각각의 제2 RF 신호는 MIMO 통신 채널을 통한 송신에 의해 변경된 복수의 제1 RF 신호의 총계 수신을 나타냄 -; 및 수신기를 이용하여 복수의 제2 RF 신호를 처리하고 제1 정보의 재구성으로서 제2 정보를 생성하는 단계를 포함한다. 이러한 양태의 다른 구현들은 대응하는 컴퓨터 시스템들, 장치들, 및 하나 이상의 컴퓨터 저장 디바이스상에 기록된 컴퓨터 프로그램들을 포함하며, 이들 각각은 적어도 하나의 동작적으로 접속된 프로세서가 방법들의 액션들을 수행하게 야기하도록 구성된다.
구현들은 이하의 특징들 중 하나 이상을 포함할 수 있다. 방법은: (i) 제2 정보와 제1 정보 사이의 거리 측도, 또는 (ii) MIMO 통신 채널의 상태, 또는 MIMO 통신 채널의 다중 이용자에 관한 공간적 정보 또는 스케줄링 정보 중 적어도 하나를 표시하는 채널 상태 정보(CSI) 중 적어도 하나를 표시하는 피드백 정보를 결정하는 단계; 및 피드백 정보에 기초하여 송신기 또는 수신기 중 적어도 하나를 업데이트하는 단계를 추가로 포함한다. 방법은: 복수의 제1 RF 신호를 처리하여 MIMO 통신 채널을 통해 복수의 송신 안테나를 이용하여 송신되는 복수의 제1 아날로그 RF 파형을 생성하는 단계; MIMO 통신 채널의 출력들로서 복수의 수신 안테나를 이용하여 복수의 제2 아날로그 RF 파형을 수신하는 단계 - 복수의 제2 아날로그 RF 파형 중 각각의 제2 아날로그 RF 파형은 MIMO 통신 채널에 의해 변경된 복수의 제1 아날로그 RF 파형의 총계 수신을 나타냄 -; 및 복수의 제2 아날로그 RF 파형을 처리하여 복수의 제2 RF 신호를 생성하는 단계를 추가로 포함한다. 방법에서, 송신기를 이용하여 제1 정보를 처리하고 복수의 제1 RF 신호를 생성하는 단계는: 제1 정보로부터, 복수의 제1 정보 부분을 결정하는 단계; 및 복수의 제1 정보 부분에 기초하여, 복수의 제1 RF 신호의 각각의 제1 RF 신호가 복수의 제1 정보 부분 중 제각기 것에 대응하면서 복수의 제1 RF 신호를 생성하는 단계를 포함하고, 및 수신기를 이용하여 복수의 제2 RF 신호를 처리하고 제2 정보를 제1 정보의 재구성으로서 생성하는 단계는: 복수의 제2 RF 신호로부터, 각각의 제2 정보 부분이 복수의 제2 RF 신호의 제각기 것에 대응하면서 복수의 제2 정보 부분을 결정하는 단계; 및 복수의 제2 정보 부분으로부터 제2 정보를 생성하는 단계를 포함한다. 방법은: 수신기를 이용하여 MIMO 통신 채널의 출력들을 나타내는 복수의 제2 RF 신호의 처리에 기초하여 CSI를 생성하는 단계; 및 CSI를 송신기에 피드백으로서 제공하는 단계 - 송신기를 이용하여 제1 정보를 처리하고 복수의 제1 RF 신호를 생성하는 것은 제1 정보에 기초하여 그리고 CSI에 기초하여 복수의 제1 RF 신호를 생성하는 것을 포함함 - 를 추가로 포함한다. 방법에서, 수신기를 이용하여 CSI를 생성하는 단계는: MIMO 통신 채널의 상태 또는 MIMO 통신 채널의 다중 이용자에 관한 공간적 정보 또는 스케줄링 정보 중 적어도 하나에 관한 채널 정보를 결정하는 단계; 및 채널 정보를 처리하여 채널 정보를 CSI로서 이산 수의 상태들 또는 유한 수의 비트들 중 하나가 되도록 양자화하거나 분류함으로써 채널 정보의 콤팩트 표현으로서 CSI를 생성하는 단계를 포함한다. 방법에서, 수신기가 복수의 제2 RF 신호의 처리에 기초하여 CSI를 생성하도록 구성된 CSI 머신 러닝 네트워크를 훈련한 결과들에 기초하여 CSI 매핑을 구현한다. 방법에서, 송신기는 인코더 머신 러닝 네트워크를 훈련한 결과들에 기초한 인코딩 매핑을 구현하고, 수신기는 디코더 머신 러닝 네트워크를 훈련한 결과들에 기초한 디코딩 매핑을 구현하고, 인코더 머신 러닝 네트워크 및 디코더 머신 러닝 네트워크는 MIMO 통신 채널을 통한 통신을 학습하기 위해 오토인코더로서 공동으로 훈련되었다. 방법은, 다중 이용자에 의해 활용되는 다중 이용자 MIMO 통신 채널을 통해 정보를 송신 및 수신하기 위해 추가로 수행되고, 여기서 송신기는 하나 이상의 인코더를 포함하고, 여기서 수신기는 하나 이상의 디코더를 포함하고, 여기서 송신기를 이용하여 제1 정보를 처리하고 복수의 제1 RF 신호를 생성하는 것은: 하나 이상의 인코더를 이용하여 (i) 제1 정보의 적어도 제1 부분을 처리하고 복수의 제1 RF 신호의 제1 서브세트를 생성하고; 및 (ii) 제1 정보의 적어도 제2 부분을 처리하고 복수의 제1 RF 신호의 제2 서브세트를 생성하는 것을 포함하고, 여기서 수신기를 이용하여 복수의 제2 RF 신호를 처리하고 제1 정보의 재구성으로서 제2 정보를 생성하는 것은: 하나 이상의 디코더를 이용하여 (i) 복수의 제2 RF 신호의 제1 서브세트를 처리하고 제2 정보의 제1 부분을 제1 정보의 제1 부분의 재구성으로서 생성하고; 및 (ii) 복수의 제2 RF 신호의 제2 서브세트를 처리하고 제2 정보의 제2 부분을 제1 정보의 제2 부분의 재구성으로서 생성하는 것을 포함한다. 방법에서, 하나 이상의 인코더는 하나 이상의 인코더 머신 러닝 네트워크에 기초하여 인코딩을 구현하도록 구성되고, 여기서 하나 이상의 디코더는 하나 이상의 디코더 머신 러닝 네트워크에 기초하여 디코딩을 구현하도록 구성되고, 여기서 하나 이상의 인코더 머신 러닝 네트워크 및 하나 이상의 디코더 머신 러닝 네트워크는 다중 이용자 MIMO 통신 채널을 통한 통신을 학습하기 위해 오토인코더로서 공동으로 훈련되었다. 설명된 기술의 구현들은 하드웨어, 방법 또는 프로세스, 또는 컴퓨터 액세스 가능 매체상의 컴퓨터 소프트웨어를 포함할 수 있다.
또 다른 양태는 시스템을 포함하고, 시스템은: 적어도 하나의 프로세서; 및 적어도 하나의 프로세서에 결합되고 명령어들을 저장한 적어도 하나의 컴퓨터 메모리를 포함하고, 명령어들은 적어도 하나의 프로세서에 의해 실행될 때, 적어도 하나의 프로세서로 하여금, MIMO(multi-input-multi-output) 통신 채널을 통해 다중 송신 안테나 및 다중 수신 안테나를 이용하여 통신하도록 적어도 하나의 머신 러닝 네트워크를 훈련하는 동작들을 수행하게 야기하고, 이 동작들은: 송신기 및 수신기를 결정하는 동작 - 이들 중 적어도 하나는 적어도 하나의 머신 러닝 네트워크를 구현하도록 구성됨 -; MIMO 통신 채널의 송신 효과들을 나타내는 MIMO 채널 모델을 결정하는 동작; MIMO 채널 모델을 통한 송신을 위한 제1 정보를 결정하는 동작; 송신기를 이용하여 제1 정보를 처리하고 MIMO 채널 모델에 대한 입력들을 나타내는 복수의 제1 RF 신호를 생성하는 동작; MIMO 채널 모델의 출력들을 나타내는 복수의 제2 RF 신호를 결정하는 동작 - 복수의 제2 RF 신호 중 각각의 제2 RF 신호는 MIMO 채널 모델을 통한 송신에 의해 변경된 복수의 제1 RF 신호의 총계 수신을 나타냄 -; 수신기를 이용하여 복수의 제2 RF 신호를 처리하고 제1 정보의 재구성으로서 제2 정보를 생성하는 동작; 제2 정보와 제1 정보 사이의 거리 측도(measure of distance)를 계산하는 동작; 및 제2 정보와 제1 정보 사이의 거리 측도에 기초하여 적어도 하나의 머신 러닝 네트워크를 업데이트하는 동작을 포함한다.
구현들은 이하의 특징들 중 하나 이상을 포함할 수 있다. 시스템에서, 동작들은: MIMO 채널 모델에 입력되는 복수의 제1 아날로그 RF 파형을 생성하기 위해 복수의 제1 RF 신호를 처리하는 동작; MIMO 채널 모델의 출력들로서 복수의 제2 아날로그 RF 파형을 수신하는 동작 - 복수의 제2 RF 파형의 각각의 제2 아날로그 RF 파형은 MIMO 채널 모델에 의해 변경된 복수의 제1 아날로그 RF 파형의 총계 수신을 나타냄 -; 및 복수의 제2 아날로그 RF 파형을 처리하여 복수의 제2 RF 신호를 생성하는 동작을 추가로 포함한다. 시스템에서, 송신기를 이용하여 제1 정보를 처리하고 복수의 제1 RF 신호를 생성하는 것은: 제1 정보로부터, 복수의 제1 정보 부분을 결정하는 것; 및 복수의 제1 정보 부분에 적어도 부분적으로 기초하여, 각각의 제1 RF 신호가 복수의 제1 정보 부분 중 제각기 것에 대응하면서 복수의 제1 RF 신호를 생성하는 것을 포함하고, 및 여기서 수신기를 이용하여 복수의 제2 RF 신호를 처리하고 제2 정보를 제1 정보의 재구성으로서 생성하는 것은: 복수의 제2 RF 신호로부터, 각각의 제2 정보 부분이 복수의 제2 RF 신호의 제각기 것에 대응하면서 복수의 제2 정보 부분을 결정하는 것; 및 복수의 제2 정보 부분으로부터 제2 정보를 생성하는 것을 포함한다. 시스템에서, 동작들은: MIMO 채널 모델의 상태, 또는 MIMO 채널 모델의 다중 이용자에 관한 공간적 정보 또는 스케줄링 정보 중 적어도 하나를 표시하는 채널 상태 정보(CSI)를 결정하는 동작; 및 CSI를 결정한 것에 기초하여, (i) 송신기를 이용하여 CSI 및 제1 정보에 기초하여 복수의 제1 RF 신호를 생성하는 것, 또는 (ii) CSI에 기초하여 MIMO 채널 모델을 업데이트하는 것 중 적어도 하나를 수행하는 동작을 추가로 포함한다. 시스템에서, CSI를 결정하는 것은: 수신기를 이용하여 MIMO 통신 채널의 출력들을 나타내는 복수의 제2 RF 신호의 처리에 기초하여 CSI를 생성하는 것을 포함한다. 시스템에서, CSI를 결정하는 것은: MIMO 채널 모델의 상태 또는 MIMO 통신 채널의 다중 이용자에 관한 공간적 정보 또는 스케줄링 정보 중 적어도 하나에 관한 채널 정보를 결정하는 것; 및 채널 정보를 CSI로서의 이산 수의 상태들 또는 유한 수의 비트들 중 하나가 되도록 양자화하거나 분류함으로써 채널 정보의 콤팩트 표현으로서 CSI를 생성하는 것을 포함한다. 시스템에서, 제2 정보와 제1 정보 사이의 거리 측도에 기초하여 적어도 하나의 머신 러닝 네트워크를 업데이트하는 것은: 제2 정보와 제1 정보 사이의 거리 측도를 포함하는 목적 함수를 결정하는 것; 적어도 하나의 머신 러닝 네트워크에서의 변동들에 대한 목적 함수의 변화율을 계산하는 것; 계산된 목적 함수의 변화율에 기초하여, 적어도 하나의 머신 러닝 네트워크에 대한 변동을 선택하는 것; 및 머신 러닝 네트워크에 대한 선택된 변동에 기초하여 적어도 하나의 머신 러닝 네트워크를 업데이트하는 것을 포함한다. 시스템에서, 제2 정보와 제1 정보 사이의 거리 측도는 (i) 제2 정보와 제1 정보 사이의 교차-엔트로피 또는 다른 확률적 거리 측도, 또는 (ii) 제2 정보와 제1 정보 사이의 기하학적 거리 메트릭 중 적어도 하나를 포함한다. 시스템에서, 적어도 하나의 머신 러닝 네트워크를 업데이트하는 것은: (i) 송신기에서 인코더 머신 러닝 네트워크의 하나 이상의 계층에서 적어도 하나의 인코딩 네트워크 가중 또는 네트워크 연결성을 업데이트하는 것, (ii) 수신기에서 디코더 머신 러닝 네트워크의 하나 이상의 계층에서 적어도 하나의 디코딩 네트워크 가중 또는 네트워크 연결성을 업데이트하는 것, 또는 (iii) CSI를 생성하도록 구성된 CSI 내장 머신 러닝 네트워크의 하나 이상의 계층에서 적어도 하나의 네트워크 가중 또는 네트워크 연결성을 업데이트하는 것 중 적어도 하나를 포함한다. 시스템에서, 송신기가 인코더 머신 러닝 네트워크를 포함하고 수신기가 MIMO 통신 채널을 통한 통신을 학습하기 위해 오토인코더로서 공동으로 훈련되는 디코더 머신 러닝 네트워크를 포함하고, 여기서 오토인코더는 MIMO 채널 모델의 효과들 또는 송신된 파형들상의 다른 손상들을 나타내는 적어도 하나의 채널 모델링 계층을 포함한다. 시스템에서, 적어도 하나의 채널 모델링 계층이 (i) MIMO 통신 채널에서의 가산성 가우스 열 잡음, (ii) MIMO 통신 채널의 시변 효과들에 의해 야기되는 지연 확산, (iii) MIMO 통신 채널 또는 하드웨어를 통한 송신 및 수신에 의해 야기되는 위상 잡음 또는 다른 왜곡들, 또는 (iv) MIMO 통신 채널을 통한 송신 및 수신에 의해 야기되는 위상, 주파수, 레이트, 또는 타이밍에서의 오프셋들 중 적어도 하나를 나타낸다. 시스템에서, 적어도 하나의 채널 모델링 계층이
Figure 112020115101971-pat00007
개의 송신 안테나에 대응하는
Figure 112020115101971-pat00008
개의 입력
Figure 112020115101971-pat00009
에 기초하여
Figure 112020115101971-pat00010
개의 수신 안테나에 대응하는
Figure 112020115101971-pat00011
개의 출력
Figure 112020115101971-pat00012
을 생성하도록 구성된다. 시스템에서, 적어도 하나의 머신 러닝 네트워크가 심층 조밀 신경망(deep dense neural network, DNN), 컨볼루션 신경망(convolutional neural network, CNN), 또는 파라메트릭 곱셈들, 덧셈들, 및 비선형성들을 포함하는 순환 신경망(recurrent neural network, RNN) 중 적어도 하나를 포함한다. 시스템에서, MIMO 채널 모델이 무선 통신 채널, 음향 통신 채널, 또는 광 통신 채널 중 적어도 하나를 모델링하도록 구성된다. 시스템에서, 동작들은: 다중 이용자에 의해 활용되는 다중 이용자 MIMO 통신 채널을 통해 통신하기 위해 적어도 하나의 머신 러닝 네트워크를 훈련하는 동작을 추가로 포함하고, 여기서 송신기가 하나 이상의 인코더 머신 러닝 네트워크를 포함하고, 수신기가 하나 이상의 디코더 머신 러닝 네트워크를 포함하고, 송신기를 이용하여 제1 정보를 처리하고 복수의 제1 RF 신호를 생성하는 것은: 하나 이상의 인코더 머신 러닝 네트워크를 이용하여 (i) 제1 정보의 적어도 제1 부분을 처리하여 복수의 제1 RF 신호의 제1 서브세트를 생성하는 것; 및 (ii) 제1 정보의 적어도 제2 부분을 처리하고 복수의 제1 RF 신호의 제2 서브세트를 생성하는 것을 포함하고, 여기서 수신기를 이용하여 복수의 제2 RF 신호를 처리하고 제1 정보의 재구성으로서 제2 정보를 생성하는 것은: 하나 이상의 디코더 머신 러닝 네트워크를 이용하여 (i) 복수의 제2 RF 신호의 제1 서브세트를 처리하고 제2 정보의 적어도 제1 부분을 제1 정보의 제1 부분의 재구성으로서 생성하는 것; 및 (ii) 복수의 제2 RF 신호의 제2 서브세트를 처리하고 제2 정보의 적어도 제2 부분을 제1 정보의 제2 부분의 재구성으로서 생성하는 것을 포함하고, 여기서 제2 정보와 제1 정보 사이의 거리 측도를 계산하는 것은: (i) 제2 정보의 제1 부분과 제1 정보의 제1 부분 사이의 제1 거리 측도를 계산하는 것, 및 (ii) 제2 정보의 제2 부분과 제1 정보의 제2 부분 사이의 제2 거리 측도를 계산하는 것을 포함하고, 및 여기서 제2 정보와 제1 정보 사이의 거리 측도에 기초하여 적어도 하나의 머신 러닝 네트워크를 업데이트하는 것은: 제1 거리 측도와 제2 거리 측도에 기초하여 (i) 하나 이상의 인코더 머신 러닝 네트워크, 또는 (ii) 하나 이상의 디코더 머신 러닝 네트워크 중 적어도 하나를 업데이트하는 것을 포함한다. 시스템에서, 하나 이상의 인코더 머신 러닝 네트워크 및 하나 이상의 디코더 머신 러닝 네트워크는 오토인코더로서 공동으로 훈련되어 다중 이용자 MIMO 통신 채널을 나타내는 다중 이용자 MIMO 채널 모델을 통한 통신을 학습한다. 설명된 기술의 구현들은 하드웨어, 방법 또는 프로세스, 또는 컴퓨터 액세스 가능 매체상의 컴퓨터 소프트웨어를 포함할 수 있다.
또 다른 양태는 시스템을 포함하고, 시스템은: 적어도 하나의 프로세서; 적어도 하나의 프로세서에 결합되고 명령어들을 저장한 적어도 하나의 컴퓨터 메모리를 포함하고, 명령어들은, 적어도 하나의 프로세서에 의해 실행될 때, 적어도 하나의 프로세서로 하여금 MIMO 통신 채널을 통해 다중의 송신 안테나 및 다중의 수신 안테나를 이용하여 통신하기 위한 학습된 통신 시스템을 전개하는 동작들을 수행하도록 야기하고, 동작들은: 송신기 및 수신기를 결정하는 동작 - 이것 중 적어도 하나는, MIMO 통신 채널을 통해 통신하도록 훈련된 적어도 하나의 머신 러닝 네트워크를 구현하도록 구성됨 -; MIMO 통신 채널을 통한 송신을 위한 제1 정보를 결정하는 동작; 송신기를 이용하여 제1 정보를 처리하고 복수의 제1 RF 신호를 생성하는 동작; MIMO 통신 채널을 통해 복수의 송신 안테나 중 제각기 것들을 이용하여 복수의 제1 RF 신호를 송신하는 동작; 복수의 수신 안테나 중 제각기 것들을 이용하여 복수의 제2 RF 신호를 수신하는 동작 - 복수의 제2 RF 신호 중 각각의 제2 RF 신호는 MIMO 통신 채널을 통한 송신에 의해 변경된 복수의 제1 RF 신호의 총계 수신을 나타냄 -; 및 수신기를 이용하여 복수의 제2 RF 신호를 처리하고 제1 정보의 재구성으로서 제2 정보를 생성하는 동작을 포함한다.
구현들은 이하의 특징들 중 하나 이상을 포함할 수 있다. 시스템에서, 동작들은: (i) 제2 정보와 제1 정보 사이의 거리 측도, 또는 (ii) MIMO 통신 채널의 상태, 또는 MIMO 통신 채널의 다중 이용자에 관한 공간적 정보 또는 스케줄링 정보 중 적어도 하나를 표시하는 채널 상태 정보(CSI) 중 적어도 하나를 표시하는 피드백 정보를 결정하는 동작; 및 피드백 정보에 기초하여 송신기 또는 수신기 중 적어도 하나를 업데이트하는 동작을 추가로 포함한다. 시스템에서, 동작들은: 복수의 제1 RF 신호를 처리하여 MIMO 통신 채널을 통해 복수의 송신 안테나를 이용하여 송신되는 복수의 제1 아날로그 RF 파형을 생성하는 동작; MIMO 통신 채널의 출력들로서 복수의 수신 안테나를 이용하여 복수의 제2 아날로그 RF 파형을 수신하는 동작 - 복수의 제2 아날로그 RF 파형 중 각각의 제2 아날로그 RF 파형은 MIMO 통신 채널에 의해 변경된 복수의 제1 아날로그 RF 파형의 총계 수신을 나타냄 -; 및 복수의 제2 아날로그 RF 파형을 처리하여 복수의 제2 RF 신호를 생성하는 동작을 추가로 포함한다. 시스템에서, 송신기를 이용하여 제1 정보를 처리하고 복수의 제1 RF 신호를 생성하는 것은: 제1 정보로부터, 복수의 제1 정보 부분을 결정하는 것; 및 복수의 제1 정보 부분에 기초하여, 복수의 제1 RF 신호의 각각의 제1 RF 신호가 복수의 제1 정보 부분 중 제각기 것에 대응하면서 복수의 제1 RF 신호를 생성하는 것을 포함하고, 및 수신기를 이용하여 복수의 제2 RF 신호를 처리하고 제2 정보를 제1 정보의 재구성으로서 생성하는 것은: 복수의 제2 RF 신호로부터, 각각의 제2 정보 부분이 복수의 제2 RF 신호의 제각기 것에 대응하면서 복수의 제2 정보 부분을 결정하는 것; 및 복수의 제2 정보 부분으로부터 제2 정보를 생성하는 것을 포함한다. 시스템에서, 동작들은: 수신기를 이용하여 MIMO 통신 채널의 출력들을 나타내는 복수의 제2 RF 신호의 처리에 기초하여 CSI를 생성하는 동작; 및 CSI를 송신기에 피드백으로서 제공하는 동작 - 송신기를 이용하여 제1 정보를 처리하고 복수의 제1 RF 신호를 생성하는 것은 제1 정보에 기초하여 그리고 CSI에 기초하여 복수의 제1 RF 신호를 생성하는 것을 포함함 - 을 추가로 포함한다. 시스템에서, 수신기를 이용하여 CSI를 생성하는 것은: MIMO 통신 채널의 상태 또는 MIMO 통신 채널의 다중 이용자에 관한 공간적 정보 또는 스케줄링 정보 중 적어도 하나에 관한 채널 정보를 결정하는 것; 및 채널 정보를 처리하여 채널 정보를 CSI로서 이산 수의 상태들 또는 유한 수의 비트들 중 하나가 되도록 양자화하거나 분류함으로써 채널 정보의 콤팩트 표현으로서 CSI를 생성하는 것을 포함한다. 시스템에서, 수신기는 복수의 제2 RF 신호의 처리에 기초하여 CSI를 생성하도록 구성된 CSI 머신 러닝 네트워크를 훈련한 결과들에 기초하여 CSI 매핑을 구현한다. 시스템에서, 송신기는 인코더 머신 러닝 네트워크를 훈련한 결과들에 기초한 인코딩 매핑을 구현하고, 수신기는 디코더 머신 러닝 네트워크를 훈련한 결과들에 기초한 디코딩 매핑을 구현하고, 인코더 머신 러닝 네트워크 및 디코더 머신 러닝 네트워크는 MIMO 통신 채널을 통한 통신을 학습하기 위해 오토인코더로서 공동으로 훈련되었다. 시스템에서, 동작들은, 다중 이용자에 의해 활용되는 다중 이용자 MIMO 통신 채널을 통해 정보를 송신 및 수신하기 위해 추가로 수행되고, 여기서 송신기는 하나 이상의 인코더를 포함하고, 여기서 수신기는 하나 이상의 디코더를 포함하고, 여기서 송신기를 이용하여 제1 정보를 처리하고 복수의 제1 RF 신호를 생성하는 것은: 하나 이상의 인코더를 이용하여 (i) 제1 정보의 적어도 제1 부분을 처리하고 복수의 제1 RF 신호의 제1 서브세트를 생성하고; 및 (ii) 제1 정보의 적어도 제2 부분을 처리하고 복수의 제1 RF 신호의 제2 서브세트를 생성하는 것을 포함하고, 여기서 수신기를 이용하여 복수의 제2 RF 신호를 처리하고 제1 정보의 재구성으로서 제2 정보를 생성하는 것은: 하나 이상의 디코더를 이용하여 (i) 복수의 제2 RF 신호의 제1 서브세트를 처리하고 제2 정보의 제1 부분을 제1 정보의 제1 부분의 재구성으로서 생성하고; 및 (ii) 복수의 제2 RF 신호의 제2 서브세트를 처리하고 제2 정보의 제2 부분을 제1 정보의 제2 부분의 재구성으로서 생성하는 것을 포함한다. 시스템에서, 하나 이상의 인코더는 하나 이상의 인코더 머신 러닝 네트워크에 기초하여 인코딩을 구현하도록 구성되고, 여기서 하나 이상의 디코더는 하나 이상의 디코더 머신 러닝 네트워크에 기초하여 디코딩을 구현하도록 구성되고, 여기서 하나 이상의 인코더 머신 러닝 네트워크 및 하나 이상의 디코더 머신 러닝 네트워크는 다중 이용자 MIMO 통신 채널을 통한 통신을 학습하기 위해 오토인코더로서 공동으로 훈련되었다. 설명된 기술의 구현들은 하드웨어, 방법 또는 프로세스, 또는 컴퓨터 액세스 가능 매체상의 컴퓨터 소프트웨어를 포함할 수 있다.
이러한 양태들 및 다른 양태들의 다른 구현들은 대응하는 시스템들, 장치들, 및 컴퓨터 저장 디바이스들상에 인코딩되어 방법들의 액션들을 수행하도록 구성된 컴퓨터 프로그램들을 포함한다. 하나 이상의 컴퓨터의 시스템은 그래서 동작시 시스템이 액션들을 실행하게 야기하는 시스템상에 설치된 소프트웨어, 펌웨어, 하드웨어 또는 이들의 조합에 의해 구성될 수 있다. 하나 이상의 컴퓨터 프로그램은 그래서 데이터 처리 장치에 의해 실행될 때 이 장치가 액션들을 실행하게 야기하는 명령어들을 갖는 것에 의해 구성될 수 있다.
본 출원 전반에 걸쳐 설명된 특징들의 전부 또는 일부는 하나 이상의 비일시적 머신 판독가능 저장 매체상에 저장되고 또한 하나 이상의 처리 디바이스상에서 실행가능한 명령어들을 포함하는 컴퓨터 프로그램 제품으로서 구현될 수 있다. 본 출원 전반에 걸쳐 설명된 특징들의 전부 또는 일부는 언급된 기능들을 구현하기 위해 하나 이상의 처리 디바이스 및 실행가능한 명령어들을 저장하기 위한 메모리를 포함할 수 있는 장치, 방법, 또는 전자 시스템으로서 구현될 수 있다.
본 개시내용의 주제의 하나 이상의 구현의 상세 사항들은 첨부 도면들 및 이하의 설명에 제시된다. 본 주제의 다른 특징들, 양태들, 및 이점들은 설명, 도면, 및 청구항으로부터 명백해질 것이다.
도 1은 다중 안테나 송수신기를 이용하여 다중 입력 다중 출력(MIMO) 채널을 통해 학습된 통신을 수행하기 위해 적어도 하나의 머신 러닝 네트워크를 구현하는 무선 주파수(RF) 시스템의 예를 도시한다.
도 2는 다중 안테나 송수신기를 이용하여 MIMO 채널들을 통해 학습된 통신을 수행하기 위해 RF 시스템에서 구현될 수 있는 머신 러닝 인코더를 구현하는 송신기 및 머신 러닝 디코더를 구현하는 수신기의 네트워크 구조의 예를 도시한다.
도 3a는 임의의 채널 상태 정보(CSI)의 이익 없이 다중 안테나 송수신기를 이용하여 MIMO 채널들을 통해 학습된 통신을 수행하기 위해 RF 시스템에서 구현될 수 있는 개루프 네트워크 구조의 예를 도시한다.
도 3b는 채널 상태 정보(CSI)의 도움으로, 다중 안테나 송수신기를 이용하여 MIMO 채널들을 통해 학습된 통신을 수행하기 위해 RF 시스템에서 구현될 수 있는 폐루프 네트워크 구조의 예를 도시한다.
도 4는 다중 안테나 송수신기를 이용하여 MIMO 채널들을 통해 통신하도록 학습하기 위해 적어도 하나의 머신 러닝 네트워크를 구현하는 RF 시스템의 훈련의 예를 도시한다.
도 5는 다중 안테나 송수신기를 이용하여 CSI의 피드백과 MIMO 채널들을 통해 통신하도록 학습하기 위해 적어도 하나의 머신 러닝 네트워크를 구현하는 RF 시스템을 훈련하는 예시적인 방법을 도시하는 흐름도이다.
도 6a 및 도 6b는 임의의 CSI(개루프 시나리오)의 도움 없이 MIMO 채널을 통한 통신을 위해 머신 러닝 네트워크들에 의해 학습될 수 있는 상이한 유형들의 송신 및 수신 RF 신호들의 예들을 도시한다.
도 6c 및 도 6d는 CSI(폐루프 시나리오)의 이익으로 MIMO 채널을 통한 통신을 위해 머신 러닝 네트워크들에 의해 학습될 수 있는 상이한 유형들의 송신 및 수신 RF 신호들의 예들을 도시한다.
도 7은 다중 안테나 송수신기를 이용하여 실세계 MIMO 채널을 통해 학습된 통신을 수행하기 위해 적어도 하나의 머신 러닝 네트워크를 훈련시킨 결과들에 기초하여 학습된 기술들을 구현하는 시스템을 전개하는 예를 도시한다.
도 8은 다중 안테나 송수신기를 이용하여 실세계 MIMO 채널을 통해 학습된 통신을 수행하기 위해 적어도 하나의 머신 러닝 네트워크를 훈련시킨 결과들에 기초하여 학습된 기술들을 활용하는 시스템을 전개하는 예시적인 방법을 도시하는 흐름도이다.
도 9a는 다중 안테나 송수신기에 의해 실세계 MIMO 채널을 통해 학습된 통신을 수행하기 위해 단일 머신 러닝 인코더 네트워크 및 다중 디코더를 구현하는 다중 이용자 다운링크 시스템을 전개하는 예를 도시한다.
도 9b는 다중 안테나 송수신기에 의해 실세계 MIMO 채널을 통해 학습된 통신을 수행하기 위해 다중 인코더 및 단일 머신 러닝 디코더를 구현하는 다중 이용자 업링크 시스템을 전개하는 예를 도시한다.
도 10은 MIMO 채널들을 통해 학습된 통신을 수행하는 시스템의 하나 이상의 컴포넌트를 구현하기 위해 이용될 수 있는 컴퓨팅 시스템의 예를 도시하는 도면이다.
다중 안테나 송수신기를 이용하여 손상된 RF 채널을 통한 통신의 머신 러닝 및 전개를 가능하게 하는 시스템들 및 기술들이 본 명세서에 개시된다. 일부 구현들에서, 송신기는 RF 채널을 통해 다중 신호를 송신하기 위한 다중 송신 안테나를 구현하고, 수신기는 RF 채널을 통해 다중 신호를 수신하기 위한 다중 수신 안테나를 구현한다. 송신기에서의 송신 안테나들의 수 및 수신기에서의 수신 안테나들의 수는, 일반적으로, 상이한 수들 또는 동일한 수일 수 있고, 적어도 하나일 수 있다. 무선 통신 시나리오(예를 들어, 셀룰러, 메시 네트워크, 광학, 음향 등)에서, 각각의 수신 안테나는 다중 송신 안테나에 의해 송신되었고, 함께 믹싱되었고 및 RF 채널을 통한 송신에 의해 변경된 신호들의 총계 수신을 나타내는 신호를 수신한다. 일반적으로, 이러한 다중 안테나 통신은 다중 입력 다중 출력(multi-input-multi-output, MIMO) 통신이라고 지칭된다.
적어도 하나의 머신 러닝 네트워크가 MIMO 통신 시스템의 송신기 또는 수신기 중 적어도 하나에서 구현될 수 있다. 예를 들어, 일부 구현들에서, 송신기는 다중 송신 안테나를 이용하여 MIMO 채널을 통해 송신되는 신호로서의 정보를 인코딩하도록 훈련되는 머신 러닝 인코더 네트워크를 포함하고, 및/또는 수신기는 다중 수신 안테나를 이용하여 MIMO 채널을 통해 신호를 수신하고 원래의 정보를 복구하기 위해 신호들을 디코딩하도록 훈련되는 머신 러닝 디코더 네트워크를 포함한다.
일부 구현들에서, 시스템은, 추가적으로 또는 대안적으로, 무선 송신 채널의 상태, 또는 MIMO 채널 모델의 다중 이용자에 관한 공간적 정보 또는 스케줄링 정보와 같은, 채널에 관한 채널 상태 정보(CSI)를 추정하기 위해 머신 러닝 네트워크를 구현할 수 있다. 이러한 CSI는, 예를 들어, 역방향 채널에 기초하여 송신기에서 추정될 수 있고, 및/또는 수신기에서 추정될 수 있고 피드백을 통해 송신기에 통신될 수 있다. 많은 실세계 시나리오들에서, 현대의 무선 시스템들에 배치된 디바이스들 및 안테나들의 증가하는 수와 함께 지연 및/또는 대역폭에서의 제한들을 고려하여, 이러한 CSI 피드백의 콤팩트 표현들을 찾는 것은 중요한 목적이 될 수 있다. 이러한 시나리오들에서, 본 명세서에 개시된 구현들은 머신 러닝 네트워크로 하여금 이러한 목적을 달성하기 위해 다양한 유형의 MIMO 채널 모델들에 대한 이러한 CSI의 콤팩트 표현들을 학습하는 것을 가능하게 할 수 있다.
이와 같으므로, 본 개시내용은 MIMO 통신 시스템에서 구현될 수 있는 다양한 머신 러닝 시나리오를 설명하는데, 여기서 하나 이상의 머신 러닝 네트워크는 MIMO 채널을 통해 송신되는 신호들을 인코딩하고 및/또는 MIMO 채널을 통해 수신되는 신호들을 디코딩하기 위해 학습하고, 및/또는 MIMO 채널을 통한 통신을 보조하기 위해 CSI를 추정하도록 훈련될 수 있다. MIMO 시스템은 송신기 및 수신기가 CSI 피드백의 도움 없이 MIMO 채널을 통해 통신하도록 학습하는 개루프 시스템일 수 있거나, 또는 송신기 및 수신기가 CSI 피드백의 혜택을 가지고 MIMO 채널을 통해 통신하도록 학습하는 폐루프 시스템일 수 있다. 개루프는 브로드캐스트 또는 멀티캐스트 채널들에 대한, 또는 특히 이동성을 고려할 때 향상된 커버리지 범위 또는 탄력성을 제공하기 위한 매력적인 옵션일 수 있는 반면, 폐루프는 밀집한 도심 또는 다중 이용자 간섭 제한된 또는 더 안정된 이동성 모델들에 대한 더 매력적인 옵션일 수 있으며, 여기서 이것은 향상된 정보 밀도, 다중 이용자 용량 및 처리량을 제공할 수 있다.
적어도 하나의 머신 러닝 네트워크는 훈련될 수 있고, 이는 낮은 비트 에러 레이트, 낮은 전력, 낮은 대역폭, 낮은 복잡성, 낮은 레이턴시와 같은, MIMO 통신 시스템에서의 다양한 기준을 달성하도록 설계될 수 있어서, 낮은 신호 대 잡음(SNR) 비에서 또는 특정 유형의 채널 페이딩 또는 간섭, 및/또는 다른 기준들 하에서와 같은 특별한 체제에서 잘 수행하게 된다. 그 다음, 이러한 머신 러닝 네트워크들을 훈련한 결과들은 다중 안테나를 이용하여 다양한 유형의 RF 통신 매체를 통해 다양한 유형의 정보를 통신하도록 실세계 통신 시나리오들을 전개하기 위해 활용될 수 있다. 일부 구현들에서, 머신 러닝 네트워크(들)의 추가 학습 및 적응은, 예를 들어, 피드백 정보에 기초하여 실세계 시스템들에서의 전개 동안 구현될 수 있다. 이러한 머신 러닝 네트워크들은 변조, 복조, 매핑, 에러 정정, CSI 추정 및/또는 CSI 피드백과 같은 하나 이상의 신호 처리 기능, 또는 오늘날 그러한 시스템들에 존재하는 다른 컴포넌트들을 대체하거나 확장시킬 수 있다. 전개 후에 튜닝될 때, 이러한 시스템들은, 이들이 지연 확산, 반사기들, 공간적 분포, 이용자 거동, 특정 장애들 및/또는 다른 통계적 특징들 또는 특정한 영역, 특정한 하드웨어, 셀룰러 커버리지 영역, 또는 운영 환경의 분포와 같은 특정한 전개 파라미터들에 대한 알고리즘들 및 인코딩을 개선할 수 있고, 그에 의해 일반적인 경우 또는 이전에 훈련된 모델들로부터 성능을 향상시킬 수 있다는 점에서 이점을 가질 수 있다.
개시된 구현들은 디지털 무선 시스템들이 MIMO 무선 통신을 위해 설계되고 전개되는 방법에 대한 새로운 접근법을 제시한다. 예를 들어, 개시된 구현들은 MIMO 무선 신호 처리 엔지니어링의 전형적으로 느리고 증분적인 프로세스를 개선하는 것을 도울 수 있고, 대신에 MIMO 무선 통신 시스템을 설계, 구성 및 실현하는 새로운 방식을 가능하게 할 수 있다. 상이한 유형의 통신 매체를 통한 통신을 위해 적합한 기술들을 학습하도록 훈련될 수 있는 머신 러닝 네트워크들을 구현함으로써, 본 명세서에 개시된 기술들은 현재 이용가능한 MIMO 시스템들에 비해 개선된 전력, 처리량, 스펙트럼 효율성, 복원성, 및 복잡성 이점들과 같은 다양한 이점들을 제공한다. 일부 시나리오들에서, 이것은, 모델링하기에 어렵거나, 또는 특히 하드웨어, 증폭기들, 간섭원들 또는 다른 효과들에 의해 도입되는 추가적인 비선형 효과들을 고려할 때 다른 접근법들을 이용하기 위해 최적화하기에 어려운 매우 복잡한 세트의 효과들을 갖는 MIMO 통신 채널들에 대해 매우 중요할 수 있다.
일부 구현들에서, 각각의 안테나 요소로부터 송신되는 다중 안테나 정보 표현은 정보의 재구성 손실을 최소화하기 위해 최적화 프로세스(예를 들어, 경사 하강법(gradient descent) 또는 다른 해결법)를 이용하여 학습될 수 있다. 예로서, 인코딩 프로세스, OTA 표현, 및 디코딩 프로세스는 시스템의 각각의 부분의 최상의 표현을 획득하기 위해 엔드-투-엔드 최적화 프로세스에서 모두 공동으로 훈련될 수 있다. 이러한 최적화 프로세스는, 비트 또는 코드워드 에러 레이트를 최소화하는 것, 처리량을 최대화하는 것, 용량을 최대화하는 것, 관심 대상의 인코딩 및 디코딩 네트워크들에 맞도록 계산 복잡성을 최소화하는 것, 및/또는 훈련 시스템의 MIMO 채널 손상 모듈에서 이용되는 특정 MIMO 채널 조건들에 맞도록 이용되는 표현을 최적화하는 것과 같은 하나 이상의 목적을 달성하는 MIMO 송신 방식을 생성하도록 설계될 수 있다. 따라서, 방식은 제4 세대 무선 시스템들 및 그 이상에서 이용되는 최신의 선형 분석 방법들을 종종 능가하는 매우 계산적으로 효율적인 방법들로 공간적으로 다이버스한(spatially diverse) 다중 안테나 채널을 효율적이고 비선형 방식으로 레버리지하는 무선 시스템들의 능력을 제공한다. 따라서, 이런 시스템 및 방법은 미래의 셀룰러 무선 및 (WLAN과 같은) 다른 비-셀룰러 무선 다이버시티 시스템들이 다가오는 해에 기초할 것으로 예상되는 기초를 제공하는 강력한 MIMO 무선 송신 방식을 제공한다. 또한, 이러한 시스템 및 방법은 MIMO 송신 방식들을 많은 안테나들(예를 들어, 대규모 MIMO 시스템들)을 가질 수 있는 상이한 구성들에 효율적으로 스케일링하기 위한 강력한 기술을 제공할 수 있으며, 여기서 안테나들을 낮은 계산 복잡도로 효과적으로 이용하는 것은 이 시점까지 도전과제였다.
일반적으로, 시스템은 하나 이상의 객관적 기준에 기초하여 적절한 입력-출력 매핑들을 학습하도록 훈련되는 하나 이상의 머신 러닝 네트워크들을 구현할 수 있다. 예를 들어, 머신 러닝 네트워크들은 인공 신경망일 수 있다. 훈련 동안, 머신 러닝 네트워크들은 송신기 및/또는 수신기에서의 모델 아키텍처, 가중치들, 및 파라미터들의 선택을 통해 적응되어 네트워크의 출력들에의 입력들의 적합한 매핑들을 학습할 수 있다. 머신 러닝 네트워크들은 공동으로 훈련될 수 있거나, 또는 반복적인 방식으로 훈련될 수 있다.
예를 들어, 일부 구현들에서, 송신기는 인코더 머신 러닝 네트워크를 구현할 수 있고, 수신기는 디코더 머신 러닝 네트워크를 구현할 수 있다. 인코더 머신 러닝 네트워크 및 디코더 머신 러닝 네트워크는, 인코더 네트워크 및 디코더 네트워크가 공동으로 최적화되는 오토인코더로서 구현될 수 있다. 일부 구현들에서, 오토인코더는 손상된 채널의 효과들을 오토인코더 네트워크 내의 정규화(regularization) 계층들(예를 들어, 정규화 계층들, 변환 계층들, 변분 계층들(variational layers)/샘플러들, 잡음 계층들, 믹싱 계층들 등)을 포함할 수 있는 확률적 계층들과 같은 하나 이상의 채널 모델링 계층들로서, 또는 MIMO 채널의 거동을 표현하는 미분가능한 함수들의 또 다른 세트로서 모델링함으로써 훈련될 수 있다. MIMO 채널을 모델링하는 계층들은 MIMO 채널의 랜덤 거동에 걸쳐서 정규화 함수를 형성할 수 있다.
일부 구현들에서, 인코더 머신 러닝 네트워크 및/또는 디코더 머신 러닝 네트워크를 구현하는 것에 더하여 또는 이것에 대한 대안으로서, 시스템은 MIMO 채널에 관한 채널 상태 정보(CSI)를 추정하기 위해 머신 러닝 네트워크를 구현할 수 있다. 예를 들어, 그러한 CSI 머신 러닝 네트워크는 하나 이상의 목적을 달성하기 위해 단일 엔드-투-엔드 오토인코더 구조에서 인코더 네트워크 및 디코더 네트워크와 공동으로 훈련될 수 있다. 이러한 구조에서, 머신 러닝을 위한 전체 엔드-투-엔드 시스템 아키텍처가 구현될 수 있다. 다른 구현들에서, 인코더, 디코더, 또는 CSI 추정기 중 하나 이상은 대신에 사전 설계된 통신 컴포넌트들로 구현될 수 있고, 인코더, 디코더, 및/또는 CSI 추정기의 하나 이상의 다른 부분은 이러한 사전 설계된 컴포넌트들 주위에서 훈련되고 최적화되도록 머신 러닝 네트워크를 구현할 수 있다.
훈련 동안, 하나 이상의 머신 러닝 네트워크는 손상된 MIMO 채널을 통해 통신하기 위한 기술을 결정하기 위해 감독되지 않거나 또는 부분적으로 감독되는 머신 러닝을 수행하도록 훈련될 수 있다. 따라서, 일부 시나리오들에서, 에러 정정, 변조, 프리 코딩, 또는 형상화 등을 위한 미리 설계된 시스템들에 의존하는 것보다는, 본 명세서에서 개시된 구현들은 정보를 MIMO 채널을 통해 송신되는 파형들로 인코딩하기 위한 기술들, 및/또는 MIMO를 통한 수신된 파형들을 수신된 파형들을 재구성된 정보로 디코딩하기 위한 기술들, 및/또는 MIMO 채널에 관한 CSI를 추정 및/또는 피드백하기 위한 기술들을 적응적으로 학습할 수 있다. 하나 이상의 머신 러닝 네트워크는 실제 또는 시뮬레이팅된 MIMO 채널 조건들에 대해 훈련될 수 있다. 이러한 머신 러닝 네트워크들을 훈련한 결과들을 활용하는 시스템들은 실세계 MIMO 채널들을 통한 전개 동안 추가로 업데이트될 수 있고, 따라서 상이한 유형들의 무선 MIMO 시스템 요건들에 적응하는 데에 있어서 이점들을 제공하고, 일부 경우들에서는, 이러한 MIMO 시스템들의 처리량, 에러 레이트, 복잡도, 및 전력 소비 성능을 개선한다.
이와 같으므로, MIMO 채널 또는 MIMO 채널 손상의 특정 특성들에 관계없이, 본 명세서에 개시된 구현들은 손상된 MIMO 채널들을 통한 신뢰성 있는 통신을 가능하게 하는 정보의 표현들을 학습하기 위한 광범위하게 적용가능한 기술들을 제공할 수 있다. 훈련 시스템들의 구성 및 이용된 데이터 세트들 및 채널 모델들에 의존하여, 이러한 머신 러닝 통신 기술들은 좁은 클래스의 조건들, 신호 또는 MIMO 채널 유형들에 대해 성능에 있어서 전문화될 수 있거나, 또는 광범위한 신호 또는 MIMO 채널 유형들 또는 하나 이상의 신호 또는 MIMO 채널의 혼합들에 대해 성능을 일반화하고 최적화할 수 있다.
본 명세서에 개시된 구현들은 셀룰러 시스템들, 위성 시스템들, 광학 시스템들, 음향 시스템들, 전술적 메시 네트워크 시스템들, 비상 핸드-헬드, 브로드캐스트, 포인트-투-포인트, Wi-Fi, 블루투스, 및 송신 손상들을 겪는 다른 형태의 MIMO 무선 통신들과 같은 광범위한 MIMO 무선 통신 시스템들에 적용될 수 있다. MIMO 채널 손상들은, 예를 들어, 가우시안 잡음과 같은 열 잡음을 포함할 수 있고, 더 복잡한 손상들로는 간섭, 다중 경로 페이딩, 임펄스 잡음, 스퓨리어스 또는 연속적인 재밍, 왜곡, 하드웨어 효과들, 및 MIMO 채널의 다른 손상들과 같은 것을 포함할 수 있다. 일부 경우에, 다중 송수신기 요소는 별개의 안테나들로부터 동일한 대역상의 무선 송신을 나타내지만, 다른 경우에는, 이들은 동일한 대역 내의 별개의 편파들을 통한 송신, 또는 다중의 별개의 대역 또는 매체를 통한 정보의 송신을 나타낼 수 있다.
일부 구현들에서, 본 명세서에 개시된 기술은 다중 이용자 MIMO 시스템을 구현하기 위해 활용될 수 있으며, 여기서 다중 이용자(다중 안테나 송수신기를 각각 이용함)로부터의 상이한 정보는 공통 MIMO 채널을 통해 통신된다. 시스템은 동일한 MIMO 채널을 공유하는 다중 이용자에 대한 경쟁 목표들의 균형을 달성하는 각각의 이용자에 대한 인코딩 및/또는 디코딩 기술들을 학습하도록 훈련될 수 있다. 다중 이용자 구현의 일 예로서, 단일 기지국이 다중 모바일 이용자에게 송신하는 다운링크 시나리오들에서, 단일 다중 이용자 인코더가 다중 이용자를 위한 정보를 인코딩하도록 훈련될 수 있고, 다중 디코더가 다중 이용자 각각에 대한 정보를 디코딩하기 위해 훈련될 수 있다. 다중 이용자 구현의 또 다른 예로서, 다중 모바일 이용자가 단일 기지국에 송신하는 업링크 시나리오에서, 다중 이용자 각각에 대한 정보를 인코딩하기 위해 다중 인코더가 훈련될 수 있고, 다중 이용자에 대한 정보를 집합적으로 디코딩하기 위해 단일 디코더가 훈련될 수 있다. 또 다른 예시적인 구현에서, 분산 MIMO가 고려되는 경우, 다중 기지국은 셀들 내의 또는 셀들에 걸친 하나 또는 다중 이용자에 대해 MIMO 채널에 걸쳐서 정보를 인코딩 또는 디코딩할 수 있다.
MIMO 통신 방식들은 롱 텀 에볼루션(LTE)과 같은 셀룰러 기술들 내에서 현재 이용되고, 송신 안테나들의 세트로부터 수신 안테나들의 세트로 효율적으로 정보를 송신하는 목적 하에서 빔 형성, 알라무티 코딩(Alamouti coding), 또는 다른 공간-시간 블록 코드들 또는 공간 다중화 기술들과 같은 다양한 분석적으로 도출된 방법들을 구현한다. MIMO 송신 방식들의 이용은 다중 경로 및 다중 이용자 공간 전파 환경들을 효율적으로 이용하는 것을 돕고, 정보 송신의 처리량, 효율 및 복원성을 개선하는 데 도움이 된다. 이들 방식들은 다양한 고도의 특정 신호 처리 알고리즘을 통해 도출되었는데, 이 알고리즘들은 모든 상황에서 최적의 용량을 달성하는 것으로 알려져 있지는 않다. 특히 비선형 효과들을 갖는 다중 이용자 MIMO 시스템에서, 최적 용량 한계들은 현재 잘 정의되거나 특성화되지 않는다. 본 명세서에 개시된 시스템 및 방법은, 대조적으로, 파라메트릭 인코딩 및 디코딩 네트워크를 학습하기 위한 더 적응적인 방법을 레버리지하며, 이것은, 전술한 방식들과 비교하여, 무선 채널 경로들 및 효과들을 통해 더 많은 자유도들 및 정보가 더 주어진 분포들을 레버리지함으로써 단일 및 다중 이용자 용량 및/또는 처리량 양쪽 모두에서의 및 복원성에서의 개선들을 달성할 수 있다.
도 1은 다중 안테나 송수신기를 이용하여 다중 입력 다중 출력(MIMO) 채널을 통해 학습된 통신을 수행하기 위해 적어도 하나의 머신 러닝 네트워크를 구현하는 무선 주파수(RF) 시스템(100)의 예를 도시한다. 시스템(100)은 손상된 MIMO 채널(106)을 통해 통신하도록 훈련된 머신 러닝 네트워크에 의해 학습된 인코딩 및 디코딩 기술을 구현하는 송신기(102) 및 수신기(104)를 포함한다.
"폐루프" 시나리오들로 지칭되는 일부 시나리오들에서, 송신기(102)는 또한 MIMO 채널(106)에 관한 채널 상태 정보(CSI)(118)를 이용하여 인코딩을 수행한다. 대조적으로, 송신기(102)가 임의의 CSI(118)의 이점 없이 입력 정보(108)를 인코딩하는 시나리오들은 "개루프" 시나리오들로서 지칭된다. 폐루프 시나리오들에서, CSU(118)는, 예를 들어, CSI(118)를 추정하고 및/또는 CSI(118)를 송신기(102)에 통신하도록 훈련된 머신 러닝 네트워크에 의해 학습된 기술들을 이용하여 생성될 수 있다.
그러나, 구현들은 머신 러닝 네트워크들을 이용하여 시스템(100)에서 인코딩, 디코딩, 및 CSI 추정/피드백의 기능들 모두를 수행하는 것에 제한되지는 않는다. 대신에, 일부 구현들은 시스템(100)에서의 인코딩, 디코딩, 및 CSI 추정/피드백의 기술들 중 하나 또는 일부만을 수행하기 위해 머신 러닝 네트워크들을 활용할 수 있고, 시스템(100)의 다른 부분들은 머신 러닝 네트워크들이 MIMO 채널(106)을 통한 통신을 위해 적응되도록 훈련되는 미리 설계된 통신 기술들을 구현할 수 있다.
송신기(102)는 입력 정보(108)(및 폐루프 시나리오에서의 CSI(118))를 다중의 송신된 신호(112)로 변환하고, 이들 각각은 MIMO 채널(106)을 통해 다중 송신 안테나 중 하나에 의해 송신된다. 유사하게, 수신기(104)는 다중의 수신된 신호(114)를 수신하고, 이들 각각은 다중 수신 안테나 중 하나에 의해 수신되고, 원래의 입력 정보(108)를 근사화하는 재구성된 정보(110)를 생성할 수 있다. 또한, 폐루프 시나리오들에 대해, CSI(118)는 송신기(102)에 의해 추정될 수 있거나(예를 들어, 역방향 채널 또는 역방향 파일럿 신호를 이용하여), 또는 수신기(104)에 의해 추정되고 송신기(102)에 (예를 들어, 피드백 채널을 통해) 통신될 수 있다.
송신기(102) 및/또는 수신기(104)는 업데이트 프로세스(116)에 의해 업데이트될 수 있다. 송신기(102) 및 수신기(104)는 재구성 에러의 측도, 계산 복잡성의 측도, 대역폭, 레이턴시, 전력, 또는 그에 대한 다양한 조합과 같은 다양한 유형의 목적 함수들, 및 다른 목적들을 달성하도록 훈련될 수 있다. 예를 들어, 송신기(102) 및/또는 수신기(104)는 업데이트 프로세스(116)에 의해 업데이트되는 하나 이상의 머신 러닝 네트워크를 구현할 수 있다. 이러한 네트워크 구조의 추가 상세사항들은 도 3을 참조하여 아래에 설명되고, 훈련의 추가 상세사항들은 도 4를 참조하여 아래에 설명된다.
전개 시나리오들에서, 송신기(102) 및/또는 수신기(104)는 훈련으로부터 이전에 학습되었거나, 또는 전개 동안에 (추가로) 훈련될 수 있는 기술들을 구현할 수 있다. 송신기(102) 및 수신기(104)는 훈련 동안 학습된 인코딩 및/또는 디코딩 및/또는 CSI 표현들을 이용하여 통신을 수행하기 위해 다양한 응용 시나리오들에 전개될 수 있다. 일부 구현들에서, 송신기(102) 및/또는 수신기(104)는 재구성 에러, 전력 소비, 지연 등과 같은 실시간 성능 결과들에 기초하여 전개 동안 추가로 업데이트될 수 있다. 전개의 추가 상세사항들은 도 7을 참조하여 이하에서 설명된다. 일부 구현들에서, CSI(118) 또는 손실 함수들의 에러 피드백과 같은 피드백은 무선 시스템 내의 통신 버스 또는 프로토콜 메시지를 개재해 구현될 수 있으며, 이것은 MIMO 채널(106)의 응답을 특징짓는 것을 돕기 위한 정보와 함께 송신기(102) 및/또는 수신기(104)를 업데이트하기 위해 이용될 수 있다.
입력 정보(108) 및 재구성된 정보(110)는 비트들의 스트림, 패킷들, 이산 시간 신호들, 또는 연속 시간 파형들과 같은, MIMO 채널을 통해 통신될 임의의 적합한 형태의 정보일 수 있다. 본 명세서에 개시된 구현들은 임의의 특정 유형의 입력 정보(108) 및 재구성된 정보(110)로 제한되지 않으며, MIMO 채널(106)을 통해 광범위하게 다양한 유형의 정보를 통신하기 위해 인코딩 및 디코딩 기술들을 학습하는 데에 일반적으로 적용가능하다.
송신기(102) 및 수신기(104)는 단일 안테나 시스템들에 걸쳐 이점들을 달성하기 위해 다양한 방식으로 다중 안테나를 레버리지할 수 있다. 예를 들어, 송신기(102) 및 수신기(104)는 다중 안테나를 레버리지하여 공간 다중화 이득 또는 공간 다이버시티 이득을 달성할 수 있다. 공간 다중화 이득 시나리오는 효율성, 처리량 또는 밀도를 향상시키기 위해 입력 정보(108)를 별개의 송신 안테나들로부터 동시에 송신되는 다중의 서브스트림으로 스플릿하는 것을 수반한다. 대조적으로, 공간 다이버시티 이득 시나리오는 동일한 입력 정보(108) 또는 그의 상이한 인코딩들을 다중의 송신 안테나를 통해 전송하는 것을 수반하고, 따라서 MIMO 채널의 심각한 손상 효과들을 평균화하고, 전체 성능, 신뢰성 또는 커버리지를 개선한다.
공간 다중화 이득 시나리오에서, 송신기는 입력 정보(108)에 기초하여, 각각이 다중의 송신 안테나 중 하나를 통해 송신될 정보에 대응하는 다중의 정보 부분을 결정할 수 있다. 각각의 정보 부분에 기초하여, 송신기는 해당 송신 안테나를 통한 송신을 위해 다중의 RF 신호(112) 중 대응하는 것을 생성할 수 있다. 유사하게, 수신기에서, 수신된 RF 신호들(114) 각각은 다중의 더 작은 레이트의 서브스트림 정보 부분들을 생성하도록 처리될 수 있고, 이는 다음으로 재구성된 정보(110)를 산출하도록 조합될 수 있다.
공간 다이버시티 이득 시나리오에서, 송신기는 동일한 입력 정보(108)를 다중의 송신 안테나를 통한 송신을 위해 상이한 RF 신호들(112)로 변환할 수 있다. 유사하게, 수신기에서, 상이한 수신된 RF 신호들(114)은 집합적으로 처리되어 재구성된 정보(110)를 생성할 수 있다.
일부 구현들에서, 송신기(102) 및 수신기(104)는 RF 통신 도메인의 유형에 알맞은 하나 이상의 신호 처리 동작을 채택한다. 예로서, 송신기(102) 및/또는 수신기(104)는, 필터링, 변조, 아날로그-투-디지털(A/D) 또는 디지털-투-아날로그(D/A) 변환, 등화, 서브캐리어/슬롯 할당 또는 특정 유형의 RF 신호 또는 MIMO 통신 도메인에 적합할 수 있는 다른 신호 처리 방법을 구현할 수 있다. 일부 구현들에서, 송신기(102) 및/또는 수신기(104)는 하나 이상의 송신 및 수신 안테나, 및 다중 안테나를 이용하여 MIMO 채널(106)을 통해 다중 신호(112)를 송신하고 다중 신호(114)를 수신하는데 적합한 다른 하드웨어 또는 소프트웨어를 구현할 수 있다.
이러한 시나리오들에서, 도 1의 예에 도시된 바와 같이, 송신된 신호(112) 및 수신된 신호(114)는 다중 안테나를 통해 MIMO 채널(106)을 통해 송신되고 수신되는 실제 RF 파형들을 나타낼 수 있다. 따라서, 송신기(102) 및 수신기(104)는 정보(108/110)와 RF 파형들(112/114) 사이의 일반화된 매핑들을 나타낼 수 있다.
대조적으로, 일부 구현들에서, 시스템(100)은 송신기(102) 및 수신기(104)와 별도로 신호 처리 및 RF 송신/수신 프로세스들을 구현할 수 있다. 그러한 구현들에서, 하나 이상의 신호 송신 및/또는 신호 수신 컴포넌트들, 예컨대 필터링, 변조, A/D 또는 D/A 변환, 단일 또는 다중 안테나 등은 MIMO 채널(106)의 일부로서 표현될 수 있다. 따라서, MIMO 채널(106)에서의 손상들은 필터링 손상들, 가산성 잡음, 또는 송신기 및/또는 수신기 컴포넌트들에서의 다른 손상들과 같은 송신기/수신기 효과들을 포함할 수 있다. 그러므로, 이러한 시나리오들에서, 송신 신호들(112) 및 수신 신호들(114)은 정보(108/110)의 중간 표현들을 나타내고, 채널(106)은 그러한 정보의 중간 표현들을 RF 매체를 통해 송신 및 수신되는 실제 RF 파형들로 및 그러한 파형들로부터 일반적으로 변환하는 것을 나타낸다. 예를 들어, 송신 신호들(112) 및 수신 신호들(114) 각각은 RF 파형들에 대한 기저 계수들(basis coefficients), RF 파형들의 시간 도메인 샘플들, RF 파형 값들에 걸친 분포, 또는 RF 파형들로 및 RF 파형들로부터 변환될 수 있는 다른 중간 표현들을 나타낼 수 있다.
훈련 시나리오들에서, 재구성된 정보(110)는 원래 정보(108)와 비교될 수 있고, 송신기(102) 및/또는 수신기(104)에서의 하나 이상의 머신 러닝 네트워크는 재구성 결과들에 기초하여 훈련(업데이트)될 수 있다. 일부 구현들에서, 머신 러닝 네트워크들을 업데이트하는 것은 또한 [예를 들어, 파라미터들의 개수, 곱셈/덧셈의 횟수, 실행 시간, 콜모고로프 복잡성(Kolmogorov complexity), 또는 다른 것에 의해 측정될 수 있는] 머신 러닝 네트워크들의 계산 복잡성, 채널(106)을 통해 통신하기 위해 이용되는 송신 대역폭 또는 전력, 또는 그것들의 다양한 조합들 및 다른 메트릭들과 같은 다른 인자들에 기초할 수 있다.
일부 구현들에서, 송신기(102) 및/또는 수신기(104)는 파라메트릭 곱셈들, 덧셈들, 및 비선형성들의 하나 이상의 연결된 계층으로 구성되는 인공 신경망들을 포함할 수 있다. 이러한 시나리오들에서, 송신기(102) 및/또는 수신기(104)를 업데이트하는 것은 출력들에 대한 입력들의 매핑을 수정하기 위해서, 신경망 계층들의 가중치들을 업데이트하는 것, 또는 신경망 계층들에서의 연결성을 업데이트하는 것, 또는 신경망 아키텍처의 다른 수정들을 포함할 수 있다.
송신기(102) 및/또는 수신기(104)는 임의의 적절한 머신 러닝 기술을 이용하여 CSI(118)를 인코딩 및/또는 디코딩 및/또는 생성하도록 구성될 수 있다. 예를 들어, 송신기(102)는 입력 정보(108)로부터 다중 송신 안테나를 이용하여 송신되는 송신된 신호들(112)로서의 저차원 또는 고차원 표현으로의 매핑을 학습하도록 구성될 수 있다. 유사하게, 수신기(104)는 다중의 수신 안테나에 의해 수신되는 저차원 또는 고차원 수신 신호들(114)로부터 재구성된 정보(110)로의 역 매핑을 학습하도록 구성될 수 있다.
예로서, 송신기(102) 및 수신기(104)에서 구현되는 매핑들은 RF 신호들에 대한 기저 함수들의 세트(set of basis functions)를 학습하는 것을 수반할 수 있다. 이러한 시나리오들에서, 특정한 기저 함수들의 세트에 대해, 송신기(102)는 입력 정보(108)를 그 기저 함수들에 대응하는 기저 계수들의 세트로 변환할 수 있고, 기저 계수들은 그 후 (예를 들어, 기저 계수들에 의해 가중된 기저 함수들의 가중 조합을 취함으로써) 다중의 송신된 RF 파형(112) 중 대응하는 것을 생성하기 위해 이용될 수 있다. 유사하게, 수신기(104)는 수신된 RF 파형들(114) 중 대응하는 것으로부터 기저 계수들의 세트를 생성함으로써 (예를 들어, 수신된 RF 파형의 기저 함수들의 세트상으로의 사영(projection)들을 취함으로써) 재구성된 정보(110)를 생성할 수 있다. 기저 함수들 자체는 에너지, 진폭, 대역폭, 또는 다른 조건들에 대한 적절한 제약들에 종속되는 임의의 적합한 직교 또는 비-직교 기저 함수들의 세트일 수 있다.
(CSI(118)를 갖는) 폐루프 시나리오에서, 송신기(102)는 송신 신호들(112)을 생성할 때, 입력 정보(108)에 더하여, CSI(118)를 고려하기 위해 인코딩 매핑을 구현할 수 있다. 예를 들어, 수신기(104)는 수신 신호들(114)로부터 CSI(118)로의 매핑을 구현할 수 있고, CSI(118)를 송신기(102)로 되돌려 전달할 수 있다. 또 다른 예로서, 송신기(102) 자체가 CSI(118)를 생성할 수 있다(예를 들어, 수신기(104)로부터 송신기(102)로의 역방향 채널 또는 역방향 파일럿 신호의 출력들을 이용하여). CSI(118)는 MIMO 채널(106)에 관한 정보를 표현하게 학습하도록 훈련되었던 머신 러닝 네트워크에 의해 생성될 수 있거나, 또는 사전 설계된 CSI 추정 및/또는 CSI 피드백 기술들(예를 들어, LTE 셀룰러 통신 시스템들에서 이용되는 CSI 프리코딩 테이블)에 의해 생성될 수 있다.
일부 시나리오들에서, 예를 들어 복잡성을 감소시키기 위해, 전개 동안 송신기(102) 및/또는 수신기(104)는 머신 러닝 네트워크들을 훈련한 결과들에 기초하는 단순화된 기술들을 활용할 수 있다. 예를 들어, 송신기(102) 및/또는 수신기(104)는 학습된 인코딩/디코딩 매핑들에 기초한 근사치들 또는 콤팩트 룩업 테이블들을 활용할 수 있다. 이러한 전개 시나리오들에서, 송신기(102) 및/또는 수신기(104)는 완전한 머신 러닝 네트워크가 아니라, 더 단순화된 구조들을 구현할 수 있다. 예를 들어, 동일한 신호 처리 기능을 수행하는 더 작은 머신 러닝 네트워크들을 훈련하기 위해, 디스틸레이션(distillation)과 같은 기술들이 이용될 수 있다. 이러한 전개 시나리오들에 대한 추가 논의는 아래에서 도 7과 관련하여 제공된다.
일부 구현들에서, 송신기(102) 및/또는 수신기(104)는, 전문가 동기화기들, 등화기들, CSI 양자화기들 등과 같이, MIMO 채널들을 통한 통신을 용이하게 하도록 설계된 하나 이상의 고정된 컴포넌트들 또는 알고리즘들을 포함할 수 있다. 이와 같으므로, 훈련 동안, 송신기(102) 및/또는 수신기(104)는 그러한 고정 컴포넌트들 또는 알고리즘들에 대해 적합한 인코딩/디코딩 기술들을 학습하도록 훈련될 수 있다.
시스템(100)에 의해 송신 및 수신되는 RF 신호들은 음향 신호들, 광학 신호들, 또는 다른 아날로그 파형들과 같은 임의의 적절한 무선 주파수 신호를 포함할 수 있다. 시스템(100)에 의해 처리되는 RF 신호들의 스펙트럼은 1 kHz 내지 300 GHz 범위에 있을 수 있다. 예를 들어, 그러한 RF 신호들은 1 kHz 내지 30 kHz의 매우 낮은 주파수(VLF) RF 신호들, 30 kHz 내지 300 kHz의 낮은 주파수(LF) RF 신호들, 300 kHz 내지 1 MHz의 중간 주파수(MF) RF 신호들, 1 MHz 내지 30 MHz의 높은 주파수(HF) RF 신호들, 및 최대 300 GHz의 더 높은 주파수 RF 신호들을 포함한다.
하나의 가능한 애플리케이션 시나리오의 예로서, 시스템(100)은 송신 및 수신을 위한 하나 이상의 안테나를 이용하여 하나 이상의 기지국 또는 액세스 포인트로부터 모바일 디바이스(예를 들어, 셀 폰, 랩톱, 사물 인터넷(IoT) 디바이스 등)로의 통신(즉, 예를 들어, 본 예에서는 타워로부터 모바일 디바이스로의 "다운링크" 채널)을 수행하기 위해 활용될 수 있다. 여기서, 셀룰러 백홀 네트워크로부터 정보가 수신되거나 또는 셀룰러 타워 내에서 생성되어 셀 폰, 랩톱, 또는 IoT 디바이스와 같은 셀룰러(또는 비-셀룰러) 모바일 디바이스에 송신될 수 있다. 송신기(102)에서의 파라메트릭 인코딩 네트워크는 정보(108)를 신호들(112)로 인코딩하기 위해 셀룰러 타워에 의해 이용되고, 신호들은 수신된 신호들(114)로서 수신 MIMO 안테나들에 도달하기 위해 무선 송신 하드웨어를 통해 그리고 MIMO 채널(106)에서의 무선 채널 경로들을 통해 통과된다. 무선 튜닝 및 ADC는 각각의 수신 안테나로부터 수신 신호들(114)에서의 샘플 정보를 복원하기 위해 모바일 디바이스에서 이용될 수 있는데, 수신 신호들은 이후 재구성된 정보(110)를 복원하기 위해 수신기(104)에서의 파라메트릭 디코딩 네트워크를 통해 통과된다. 일부 구현들에서, 위치 정보가 셀룰러 모바일 디바이스상에서 수신기(104)에서의 파라메트릭 디코딩 네트워크 또는 이 프로세스에서의 그 가중치들을 알리기 위해 이용될 수 있다.
애플리케이션 시나리오의 또 다른 예로서, 시스템(100)은 송신 및 수신을 위한 하나 이상의 안테나를 이용하여 모바일 디바이스로부터 하나 이상의 기지국 또는 액세스 포인트로의 통신(즉, 모바일 디바이스들로부터 기지국 또는 타워로의 "업링크" 채널)을 수행하기 위해 활용될 수 있다. 이 예에서, 셀룰러 모바일 디바이스는 송신기(102)를 이용하여 인코드 정보(108)를 송신하고 및 MIMO 채널(106)에서의 무선 채널 경로들을 통해 다중 송신 안테나를 이용하여 신호들(112)을 송신하고, 수신기(104)를 구현하는 하나 이상의 셀룰러 타워는 그 후 다중 수신 안테나를 이용하여 신호들(114)을 수신하고, 정보를 소비하거나 이것을 셀룰러 백홀 네트워크에 전달한다. 이 예에서, 입력 정보(108)는 모바일 디바이스상의 송신기(102)에서의 하나 이상의 파라메트릭 인코딩 네트워크에 의해 처리될 수 있고, 디지털 투 아날로그 컨버터, 믹서, 및 증폭기를 통해 전달되어 하나 이상의 MIMO 안테나로부터의 송신을 위한 신호들(112)로 변환될 수 있다. 이러한 신호들(112)은 MIMO 채널(106)에서의 무선 채널 경로들을 통해 발산되어 셀룰러 타워상의 수신기(104)에서의 다중 안테나에 도달하고, 이것은, 예를 들어, 파라메트릭 디코더 네트워크를 통과함으로써 재구성된 정보(110)를 생성한다.
상기 두 가지 예에서, 셀룰러 다운링크 시스템 및 업링크 시스템은 셀룰러 시스템 또는 셀룰러 표준에서와 같이 양방향 셀룰러 송신 프로토콜 내에서 함께 이용될 수 있다. 폐루프 구현에서, 이러한 시스템에서의 모바일 디바이스 및 타워는 파라메트릭 디코딩 프로세스 내에서 이용될 수 있는 현재 페이드 상태들과 같은 채널 상태 정보(CSI)를 교환할 수 있다. 이 CSI는 네트워크 또는 모바일 디바이스에 콤팩트하게 송신될 수 있는 채널 상태 정보의 이산화된 인코딩(discretized encoding)을 획득함으로써 양자화될 수 있다.
도 2는 다중 안테나 송수신기를 이용하여 MIMO 채널들을 통해 학습된 통신을 수행하기 위해 RF 시스템에서 구현될 수 있는, 머신 러닝 인코더 네트워크를 구현하는 송신기 및 머신 러닝 디코더 네트워크를 구현하는 수신기의 네트워크 구조(200)의 예를 도시한다.
네트워크 구조(200)는 인코더 네트워크(202) 및 디코더 네트워크(204)를 형성하는 하나 이상의 계층을 이용한다. 각각의 계층의 출력은 네트워크에서의 다음 계층에 대한 입력으로서 이용된다. 네트워크의 각각의 계층은 제각기 파라미터들의 세트의 현재 값들에 따라 수신된 입력으로부터 출력을 생성한다. 예를 들어, 일부 구현들에서, 인코더 네트워크(202) 및/또는 디코더 네트워크(204)는 집합적으로 또는 반복적으로 훈련될 수 있는 복수의 네트워크를 포함할 수 있다. 이와 같으므로, 도 2의 네트워크 입력(208)은 원래 정보(예를 들어, 상기에서 도 1의 입력 정보(108) 및/또는 CSI(118))일 수 있거나, 또는 인코더 네트워크(204)에서의 이전의 하나 이상의 계층의 출력일 수 있다. 유사하게, 네트워크 출력(210)은 재구성된 정보[예를 들어, 위의 도 1의 재구성된 정보(110)]를 표현할 수 있거나, 또는 디코더 네트워크(204)에서의 후속하는 하나 이상의 계층에의 입력일 수 있다. 일부 경우들에서, 네트워크들은 본질적으로 순차적이지 않을 수 있으며, 복수의 가능한 아키텍처를 우회하거나 경유하는 다양한 계층들 또는 뉴런들 사이의 연결을 레버리지한다.
훈련 동안, 인코더 네트워크(202) 및/또는 디코더 네트워크(204)는 다양한 유형의 MIMO 채널들을 통해 통신하기 위한 인코딩 및/또는 디코딩 기술을 학습하도록 훈련될 수 있다. 전개 동안, 인코더 네트워크(202) 및/또는 디코더 네트워크(204)(훈련되었음)는 인코더 및/또는 디코더에서 구현될 수 있다. 대안적으로, 일부 전개 시나리오들에서, 전개된 인코더 및 디코더는 인코더 네트워크(202) 및/또는 디코더 네트워크(204)를 훈련한 결과들에 기초하는 단순화된 인코딩 및 디코딩 매핑을 활용할 수 있다. 후자의 시나리오에서, 인코더 네트워크(202) 및/또는 디코더 네트워크(204)는 훈련 동안에만 활용되며, 실세계 시스템들에 전개되는 더 단순화된 인코더들 및 디코더들에서 활용될 수 있는 학습된 인코딩 및/또는 디코딩 기술을 제공한다. 이러한 단순화된 전개 시나리오들에 대한 추가 논의는 아래에서 도 7과 관련하여 제공된다.
도 2의 예에서, 인코더 네트워크(202) 및 디코더 네트워크(204)는 오토인코더로서 구성된 신경망 구조(200)를 이용하여 구현된다. 오토인코더 구조의 시나리오에서, 인코더와 디코더는 MIMO 채널(206)을 통한 통신을 위한 최상의 정보 표현을 학습하도록 공동으로 훈련된다. 그러나, 일반적으로 네트워크 구조(200)는 공동으로 또는 반복적으로 훈련될 수 있는 인코더 네트워크(202) 및 디코더 네트워크(204)에서의 별개의 네트워크들로서 구성될 수 있다. 훈련 동안, 인코더 네트워크(202) 및/또는 디코더 네트워크(204)는 네트워크 업데이트 프로세스(216)에 의해 업데이트될 수 있다.
일반적으로, 인코더 네트워크(202) 및/또는 디코더 네트워크(204)는 입력들 및 중간 값들의 곱셈들, 나눗셈들 및 합산들, 또는 다른 연산들의 하나 이상의 컬렉션, 및 선택적으로 그에 뒤따르는 비선형성들[예컨대, 정류 선형 유닛들(rectified linear units), 시그모이드 함수(sigmoid function) 또는 다른 것들] 또는 다른 연산들[예를 들어, 정규화(normalization)]을 포함할 수 있고, 이들은 피드-포워드 방식으로 또는 피드백 및 계층-내(in-layer) 연결들을 갖는 방식으로[예를 들어, 일부 경우들에서 훈련 정보의 시퀀스들이 이용될 수 있는 순환 신경망(RNN)으로] 배열될 수 있다. 예를 들어, 순환 신경망은 하나 이상의 LSTM 메모리 블록을 포함하는 장단기 메모리(long-short term memory)(LSTM) 신경망, 또는 컨볼루션 네트워크의 요소들을 순환망들과 조합하는 준-순환 신경망(quasi-recurrent neural network)(QRNN)일 수 있다.
네트워크에서의 파라미터들 및 가중치들은 완전히 연결된 신경망(DNN)에서와 같이 단일 곱셈을 위해 이용될 수 있고, 또는 그것들은 예를 들어, 컨볼루션 신경망, 확장된 컨볼루션 신경망(dilated convolutional neural network), 잔차 네트워크 유닛, 또는 이와 유사한 것에서와 같이 하나 이상의 수용 필드(receptive field)를 형성하기 위해 네트워크 내의 다중 위치에 걸쳐 "연계(tied)"되거나 복제될 수 있다. 이러한 계층들 중 하나 이상의 계층의 컬렉션은 도 2의 예에 도시된 바와 같이 인코더(202) 및 디코더(204) 둘 다를 구성할 수 있다. 네트워크들에 대한 특정 구조는 설계 시에 명시적으로 지정될 수 있거나, 최상의 성능을 갖는 후보를 확인하기 위해 복수의 가능한 아키텍처 후보로부터 선택될 수 있다.
일부 구현들에서, 인코더 네트워크(202)는 선형 회귀 계층(linear regression layer)을 포함하는 출력 계층을 포함할 수 있다. 디코더 네트워크(204)는 (i) 수신된 RF 신호(214)를 디코딩함에 있어서 재구성된 정보(210)의 회귀를 위한 선형 계층을 포함하는 출력 계층, 또는 (ii) 수신된 RF 신호(214)의 확률 회귀 또는 슬라이싱을 위한 시그모이드 또는 하드-시그모이드 활성화 계층, 또는 (iii) 이산 메시지의 의사 가능성(pseudo-likelihood) 또는 의사 확률, 메시지의 이산 부분, 또는 하나 이상의 비트와 같은 확률적 표현을 계산할 수 있는 SoftwMax 또는 계층적 SoftwMax와 같은 시그모이드 표현들의 조합의 활성화 중 적어도 하나를 포함할 수 있다.
일부 구현들에서, 인코더 네트워크(202) 및/또는 디코더 네트워크(204)는 동기화, 등화 등과 같은 고정된 통신 알고리즘들을 구현하는 하나 이상의 계층을 포함할 수 있다. 이와 같으므로, 일부 시나리오들에서, 인코더 네트워크(202) 및/또는 디코더 네트워크(204)는 네트워크들에서의 그러한 고정된 계층들에 기초한 적합한 인코딩 및/또는 디코딩 기술들을 학습하기 위해 훈련 및 전개될 수 있다. 그러므로, 일반적으로, 본 명세서에 개시된 네트워크 구조(200)는, 예를 들어, 그러한 고정된 알고리즘들 주위에서 최적화하기 위해 머신 러닝 기술들과 함께 실세계 시스템들에 전개될 수 있는 하나 이상의 기존 통신 알고리즘을 통합함으로써, 인코더 네트워크(202) 및 디코더 네트워크(204)의 유연한 설계 및 훈련을 가능하게 한다.
도 2의 예는 구현될 수 있는 네트워크 구조의 하나의 가능한 구현을 도시할 뿐이다. 일반적으로, 구현들은 이러한 특정 유형의 계층들로 제한되지 않으며, 정류 선형 유닛(ReLU), 시그모이드, tanh, 및 다른 것들을 포함하여, 조밀, 완전 연결된(fully connected), 및/또는 DNN 계층들과 같은 계층들 및 비선형성들의 다른 구성들이 이용될 수 있다. 네트워크 구조(200)는 수신된 입력(208)에 대한 출력(210)을 예측하기 위해 이러한 계층들을 이용한다. 일부 구현들에서, 선형 회귀 계층이 인코더(202)의 출력상에 구현될 수 있고, 선형 계층이 디코더(204)의 출력상에 구현될 수 있거나(소프트 디코딩을 위해), 또는 하드-시그모이드 활성화가 디코더(204)의 출력상에 구현될 수 있다(하드 디코딩을 위해).
인코더(202)에 의해 생성되는 다중 송신 신호(212)는 아날로그 형태의 실제 RF 파형들일 수 있거나, 또는 각각이 시간, 주파수, 또는 임의의 다른 신호 표현 기반의 일련의 무선 샘플들일 수 있거나, 또는 입력 정보(208)를 MIMO 채널(206)을 통한 송신을 위한 RF 파형들로 매핑하기 위한 중간 표현들(예를 들어, RF 샘플들, 기저 계수들, RF 파형 값들에 걸친 분포들 등)일 수 있다. 유사하게, 다중의 수신된 신호(214)는 아날로그 형태의 실제 수신된 RF 파형들일 수 있거나, 또는 수신된 RF 파형들을 재구성된 정보(210)로 매핑하기 위한 중간 표현들(예를 들어, RF 샘플들, 기저 계수들, RF 파형 값들에 걸친 분포들 등)일 수 있다. 예를 들어, 인코더(202) 및 디코더(204)가 변분 오토인코더로서 구현되는 시나리오에서, 다중 송신된 RF 신호(212) 및 다중 수신된 RF 신호(214)는 각각이 RF 파형 값들에 걸친 분포를 나타낼 수 있다.
네트워크 구조(200)는 또한 확률적 계층들(예를 들어, 정규화 계층들)일 수 있는, (MIMO 채널 효과들(206)을 모델링하기 위한) 하나 이상의 MIMO 채널 모델링 계층(207)을 포함할 수 있다. 일부 경우들에서, MIMO 채널 모델링 계층들(207)은 컨볼루션 네트워크 계층 가중치들에 대한 가중치 정규화, 조밀 네트워크 계층 활성화들에 대한 활동 정규화, 또는 드롭아웃(dropout) 또는 잡음과 같은 활성화들 또는 가중치들에 대한 다른 확률적 손상들 중 적어도 하나를 가질 수 있다. 일부 경우들에서, 또는 이들에 더하여, 계층들은 MIMO 채널 시스템에 존재하는 비선형성들(예컨대, 증폭기, 안테나, 또는 다른 RF 컴포넌트 거동들)의 추가 근사를 수행할 수 있거나, 또는 계층들은 가중치들 또는 활성화들에 의해 지정되거나 파라미터화된 랜덤 분포로부터 샘플링과 같은 변분 계층들을 레버리지할 수 있다.
일부 구현들에서, MIMO 채널 모델링 계층(들)(207)은 MIMO 채널(206)에서의 손상 효과들을 모델링할 수 있는데, 이는 MIMO RF 매체 및/또는 MIMO 시스템에서의 다중 송신 및/또는 수신 안테나들의 송신 및 수신 컴포넌트들에서의 다양한 유형의 손상들을 포함할 수 있다. 이러한 MIMO 채널 모델링 계층들(207)은 네트워크 구조(200)의 훈련 동안 구현될 수 있으며, 이 경우에 MIMO 채널 모델링 계층(들)(207)은 MIMO 채널(206)의 손상 효과들을 표현하기 위해 전체 오토인코더 구조에서의 하나 이상의 계층으로서 구현될 수 있다. 실제 MIMO 채널들에 걸친 평가 또는 전개 동안, MIMO 채널(206)은 (가능한 송신기 및/또는 수신기 효과들을 포함하는) 실세계 MIMO 통신 채널일 것이고, 대응하는 MIMO 채널 모델링 계층들(207)은 전개로부터 제거될 것이고, 인코더(202) 및 디코더(204)의 네트워크 계층들만이 실제 MIMO 채널(206)상에 전개된다.
그러나, 일반적으로, MIMO 채널 모델링 계층들(207)은 오버피팅(over-fitting)을 방지하거나, 컨볼루션 계층 가중치들에 대한 패널티에서와 같이 드롭아웃을 구현하거나, 최소 에너지 기반을 장려하거나, 또는 조밀 계층 활성화들에 대한 패널티를 구현하여 솔루션들의 희소성(sparsity)을 장려하거나, 또는 보이지 않는 조건들 또는 채널 상태들 또는 거동들에 대한 시스템의 일반화를 개선하는 것과 같은 다양한 이유로 인해, 네트워크 구조(200)의 다양한 상이한 부분들에 대해 구현될 수 있다.
MIMO 채널(206)을 모델링하기 위해 MIMO 채널 모델링 계층(들)(207)을 이용하는 훈련 시나리오들에서, 네트워크 구조(200)는 RF 채널 손상 효과들을 모델링하기 위한 도메인 특정적 정규화를 구현할 수 있다. 예를 들어, MIMO 채널 모델링 계층(들)(207)은 가산성 가우시안 열 잡음, 알려지지 않은 도착 시간 및 도착률(unknown time and rate of arrival), 캐리어 주파수 및 위상 오프셋, 페이딩, 하드웨어 왜곡, 간섭, 및/또는 수신 신호에서의 지연 확산과 같이, 무선 RF 시스템에서 OTA 송신(over-the-air transmission) 동안 발생하는 상이한 유형의 손상들을 모델링할 수 있다.
가우시안 잡음 및 드롭아웃과 같은 이러한 MIMO 채널 모델링 계층들(207)은 훈련 동안 이용되고 실제 채널들에 걸친 평가 또는 전개 동안 제거될 수 있다. 무선 통신들에서, AWGN(Additive White Gaussian Noise)과 같은 가산성 잡음이 채널을 통과한 신호 기저 함수들일 수 있는 상이한 신호 성분들[예를 들어, 동위상(I) 및 직교(Q) 성분들]에 실수값 가우시안 랜덤 변수를 더하는 것에 의해 모델링될 수 있다. 일부 구현들에서, 정규화 계층은 AWGN 효과들 이전에 구현될 수 있으며, 이는 평균 전력 인커밍 활성화들을 예를 들어, 1과 동일한 정규화된 값으로 정규화한다. 이러한 형태의 제약은 광범위한 가능한 파형 설계 기준, 예컨대 최대 전력, 최소 전력, 평균 전력, 평균 진폭, 피크 대 평균 전력비, 또는 하드(hard) 제약으로서 이용될 수 있는 송신 파형의 광범위한 속성들을 시행하기 위해 인코더(202)에 적용될 수 있다. 대안적으로, 유사한 그러한 파형 설계 목적은 아래에서 도 4와 관련하여 더 논의되는 바와 같이, 훈련 동안 네트워크의 손실 함수에 조합되는 소프트 제약들로서 포함될 수 있다.
MIMO 채널 모델링 계층들(207)은 또한 예를 들어, 시간 도메인에서 랜덤한 또는 선험적인 미지의 시프트 및 스케일링을 적용함으로써, 알려지지 않은 도착 시간 및 도달률을 모델링하도록 구현될 수 있고, 이는 무선 전파 시간들이 변하고 분산 무선 시스템들상의 클록들이 동기화되지 않는 시나리오들을 모델링할 수 있다. 이러한 효과들은, 예를 들어, 가우시안 분포들을 갖는 랜덤 시간 시프트 및 랜덤 시간 지체율(random time-dilation rate)에 의해 모델링될 수 있다.
MIMO 채널 모델링 계층들(207)의 다른 예들로서, 캐리어 주파수 및 위상 오프셋은 신호 기저 함수들일 수 있는, 신호 성분들에서의 회전들로서 모델링될 수 있다. 일부 구현들에서, 샘플링은 복소 기저대역 표현들을 이용하여 수행될 수 있는데, 이 경우 도플러 시프트뿐만 아니라, 송신기 및 수신기상의 동기화되지 않은 발진기들로 인한 중심 주파수 및 절대 도달 위상에서의 알려지지 않은 오프셋들이 상이한 신호 성분들의 정적 또는 선형 극성 혼합을 초래할 수 있다. 실제 시스템을 시뮬레이팅하고 일반화를 개선하기 위해, 이러한 MIMO 채널 모델링 계층들(207)은 독립적인 드리프팅 발진기들로 인한 예상 중심 주파수 오프셋 에러에 기초하여 위상 및 주파수 오프셋, 또는 선형 위상 램프(linear phase ramp)를 랜덤하게 선택할 수 있다.
MIMO 채널 모델링 계층들(207)의 또 다른 예로서, 수신된 신호들(214)에서의 지연 확산은 수신기에 도달하는 다중 신호의 다수의 지연된 및 위상 시프트된 사본들의 도착을 시뮬레이팅하도록 모델링될 수 있다. 이것은 선형 시스템으로서 시뮬레이팅되고, 단일 샘플 시간 윈도우에 걸친 안정성을 가정하므로, 랜덤한 비충격 채널 지연 확산 필터(random non-impulsive channel delay spread filter)를 선택할 수 있고, 그것을 수신된 신호와 컨볼루션하여 랜덤 채널 응답에 따라 선형으로 시간 확산된 출력을 획득할 수 있다. 이러한 가정은 예를 들어, 신호 윈도우가 채널 코히어런스 시간보다 작은 시나리오들에서 적절할 수 있다. 채널 코히어런스 시간보다 큰 신호 윈도우가 있는 시나리오들에서, 채널 진행은 어느 정도의 상관을 갖는 시퀀스로서 모델링될 수 있고, 네트워크(200)는 (예를 들어, MIMO 채널에서의 다중 경로로 인한 또는 하드웨어 컴포넌트들 내의 메모리 효과들로 인한) 지연 확산 모드들의 시퀀스를 정정하는 기술을 학습할 수 있다.
이러한 지연 확산 및 코히어런스 시간은, 때로는 매우 짧은 임펄스 채널 응답들을 가질 수 있는 유선 및 공간 기반 무선 시스템들, 또는 긴 지연 확산들을 가질 수 있는 고주파수 및 조밀 다중 경로 무선 시스템들을 포함하여 상이한 유형의 통신 시스템들에서 달라질 수 있다. 일부 구현들에서, 지연 확산은 송신된 RF 신호들(212)에 대한 하나 이상의 컨볼루션 또는 필터링 동작들을 구현하는 MIMO 채널 모델링 계층(207)으로서 모델링된다.
일부 구현들에서, 네트워크 구조(200)는 하나 이상의 고정된 송신 및/또는 수신 기술들과 함께 활용될 수 있고, 그러한 고정된 송신/수신 컴포넌트들에 대해 적합한 인코딩 및 디코딩 동작들을 학습하도록 인코딩 네트워크(202) 및/또는 디코딩 네트워크(204)의 계층들을 적응시킬 수 있다. 예를 들어, 일부 시나리오들에서, 네트워크 구조(200)는 고정 필터링, 샘플링, 변조, 등화, 서브캐리어 할당, 기준 신호 삽입, 인코딩, 또는 다른 송신/수신 기술을 채택할 수 있고, 그러한 고정된 컴포넌트들을 가장 잘 활용하기 위해 전체 통신 시스템을 적응시키는 적합한 네트워크 계층 파라미터들 또는 네트워크 구조들을 학습할 수 있다.
네트워크 구조(200)를 위한 일반적 설계 목적은 다른 목적들 또는 제약들에 종속되어, 재구성된 정보(210)에 대한 요망되는 재구성 성능을 획득할 수 있다. 예를 들어, 시스템의 특정 실현들은 감소된 전력 및/또는 대역폭, 채널을 통해 송신될 RF 신호들(212)의 다른 개선된 속성들, 또는 개선된 계산 복잡성을 선호할 수 있다. 이와 같으므로, 시스템은 이러한 목적들 사이의 절충점을 평가할 수 있으며, 이는 인코딩, 디코딩, 또는 다른 신호 추론 작업들을 위해 이용되는 특정 아키텍처를 결정하는 데 도움을 주기 위해 이용될 수 있다.
도 3a는 채널 상태 정보(CSI)의 도움 없이 다중 안테나 송수신기를 이용하여 MIMO 채널들을 통해 학습된 통신을 수행하기 위해 RF 시스템에서 구현될 수 있는 개루프 네트워크 구조(300)의 예를 도시한다. 이 예에서, 송신기(302)는 머신 러닝 인코더 네트워크를 구현하고, 수신기(304)는 머신 러닝 디코더 네트워크를 구현하고, 각각은, 상기 도 2를 참조하여 상세히 설명된 바와 같이, MIMO 채널(306)을 통해 통신하도록 훈련될 수 있는 하나 이상의 신경망 계층을 포함한다. 그러나, 구현들은 그것으로 제한되지 않고, 시스템들은 송신기(302) 또는 수신기(304) 중 하나에서만 머신 러닝 네트워크들을 구현할 수 있다.
송신기(302)에서의 인코더 네트워크는, 상기 도 2를 참조하여 상세히 설명된 바와 같이, MIMO 채널(306)을 통한 송신을 위해 입력 정보(308)를 다중의 RF 신호(312)로 변환하는 하나 이상의 신경망 계층을 포함한다. MIMO 채널(306)은 상기 도 2를 참조하여 상세히 설명한 바와 같이, MIMO 채널을 모델링하는 하나 이상의 신경망 계층을 포함하고, 송신기 및/또는 수신기 컴포넌트들을 이용하여 송신 및/또는 수신의 효과를 모델링하는 계층들을 추가로 포함할 수 있다. 수신기(304)는, 상기 도 2를 참조하여 상세히 설명된 바와 같이, MIMO 채널(306)로부터 수신된 다중의 RF 신호(314)를 재구성된 정보(310)로 변환하는 하나 이상의 신경망 계층을 포함한다.
훈련 동안, MIMO 채널(306)은 분석, 시뮬레이션, 또는 실제 채널 데이터 모델들을 이용하여 모델링될 수 있다. 예를 들어, 도 3a에서, MIMO 채널(306)은 잡음 계층 외에 곱셈 효과들을 위한 계층을 구현하는 랜덤화된 모델을 이용하여 모델링된다. 일부 구현들에서, MIMO 채널 모델의 계층들은
Figure 112020115101971-pat00013
개의 송신 안테나에 대응하는
Figure 112020115101971-pat00014
개의 입력
Figure 112020115101971-pat00015
에 기초하여
Figure 112020115101971-pat00016
개의 수신 안테나에 대응하는
Figure 112020115101971-pat00017
개의 출력
Figure 112020115101971-pat00018
을 생성하도록 구성되는 행렬
Figure 112020115101971-pat00019
에 따라 입력-출력 변환을 구현할 수 있다.
도 3b는 채널 상태 정보(CSI)의 이익을 이용하여 다중 안테나 송수신기를 이용하여 MIMO 채널들을 통해 학습된 통신을 수행하기 위해 RF 시스템에서 구현될 수 있는 폐루프 네트워크 구조(350)의 예를 도시한다. 도 3b의 예가 수신기에서 생성되고 송신기에 피드백되는 CSI를 도시하지만, 구현들은 이에 제한되지 않고, CSI는 대안으로서 예를 들어, 역방향 채널 또는 역방향 파일럿 신호를 활용함으로써 송신기에서 생성될 수 있다.
위에서 도 3a를 참조하여 논의된 예와 유사하게, 도 3b의 예는 송신기(352)에서의 인코더 네트워크가 MIMO 채널(356)을 통한 송신을 위해 입력 정보(358)를 다중의 RF 신호(362)로 변환하는 하나 이상의 신경망 계층을 포함한다는 것을 보여준다. 수신기(354)는 MIMO 채널(356)로부터 수신된 다중의 RF 신호(364)를 재구성된 정보(360)로 변환하는 하나 이상의 신경망 계층을 포함한다.
그러나, 이 예에서, 도 3b에 있어서, 수신기(354)는 CSI(368)를 생성하여 송신기(352)로 되돌려 송신하는 CSI 추정기(370)를 더 구현한다. CSI(368)는 수신된 RF 신호들(364)에 기초하여 생성될 수 있고, MIMO 채널(356)에 관한 다양한 유형의 정보, 예를 들어, MIMO 채널(356)의 상태, 또는 시스템의 다중 안테나에 관한 공간적 정보, 또는 MIMO 채널(356)의 다중 이용자에 관한 스케줄링 정보를 표시할 수 있다.
이 예에서, 수신기(354)에서의 디코더 네트워크는 랜덤 채널 상태에 대한 명시적 지식을 갖지 않고 재구성된 정보(360)를 생성하지만, 그 다음에 송신기(352)로 되돌려 송신하기 위해(예를 들어, 다음 패킷의 인코딩을 보조하기 위해) CSI(368)로서 랜덤 채널 상태를 추정할 수 있거나, 또는 역방향 링크상에서의 정보의 송신을 위해 추정된 CSI(368)를 직접 이용할 수 있다.
CSI(368)는, MIMO 채널(356)을 통한 송신을 위해 입력 RF 신호들(362)을 생성하기 위해, 입력 정보(308)에 더하여, 송신기(352)에 의해 활용될 수 있다. 이와 같으므로, 현재의 랜덤 채널 상태가 주어지면 MIMO 채널 모델(356)을 효과적으로 활용하도록 향상된 송신 표현을 획득하기 위해 CSI(368)는 송신기(352)에서의 인코딩 네트워크 내로 입력 정보(308)와 함께 조합될 수 있다. 대안적으로 또는 추가적으로, 일부 구현들에서, CSI(368)는, 예를 들어, 개선된 훈련 결과들을 달성하기 위한 훈련 동안, MIMO 채널 모델(356)을 업데이트하기 위해 활용될 수 있다.
일부 구현들에서, CSI 추정기(370)는, 예를 들어, 도 3b에 도시된 바와 같이, 하나 이상의 신경망 계층을 포함하는 머신 러닝 네트워크를 자체적으로 구현할 수 있다. CSI 추정기(370)에서의 CSI 머신 러닝 네트워크는 수신된 RF 신호들(364)의 채널의 랜덤 상태를 표시하는 CSI(368)로의 표현을 학습하게 훈련될 수 있다. 예를 들어, CSI 머신 러닝 네트워크는, MIMO 채널 또는 공간적 정보의 상태, 또는 MIMO 채널의 다중 이용자에 관한 스케줄링 정보를 표시할 수 있는 채널 정보의 표현으로서 CSI를 생성하도록 훈련될 수 있다.
일부 구현들에서, CSI(368)는 학습된 압축되지 않은 채널 정보를 나타내는 "완전 CSI" 학습된 모델(그러나 채널 상태에 대한 완벽한 지식을 나타내지 않고 여전히 전형적으로 추정됨)을 나타낼 수 있거나, 또는 "콤팩트 CSI" 학습된 모델(예를 들어, 부분적/손실성/이산화된 CSI를 이용함)을 나타낼 수 있다. 후자의 시나리오는, 예를 들어, 차원을 감소시키거나 또는 채널 정보를 "CSI 임베딩(embedding)"으로 지칭될 수 있는, CSI로서의 이산 수의 상태들 또는 유한 수의 비트들 중 하나로 양자화 또는 분류함으로써 달성될 수 있다. CSI 임베딩의 이러한 시나리오에서, CSI 추정기(370)에 대해 광범위한 상이한 파라메트릭 머신 러닝 네트워크들이 선택될 수 있어서 CSI가 최소 비트들을 이용하여 정확한 방식으로 채널 정보를 정확하게 표현하도록 한다. CSI 임베딩은 특정 SNR 레벨들, 안테나들의 수, 또는 다중 안테나 전파 조건들에 대해 최적화될 수 있다. 일부 경우들에서, 비트 에러 레이트, 정보 밀도, 신호 선형성, 및 계산 복잡도 면에서 결과적 시스템의 엔지니어링 및 성능 요구를 최상으로 충족시키는 CSI 추정기(370)에서의 CSI 머신 러닝 네트워크를 선택하기 위해 하이퍼-파라미터 최적화 방법 또는 시스템이 이용될 수 있다.
도 4는 다중 안테나 송수신기를 이용하여 MIMO 채널들을 통해 통신하기 위해 학습하도록 적어도 하나의 머신 러닝 네트워크를 구현하는 RF 시스템(400)의 훈련의 예를 도시한다. 시스템(400)은 MIMO 채널(406)을 통해 통신하도록 훈련되는 인코더 네트워크(402)를 구현하는 송신기 및 디코더 네트워크(404)를 구현하는 수신기를 포함한다. 도 4에 도시된 훈련은 전개 전에 구현될 수 있거나, 또는 일부 시나리오들에서 예를 들어 실세계 성능에 기초하여 인코더 네트워크(402) 및/또는 디코더 네트워크(404)를 추가로 업데이트하고 세밀화하기 위해, 전개의 일환으로서 통합될 수 있다.
폐루프 시나리오들에서, 시스템(400)은 또한 CSI 추정기(420)를 포함할 수 있고, 이 추정기는, 앞서 도 3b를 참조하여 이전에 설명된 바와 같이, 인코더 네트워크(402)에 의해 추가적으로 활용되는 CSI(418)를 생성한다. 그러나, 개루프 시나리오에서, 시스템(400)은 CSI 추정기(420)를 구현하지 않는다. 폐루프 시나리오에서, CSI 추정기(420) 자체가 CSI(418)를 생성하도록 훈련될 수 있는 머신 러닝 네트워크를 구현할 수 있다. 그러나, 구현들은 인코딩, 디코딩, 및 CSI 추정 모두에 대해 머신 러닝 네트워크들을 이용하는 것에 제한되지 않고, 일부 구현들은 인코딩 또는 디코딩 중 단 하나에서 머신 러닝 네트워크들을 활용할 수 있거나, 또는 대안적으로, 시스템(400)의 다른 기능성을 위한 사전 설계된 컴포넌트들을 이용하면서, CSI 추정기(420)에 대해서만 머신 러닝 네트워크들을 활용할 수 있다.
일부 구현들에서, 인코더 네트워크(402) 및 디코더 네트워크(404)는 적절한 인코딩 및 디코딩 매핑들을 학습하기 위한 훈련을 위해 활용될 수 있고, 이러한 매핑들은 더 단순화된 인코더들 및 디코더들을 이용하여, 전개된 시스템에서 구현될 수 있다. 예를 들어, 전개된 시스템은 인코더에서의 룩업 테이블들 및 디코더에서의 거리 기반 메트릭들, 또는 인코더 네트워크(402) 및 디코더 네트워크(404)를 훈련한 결과들에 기초하여 설계된 다른 단순화된 형태의 인코딩 및 디코딩을 이용하는 것을 활용할 수 있다. 유사하게, CSI 추정기(420)는 적합한 CSI 추정기들을 학습하도록 훈련하기 위해 활용되는 머신 러닝 네트워크를 구현할 수 있고, 이러한 매핑들은 더 단순화된 CSI 추정기들을 이용하여 전개된 시스템에서 구현될 수 있다. 이러한 단순화된 전개 시나리오들에 대한 추가 논의는 아래에서 도 7과 관련하여 제공된다.
훈련 동안 구현되는 채널(406)은 시뮬레이션을 통해 및/또는 실세계 RF 채널 데이터에 기초하여 획득되는 RF 채널의 모델일 수 있다. 예를 들어, 일부 구현들에서, 훈련은 시뮬레이팅된 채널 모델로 시작할 수 있고, 실세계 전파 환경 또는 이미터 데이터(emitter data)를 반영하는 시뮬레이팅된 전파 모델들에 기초하여 인코더 네트워크(402), 디코더 네트워크(404), 및/또는 CSI 추정기(420)를 훈련할 수 있다. 이어서, 인코더 네트워크(302), 디코더 네트워크(304), 및/또는 CSI 추정기(420)는 훈련 피드백 루프와 함께 하드웨어가 이용되는 실제 채널에 대해 더 훈련될 수 있다.
일부 구현들에서, 채널(406)의 모델은 필터링, 변조 등과 같은, 송신기 및 수신기 컴포넌트들의 효과들을 포함할 수 있다. 예를 들어, 시뮬레이팅된 채널이 훈련을 위해 이용되는 시나리오들에서, 특정 세트의 하드웨어/소프트웨어 및 무선 전개 조건들에 맞는 분석 채널 손상 모델이 활용될 수 있다. 이와 같으므로, 도 4의 훈련은 상이한 실세계 송신기, 수신기, 및 CSI 추정기 시나리오들에 대해서 뿐만 아니라, 상이한 채널 조건들 하에서 동작하는 인코더 네트워크(402), 디코더 네트워크(404), 및/또는 CSI 추정기(420)를 훈련할 수 있다.
훈련 동안, 인코더 네트워크(302), 디코더 네트워크(304), 및/또는 CSI 추정기(420)는 공동으로 훈련되거나 반복적으로 훈련될 수 있다. 예를 들어, 인코더 네트워크(402), 디코더 네트워크(404), 및/또는 CSI 추정기(420)는 (상기 도 2와 관련하여 설명된 바와 같이) 오토인코더로서 공동으로 훈련될 수 있다. 일부 구현들에서, 인코더 네트워크(402), 디코더 네트워크(404), 및/또는 CSI 추정기(420)는 별도로 훈련될 수 있다.
이러한 시나리오들에서, 시스템(400)에서의 머신 러닝 네트워크들 중 하나 또는 일부가 이전의 훈련에 의해 또는 사전 설계된 송신/수신/CSI 방식에 의해 정해질 수 있는 반면, 다른 네트워크들은 정해진 상대방 네트워크들에 적합한 인코딩/디코딩/CSI 전략을 학습하도록 훈련된다. 예를 들어, 인코더 네트워크(402)는 송신된 RF 신호들(412)에 대한 입력 정보(408)의 특정 매핑을 생성하도록 정해질 수 있고, CSI 추정기(420)는 CSI(418)에 대한 수신된 RF 신호들(414)의 특정 매핑을 생성하도록 정해질 수 있다. 한편, 디코더 네트워크(404)는, 정해진 인코더(402) 및 정해진 CSI 추정기(420)에 대해 가장 적합한, 수신된 RF 신호(414)로부터 재구성된 정보(410)로의 매핑을 학습하도록 훈련될 수 있다.
일부 구현들에서, 입력 정보(408)는 훈련 목적으로 활용되는 훈련 데이터에 의해 표현될 수 있다. 훈련 데이터는 입력 정보(408)와는 상이한 형태를 가질 수 있지만, 그럼에도 불구하고 훈련을 목적으로 입력 정보(408)를 표현할 수 있다. 이러한 시나리오들에서, 인코더 네트워크(402)는 제1 정보를 나타내는 훈련 데이터를 처리할 수 있고, 디코더 네트워크(404)는 훈련 데이터에 의해 표현되는 제1 정보(408)의 재구성으로서 재구성된 정보(410)를 생성할 수 있다.
시스템(400)은 원래의 입력 정보(408)와 재구성된 정보(410) 사이의 손실 함수(412)를 계산할 수 있다. 손실 함수(412)는 입력 정보(408)와 재구성된 정보(410) 사이의 임의의 적합한 거리 측도, 예컨대 교차-엔트로피, f-발산, 평균 제곱 오차, 또는 다른 기하학적 거리 메트릭(예를 들어, MAE)일 수 있다. 일부 구현들에서, 손실 함수(412)는 몇 개의 기하학적, 엔트로피 기반, 및/또는 다른 클래스의 거리 메트릭을 거리 또는 손실에 대한 총계 표현으로 조합할 수 있다.
일부 구현들에서, 추가의 손실 항들이, 예를 들어, 2차 목적들을 달성하기 위해(예를 들어, 2차 수신기에 부여되는 간섭을 감소시키기 위해, 또는 피크 대 평균 전력 비율(PAPR)과 같은 유리한 신호 특성들을 개선하거나, 또는 안테나들 사이의 전력을 균형화하기 위해), 이러한 1차 손실 항들과 조합되어 손실 함수(412)에서 이용될 수 있다.
손실 함수(412)를 포함하는 목적을 달성하는 것 외에도, 시스템(400)은 또한 전력, 대역폭, 복잡성, 또는 통신과 관련성 있는 다른 성능 메트릭들과 같은 다른 성능 측도들에 관계된 목적을 달성하도록 구성될 수 있다. 일부 구현들에서, 시스템(400)은 상이한 성능 메트릭들 사이에서의 요구되는 절충을 달성하도록 구성될 수 있다. 예를 들어, 그러한 절충을 달성하는 것은 상이한 메트릭들을 조합하는 목적 함수, 예를 들어, 메트릭들의 가중 조합을 이용하여 구현될 수 있다. 추가로 또는 대안으로서, 이러한 절충은 이용자 선호도 또는 애플리케이션 사양들에 따라 모델을 선택함으로써 달성될 수 있다. 추가로 또는 대안으로서, 시스템(400)은 전력, 대역폭, 재구성 에러 등에 대한 제약들과 같은 성능 메트릭들에 대한 하나 이상의 하드(hard) 제약을 구현할 수 있다.
일부 구현들에서, 네트워크 업데이트 프로세스(416)는 다양한 성능 메트릭에 기초하여 인코더 네트워크(402), 디코더 네트워크(404), 및/또는 CSI 추정기(420)를 업데이트할 수 있다. 이 업데이트는 인코더 네트워크(402), 디코더 네트워크(404), 및/또는 CSI 추정기(420)에서 네트워크들의 네트워크 아키텍처들, 파라미터들, 및 가중치들에 대한 업데이트들을 포함할 수 있다. 예를 들어, 업데이트는 네트워크(들)의 하나 이상의 계층에서 가중치들 또는 파라미터들을 업데이트하는 것, 네트워크(들)에 대한 머신 러닝 모델들을 선택하는 것, 또는 계층들의 선택, 계층-하이퍼파라미터들, 또는 다른 네트워크 특징들과 같은 특정 네트워크 아키텍처를 선택하는 것을 포함할 수 있다. 논의된 바와 같이, 업데이트는 공동 또는 반복 방식으로, 또는 (네트워크들 중 하나 또는 일부가 정해진 경우에서와 같이) 개별적으로 인코더 네트워크(402), 디코더 네트워크(404), 및/또는 CSI 추정기(420)에 대해 구현될 수 있다.
위에서 논의된 바와 같이, 네트워크 업데이트 프로세스(416)에 의해 수행되는 업데이트들은 전개 전에 적절한 인코딩, 디코딩, 및/또는 CSI 추정 기술들을 학습하기 위해 훈련 동안 수행될 수 있고, 및/또는 (전개된 인코더, 디코더, 또는 CSI 추정기가 머신 러닝 네트워크들을 구현하는 경우) 전개 동안 수행되어 실세계 전개 성능 결과들에 기초하여 머신 러닝 네트워크들을 추가로 업데이트할 수 있다.
일부 구현들에서, 네트워크 업데이트 프로세스(416)는, 앞서 논의한 손실 함수(412) 및 다른 성능 메트릭들을 포함할 수 있는, 원하는 목적 함수를 달성하기 위해 인코더 네트워크(402), 디코더 네트워크(304), 및/또는 CSI 추정기(420)를 업데이트할 수 있다. 일부 구현들에서, 네트워크 업데이트 프로세스(416)는 진화, 경사 하강법(gradient descent), 확률적 경사 하강법(stochastic gradient descent), 또는 다른 해결 기술들 중 하나와 같은 최적화 방법을 이용할 수 있다.
경사(gradient) 기반 업데이트들의 예로서, 네트워크 업데이트 프로세스(416)는, 예를 들어, 목적 함수의 경사를 계산하거나 근사화함으로써 인코더 네트워크(402), 디코더 네트워크(404), 및/또는 CSI 추정기(420)에서의 변동들에 대한 목적 함수의 변화율을 계산할 수 있다. 이러한 편차들은, 예를 들어, 도 4의 예에 도시된 바와 같이 하나 이상의 네트워크 계층의 가중치들에서의 편차들, 또는 다른 네트워크 아키텍처 선택안들을 포함할 수 있다. 채널(406)이 실제 RF 채널 데이터에 기초하고 폐쇄 형태의 경사 해결법을 갖지 않는 시나리오들에서, 목적 함수의 경사를 추정하기 위해 대략적인 방법이 이용될 수 있다.
목적 함수의 계산된 변화율에 기초하여, 네트워크 업데이트 프로세스(416)는 인코더 네트워크(402)에 대한 제1 편차 및/또는 디코더 네트워크(404)에 대한 제2 편차, 및/또는 CSI 추정기(420)에 대한 제3 편차를 결정할 수 있다. 이러한 편차들은, 예를 들어, Adam, AdaGrad, Nesterov SGD, 또는 다른 것들과 같은 SGD(Stochastic Gradient Descent) 스타일 최적화기들을 이용하여 계산될 수 있다. 일부 구현들에서, 이러한 편차들은 진화 알고리즘들 또는 PSO(particle swarm optimizations)와 같은 직접 검색을 위한 다른 스케일가능한 방법들을 이용하여 계산될 수 있다.
일단 편차들이 결정되면, 네트워크 업데이트 프로세스(416)는 이후 그 편차들을 적절한 머신 러닝 네트워크에 적용한다. 예를 들어, 네트워크 업데이트 프로세스(416)는 인코더 네트워크(402)의 하나 이상의 계층에서의 적어도 하나의 인코딩 네트워크 가중치, 디코더 네트워크(404)의 하나 이상의 계층에서의 적어도 하나의 디코딩 네트워크 가중치, 및/또는 CSI 추정기(420)의 하나 이상의 계층에서의 적어도 하나의 디코딩 네트워크 가중치를 업데이트할 수 있다.
일반적으로, 시스템(400)의 머신 러닝 네트워크를 업데이트하는 것은 네트워크 가중치를 업데이트하는 것으로 제한되지 않고, 다른 유형의 업데이트가 구현될 수 있다. 예를 들어, 머신 러닝 네트워크들을 업데이트하는 것은 복수의 인코딩 모델 중에서 인코더 네트워크(402)에 대한 머신 러닝 모델을 선택하는 것, 디코더 네트워크(404)에 대한 머신 러닝 모델을 선택하는 것, 및/또는 복수의 CSI 추정 모델 중에서 CSI 추정기(420)에 대한 머신 러닝 모델을 선택하는 것을 포함할 수 있다. 그러한 구현들에서, 머신 러닝 모델들을 선택하는 것은 계층들, 계층-하이퍼파라미터들, 또는 다른 네트워크 특징들의 선택과 같이 특정 네트워크 아키텍처를 선택하는 것을 포함할 수 있다.
인코더 네트워크(402), 디코더 네트워크(404), 및/또는 CSI 추정기(420)는 MIMO 채널(406) 및/또는 CSI 피드백 채널들의 다양한 훈련 모델들을 통해 훈련될 수 있으며, 이는 동일한 유형의 또는 상이한 유형들의 MIMO 채널 모델들의 것일 수 있다. 채널(406)에 대한 모델들의 세트의 구성에 좌우되어, 인코더 네트워크(402), 디코더 네트워크(404), 또는 CSI 추정기(420) 중 적어도 하나는 특정 타입의 MIMO 채널 및/또는 CSI 피드백 채널, 또는 광범위하고 상이한 타입의 MIMO 채널들 및/또는 CSI 피드백 채널들을 통해 통신하도록 최적화될 수 있다.
일부 구현들에서, MIMO 채널(406)의 모델은 다수의 상이한 모드로 범주화될 수 있다. 훈련 동안, 인코더 네트워크(402), 디코더 네트워크(404), 및/또는 CSI 추정기(420)는 MIMO 채널(406)의 상이한 모드들에 대해 훈련될 수 있다. 이러한 모드들 각각에 대해, 머신 러닝 네트워크(들)는 상이한 채널 모드들에 대한 적합한 인코딩/디코딩/CSI 추정 기술들을 학습할 수 있다. MIMO 채널(406)의 상이한 모드들은, 잡음, SNR, 지연 확산, 채널 변동들의 레이트, 대역폭의 레벨 등과 같은, 채널 상태의 임의의 적절한 범주화를 나타낼 수 있다. 유사하게, CSI 추정기(420)는, 예를 들어, 상이한 레벨들의 잡음, 대역폭 등을 나타내는 CSI 피드백 채널의 상이한 모드들에 대해 훈련될 수 있다.
일부 구현들에서, MIMO 채널(406)이 시뮬레이팅된 채널인 것을 대신하여, 실제 채널이 인코더 네트워크(402) 및/또는 디코더 네트워크(304)를 훈련하기 위해 이용될 수 있다. 이러한 구현들에서, 추가의 송신 및 수신 컴포넌트들(하드웨어 또는 소프트웨어)이 실제 채널을 통해 아날로그 RF 파형들을 송신 및 수신하도록 구현될 수 있다. 이러한 송신 및 수신 컴포넌트들은 인코더 네트워크(402) 및 디코더 네트워크(404)에서 구현될 수 있거나, 또는 이들의 효과들은 MIMO 채널(406)의 모델에서 설명되는 채널 효과들에 포함될 수 있다. 이와 같으므로, 도 4의 훈련은, 적합한 인코딩/디코딩/CSI 추정 기술들을 학습하도록 인코더 네트워크(402), 디코더 네트워크(404), 및/또는 CSI 추정기(420)를 훈련하기 위해 시뮬레이팅되든 실제이든 간에 관계없이 임의의 적합한 MIMO 채널(406)을 통해 수행될 수 있다.
일부 구현들에서, 측정들은 실세계 환경에서의 참조 사운딩을 이용하여 MIMO 통신 시스템의 훈련 동안에 MIMO 채널 모델(406)에 대한 무선 채널 전파 정보로 이루어질 수 있다. 이러한 시스템에서, MIMO 사운딩 레코더(이것은 핸드셋 또는 모바일 디바이스 내에 통합될 수 있거나, 또는 드론 또는 차량 등의 모바일 내장형 디바이스들 내에 통합될 수 있음)는 셀룰러 타워들(또는 다른 유사한 액세스 포인트들, 기지국들, 또는 RF 송수신기/게이트웨이들)과, MIMO 사운딩 레코더와 동일한 위치에 있을 폰, 랩톱, 또는 사물 인터넷(IoT) 디바이스와 같은 모바일 디바이스 사이의 무선 채널 경로들의 효과를 특징짓기 위해 이용될 수 있다. 이 경우에, 셀룰러 타워들은 공지된 P/N 시퀀스, 프리앰블 또는 다른 참조 신호의 송신과 같은 참조 신호 생성 프로세스, 믹서들, 디지털-투-아날로그 컨버터들, 필터들, 증폭기들 등과 같은 무선 송신 하드웨어, 및 송신 안테나들의 세트를 이용할 수 있다. 이들 신호들은 사운딩 레코더에서 송신기 안테나들과 수신기 안테나들 사이의 실세계 MIMO 채널에서의 무선 채널 경로들의 세트에 걸쳐서 발산된다. 무선 튜닝 및 아날로그-투-디지털 변환기(ADC)는 MIMO 사운딩 레코더에서 송신된 신호를 수신하고 디지털화한다. 일부 구현들에서, 선택적인 동기화 알고리즘이 참조 신호에 대한 추정 또는 동기화 작업들을 찾아내고 수행하기 위해 이용된다.
후속하여, 측정 시에 무선 채널 경로들에 존재하는 조건들의 기록을 유지하기 위해 디바이스상에 무선 채널 응답, 도출된 정보 또는 원시 수신 신호가 저장된다. 위치 정보 수신 및 저장은 또한 MIMO 사운딩 레코더상의 일부 구현들에서 수행되어 이 정보를 MIMO 채널 환경에 관한 공간적 정보와 상관시킬 수 있으며, 이는 MIMO 통신 시스템들의 훈련 또는 전개 동안 나중에 이용될 수 있다. 이 저장된 정보는 새로운 무선 통신 시스템들의 훈련 동안 기록된 사운딩 데이터로부터 MIMO 채널 모델들(406)을 생성하기 위해 이용될 수 있는 실제 측정된 채널 전파 조건들의 큰 경험적 데이터 세트에 기여할 수 있다.
훈련 동안, 인코더 네트워크(402)는 입력 정보(408)로부터 다중의 송신된 RF 신호(412)로의 매핑을 학습하도록 구성될 수 있다. 유사하게, 디코더 네트워크(404)는 다중의 수신된 RF 신호(414)로부터 재구성된 정보(410)로의 역 매핑을 학습하도록 구성될 수 있다. 앞서 논의된 바와 같이, 송신된 RF 신호(412) 및 수신된 RF 신호(414)는 MIMO 채널을 통해 송신되고 수신되는 아날로그 RF 파형을 나타낼 수 있거나, 또는 필터들, 변조기들, 등화기들 등과 같은 하나 이상의 다른 컴포넌트에 의한 처리를 통해 아날로그 RF 파형들로 변환되고 그로부터 변환되는 중간 표현들(예를 들어, RF 파형들의 샘플, 기저 함수들의 계수들, RF 파형들에 걸친 분포 등)을 나타낼 수 있다. 예를 들어, 인코더 네트워크(402) 및 디코더 네트워크(404)가 (위에서 도 2에 관하여 논의된 바와 같이) 변분 오토인코더로서 구현되는 시나리오에서, RF 신호들(412 및 414)은 RF 파형 값들에 걸친 분포를 나타낼 수 있다. 일반적으로, 송신된 RF 신호들(412) 및 수신된 RF 신호들(414)은 특정 채널 또는 채널들의 클래스를 통해 정보를 인코딩 및 디코딩하기 위해 인코더 네트워크(402) 및 디코더 네트워크(404)에 의해 학습되는 임의의 적절한 RF 신호 표현들을 나타낼 수 있다.
일부 구현들에서, 인코딩 및 디코딩 매핑들은 기저 함수들의 세트를 수반할 수 있다. 기저 함수들은 입력 정보(408)를 그 각각이 기저 계수들의 세트일 수 있는 송신된 RF 신호들(412), 또는 기저 함수들의 가중 조합인 RF 파형, 또는 기저 함수들의 특정 세트를 이용하는 다른 적절한 표현으로 변환하기 위해 인코더 네트워크(402)에 의해 이용될 수 있다. 유사하게, 디코더 네트워크(404)는, 예를 들어, 기저 함수들을 생성하기 위해 기저 함수들의 세트상으로의 RF 신호들(414) 각각의 사영들을 취함으로써, 또는 RF 신호들(414) 각각이 그 자체가 기저 계수들의 세트인 시나리오에서 RF 신호들(414) 각각에서의 기저 계수들을 재구성된 정보(410)로 변환함으로써, 수신된 RF 신호들(414)을 처리하여 재구성된 정보(410)를 생성하도록 기저 함수들의 동일한 세트를 이용할 수 있다.
기저 함수들은 기저 함수들의 직교 또는 비-직교 세트의 임의의 적합한 세트일 수 있다. 예를 들어, 기저 함수들은 동위상 및 직교 위상(I/Q) 신호들, 푸리에 기저 함수들, 다항식 기저 함수들, 가우시안 기저 함수들, 지수함수적 기저 함수들, 웨이블릿 기저 함수들, 또는 이들의 조합 및/또는 채널을 통해 송신되는 RF 파형들을 표현하기 위해 활용될 수 있는 기저 함수들의 다른 적절한 세트일 수 있다. 기저 함수들은 상이한 위상, 진폭, 및/또는 주파수 성분들을 가질 수 있다. 일부 구현들에서, 기저 함수들은 파라미터화될 수 있고, 훈련은 기저 함수들의 파라미터들에 걸쳐 최적화하는 것을 수반할 수 있다.
인코더 네트워크(402) 및 디코더 네트워크(404)를 훈련하는 것은 임의의 적절한 세트의 초기 조건들로 시작할 수 있다. 예를 들어, 훈련은 특정 조건들에 종속되는 랜덤한 기저 함수들의 세트로 시작할 수 있다. 대안적으로, 훈련은, 직교 위상-시프트 키잉(Quadrature Phase-Shift Keying, QPSK) 또는 가우시안 이진 주파수 시프트 키잉(Gaussian Frequency Shift Keying, GFSK), 직교 주파수 분할 다중 액세스(OFDM), 이전에 훈련된 머신 러닝 네트워크들의 세트, 또는 기타 고정된 기저 함수들의 세트를 포함하는 공통으로 이용되는 RF 통신 기저 함수들과 같은, 기저 함수들의 고정된 세트로 시작할 수 있다.
훈련 동안, 인코더 네트워크(402) 및 디코더 네트워크(404)는 인코딩 및 디코딩의 결과들에 따라 개선된 기저 함수들을 학습하려고 시도한다. 인코더(402) 및 디코더(404)를 훈련하는 것은, 예를 들어, 그리디 검색(greedy search) 또는 다른 최적화 유형 알고리즘을 이용하여 기저 함수들의 세트에 걸쳐 또는 상이한 기저 함수들의 세트들에 걸쳐 최적화하는 것을 수반할 수 있다.
일부 구현들에서, 입력 정보(408)는 훈련 정보 세트로부터 선택될 수 있다. 일부 구현들에서, 입력 정보(408)는 이진 정보, 이산 시간 정보, 아날로그 파형들, 또는 다른 클래스의 정보와 같은 특정 클래스의 정보에 제한될 수 있다. 그러한 시나리오들에서, 시스템(400)은 (특정 채널 또는 채널들의 클래스를 통해) 해당 특정 클래스의 정보를 통신하도록 튜닝된 통신 인코딩 및 디코딩 기술을 학습하도록 훈련될 것이다. 상이한 타입들의 정보(408) 및 상이한 타입들의 MIMO 채널들(406)에 대해 훈련함으로써, 시스템(400)은 상이한 통신 시나리오들에 적용가능한 상이한 인코딩 및 디코딩 동작들을 학습하도록 훈련될 수 있다.
손실 함수(412)는 입력 정보(408)와 재구성된 정보(410) 사이의 거리의 임의의 적절한 측도, 또는 측도들의 조합일 수 있다. 예를 들어, 손실 함수(412)는 교차 엔트로피, f-발산, 평균 제곱 오차(MSE), MSE에 따라 그렇지만 판정 임계의 잘못된 쪽에 속하는 값들에 대해서만 예측 값들에 불이익을 주는 클리핑된 MSE, 또는 손실에 지수함수적으로 불이익을 주는 지수함수적 손실 함수, 또는 다른 적절한 거리 메트릭(들)을 포함할 수 있다.
또한, 위에서 논의된 바와 같이, 다른 성능 메트릭들이, 예를 들어, 손실 함수(412)의 일부로서 및/또는 하드 제약들 등으로서 훈련에 통합될 수 있다. 예를 들어, 이러한 성능 메트릭들은 CER(codeword error rate), 신호 대 잡음비(SNR)의 함수로서의 BER(bit error rate), 통신 대역폭, 통신 전력, 스펙트럼 효율(특정 SNR에서 고정된 대역폭 채널을 통해 송신될 수 있는 초당 비트들의 수)을 포함할 수 있다. 그러한 메트릭들 중 임의의 하나 또는 조합은 손실 함수(412)의 일부로서 (예를 들어, 가중 조합으로서) 및/또는 손실 함수(412)에 더하여 하드 제약들로서 훈련 동안 활용될 수 있다.
도 5는 다중 안테나 송수신기를 이용하여 CSI의 피드백과 MIMO 채널들을 통해 통신하도록 학습하기 위해 적어도 하나의 머신 러닝 네트워크를 구현하는 RF 시스템을 훈련하는 예시적인 방법(500)을 도시하는 흐름도이다. 훈련 방법(400)은 컴퓨터 저장 매체상에 인코딩된 명령어들을 실행하는 하나 이상의 CPU, GPU, DSP, FPGA, ASIC, TPU, 또는 뉴로모픽 칩 또는 벡터 가속기와 같은 하나 이상의 프로세서에 의해 수행될 수 있다.
훈련 방법(500)은 송신기 및 수신기를 결정하는 것을 포함하고, 그 중 적어도 하나는 적어도 하나의 머신 러닝 네트워크를 구현하도록 구성된다(502). 앞서 논의한 바와 같이, 적어도 하나의 머신 러닝 네트워크는 인코딩 머신 러닝 네트워크, 디코딩 머신 러닝 네트워크, 및/또는 CSI 추정 머신 러닝 네트워크일 수 있다.
방법(500)은 MIMO 통신 채널(504)의 송신 효과들을 나타내는 MIMO 채널 모델을 결정하는 단계를 추가로 포함한다. 앞서 논의한 바와 같이, MIMO 채널 모델은 분석 모델들, 시뮬레이션 모델들, 또는 실세계 전파 데이터를 이용하여 구현될 수 있다.
방법(500)은 MIMO 채널 모델을 통한 송신을 위한 제1 정보를 결정하는 단계(506)를 추가로 포함한다. 위에서 논의된 바와 같이, 제1 정보는 임의의 적절한 이산 시간, 아날로그, 이산 값, 또는 연속 값 정보일 수 있다. 예를 들어, 일부 경우들에서, 이러한 입력 정보는 백색화된 이산 비트들 또는 심볼들일 수 있거나, 또는 다른 경우들에서, 입력 정보는 백색화되지 않은 정보 소스의 분포를 따를 수 있다. 위의 도 4와 관련하여 앞에서 논의된 바와 같이, 일부 구현들에서, 제1 정보는 훈련 목적으로 활용되는 훈련 데이터에 의해 표현될 수 있다. 그러한 시나리오들에서, 훈련 데이터는 제1 정보와는 상이한 형태를 가질 수 있지만, 그럼에도 불구하고 훈련 목적을 위해 제1 정보를 표현할 수 있다.
방법(500)은 송신기를 이용하여 제1 정보를 처리하고 MIMO 채널 모델에 대한 입력들을 나타내는 복수의 제1 RF 신호를 생성하는 단계(508)를 추가로 포함한다. 앞서 논의한 바와 같이, 일부 구현들에서 제1 정보는 훈련 데이터에 의해 표현될 수 있고, 이 경우에 송신기는 제1 정보를 표현하는 훈련 데이터를 처리한다. 또한, 위에서 논의된 바와 같이, 생성된 제1 RF 신호는 채널을 통해 송신되는 아날로그 RF 파형을 표현할 수 있거나, 또는 아날로그 RF 파형을 생성하기 위한 추가 처리(예를 들어, 필터링, D/A 변환, 변조 등)를 겪은 중간 표현(예를 들어, 샘플들, 기저 계수들, RF 파형들에 걸친 분포 등)일 수 있다. 이러한 인코딩 프로세스는 위에서 도 4와 관련하여 논의된 바와 같이 입력 정보 공간으로부터 RF 신호 공간으로의 임의의 적절한 매핑을 활용할 수 있다. 폐루프 시나리오들에서, 제1 정보를 처리하는 것은 또한, 앞의 도 3b를 참조하여 논의된 바와 같이, CSI 추정기에 의해 생성되는 CSI를 처리하는 것을 포함할 수 있다.
방법(500)은 MIMO 채널 모델의 출력들을 표현하는 복수의 제2 RF 신호를 결정하는 단계를 추가로 포함하고, 복수의 제2 RF 신호 중 각각의 제2 RF 신호는 MIMO 채널 모델을 통한 송신에 의해 변경된 복수의 제1 RF 신호들의 총계 수신을 나타낸다(510). 훈련 시나리오들에서, 통신 채널의 효과들은 시뮬레이션 및/또는 실제 채널 데이터에 의해 획득된 채널의 모델에 의해 구현될 수 있거나, 또는 실세계 통신 채널에 의해 구현될 수 있다. 위에서 논의된 바와 같이, 제2 RF 신호들 각각은 채널을 통해 수신되는 아날로그 RF 파형을 표현할 수 있거나, 또는 수신된 아날로그 RF 파형을 처리(예를 들어, 필터링, 샘플링, 등화 등)한 결과인 중간 표현(예를 들어, 샘플들, 기저 계수들, RF 파형들에 걸친 분포들 등)일 수 있다.
방법(500)은 수신기를 이용하여 복수의 제2 RF 신호를 처리하고 제1 정보의 재구성으로서 제2 정보를 생성하는 단계(512)를 추가로 포함한다. 위의 도 4와 관련하여 앞서 논의된 바와 같이, 일부 구현들에서, 제1 정보는 훈련 목적을 위해 활용되는 훈련 데이터에 의해 표현되었을 수 있다. 그러한 시나리오들에서, 입력 훈련 데이터는 원래의 제1 정보와는 상이한 형태를 가질 수 있지만, 그럼에도 불구하고 수신기는 훈련 데이터에 의해 표현된 제1 정보의 재구성으로서 제2 정보를 생성할 수 있다. 이 디코딩 프로세스는 위에서 도 4와 관련하여 논의된 바와 같이 RF 신호 공간으로부터 재구성된 정보 공간으로의 임의의 적절한 매핑을 활용할 수 있다.
방법(500)은 제2 정보와 제1 정보 사이의 거리 측도를 계산하는 단계(514)를 추가로 포함한다. 이러한 거리 측도는 손실 함수[예를 들어, 도 4의 손실 함수(318)]로서 구현될 수 있고, 원본 입력 정보와 제2(재구성된) 정보 사이의 차이 또는 오차를 표현할 수 있다. 예로서, 거리 측도는 교차 엔트로피, 평균 제곱 오차, 또는 다른 기하학적 거리 메트릭(예를 들어, MSE, MAE, KL 발산, f-발산)을 포함할 수 있거나, 또는 몇 개의 기하학적 및/또는 엔트로피 기반 거리 메트릭을 거리에 대한 총계 표현으로 조합할 수 있다.
방법(500)은 제2 정보와 제1 정보 사이의 거리 측도에 기초하여 적어도 하나의 머신 러닝 네트워크를 업데이트하는 단계(514)를 추가로 포함한다. 이러한 업데이트는 앞서 논의한 바와 같이 공동 또는 반복 방식으로, 또는 개별적으로 송신기 및/또는 수신기에서의 머신 러닝 네트워크들에 적용될 수 있다. 폐루프 시나리오에서, 업데이트는 수신기에서의 CSI 추정기에 적용될 수 있다. 업데이트들은 일반적으로, 위에서 도 4와 관련하여 논의된 바와 같이, 네트워크 가중치들, 아키텍처 선택, 머신 러닝 모델, 또는 다른 파라미터 또는 연결성 설계와 같은 송신기 및/또는 수신기의 임의의 적절한 머신 러닝 네트워크 특징을 업데이트하는 것을 포함할 수 있다. 예로서, 일부 구현들에서, 송신기 및/또는 수신기가 MIMO 채널을 통해 통신하기 위해 기저 함수들의 세트를 학습하도록 훈련되는 경우, 업데이트 프로세스는 송신기 및/또는 수신기에서 활용되는 기저 함수들의 세트를 업데이트하는 것을 포함할 수 있다.
도 6a 및 도 6b는 CSI의 도움 없이(즉, 개루프 시나리오) MIMO 채널을 통한 통신을 위해 머신 러닝 네트워크들에 의해 학습될 수 있는 상이한 타입들의 송신 및 수신 RF 신호들의 예들을 도시한다. 신호들은 앞서 논의된 송신된 RF 신호들(412) 및 상기 도 4에서의 수신된 RF 신호들(414)에 대응할 수 있다.
특히, 도 6a 및 도 6b는 2개의 입력 및 2개의 출력(2x2) MIMO 채널에 대한 개루프 송신 성상도들(도 6a 및 도 6b 각각에서의 상위 2개의 도면) 및 개루프 수신 성상도들(도 6a 및 도 6b 각각에서의 하위 2개의 도면)을 도시한다. 도 6a는 채널 전이 행렬 H의 모든 엔트리들이 랜덤하게 선택되는 MIMO 채널에 대한 다수의 랜덤 채널 샘플에 걸친 송신 및 수신 성상도들을 보여주는 반면, 도 6b는 모두 1들인 H 행렬에 대한 성상도들을 보여준다. 보여진 바와 같이, 각각의 채널에 대해 대략 균일한 전력을 갖는 H 행렬에 대해, 머신 러닝 디코더 네트워크는 거의 일정한 진폭 위상 인코딩을 갖는 수신 파형을 학습하는 반면, 인코더 네트워크는 2k=16 비트의 상당히 랜덤한 배열들인 것으로 보이는 송신 성상도들을 학습하여, 비표준 16-QAM 타입 배열을 형성한다.
따라서, 이러한 훈련에 기초하여, 인코더 및/또는 디코더는 상이한 채널 조건들(예를 들어, 상이한 채널 전이 행렬 H)에 대한 송신 및 수신 성상도들의 상이한 세트들을 적응적 방식으로 활용하도록 전개될 수 있다. 예를 들어, 머신 러닝 네트워크들이 실세계 통신 시스템에 전개되는 시나리오들에서, 시스템은 채널 상태 정보(CSI)를 획득하고, 채널의 상태에 따라 인코더 네트워크 및/또는 디코더 네트워크를 조절할 수 있다. 채널의 상태에 좌우되어, 인코더 네트워크 및/또는 디코더 네트워크는 동일한 성상도들의 세트에 대한 파라미터들(예를 들어, 송신 전력)을 단순히 조절할 수 있거나, 또는 성상도들의 세트를 완전히 변경할 수 있다(예를 들어, 도 6a 및 도 6b에서 성상도들 사이에서 스위칭함으로써). 이러한 업데이트들은 완전한 머신 러닝 네트워크들을 이용하지 않고, 대신에 대응하는 인코더 머신 러닝 네트워크 및 디코더 머신 러닝 네트워크를 훈련한 결과들에 기초하여 단순화된 인코딩 및/또는 디코딩 기술을 활용하는 단순화된 인코더들 및/또는 디코더들에 기초하여 전개 동안 수행될 수 있다.
도 6c 및 도 6d는 CSI의 혜택을 갖는(즉, 폐루프 시나리오) MIMO 채널을 통한 통신을 위해 머신 러닝 네트워크들에 의해 학습될 수 있는 상이한 타입들의 송신 및 수신 RF 신호들의 예들을 도시한다. 신호들은 앞서 논의된 송신된 RF 신호들(412) 및 상기 도 4에서의 수신된 RF 신호들(414)에 대응할 수 있다.
특히, 도 6c 및 도 6d는 1-비트 CSI 및 2-비트 CSI를 갖는 2-입력 및 2-출력(2x2) MIMO 채널에 대한 폐루프 송신 성상도(도 6c 및 도 6d 각각에서의 4개 도면의 상부 행) 및 폐루프 수신 성상도들(도 6c 및 도 6d 각각에서의 4개 도면의 하부 행)을 도시한다. 도 6c는 채널 전이 행렬 H의 모든 엔트리들이 랜덤하게 선택되는 MIMO 채널에 대한 다수의 랜덤 채널 샘플에 걸친 송신 및 수신 성상도들을 보여주는 반면, 도 6d는 모두 1들인 H 행렬에 대한 성상도들을 보여준다.
도 6c 및 도 6d에 도시된 1-비트 CSI 시나리오에 대해, 송신기 및 수신기가 다중 레벨 성상도 스킴을 학습하고, 여기서 제1 안테나 및 제2 안테나는 2개의 별개의 전력 레벨에서 상수 모듈러스 인코딩들을 송신한다는 것을 알 수 있다. 도 6c 및 도 6d에 보여진 2-비트 CSI 시나리오에 대해, 송신기가 각각의 송신기상의 불규칙한 16-QAM과 유사하게 복잡한 다중 레벨 송신 스킴을 학습하고, 및 수신기가 대략 동일한 전력 경로들에 대해, 대략적으로 상수 모듈러스 성상도들을 학습하는 것을 알 수 있다.
도 7은 실세계 MIMO 통신 채널을 통해 학습된 정보 통신을 위해 전개될 수 있는 송신기 및 수신기를 갖는 시스템(700)의 예를 도시한다. 시스템(700)은 실세계 MIMO 채널(706)을 통해 통신하도록 전개되는 송신기(702) 및 수신기(704)를 포함한다.
송신기(702)는 통신될 입력 정보(708)를 수신하고, 다중의 송신 안테나를 통한 송신을 위해 입력 정보(708)를 다중의 RF 신호(712)로 매핑한다. 송신기(702)에 의해 활용되는 인코딩 매핑은 위에서 도 2 내지 도 4에 관련하여 설명된 훈련을 이용하여 정보를 RF 신호들로 인코딩하는 방법을 학습한 머신 러닝 네트워크의 이전 훈련에 기초하여 설계될 수 있다. 예를 들어, 송신기(702)는 아래에 더 논의되는 바와 같이, 전개 동안 훈련된 머신 러닝 네트워크를 구현할 수 있거나, 또는 머신 러닝 네트워크를 훈련한 결과들을 활용하는 단순화된 인코딩 매핑을 구현할 수 있다.
앞서 논의한 바와 같이, 일부 구현들에서, 송신기(702)는 송신을 위한 아날로그 RF 파형들로서 RF 신호들(712)을 생성하는 처리(예를 들어, 필터링, 변조, 믹싱, 증폭, A/D 변환 등)를 포함할 수 있다. 대안적으로, 다른 구현들에서, 송신기(702)는 MIMO 채널(706)을 통한 송신을 위해 필터링 또는 변조와 같은 추가 처리에 의해 아날로그 RF 파형들이 되도록 후속적으로 처리되는 중간 표현들로서 RF 신호들(712)을 생성할 수 있다.
수신기(704)는 MIMO 채널(706)을 통해 다중의 수신 안테나를 통해 다중의 RF 신호(714)를 수신하고, 다중의 수신된 RF 신호(714)를 재구성된 정보(710)로 매핑한다. 수신기(704)에 의해 활용되는 디코딩 매핑은 위에서 도 2 내지 도 4에 관련하여 설명된 훈련을 이용하여 RF 신호들을 재구성된 정보로 디코딩하는 방법을 학습한 머신 러닝 네트워크의 이전 훈련에 기초하여 설계될 수 있다. 예를 들어, 수신기(704)는 아래에 더 논의되는 바와 같이, 전개 동안 훈련된 머신 러닝 네트워크를 구현할 수 있거나, 또는 머신 러닝 네트워크를 훈련한 결과들을 활용하는 단순화된 디코딩 매핑을 구현할 수 있다. 폐루프 시스템에서, 수신기(704)는 또한, 상기 도 3b를 참조하여 논의된 바와 같이, 수신된 RF 신호들(714)에 기초하여 CSI(718)를 생성하는 CSI 추정기(720)를 구현할 수 있다.
앞서 논의한 바와 같이, 일부 구현들에서, 수신기(704)는 다중의 수신된 RF 신호(714)를 채널을 통해서 수신된 아날로그 RF 파형들로서 직접 입력하는 처리(예를 들어, 필터링, 변조, 증폭, 믹싱, A/D 변환 등)를 포함할 수 있다. 대안적으로, 다른 구현들에서, 수신기(704)는 MIMO 채널(706)로부터 수신된 다중의 아날로그 RF 파형의 이전 처리로부터 귀결되는 중간 표현들로서 RF 신호들(714)을 처리할 수 있다.
일부 구현들에서, 송신기(702) 및/또는 수신기(704)(폐루프 시나리오들에서의 CSI 추정기(720)를 포함함)는, 예를 들어, 통신 결과들에 기초하여 업데이트 프로세스(716)에 의해 전개 동안 업데이트될 수 있다. 이러한 업데이트들은 전개 동안 송신 및 재구성의 결과들에 기초하여 결정되는 피드백 정보에 기초할 수 있다.
일부 구현들에서, 시스템(700)은 예를 들어, 채널 상태 및 성능 추정기(722)를 이용하여 MIMO 채널(706)에 관한 및/또는 성능 메트릭들에 관한 정보를 수집하도록 구성될 수 있다. 채널 상태 및 성능 추정기(722)는, 예를 들어, 송신된 RF 신호들(714)로서 송신된 훈련 신호를 검출함으로써 및/또는 (일부 구현들에서 채널 상태 및 성능 추정기(722)의 일부로서 구현될 수 있는) CSI 추정기(720)에 의해 생성된 CSI에 기초하여 그러한 정보를 검출하도록 구성될 수 있다. 채널 상태 및 성능 추정기(722)는 도 7의 예에 도시된 바와 같이 전개 동안 송신기(702) 및/또는 수신기(704)에 대한 다양한 업데이트들을 제어하기 위해 피드백을 통해 이러한 정보를 제공할 수 있다. 이러한 업데이트들은 (송신기(702) 및/또는 수신기(704)가 전개 동안 머신 러닝 네트워크들을 구현하는 시나리오들에서) 하나 이상의 머신 러닝 특징들을 업데이트하는 것을 포함할 수 있거나, 또는 (송신기(702) 및/또는 수신기(704)가 이전에 훈련된 머신 러닝 네트워크들에 기초하여 단순화된 인코딩/디코딩/CSI 추정 기술들을 구현하는 시나리오들에서) 송신기(702) 및/또는 수신기(704)에 의해 활용되는 단순화된 인코딩/디코딩/CSI 추정기 매핑들을 업데이트하는 것을 포함할 수 있다.
CSI 추정기(720) 및/또는 채널 상태 및 성능 추정기(722)로부터 전송되는 피드백은 임의의 적절한 형태를 취할 수 있고, 임의의 적절한 시간 스케일로 송신될 수 있다. 예를 들어, 이러한 피드백은 채널의 상태 및/또는 성능의 추정치들을 추정하기 위해, 순방향 링크[송신기(702)로부터 수신기(704)로]로부터 획득된 추정치들에 기초하여, 또는 역방향 링크[수신기(704)로부터 송신기(702)로]로부터 획득된 것에 기초하여 제공될 수 있다. 피드백 정보는 그로부터 선택하는 모드들의 수, 피드백 채널의 이용가능한 대역폭 및 레이턴시, 및 다른 고려 사항들과 같은 다양한 요인들에 의존하여 크기가 달라질 수 있다. 일부 경우들에서, 이러한 피드백 정보는 무선 시스템 내에서 프로토콜 메시지가 되도록 인코딩될 수 있다.
예로서, 피드백은 알려진 훈련 RF 신호를 송신하는 송신기(702), 및 수신된 RF 신호를 알려진 송신된 훈련 RF 신호와 비교하는 것에 기초하여 채널의 상태 및 성능 측정들을 결정하는 수신기(704)(및/또는 RF 수신기에서의 다른 컴포넌트)에 의해 생성될 수 있다. 일부 구현들에서, 피드백은, 송신기(702)를 업데이트하기 위해 송신기에 피드백을 반드시 제공하지 않고서, 수신기(704)를 업데이트하기 위해 수신기에만 제공될 수 있다(하프-모델 업데이트들).
MIMO 채널(706)의 조건들은, 예를 들어, RF 신호들이 통신되는 환경의 유형에 의존하여 상이한 시간 스케일들에 걸쳐 변할 수 있다. 예를 들어, MIMO 채널(706)에서의 변동들의 시간 스케일은 환경이 시골 또는 도시인지, 환경 대상들이 신속하게 또는 느리게 움직이는지(예를 들어, 코히어런스 시간, 또는 채널 통계의 상관 시간을 지정함), 환경이 항공기 또는 우주선에 있는지에 의존할 수 있거나, 또는 이용자 밀도, 대역 할당들, 또는 다른 무선 이미터들이 근처에 위치하는지에 의존할 수 있다. 채널 코히어런스 시간이 매우 길거나 정적인 일부 경우들에서(예를 들어, 고정된 라디오들 및 반사기들), 인코딩들은 긴 시간 스케일에 걸쳐 이러한 손상들에 대해 구체적으로 학습될 수 있다. 이것의 일 예는 고정된 기하형상의 산업적 또는 도시적 통신 환경 내에 있을 수 있다.
일부 구현들에서, MIMO 채널(706)에 존재하는 조건들은 다수의 상이한 모드로 범주화될 수 있다. 상이한 모드들은 잡음 레벨, SNR, 지연 확산, 채널 변동들의 시간 스케일 등과 같은 채널 조건들의 임의의 적절한 범주화를 표현할 수 있다. 이러한 모드들 각각에 대해, 송신기(702) 및/또는 수신기(704)에서의 머신 러닝 네트워크들은, 앞서 도 4와 관련하여 논의된 바와 같이, 적합한 세트의 인코딩/디코딩/CSI 추정 기술들을 학습하도록 훈련되었을 수 있다. 전개 동안, 송신기(702) 및/또는 수신기(704)는 추정되는 MIMO 채널(706)의 특정 모드에 기초하여 적응적으로 업데이트될 수 있다. 도 7에 도시된 바와 같이, 일부 구현들에서, 송신 모드 제어기(724)는 어느 모드 구성이 송신기(702) 및/또는 수신기(704)에 대해 활용될 것인지를 판정하도록 구현될 수 있다.
송신 모드 제어기(724)는 채널 상태 및 성능 추정(722)으로부터의 피드백을 활용할 수 있다. 위에서 논의된 바와 같이, 그러한 피드백은 순방향 및/또는 역방향 링크로부터 획득될 수 있고, 임의의 주어진 시간에 어느 동작 모드를 선택할지를 판정하는 데에 도움을 주기 위해 송신 모드 제어기(722)에 제공될 수 있다. 이러한 방식으로, 시스템(700)은 어느 범위의 상이한 채널 조건들에 대한 적절한 인코딩 및/또는 디코딩 기술들을 학습한 다음, 임의의 주어진 채널 조건 하에서 적합한 모드를 선택하도록 송신기(702) 및/또는 수신기(704)를 적응적으로 업데이트할 수 있다.
학습된 통신들이 실세계 애플리케이션들에서 이용될 수 있는 다수의 시나리오가 존재한다. 예를 들어, 훈련 동안, 송신기(702) 및/또는 수신기(704)는 MIMO 채널(706)의 폐쇄형 분석 모델들에 대해 훈련될 수 있다. 관심 대상 채널의 충분히 정확한 안정적인 분석 모델들이 주어지면, MIMO 채널(706)에 걸친 통신을 위한 효율적인 표현들이 임의의 온라인 적응 없이 학습 및 이용될 수 있다. 그러한 구현들은 실세계 MIMO 채널(706)이, 시간적으로 느리게 변하거나 그렇지 않으면 더 안정적이고 예측가능한 채널들과 같이, 분석 모델들에 충분히 대응하는 환경들에 적합할 수 있다.
또 다른 예로서, 실세계에서 채널들이 전개 위치, 조건들, 또는 주변 효과들에 의존하는 것과 같이 더 예측불가능하게 변하는 시나리오들에서, 시스템(700)은 주어진 실세계 전개 시나리오에서 잘 수행되는 특수화된 인코딩 및/또는 디코딩 기술들의 온라인 적응 및 온라인 학습을 수행할 수 있다. 그러한 구현들에서, 송신기(702) 및/또는 수신기(704)에 대한 업데이트들은 채널 및/또는 시스템 성능의 실세계 측정들에 기초하여 전개 동안 수행될 수 있다. 그러한 업데이트들은 위의 도 2 내지 도 4의 훈련과 관련하여 학습된 목표 달성 전략들의 결과에 기초하여 수행될 수 있다.
그러나, 실세계 피드백이 채널 변환에 대한 정확한 분석 표현에 적합하지 않은 경우, 업데이트 프로세스(716)는 송신기(702) 및/또는 수신기(704)에 대한 업데이트를 결정하기 위해, 정확한 분석 해법들이 아니라 근사치들을 활용할 수 있다. 예를 들어, 목적 함수의 기울기들이 계산되는 구현들에서, 정확한 미분 계산보다는 근사 기울기들이 계산될 수 있다. 더욱이, 실세계 시나리오들에서, 업데이트 프로세스(716)는 채널 상태 및 성능 추정기(722)로부터의 피드백 채널의 통신 비용, 레이턴시, 및 용량과 같은 실세계 요인들을 추가로 고려할 수 있다. 일반적으로, 더 정확하고 더 광범위한 피드백은 통신, 레이턴시, 및 대역폭을 희생하여, 업데이트 프로세스(716)에 의해 더 효과적인 업데이트들을 허용한다. 그러므로, 피드백 정보에 기초하여 송신기(702) 및/또는 수신기(704)가 업데이트되는 전개 시나리오들에서, 이러한 추가 고려사항들은 업데이트 프로세스(716)에 반영될 수 있다.
일부 구현들에서, 송신기(702) 및/또는 수신기(704)는 훈련 동안 학습된 단순화된 형태의 인코딩/디코딩/CSI 추정 매핑들을 활용할 수 있다. 예를 들어, 송신기(702)는 입력 정보(708)에 기초하여 송신된 RF 신호들(712)을 생성하기 위해 단순화된 룩업 테이블을 활용할 수 있다. 유사하게, 일부 구현들에서, 수신기(704)는, 거리-기반 디코딩 기술, 또는 훈련 동안 학습된 더 일반적인 디코딩 매핑에 기초하거나 훈련 동안 학습된 인코더 매핑에 기초하는 다른 단순화된 디코딩 기술을 활용함으로써 수신된 RF 신호들(714)로부터 재구성된 정보(710) 및/또는 CSI(718)를 생성할 수 있다.
그러한 단순화된 전개의 특정 예로서, 일부 구현들에서, 훈련 동안, 인코더 머신 러닝 네트워크는 입력 정보(708)로부터 RF 신호들(712)로의 매핑을 학습할 수 있다. 매핑은, 예를 들어, 특정 입력 정보(708)에 대응하는 성상도들에서의 상이한 지점들로서 상이한 RF 신호들(712)을 표현하는 신호 성상도일 수 있다. 그러나, 전개 동안, 송신기(702)는 인코더 머신 러닝 네트워크의 훈련 결과들에 기초하여 RF 신호들(712)을 생성하기 위해 입력 정보(708)를 성상도상의 지점들에 매핑하기 위해 단순화된 룩업 테이블(LUT)을 활용할 수 있다. 유사하게, 수신기(704)는, 디코더 머신 러닝 네트워크를 훈련한 결과들에 기초하거나, 또는 상대방인 훈련된 인코더 머신 러닝 네트워크에 기초하는 단순화된 디코딩 알고리즘들(예를 들어, 거리 기반 디코딩 알고리즘들)을 활용할 수 있다.
그러한 시나리오들에서, 송신기(702) 및/또는 수신기(704)는 훈련 동안 시스템 설계를 위해(예를 들어, 오토인코더로서) 훈련될 수 있지만, 실세계 애플리케이션들에서 시스템(700)을 전개 및 구현하기 위해, 근사치들 또는 콤팩트 룩업 테이블들이 송신기(702) 및/또는 수신기(704)에서 활용될 수 있다. 이와 같으므로, 일부 구현들에서, 전개된 시스템에서 구현되는 송신기(702) 및 수신기(704)는 전체 머신 러닝 네트워크를 구현하지 않을 수 있는데, 그러나 대신에 훈련 동안 머신 러닝 네트워크들에 의해 학습된 인코딩/디코딩/CSI 추정 매핑들의 결과들을 활용할 수 있다. 일부 경우들에서, 신경망으로부터의 이러한 학습된 매핑들은 기저대역 프로세서에 효율적으로 전개될 수 있는 매우 콤팩트하고 효율적인 텐서 계산 표현들을 이미 형성할 수 있다.
도 8은 다중 안테나 송수신기를 이용하여 실세계 RF 채널을 통해 학습된 통신을 수행하기 위해 적어도 하나의 머신 러닝 네트워크를 훈련한 결과들에 기초하여 학습된 기술들을 활용하는 시스템을 전개하는 예시적인 방법(800)을 도시하는 흐름도이다. 이러한 전개는, 예를 들어, 위의 도 2 내지 4와 관련하여 논의된 훈련 기술들 또는 유사한 훈련 기술들을 이용하여 훈련된 동안 머신 네트워크들에 의해 이전에 학습된 인코딩, 디코딩, 및/또는 CSI 추정 기술들을 활용할 수 있다.
방법(800)은 송신기 및 수신기를 결정하는 것을 포함하고, 그 중 적어도 하나는 MIMO 통신 채널을 통해 통신하도록 훈련된 적어도 하나의 머신 러닝 네트워크를 구현하도록 구성된다(802). 일부 시나리오들에서, 전개된 송신기 및/또는 수신기는 이전에 훈련된 머신 러닝 네트워크들을 구현할 수 있다. 대안적으로, 다른 시나리오들에서, 송신기 및/또는 수신기는, 앞서 도 7과 관련하여 논의된 바와 같이, 인코더 머신 러닝 네트워크 및/또는 디코더 머신 러닝 네트워크 및/또는 CSI 머신 러닝 네트워크를 이전에 훈련한 결과들에 기초하는 단순화된 인코딩/디코딩 매핑들을 활용할 수 있다.
방법(800)은 MIMO 통신 채널을 통한 송신을 위해 제1 정보를 결정하는 단계(804)를 추가로 포함한다. 위에서 논의된 바와 같이, 제1 정보는 임의의 적절한 이산 시간, 아날로그, 이산 값, 또는 연속 값 정보일 수 있다.
방법(800)은 송신기를 이용하여 제1 정보를 처리하고 복수의 제1 RF 신호를 생성하는 단계(806)를 추가로 포함한다. 위에서 논의된 바와 같이, 제1 RF 신호들은 MIMO 채널을 통해 송신되는 아날로그 RF 파형들을 나타낼 수 있거나, 아날로그 RF 파형들을 생성하기 위해 추가 처리(예를 들어, 필터링, D/A 변환, 증폭, 변조 등)를 겪은 중간 표현들(예를 들어, 샘플들, 기저 계수들 등)일 수 있다. 이러한 인코딩 프로세스는 입력 정보 공간으로부터, 예를 들어, 위에서 도 4와 관련하여 논의된 훈련 기술들을 이용하여 인코더 머신 러닝 네트워크를 훈련하는 동안 학습된 RF 신호 공간으로의 임의의 적절한 매핑 또는 단순화된 형태의 매핑을 활용할 수 있다. 폐루프 시나리오들에서, 송신기는, 상기 도 3b와 관련하여 논의된 바와 같이, 송신기 자체에 의해 생성되었거나 수신기로부터의 피드백을 통해 수신되었을 수 있는 CSI를 또한 처리하는 것에 의해 제1 정보를 처리할 수 있다.
방법(800)은 MIMO 통신 채널을 통해 복수의 송신 안테나의 제각기 것들을 이용하여 복수의 제1 RF 신호를 송신하는 단계(808)를 추가로 포함한다. 상기 단계(806)와 관련하여 논의된 바와 같이, 제1 RF 신호들의 송신은 제1 RF 신호들 자체를 직접 송신하는 것(예를 들어, 송신기가 제1 RF 신호들을 채널을 통해 송신하기에 적합한 아날로그 RF 파형들로서 생성한 경우)을 수반할 수 있거나, 또는 제1 RF 신호들을 처리하여 이들을 (예를 들어, 필터링, D/A 변환, 변조 등을 이용하여) 송신을 위해 제각기 아날로그 RF 파형들로 변환하는 것을 수반할 수 있다. 송신은, 예를 들어, 복수의 안테나, 적응적 전력 제어 등을 이용하는 다른 특징들 또는 파라미터들을 포함할 수 있는 임의의 적합한 송신 기술을 활용할 수 있다.
방법(800)은 복수의 수신 안테나 중 제각기 것들을 이용하여 복수의 제2 RF 신호를 수신하는 단계를 추가로 포함하고, 복수의 제2 RF 신호 중 각각의 제2 RF 신호는 MIMO 통신 채널을 통한 송신에 의해 변경되었던 복수의 제1 RF 신호의 총계 수신을 나타낸다(810). 전개 시나리오들에서, 통신은 (도 4의 훈련 시나리오들에서, 채널이 시뮬레이팅된 채널 또는 실세계 채널일 수 있는 것과는 대조적으로) 실세계 MIMO 채널이다. 위에서 논의된 바와 같이, 제2 RF 신호들은 MIMO 채널을 통해 수신되는 아날로그 RF 파형들을 나타낼 수 있거나, 또는 수신된 아날로그 RF 파형들을 처리(예를 들어, 필터링, 샘플링, 등화 등)한 결과들인 중간 표현들(예를 들어, 샘플들, 기저 계수들 등)일 수 있다.
방법(800)은 수신기를 이용하여 복수의 제2 RF 신호를 처리하고 제1 정보의 재구성으로서 제2 정보를 생성하는 단계(812)를 추가로 포함한다. 이 디코딩 프로세스는 다중 RF 신호 공간으로부터, 예를 들어, 위에서 도 4와 관련하여 논의된 훈련 기술들을 이용한 훈련 동안 디코더 머신 러닝 네트워크에 의해 학습된 재구성된 정보 공간으로의 임의의 적절한 매핑 또는 단순화된 형태의 매핑을 활용할 수 있다. 폐루프 시나리오에서, 수신기는 또한 송신기에 피드백되는 CSI를 생성하기 위해 CSI 추정기를 구현할 수 있다.
위에서 도 7과 관련하여 논의된 바와 같이, 일부 구현들에서, 전개된 시스템은, 실세계 채널 정보 및/또는 성능 결과들에 기초하여 피드백을 생성하고 송신기 및/또는 수신기를 업데이트하기 위해 수신된 제2 RF 신호들(및/또는 통신으로부터 귀결되는 다른 정보)을 활용할 수 있다.
더욱이, 위의 도 7과 관련하여 논의된 바와 같이, 일부 구현들에서, 송신기 및/또는 수신기는 훈련 동안 학습된 인코딩/디코딩/CSI 추정 매핑들의 단순화된 형태들을 활용할 수 있다. 예를 들어, 송신기는 제1 정보에 기초하여 제1 RF 신호를 생성하도록 단순화된 룩업 테이블을 활용할 수 있다. 더욱이, 일부 구현들에서, 수신기는 거리 기반 디코딩 기술, 또는 훈련 동안 학습된 더 일반적인 디코딩 매핑에 기초하거나 훈련 동안 학습된 인코더 매핑에 기초한 다른 단순화된 디코딩 기술을 활용할 수 있다. 이와 같으므로, 일부 구현들에서, 전개된 시스템에서 구현되는 송신기 및 수신기는 전체 머신 러닝 네트워크를 구현하지 않을 수 있는데, 그러나 대신에 훈련 동안 머신 러닝 네트워크들에 의해 학습된 인코딩/디코딩/CSI 추정 매핑들의 결과들을 활용할 수 있다.
도 9a는 다중 안테나 송수신기로 실세계 RF 채널을 통해 학습된 통신을 수행하기 위해 단일 머신 러닝 인코더 네트워크 및 다중 디코더를 구현하는 다중 이용자 다운링크 시스템을 전개하는 예를 도시한다. 일부 구현들에서, 본 명세서에 개시된 기술은 다중 이용자 MIMO 시스템을 구현하기 위해 활용될 수 있으며, 여기서 다중 이용자(다중 안테나 송수신기를 각각 이용함)로부터의 상이한 정보는 공통 MIMO 채널을 통해 통신된다. 시스템은 동일한 MIMO 채널을 공유하는 다중 이용자에 대한 경쟁 목표들의 균형을 달성하는 각각의 이용자에 대한 인코딩 및/또는 디코딩 기술들을 학습하도록 훈련될 수 있다.
도 9a의 예는 다중 이용자 구현, 즉, 기지국이 다중 모바일 이용자에 대응하는 입력 정보(908a, 908b,..., 908n)를 인코딩하기 위해 단일 다중 이용자 인코더(902)를 구현하고 및 MIMO 채널(906)에 걸쳐 복수의 RF 신호(912)를 생성하는 다운링크 시나리오의 한 예를 도시한다. 다중 디코더(904a, 904b,..., 904n)가 다중 모바일 이용자에서의 다중 디바이스에 대응하여 훈련되고 구현될 수 있다. 디코더들(904a, 904b,..., 904n) 각각은 다중 수신 안테나를 구현하며, 이것들은 다중 이용자 각각에 대해 재구성된 정보(910a, 910b,..., 910n)를 생성하기 위해 이용되는 수신된 RF 신호들(914)을 수신한다. 일반적인 경우에, 분산된 다중 이용자 MIMO 다운링크 시스템을 구현하기 위해 하나 이상의 다중 이용자 인코더 네트워크를 이용하여 다중 기지국이 또한 조합될 수 있다.
훈련 동안, 최적화기(916)는 인코더(902) 및/또는 디코더들(904a, 904b,..., 904n)에서 적어도 하나의 머신 러닝 네트워크를 업데이트하여 MIMO 채널(906)에 대한 적절한 인코딩/디코딩/CSI 추정 기술들을 학습하도록 구현될 수 있다. 폐루프 시나리오에서, CSI 추정은 인코더(902)에서 생성되거나 디코더들(904a, 904b,..., 904n)로부터 인코더(902)로 피드백되는 CSI(918)를 활용할 수 있다.
도 9b는 다중 이용자 구현, 즉 다중 모바일 이용자가 단일 기지국에 송신하는 업링크 시나리오의 또 다른 예를 도시한다. 다중 이용자 업링크 시스템은 입력 정보(908a, 908b,..., 908n)를 인코딩하기 위해 상이한 이용자들의 다중 디바이스에서 다중 인코더(902a, 902b,..., 902n)를 구현하고, 여기서 각각의 디바이스는 MIMO 채널(906)을 통해 복수의 RF 신호(912)를 생성하기 위해 다중 안테나를 활용한다. 단일 머신 러닝 디코더(904)는 다중 이용자 각각에 대해 재구성된 정보(910a, 910b,..., 910n)를 생성하기 위해 이용되는 RF 신호들(914)을 수신하도록 구현된다. 일반적인 경우에, 분산된 다중 이용자 MIMO 업링크 시스템을 구현하기 위해 하나 이상의 다중 이용자 디코더 네트워크를 이용하여 다중 기지국이 또한 조합될 수 있다.
훈련 동안, 최적화기(916)는, MIMO 채널(906)에 대한 적합한 인코딩/디코딩/CSI 추정 기술들을 학습하기 위해 인코더들(902a, 902b,..., 902n) 및/또는 디코더(904)에서 적어도 하나의 머신 러닝 네트워크를 업데이트하도록 구현될 수 있다. 폐루프 시나리오에서, CSI 추정은 인코더들(902a, 902b,...., 902n) 각각에서 생성되거나 또는 디코더(904)로부터 인코더들(902a, 902b,...., 902n) 각각으로 피드백되는 CSI(918)를 활용할 수 있다.
도 10은 RF 채널들을 통해 학습된 통신을 수행하는 시스템의 하나 이상의 컴포넌트를 구현하기 위해 이용될 수 있는 컴퓨팅 시스템의 예를 도시하는 도면이다. 컴퓨팅 시스템은 본 명세서에 설명된 기술을 구현하기 위해 이용될 수 있는 컴퓨팅 디바이스(1000) 및 모바일 컴퓨팅 디바이스(1050)를 포함한다. 예를 들어, 인코더 머신 러닝 네트워크 시스템 또는 디코더 머신 러닝 네트워크 시스템 중 하나 이상의 부분은 머신 러닝 네트워크들, 머신 러닝 네트워크들로부터의 정보에 액세스하는 디바이스들, 또는 머신 러닝 네트워크들에 의해 수행되는 인코딩 및 디코딩에 관한 정보에 액세스하거나 그것을 저장하는 서버 중 임의의 것에서 구현되는 컴퓨터 시스템과 같은, 본 명세서에 설명된 시스템(1000)의 예일 수 있다.
컴퓨팅 디바이스(1000)는, 랩톱, 데스크톱, 워크스테이션, 개인용 정보 단말기, 서버, 블레이드 서버, 메인프레임, 및 다른 적절한 컴퓨터와 같은 다양한 형태의 디지털 컴퓨터를 나타내는 것으로 의도된다. 모바일 컴퓨팅 디바이스(1050)는 개인용 정보 단말기들, 셀룰러 전화기들, 스마트폰들, 모바일 내장형 무선 시스템들, 무선 진단 컴퓨팅 디바이스들, 및 다른 유사한 컴퓨팅 디바이스들과 같은 다양한 형태의 모바일 디바이스들을 나타내도록 의도된다. 여기에 도시된 컴포넌트들, 그들의 연결들 및 관계들, 및 그들의 기능들은 단지 예들로 의도된 것이고, 제한적인 것으로 의도된 것은 아니다.
컴퓨팅 디바이스(1000)는 프로세서(1002), 메모리(1004), 저장 디바이스(1006), 메모리(1004) 및 다중의 고속 확장 포트들(1010)에 접속하는 고속 인터페이스(1008), 및 저속 확장 포트(1014) 및 저장 디바이스(1006)에 접속하는 저속 인터페이스(1012)를 포함한다. 프로세서(1002), 메모리(1004), 저장 디바이스(1006), 고속 인터페이스(1008), 고속 확장 포트들(1010), 및 저속 인터페이스(1012) 각각은 다양한 버스들을 이용하여 인터커넥트되고, 공통 마더보드상에 또는 적절한 경우 다른 방식들로 장착될 수 있다. 프로세서(1002)는, 고속 인터페이스(1008)에 결합된 디스플레이(1016)와 같은, 외부 입/출력 디바이스상의 GUI에 대한 그래픽 정보를 디스플레이하기 위해, 메모리(1004)에 또는 저장 디바이스(1006)상에 저장된 명령어들을 포함하는, 컴퓨팅 디바이스(1000) 내에서의 실행을 위한 명령어들을 처리할 수 있다. 다른 구현들에서는, 다중 프로세서 및/또는 다중 버스가, 적절하게, 다중 메모리 및 메모리 타입들과 함께 이용될 수 있다. 추가로, 다중 컴퓨팅 디바이스가 연결될 수 있으며, 각각의 디바이스는 (예를 들어, 서버 뱅크, 블레이드 서버들의 그룹, 또는 다중 프로세서 시스템으로서) 동작들의 일부분들을 제공한다. 일부 구현들에서, 프로세서(1002)는 싱글 스레드 프로세서(single-threaded processor)이다. 일부 구현들에서, 프로세서(1002)는 멀티 스레드 프로세서이다. 일부 구현들에서, 프로세서(1002)는 양자 컴퓨터이다.
메모리(1004)는 컴퓨팅 디바이스(1000) 내에 정보를 저장한다. 일부 구현들에서, 메모리(1004)는 휘발성 메모리 유닛 또는 유닛들이다. 일부 구현들에서, 메모리(1004)는 비휘발성 메모리 유닛 또는 유닛들이다. 메모리(1004)는 또한 자기 또는 광학 디스크와 같은 또 다른 형태의 컴퓨터 판독가능 매체일 수 있다.
저장 디바이스(1006)는 컴퓨팅 디바이스(1000)를 위한 대용량 스토리지를 제공할 수 있다. 일부 구현들에서, 저장 디바이스(1006)는 플로피 디스크 디바이스, 하드 디스크 디바이스, 광학 디스크 디바이스, 또는 테이프 디바이스, 플래시 메모리 또는 다른 유사한 고체 상태 메모리 디바이스, 또는 저장 영역 네트워크 또는 다른 구성에서의 디바이스들을 포함하는 디바이스들의 어레이와 같은 컴퓨터 판독가능 매체이거나 이를 포함할 수 있다. 명령어들은 정보 캐리어에 저장될 수 있다. 명령어들은, 하나 이상의 처리 디바이스(예를 들어, 프로세서(1002))에 의해 실행될 때, 전술한 것들과 같은 하나 이상의 방법을 수행한다. 명령어들은 또한 컴퓨터 또는 머신 판독가능 매체들(예를 들어, 메모리(1004), 저장 디바이스(1006), 또는 프로세서(1002)상의 메모리)와 같은 하나 이상의 저장 디바이스에 의해 저장될 수 있다. 고속 인터페이스(1008)는 컴퓨팅 디바이스(1000)에 대한 대역폭 집약적 동작들을 관리하는 반면, 저속 인터페이스(1012)는 더 낮은 대역폭 집약적 동작들을 관리한다. 이러한 기능들의 할당은 단지 예이다. 일부 구현들에서, 고속 인터페이스(1008)는 메모리(1004), 디스플레이(1016)에(예를 들어, 그래픽 프로세서 또는 가속기를 통하여), 그리고 다양한 확장 카드들(도시되지 않음)을 수용할 수 있는 고속 확장 포트들(1010)에 결합된다. 구현에서, 저속 인터페이스(1012)는 저장 디바이스(1006) 및 저속 확장 포트(1014)에 결합된다. 다양한 통신 포트들(예를 들어, USB, 블루투스, 이더넷, 무선 이더넷)을 포함할 수 있는 저속 확장 포트(1014)는 하나 이상의 입력/출력 디바이스, 예를 들어, 키보드, 포인팅 디바이스, 스캐너, 또는 예를 들어, 네트워크 어댑터를 통한 스위치 또는 라우터와 같은 네트워킹 디바이스에 결합될 수 있다.
컴퓨팅 디바이스(1000)는 도면에서 도시된 바와 같이, 다수의 상이한 형태들로 구현될 수 있다. 예를 들어, 그것은 표준 서버(1020)로서, 또는 이러한 서버들의 그룹에서 여러 번 구현될 수 있다. 추가로, 그것은 랩톱 컴퓨터(1022)와 같은 개인용 컴퓨터에서 구현될 수 있다. 그것은 또한 랙 서버 시스템(1024)의 일부로서 구현될 수 있다. 대안적으로, 컴퓨팅 디바이스(1000)로부터의 컴포넌트들은 모바일 컴퓨팅 디바이스(1050)와 같은, 모바일 디바이스 내의 다른 컴포넌트들(도시되지 않음)과 조합될 수 있다. 이러한 디바이스들 각각은 컴퓨팅 디바이스(1000) 및 모바일 컴퓨팅 디바이스(1050) 중 하나 이상을 포함할 수 있고, 전체 시스템은 서로 통신하는 복수의 컴퓨팅 디바이스로 구성될 수 있다.
모바일 컴퓨팅 디바이스(1050)는, 다른 컴포넌트들 중에서도, 프로세서(1052), 메모리(1064), 디스플레이(1054)와 같은 입력/출력 디바이스, 통신 인터페이스(1066), 및 송수신기(1068)를 포함한다. 모바일 컴퓨팅 디바이스(1050)는 또한 추가적인 저장을 제공하기 위해 마이크로 드라이브 또는 다른 디바이스와 같은 저장 디바이스를 구비할 수 있다. 프로세서(1052), 메모리(1064), 디스플레이(1054), 통신 인터페이스(1066), 및 송수신기(1068) 각각은 다양한 버스들을 이용하여 인터커넥트되고, 컴포넌트들 중 몇몇은 공통 마더보드상에 또는 적절한 경우 다른 방식들로 장착될 수 있다.
프로세서(1052)는 메모리(1064)에 저장된 명령어들을 포함하여, 모바일 컴퓨팅 디바이스(1050) 내의 명령어들을 실행할 수 있다. 프로세서(1052)는 별개의 및 다중의 아날로그 및 디지털 프로세서들을 포함하는 칩들의 칩셋으로서 구현될 수 있다. 프로세서(1052)는, 예를 들어, 이용자 인터페이스들, 모바일 컴퓨팅 디바이스(1050)에 의해 실행되는 애플리케이션들, 및 모바일 컴퓨팅 디바이스(1050)에 의한 무선 통신들의 제어와 같이, 모바일 컴퓨팅 디바이스(1050)의 다른 컴포넌트들의 조정을 제공할 수 있다.
프로세서(1052)는 제어 인터페이스(1058) 및 디스플레이(1054)에 결합된 디스플레이 인터페이스(1056)를 통해 이용자와 통신할 수 있다. 디스플레이(1054)는, 예를 들어, TFT(Thin-Film-Transistor Liquid Crystal Display) 디스플레이 또는 OLED(Organic Light Emitting Diode) 디스플레이, 또는 다른 적절한 디스플레이 기술일 수 있다. 디스플레이 인터페이스(1056)는 이용자에게 그래픽 및 다른 정보를 제시하도록 디스플레이(1054)를 구동하기 위한 적절한 회로를 포함할 수 있다. 제어 인터페이스(1058)는 이용자로부터 커맨드들을 수신하고 그것들을 프로세서(1052)에의 제출을 위해 변환할 수 있다. 게다가, 모바일 컴퓨팅 디바이스(1050)와 다른 디바이스들의 근거리 통신을 가능하게 하기 위해, 외부 인터페이스(1062)가 프로세서(1052)와의 통신을 제공할 수 있다. 외부 인터페이스(1062)는, 예를 들어, 일부 구현들에서의 유선 통신을, 또는 다른 구현들에서의 무선 통신을 제공할 수 있으며, 다중 인터페이스가 또한 이용될 수 있다.
메모리(1064)는 모바일 컴퓨팅 디바이스(1050) 내의 정보를 저장한다. 메모리(1064)는 컴퓨터 판독가능 매체 또는 매체들, 휘발성 메모리 유닛 또는 유닛들, 또는 비휘발성 메모리 유닛 또는 유닛들 중 하나 이상으로서 구현될 수 있다. 확장 메모리(1074)가 또한 제공되고, 예를 들어, SIMM(Single In Line Memory Module) 카드 인터페이스를 포함할 수 있는 확장 인터페이스(1072)를 통하여 모바일 컴퓨팅 디바이스(1050)에 접속될 수 있다. 확장 메모리(1074)는 모바일 컴퓨팅 디바이스(1050)를 위한 여분의 저장 공간을 제공하거나, 또는 모바일 컴퓨팅 디바이스(1050)를 위한 애플리케이션들 또는 다른 정보를 또한 저장할 수 있다. 구체적으로, 확장 메모리(1074)는 전술한 프로세스들을 수행하는 또는 보완하는 명령어들을 포함할 수 있고, 보안 정보를 또한 포함할 수 있다. 따라서, 예를 들어, 확장 메모리(1074)는 모바일 컴퓨팅 디바이스(1050)를 위한 보안 모듈로서 제공될 수 있고, 모바일 컴퓨팅 디바이스(1050)의 안전한 이용을 허용하는 명령어들로 프로그래밍될 수 있다. 추가로, 보안 애플리케이션들은, 해킹불가능한 방식으로 SIMM 카드상에 식별 정보를 배치하는 것과 같이, 추가적인 정보와 함께 SIMM 카드를 통해 제공될 수 있다.
메모리는, 아래 논의된 바와 같이, 예를 들어, 플래시 메모리 및/또는 NVRAM 메모리(비휘발성 랜덤 액세스 메모리)를 포함할 수 있다. 일부 구현들에서, 명령어들은 하나 이상의 처리 디바이스[예를 들어, 프로세서(1052)]에 의해 실행될 때 명령어들이 위에서 설명된 것과 같은 하나 이상의 방법을 수행하도록 정보 캐리어에 저장된다. 명령어들은 또한 하나 이상의 컴퓨터 또는 머신 판독가능 매체들(예를 들어, 메모리(1064), 확장 메모리(1074), 또는 프로세서(1052)의 메모리)과 같은 하나 이상의 저장 디바이스에 의해 저장될 수 있다. 일부 구현들에서, 명령어들은 전파된 신호에서, 예를 들어, 송수신기(1068) 또는 외부 인터페이스(1062)를 통하여 수신될 수 있다.
모바일 컴퓨팅 디바이스(1050)는 필요할 경우 디지털 신호 처리 회로를 포함할 수 있는, 통신 인터페이스(1066)를 통하여 무선 통신할 수 있다. 통신 인터페이스(1066)는, 무엇보다도, GSM(Global System for Mobile communication) 음성 호출, SMS(Short Message Service), EMS(Enhanced Messaging Service), 또는 MMS(Multimedia Messaging Service) 메시징, CDMA(code division multiple access), TDMA(time division multiple access), PDC(Personal Digital Cellular), WCDMA(Wideband Code Division Multiple Access), CDMA2000, 또는 GPRS(General Packet Radio Service), LTE, 5G/6G 셀룰러와 같은 다양한 모드 또는 프로토콜 하에서 통신을 제공할 수 있다. 그러한 통신은, 예를 들어, 무선 주파수를 이용하는 송수신기(1068)를 통해 발생할 수 있다. 추가로, 블루투스, Wi-Fi, 또는 다른 그러한 송수신기(도시되지 않음)를 이용하는 것과 같은 단거리 통신이 발생할 수 있다. 추가로, GPS(Global Positioning System) 수신기 모듈(1070)은 추가적인 내비게이션 및 위치 관련 무선 데이터를 모바일 컴퓨팅 디바이스(1050)에 제공할 수 있으며, 이것은 모바일 컴퓨팅 디바이스(1050)상에서 실행되는 애플리케이션들에 의해 적절하게 이용될 수 있다.
모바일 컴퓨팅 디바이스(1050)는 또한 이용자로부터의 구두 정보를 수신하고 이것을 이용 가능한 디지털 정보로 변환할 수 있는, 오디오 코덱(1060)을 이용하여 들을 수 있게 통신할 수 있다. 오디오 코덱(1060)은, 마찬가지로, 예를 들어, 스피커를 통하여, 예컨대, 모바일 컴퓨팅 디바이스(1050)의 핸드세트에서, 이용자를 위한 가청음을 생성할 수 있다. 그러한 사운드는 음성 전화 호출들로부터의 사운드를 포함할 수 있고, 기록된 사운드(예를 들어, 음성 메시지, 음악 파일 등)을 포함할 수 있고, 모바일 컴퓨팅 디바이스(1050)상에서 동작하는 애플리케이션들에 의해 생성된 사운드를 또한 포함할 수 있다.
모바일 컴퓨팅 디바이스(1050)는 도면에 도시된 바와 같이, 다수의 상이한 형태들로 구현될 수 있다. 예를 들어, 이것은 셀룰러 전화(1080)로서 구현될 수 있다. 그것은 또한 스마트폰(1082), 개인 휴대 정보 단말기, 또는 다른 유사한 모바일 디바이스의 일부로서 구현될 수 있다.
본 개시내용에서 이용되는 용어 "시스템"은 예로서 프로그래밍가능한 프로세서, 컴퓨터, 또는 다중 프로세서 또는 컴퓨터를 포함하여 데이터를 처리하기 위한 모든 장치, 디바이스, 및 머신을 포괄할 수 있다. 처리 시스템은, 하드웨어 외에, 대상 컴퓨터 프로그램을 위한 실행 환경을 생성하는 코드, 예를 들어, 프로세서 펌웨어, 프로토콜 스택, 데이터베이스 관리 시스템, 운영 체제, 또는 이들의 하나 이상 것의 조합을 구성하는 코드를 포함할 수 있다.
컴퓨터 프로그램(프로그램, 소프트웨어, 소프트웨어 애플리케이션, 스크립트, 실행가능 로직, 또는 코드라고도 알려져 있음)은 컴파일링된 언어(compiled language)나 인터프리팅된 언어(interpreted language), 또는 선언형 언어(declarative language)나 절차형 언어(procedural language)를 포함하는 임의의 형태의 프로그래밍 언어로 작성될 수 있으며, 이것은 자립형 프로그램으로서 또는 모듈, 컴포넌트, 서브루틴, 또는 컴퓨팅 환경에서 이용하기에 적합한 기타 유닛으로서를 포함하는 임의의 형태로 배포될 수 있다. 컴퓨터 프로그램은 파일 시스템에서의 파일에 반드시 대응할 필요는 없다. 프로그램은 다른 프로그램들 또는 데이터(예컨대, 마크업 언어 문서에 저장된 하나 이상의 스크립트)를 보유하는 파일의 일부분에, 대상 프로그램에 전용되는 단일 파일에, 또는 다수의 조정된 파일들(coordinated files)(예컨대, 하나 이상의 모듈, 서브 프로그램들, 또는 코드 부분들을 저장하는 파일들)에 저장될 수 있다. 컴퓨터 프로그램은 하나의 컴퓨터상에 또는 한 사이트에 위치되거나 다수의 사이트에 걸쳐 분산되어 있고 통신 네트워크에 의해 인터커넥트되는 다중 컴퓨터상에서 실행되도록 배포될 수 있다.
컴퓨터 프로그램 명령어들 및 데이터를 저장하기에 적합한 컴퓨터 판독가능 매체는, 예로서 반도체 메모리 디바이스들, 예를 들어, EPROM, EEPROM 및 플래시 메모리 디바이스들; 자기 디스크, 예를 들어 내부 하드 디스크 또는 이동식 디스크 또는 자기 테이프; 자기 광 디스크; 및 CD-ROM 및 DVD-ROM 디스크를 포함하여, 모든 형태의 비휘발성 또는 휘발성 메모리, 매체 및 메모리 디바이스들을 포함한다. 프로세서 및 메모리는 특수 목적 로직 회로에 의해 보완되거나 그에 포함될 수 있다. 서버는 때로는 범용 컴퓨터이며, 때로는 맞춤형 특수 목적 전자 디바이스이며, 때로는 이러한 것들의 조합이다.
구현들은 백엔드 컴포넌트, 예를 들어, 데이터 서버, 또는 미들웨어 컴포넌트, 예를 들어, 애플리케이션 서버, 또는 프론트엔드 컴포넌트, 예를 들어, 이용자가 그를 통해 본 명세서에 기술된 주제의 구현과 상호작용할 수 있는 그래픽 이용자 인터페이스 또는 웹 브라우저를 갖는 클라이언트 컴퓨터, 또는 하나 이상의 그러한 백엔드, 미들웨어, 또는 프론트엔드 컴포넌트들의 임의의 조합을 포함할 수 있다. 시스템의 컴포넌트들은 임의의 형태 또는 매체의 디지털 데이터 통신, 예를 들어, 통신 네트워크에 의해 인터커넥트될 수 있다. 통신 네트워크의 예로는 LAN(local area network) 및 WAN(wide area network), 예를 들어, 인터넷을 포함한다.
설명된 특징들은 디지털 전자 회로로, 또는 컴퓨터 하드웨어, 펌웨어, 소프트웨어로, 또는 그 조합들로 구현될 수 있다. 장치는 프로그램가능 프로세서에 의한 실행을 위해, 정보 캐리어에 유형으로(tangibly) 구현된 컴퓨터 프로그램 제품으로, 예를 들어 머신 판독가능 저장 디바이스에서 구현될 수 있고; 그리고 방법 단계들은 입력 데이터에 대해 동작하고 출력을 생성함으로써 설명된 구현들의 기능들을 수행하기 위해 명령어들의 프로그램을 실행하는 프로그램가능 프로세서에 의해 수행될 수 있다. 기술된 특징들은, 적어도 하나의 입력 디바이스에서 그리고 적어도 하나의 출력 디바이스에서, 데이터 저장 시스템으로부터 데이터 및 명령어들을 수신하고 데이터 저장 시스템에게 데이터 및 명령어들을 송신하기 위해 결합되는 적어도 하나의 프로그램가능 프로세서를 포함하는 프로그램가능 시스템상에서 실행가능한 하나 이상의 컴퓨터 프로그램에서 유리하게 구현될 수 있다. 컴퓨터 프로그램은 특정 활동을 수행하거나 특정 결과를 가져오기 위해 컴퓨터에서 직접 또는 간접적으로 이용될 수 있는 명령어들의 세트이다. 컴퓨터 프로그램은, 컴파일링된 언어(compiled language) 또는 인터프리팅된 언어(interpreted language)를 포함하여, 임의의 형태의 프로그래밍 언어로 작성될 수 있고, 컴퓨터 프로그램은, 자립형 프로그램으로서 또는 모듈, 컴포넌트, 서브루틴, 또는 컴퓨팅 환경에서 이용하기에 적당한 다른 유닛으로서를 포함하여, 임의의 형태로 배포될 수 있다.
본 개시내용은 다수의 특정 구현 상세사항을 포함하지만, 이들은 임의의 발명의 범위 또는 청구될 수 있는 것에 대한 제한으로 해석해서는 안 되고, 그보다는 특정 발명들의 특정 구현들에 특정적일 수 있는 특징들의 설명으로서 해석되어야 한다. 별도의 구현 맥락에서 본 개시내용에서 설명된 것과 같은 특정의 특징들은 또한 단일 구현으로 조합되어 구현될 수 있다. 반대로, 단일 구현의 맥락에서 설명된 여러 가지 특징들이 또한 개별적으로 또는 임의의 적합한 하위 조합으로 다중 구현에서 구현될 수 있다. 또한, 앞에서 특징들이 특정 조합들로 동작하는 것으로서 설명되고 심지어는 처음에는 이렇게 청구될 수 있지만, 어떤 경우들에서는 청구된 조합으로부터의 하나 이상의 특징이 조합으로부터 제외될 수 있으며, 청구된 조합은 하위조합 또는 하위조합의 변형에 대한 것일 수 있다.
마찬가지로, 동작들이 도면들에 특정 순서로 묘사되지만, 바람직한 결과들을 달성하기 위하여, 이러한 동작들이 도시된 특정 순서로 또는 순차적인 순서로 수행되어야 한다거나, 또는 모든 도시된 동작들이 수행될 것을 요구하는 것으로 이해해서는 안 된다. 특정 상황들에서, 멀티태스킹 및 병렬 프로세싱이 유리할 수 있다. 더욱이, 위에서 설명된 구현들에서 다양한 시스템 모듈들 및 컴포넌트들의 분리는 모든 구현들에서 이러한 분리를 요구하는 것으로 이해해서는 안되며, 설명된 프로그램 컴포넌트들 및 시스템들은 일반적으로 단일 소프트웨어 제품으로 함께 통합되거나 또는 다중 소프트웨어 제품으로 패키지화될 수 있음을 이해해야 한다.

Claims (38)

  1. MIMO(multi-input-multi-output) 통신 채널을 통해 다중 송신 안테나 및 다중 수신 안테나를 이용하여 통신하기 위해 적어도 하나의 프로세서에 의해 수행되는 방법으로서:
    상기 MIMO 통신 채널을 통한 송신을 위한 제1 정보를 결정하는 단계;
    상기 다중 송신 안테나에 대응하는 송신기를 이용하여 상기 MIMO 통신 채널을 통한 송신을 위한 상기 제1 정보를 처리하는 단계 - 상기 송신기는 상이한 타입들의 MIMO 채널들을 통해 통신하기 위한 하나 이상의 인코딩 및 디코딩 기술을 학습하도록 훈련되는 인코더 머신 러닝 네트워크를 이용하여 실현되는 인코딩 매핑을 포함하고, 상기 제1 정보를 처리하는 단계는:
    상기 MIMO 통신 채널을 모델링하는 채널 모델링 계층에 상기 제1 정보를 적용하는 단계,
    상기 MIMO 통신 채널의 하나 이상의 효과에 의해 수정되는 상기 제1 정보의 추정치를 제공하는 상기 채널 모델링 계층의 출력을 획득하는 단계, 및
    상기 인코딩 매핑을 이용하여, 상기 제1 정보에 대응하는 복수의 제1 RF 신호를 생성하는 단계를 포함하고, 상기 복수의 제1 RF 신호는 적어도 상기 채널 모델링 계층의 출력으로서 획득되는 상기 제1 정보의 추정치에 기초하여 생성됨 -; 및
    상기 다중 송신 안테나 중의 복수의 송신 안테나를 이용하여 상기 MIMO 통신 채널을 통해 상기 복수의 제1 RF 신호를 목적지 디바이스에 송신하는 단계
    를 포함하는 방법.
  2. 제1항에 있어서,
    상기 다중 수신 안테나 중의 복수의 수신 안테나를 이용하여 복수의 제2 RF 신호를 상기 목적지 디바이스로부터 수신하는 단계;
    상기 MIMO 통신 채널을 통한 송신에 의해 변경된 상기 복수의 제1 RF 신호의 상기 목적지 디바이스에서의 수신에 대응하는 피드백 정보를 상기 복수의 제2 RF 신호로부터 획득하는 단계;
    적어도 상기 피드백 정보를 이용하여 상기 MIMO 통신 채널의 상태, 또는 상기 MIMO 통신 채널의 다중 이용자에 관한 공간적 정보 또는 스케줄링 정보 중 하나 이상을 나타내는 채널 상태 정보(CSI)를 결정하는 단계; 및
    상기 피드백 정보에 기초하여 상기 송신기를 업데이트하는 단계
    를 추가로 포함하는 방법.
  3. 제1항에 있어서,
    상기 송신기를 이용하여 상기 제1 정보를 처리하여 상기 복수의 제1 RF 신호를 생성하는 것은:
    상기 제1 정보로부터 복수의 제1 정보 부분을 결정하는 것; 및
    상기 인코딩 매핑을 상기 복수의 제1 정보 부분에 적용하여 상기 복수의 제1 RF 신호를 생성하는 것을 포함하고, 상기 복수의 제1 RF 신호의 각각의 제1 RF 신호는 상기 복수의 제1 정보 부분의 각각에 대응하는 방법.
  4. 제1항에 있어서,
    상기 다중 수신 안테나에 대응하는 수신기에서 복수의 제2 RF 신호를 수신하는 단계를 추가로 포함하고, 상기 수신기는 디코더 머신 러닝 네트워크를 이용하여 실현되는 디코딩 매핑을 포함하고,
    상기 인코더 머신 러닝 네트워크 및 상기 디코더 머신 러닝 네트워크는 상기 MIMO 통신 채널을 통한 통신을 학습하기 위해 오토인코더(auto-encoder)로서 공동으로 훈련되는 방법.
  5. 제4항에 있어서,
    상기 MIMO 통신 채널을 통해 다중 이용자에 대한 정보를 송신 및 수신하는 단계를 추가로 포함하고,
    상기 송신기는 하나 이상의 인코더를 포함하고, 상기 수신기는 하나 이상의 디코더를 포함하고,
    상기 송신기에서 상기 인코딩 매핑을 이용하여 상기 제1 정보를 처리하여 상기 복수의 제1 RF 신호를 생성하는 것은:
    상기 하나 이상의 인코더를 이용하여 (i) 상기 제1 정보의 적어도 제1 부분을 처리하여 상기 복수의 제1 RF 신호의 제1 서브세트를 생성하는 것, 및 (ii) 상기 제1 정보의 적어도 제2 부분을 처리하여 상기 복수의 제1 RF 신호의 제2 서브세트를 생성하는 것을 포함하고,
    상기 수신기에서 상기 디코딩 매핑을 이용하여 상기 복수의 제2 RF 신호를 처리하여 상기 제1 정보의 재구성으로서 제2 정보를 생성하는 것은:
    상기 하나 이상의 디코더를 이용하여 (i) 상기 복수의 제2 RF 신호의 제1 서브세트를 처리하여 상기 제2 정보의 제1 부분을 상기 제1 정보의 제1 부분의 재구성으로서 생성하는 것, 및 (ii) 상기 복수의 제2 RF 신호의 제2 서브세트를 처리하여 상기 제2 정보의 제2 부분을 상기 제1 정보의 제2 부분의 재구성으로서 생성하는 것을 포함하는 방법.
  6. MIMO(multi-input-multi-output) 통신 채널을 통해 수신되는 무선 주파수(RF) 신호들을 처리하기 위해 적어도 하나의 프로세서에 의해 수행되는 방법으로서:
    상기 MIMO 통신 채널을 통한 송신을 위한 제1 정보를 결정하는 단계;
    상이한 타입들의 MIMO 채널들을 통해 통신하기 위한 하나 이상의 인코딩 및 디코딩 기술을 학습하도록 훈련되는 인코더 머신 러닝 네트워크를 포함하는 송신기를 이용하여 상기 MIMO 통신 채널을 통한 송신을 위한 상기 제1 정보를 처리하는 단계 - 상기 제1 정보를 처리하는 단계는:
    상기 MIMO 통신 채널을 모델링하는 채널 모델링 계층에 상기 제1 정보를 적용하는 단계,
    상기 MIMO 통신 채널의 하나 이상의 효과에 의해 수정되는 상기 제1 정보의 추정치를 제공하는 상기 채널 모델링 계층의 출력을 획득하는 단계, 및
    상기 인코더 머신 러닝 네트워크를 이용하여, 상기 제1 정보에 대응하는 복수의 제1 RF 신호를 생성하는 단계를 포함하고, 상기 복수의 제1 RF 신호는 적어도 상기 채널 모델링 계층의 출력으로서 획득되는 상기 제1 정보의 추정치에 기초하여 생성됨 -;
    복수의 송신 안테나를 이용하여 상기 MIMO 통신 채널을 통해 상기 복수의 제1 RF 신호를 목적지 디바이스에 송신하는 단계;
    상기 목적지 디바이스로부터 상기 MIMO 통신 채널을 통해 하나 이상의 제2 RF 신호를 복수의 수신 안테나를 이용하여 수신기에서 수신하는 단계 - 제2 RF 신호는 상기 MIMO 통신 채널을 통한 송신에 의해 변경된 상기 복수의 제1 RF 신호의 상기 목적지 디바이스에서의 수신에 대응하는 피드백 정보를 포함함 -;
    적어도 상기 피드백 정보를 이용하여 상기 MIMO 통신 채널의 상태를 나타내는 채널 상태 정보(CSI)를 결정하는 단계; 및
    적어도 상기 결정된 CSI에 기초하여 상기 인코더 머신 러닝 네트워크를 업데이트하는 단계
    를 포함하는 방법.
  7. 제6항에 있어서,
    상기 수신기는 디코더 머신 러닝 네트워크를 포함하고,
    상기 인코더 머신 러닝 네트워크 및 상기 디코더 머신 러닝 네트워크는 상기 MIMO 통신 채널을 통한 통신을 학습하기 위해 오토인코더로서 공동으로 훈련되는 방법.
  8. 제6항에 있어서,
    상기 수신기는 디코더 머신 러닝 네트워크를 포함하고,
    상기 방법은:
    상기 디코더 머신 러닝 네트워크 또는 상기 인코더 머신 러닝 네트워크 중 적어도 하나를 훈련하는 단계를 추가로 포함하고, 상기 훈련하는 단계는:
    (i) 제2 정보와 제1 정보 사이의 거리 측도(measure of distance), 또는 (ii) 상기 MIMO 통신 채널의 상태, 또는 상기 송신기에 의한 상기 MIMO 통신 채널의 이용에 관한 공간적 정보 또는 스케줄링 정보 중 하나 이상을 나타내는 채널 상태 정보(CSI) 중 적어도 하나를 나타내는 피드백 정보를 결정하는 단계, 및
    상기 피드백 정보를 이용하여 상기 수신기 또는 상기 송신기 중 적어도 하나를 업데이트하는 단계를 포함하는 방법.
  9. 제6항에 있어서,
    상기 제1 정보는 비트들의 스트림, 패킷들, 이산 시간 신호들, 연속 시간 파형들, 또는 이산 비트들 또는 심볼들 중 하나 이상을 포함하는 방법.
  10. 제6항에 있어서,
    상기 송신기 및 상기 수신기는 셀룰러 기지국 또는 셀룰러 모바일 디바이스 중 하나를 포함하는 방법.
  11. 제6항에 있어서,
    상기 목적지 디바이스는 셀룰러 모바일 디바이스 또는 셀룰러 기지국 중 하나를 포함하는 방법.
  12. MIMO(multi-input-multi-output) 통신 채널을 통해 다중 송신 안테나 및 다중 수신 안테나를 이용하는 통신을 위한 시스템으로서:
    상이한 타입들의 MIMO 채널들을 통해 통신하기 위한 하나 이상의 인코딩 및 디코딩 기술을 학습하도록 훈련되는 인코더 머신 러닝 네트워크를 이용하여 실현되는 인코딩 매핑을 구현하는 송신기;
    하나 이상의 프로세서; 및
    상기 하나 이상의 프로세서에 결합되고 명령어들을 저장하는 메모리
    를 포함하고,
    상기 명령어들은 상기 하나 이상의 프로세서에 의해 실행될 때, 상기 하나 이상의 프로세서로 하여금:
    상기 MIMO 통신 채널을 통한 송신을 위한 제1 정보를 결정하는 동작;
    상기 송신기를 이용하여 상기 MIMO 통신 채널을 통한 송신을 위한 상기 제1 정보를 처리하는 동작 - 상기 제1 정보를 처리하는 동작은:
    상기 MIMO 통신 채널을 모델링하는 채널 모델링 계층에 상기 제1 정보를 적용하는 동작,
    상기 MIMO 통신 채널의 하나 이상의 효과에 의해 수정되는 상기 제1 정보의 추정치를 제공하는 상기 채널 모델링 계층의 출력을 획득하는 동작, 및
    상기 인코딩 매핑을 이용하여, 상기 제1 정보에 대응하는 복수의 제1 RF 신호를 생성하는 동작을 포함하고, 상기 복수의 제1 RF 신호는 적어도 상기 채널 모델링 계층의 출력으로서 획득되는 상기 제1 정보의 추정치에 기초하여 생성됨 -; 및
    상기 다중 송신 안테나 중의 복수의 송신 안테나를 이용하여 상기 MIMO 통신 채널을 통해 상기 복수의 제1 RF 신호를 목적지 디바이스에 송신하는 동작
    을 포함하는 동작들을 수행하게 하는 시스템.
  13. 제12항에 있어서,
    상기 동작들은:
    상기 다중 수신 안테나 중의 복수의 수신 안테나를 이용하여 복수의 제2 RF 신호를 상기 목적지 디바이스로부터 수신하는 동작;
    상기 MIMO 통신 채널을 통한 송신에 의해 변경된 상기 복수의 제1 RF 신호의 상기 목적지 디바이스에서의 수신에 대응하는 피드백 정보를 상기 복수의 제2 RF 신호로부터 획득하는 동작;
    적어도 상기 피드백 정보를 이용하여 상기 MIMO 통신 채널의 상태, 또는 상기 MIMO 통신 채널의 다중 이용자에 관한 공간적 정보 또는 스케줄링 정보 중 하나 이상을 나타내는 채널 상태 정보(CSI)를 결정하는 동작; 및
    상기 피드백 정보에 기초하여 상기 송신기를 업데이트하는 동작
    을 추가로 포함하는 시스템.
  14. 제12항에 있어서,
    상기 송신기를 이용하여 상기 제1 정보를 처리하여 상기 복수의 제1 RF 신호를 생성하는 것은:
    상기 제1 정보로부터 복수의 제1 정보 부분을 결정하는 것; 및
    상기 인코딩 매핑을 상기 복수의 제1 정보 부분에 적용하여 상기 복수의 제1 RF 신호를 생성하는 것을 포함하고, 상기 복수의 제1 RF 신호의 각각의 제1 RF 신호는 상기 복수의 제1 정보 부분의 각각에 대응하는 시스템.
  15. 제12항에 있어서,
    상기 다중 수신 안테나에 대응하는 수신기를 추가로 포함하고, 상기 수신기는 디코더 머신 러닝 네트워크를 이용하여 실현되는 디코딩 매핑을 포함하고,
    상기 인코더 머신 러닝 네트워크 및 상기 디코더 머신 러닝 네트워크는 상기 MIMO 통신 채널을 통한 통신을 학습하기 위해 오토인코더로서 공동으로 훈련되는 시스템.
  16. 제15항에 있어서,
    상기 동작들은:
    상기 MIMO 통신 채널을 통해 다중 이용자에 대한 정보를 송신 및 수신하는 동작을 추가로 포함하고,
    상기 송신기는 하나 이상의 인코더를 포함하고, 상기 수신기는 하나 이상의 디코더를 포함하고,
    상기 송신기에서 상기 인코딩 매핑을 이용하여 상기 제1 정보를 처리하여 상기 복수의 제1 RF 신호를 생성하는 것은:
    상기 하나 이상의 인코더를 이용하여 (i) 상기 제1 정보의 적어도 제1 부분을 처리하여 상기 복수의 제1 RF 신호의 제1 서브세트를 생성하는 것, 및 (ii) 상기 제1 정보의 적어도 제2 부분을 처리하여 상기 복수의 제1 RF 신호의 제2 서브세트를 생성하는 것을 포함하고,
    상기 수신기에서 상기 디코딩 매핑을 이용하여 상기 복수의 제2 RF 신호를 처리하여 상기 제1 정보의 재구성으로서 제2 정보를 생성하는 것은:
    상기 하나 이상의 디코더를 이용하여 (i) 상기 복수의 제2 RF 신호의 제1 서브세트를 처리하여 상기 제2 정보의 제1 부분을 상기 제1 정보의 제1 부분의 재구성으로서 생성하는 것, 및 (ii) 상기 복수의 제2 RF 신호의 제2 서브세트를 처리하여 상기 제2 정보의 제2 부분을 상기 제1 정보의 제2 부분의 재구성으로서 생성하는 것을 포함하는 시스템.
  17. MIMO(multi-input-multi-output) 통신 채널을 통해 수신되는 무선 주파수(RF) 신호들을 처리하기 위한 장치로서:
    상이한 타입들의 MIMO 채널들을 통해 통신하기 위한 하나 이상의 인코딩 및 디코딩 기술을 학습하도록 훈련되는 인코더 머신 러닝 네트워크를 포함하는 송신기;
    복수의 수신 안테나를 포함하는 수신기;
    하나 이상의 프로세서; 및
    상기 하나 이상의 프로세서에 결합되고 명령어들을 저장하는 메모리
    를 포함하고,
    상기 명령어들은 상기 하나 이상의 프로세서에 의해 실행될 때, 상기 하나 이상의 프로세서로 하여금:
    상기 MIMO 통신 채널을 통한 송신을 위한 제1 정보를 결정하는 동작;
    상기 송신기를 이용하여 상기 MIMO 통신 채널을 통한 송신을 위한 상기 제1 정보를 처리하는 동작 - 상기 제1 정보를 처리하는 동작은:
    상기 MIMO 통신 채널을 모델링하는 채널 모델링 계층에 상기 제1 정보를 적용하는 동작,
    상기 MIMO 통신 채널의 하나 이상의 효과에 의해 수정되는 상기 제1 정보의 추정치를 제공하는 상기 채널 모델링 계층의 출력을 획득하는 동작, 및
    상기 인코더 머신 러닝 네트워크를 이용하여, 상기 제1 정보에 대응하는 복수의 제1 RF 신호를 생성하는 동작을 포함하고, 상기 복수의 제1 RF 신호는 적어도 상기 채널 모델링 계층의 출력으로서 획득되는 상기 제1 정보의 추정치에 기초하여 생성됨 -;
    복수의 송신 안테나를 이용하여 상기 MIMO 통신 채널을 통해 상기 복수의 제1 RF 신호를 목적지 디바이스에 송신하는 동작;
    상기 목적지 디바이스로부터 상기 MIMO 통신 채널을 통해 하나 이상의 제2 RF 신호를 상기 복수의 수신 안테나를 이용하여 상기 수신기에서 수신하는 동작 - 제2 RF 신호는 상기 MIMO 통신 채널을 통한 송신에 의해 변경된 상기 복수의 제1 RF 신호의 상기 목적지 디바이스에서의 수신에 대응하는 피드백 정보를 포함함 -;
    적어도 상기 피드백 정보를 이용하여 상기 MIMO 통신 채널의 상태를 나타내는 채널 상태 정보(CSI)를 결정하는 동작; 및
    적어도 상기 결정된 CSI에 기초하여 상기 인코더 머신 러닝 네트워크를 업데이트하는 동작
    을 포함하는 동작들을 수행하게 하는 장치.
  18. 제17항에 있어서,
    상기 수신기는 디코더 머신 러닝 네트워크를 포함하고,
    상기 인코더 머신 러닝 네트워크 및 상기 디코더 머신 러닝 네트워크는 상기 MIMO 통신 채널을 통한 통신을 학습하기 위해 오토인코더로서 공동으로 훈련되는 장치.
  19. 제17항에 있어서,
    상기 수신기는 디코더 머신 러닝 네트워크를 포함하고,
    상기 동작들은:
    상기 디코더 머신 러닝 네트워크 또는 상기 인코더 머신 러닝 네트워크 중 적어도 하나를 훈련하는 동작을 추가로 포함하고, 상기 훈련하는 동작은:
    (i) 제2 정보와 제1 정보 사이의 거리 측도, 또는 (ii) 상기 MIMO 통신 채널의 상태, 또는 상기 송신기에 의한 상기 MIMO 통신 채널의 이용에 관한 공간적 정보 또는 스케줄링 정보 중 하나 이상을 나타내는 채널 상태 정보(CSI) 중 적어도 하나를 나타내는 피드백 정보를 결정하는 동작, 및
    상기 피드백 정보를 이용하여 상기 수신기 또는 상기 송신기 중 적어도 하나를 업데이트하는 동작을 포함하는 장치.
  20. 제17항에 있어서,
    상기 제1 정보는 비트들의 스트림, 패킷들, 이산 시간 신호들, 연속 시간 파형들, 또는 이산 비트들 또는 심볼들 중 하나 이상을 포함하는 장치.
  21. 제17항에 있어서,
    상기 장치는 셀룰러 기지국 또는 셀룰러 모바일 디바이스 중 하나를 포함하는 장치.
  22. 제17항에 있어서,
    상기 목적지 디바이스는 셀룰러 모바일 디바이스 또는 셀룰러 기지국 중 하나를 포함하는 장치.
  23. 제1항에 있어서,
    상기 복수의 제1 RF 신호를 생성하는 단계는 상기 복수의 제1 RF 신호에 대응하는 빔들을 결정하는 단계를 포함하고, 상기 빔들은 상기 복수의 송신 안테나를 이용하여 구현되는 방법.
  24. 제2항에 있어서,
    상기 피드백 정보에 기초하여 상기 송신기를 업데이트하는 단계는 상기 인코더 머신 러닝 네트워크에 대응하는 하나 이상의 가중치를 업데이트하는 단계를 포함하는 방법.
  25. 제1항에 있어서,
    상기 송신기는 셀룰러 기지국 또는 셀룰러 모바일 디바이스 중 하나를 포함하는 방법.
  26. 제25항에 있어서,
    상기 목적지 디바이스는 셀룰러 모바일 디바이스 또는 셀룰러 기지국 중 하나를 포함하는 방법.
  27. 제6항에 있어서,
    상기 복수의 제1 RF 신호를 생성하는 단계는 상기 복수의 제1 RF 신호에 대응하는 빔들을 결정하는 단계를 포함하고, 상기 빔들은 상기 복수의 송신 안테나를 이용하여 구현되는 방법.
  28. 제6항에 있어서,
    적어도 상기 결정된 CSI에 기초하여 상기 인코더 머신 러닝 네트워크를 업데이트하는 단계는 상기 인코더 머신 러닝 네트워크에 대응하는 하나 이상의 가중치를 업데이트하는 단계를 포함하는 방법.
  29. 제12항에 있어서,
    상기 복수의 제1 RF 신호를 생성하는 동작은 상기 복수의 제1 RF 신호에 대응하는 빔들을 결정하는 동작을 포함하고, 상기 빔들은 상기 복수의 송신 안테나를 이용하여 구현되는 시스템.
  30. 제13항에 있어서,
    상기 피드백 정보에 기초하여 상기 송신기를 업데이트하는 동작은 상기 인코더 머신 러닝 네트워크에 대응하는 하나 이상의 가중치를 업데이트하는 동작을 포함하는 시스템.
  31. 제12항에 있어서,
    상기 송신기는 셀룰러 기지국 또는 셀룰러 모바일 디바이스 중 하나를 포함하는 시스템.
  32. 제31항에 있어서,
    상기 목적지 디바이스는 셀룰러 모바일 디바이스 또는 셀룰러 기지국 중 하나를 포함하는 시스템.
  33. 제17항에 있어서,
    상기 복수의 제1 RF 신호를 생성하는 동작은 상기 복수의 제1 RF 신호에 대응하는 빔들을 결정하는 동작을 포함하고, 상기 빔들은 상기 복수의 송신 안테나를 이용하여 구현되는 장치.
  34. 제17항에 있어서,
    적어도 상기 결정된 CSI에 기초하여 상기 인코더 머신 러닝 네트워크를 업데이트하는 동작은 상기 인코더 머신 러닝 네트워크에 대응하는 하나 이상의 가중치를 업데이트하는 동작을 포함하는 장치.
  35. 제1항에 있어서,
    상기 송신기는 적어도 상기 인코딩 매핑에 기초하는 룩업 테이블을 포함하고,
    상기 인코딩 매핑을 이용하여 상기 복수의 제1 RF 신호를 생성하는 단계는 상기 룩업 테이블을 이용하여 상기 복수의 제1 RF 신호를 생성하는 단계를 포함하는 방법.
  36. 제6항에 있어서,
    상기 송신기는 적어도 상기 인코더 머신 러닝 네트워크에 기초하는 룩업 테이블을 포함하고,
    상기 인코더 머신 러닝 네트워크를 이용하여 상기 복수의 제1 RF 신호를 생성하는 단계는 상기 룩업 테이블을 이용하여 상기 복수의 제1 RF 신호를 생성하는 단계를 포함하는 방법.
  37. 제12항에 있어서,
    상기 송신기는 적어도 상기 인코딩 매핑에 기초하는 룩업 테이블을 포함하고,
    상기 인코딩 매핑을 이용하여 상기 복수의 제1 RF 신호를 생성하는 동작은 상기 룩업 테이블을 이용하여 상기 복수의 제1 RF 신호를 생성하는 동작을 포함하는 시스템.
  38. 제17항에 있어서,
    상기 송신기는 적어도 상기 인코더 머신 러닝 네트워크에 기초하는 룩업 테이블을 포함하고,
    상기 인코더 머신 러닝 네트워크를 이용하여 상기 복수의 제1 RF 신호를 생성하는 동작은 상기 룩업 테이블을 이용하여 상기 복수의 제1 RF 신호를 생성하는 동작을 포함하는 장치.
KR1020207031258A 2017-06-19 2018-06-19 다중 안테나 송수신기를 이용한 무선 송신을 위한 정보의 인코딩 및 디코딩 KR102310001B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020217031505A KR102530000B1 (ko) 2017-06-19 2018-06-19 다중 안테나 송수신기를 이용한 무선 송신을 위한 정보의 인코딩 및 디코딩

Applications Claiming Priority (6)

Application Number Priority Date Filing Date Title
US201762521745P 2017-06-19 2017-06-19
US62/521,745 2017-06-19
US201762534813P 2017-07-20 2017-07-20
US62/534,813 2017-07-20
KR1020207001492A KR102174659B1 (ko) 2017-06-19 2018-06-19 다중 안테나 송수신기를 이용한 무선 송신을 위한 정보의 인코딩 및 디코딩
PCT/US2018/038366 WO2018236932A1 (en) 2017-06-19 2018-06-19 ENCODING AND DECODING INFORMATION FOR WIRELESS TRANSMISSION USING MULTIPLE ANTENNA TRANSMITTERS

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
KR1020207001492A Division KR102174659B1 (ko) 2017-06-19 2018-06-19 다중 안테나 송수신기를 이용한 무선 송신을 위한 정보의 인코딩 및 디코딩

Related Child Applications (1)

Application Number Title Priority Date Filing Date
KR1020217031505A Division KR102530000B1 (ko) 2017-06-19 2018-06-19 다중 안테나 송수신기를 이용한 무선 송신을 위한 정보의 인코딩 및 디코딩

Publications (2)

Publication Number Publication Date
KR20200126433A KR20200126433A (ko) 2020-11-06
KR102310001B1 true KR102310001B1 (ko) 2021-10-08

Family

ID=64658281

Family Applications (4)

Application Number Title Priority Date Filing Date
KR1020237015064A KR102598825B1 (ko) 2017-06-19 2018-06-19 다중 안테나 송수신기를 이용한 무선 송신을 위한 정보의 인코딩 및 디코딩
KR1020207031258A KR102310001B1 (ko) 2017-06-19 2018-06-19 다중 안테나 송수신기를 이용한 무선 송신을 위한 정보의 인코딩 및 디코딩
KR1020207001492A KR102174659B1 (ko) 2017-06-19 2018-06-19 다중 안테나 송수신기를 이용한 무선 송신을 위한 정보의 인코딩 및 디코딩
KR1020217031505A KR102530000B1 (ko) 2017-06-19 2018-06-19 다중 안테나 송수신기를 이용한 무선 송신을 위한 정보의 인코딩 및 디코딩

Family Applications Before (1)

Application Number Title Priority Date Filing Date
KR1020237015064A KR102598825B1 (ko) 2017-06-19 2018-06-19 다중 안테나 송수신기를 이용한 무선 송신을 위한 정보의 인코딩 및 디코딩

Family Applications After (2)

Application Number Title Priority Date Filing Date
KR1020207001492A KR102174659B1 (ko) 2017-06-19 2018-06-19 다중 안테나 송수신기를 이용한 무선 송신을 위한 정보의 인코딩 및 디코딩
KR1020217031505A KR102530000B1 (ko) 2017-06-19 2018-06-19 다중 안테나 송수신기를 이용한 무선 송신을 위한 정보의 인코딩 및 디코딩

Country Status (5)

Country Link
US (4) US10305553B2 (ko)
EP (1) EP3642970A4 (ko)
KR (4) KR102598825B1 (ko)
CN (2) CN111434049B (ko)
WO (1) WO2018236932A1 (ko)

Families Citing this family (132)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3054368A1 (en) * 2015-02-04 2016-08-10 Paris Sciences et Lettres - Quartier Latin Digital-data mixing apparatus and digital-data processing system
JP6829252B2 (ja) * 2016-04-27 2021-02-10 パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカＰａｎａｓｏｎｉｃ Ｉｎｔｅｌｌｅｃｔｕａｌ Ｐｒｏｐｅｒｔｙ Ｃｏｒｐｏｒａｔｉｏｎ ｏｆ Ａｍｅｒｉｃａ 送信装置、および、送信方法
MY186343A (en) 2016-04-27 2021-07-14 Panasonic Ip Corp America Transmission apparatus and transmission method
US10142137B2 (en) 2017-03-02 2018-11-27 Micron Technology, Inc. Wireless devices and systems including examples of full duplex transmission
WO2018173535A1 (ja) * 2017-03-22 2018-09-27 日本電気株式会社 アンテナ指向性調整装置、及びアンテナ指向性調整方法
CN111434049B (zh) * 2017-06-19 2021-06-11 弗吉尼亚科技知识产权有限公司 使用多天线收发器无线传输的信息的编码和解码
KR101888683B1 (ko) * 2017-07-28 2018-08-14 펜타시큐리티시스템 주식회사 비정상 트래픽을 탐지하는 방법 및 장치
US10749594B1 (en) 2017-08-18 2020-08-18 DeepSig Inc. Learning-based space communications systems
US10429486B1 (en) 2017-08-18 2019-10-01 DeepSig Inc. Method and system for learned communications signal shaping
US11941516B2 (en) 2017-08-31 2024-03-26 Micron Technology, Inc. Cooperative learning neural networks and systems
US10713535B2 (en) * 2017-09-15 2020-07-14 NovuMind Limited Methods and processes of encrypted deep learning services
US11165540B2 (en) * 2018-01-08 2021-11-02 Csub Auxiliary For Sponsored Programs Administration Space-time coded massive multiple-input multiple-output (MIMO) wireless systems and methods of making using the same
US11206050B2 (en) 2018-02-06 2021-12-21 Micron Technology, Inc. Self interference noise cancellation to support multiple frequency bands
EP3528432B1 (en) * 2018-02-16 2020-09-02 Nokia Solutions and Networks Oy Method and apparatus for monitoring a telecommunication network
WO2019169400A1 (en) 2018-03-02 2019-09-06 Deepsig Inc Learning communication systems using channel approximation
WO2019197712A1 (en) * 2018-04-09 2019-10-17 Nokia Technologies Oy An apparatus, a method and a computer program for video coding and decoding
US10944440B2 (en) 2018-04-11 2021-03-09 Booz Allen Hamilton Inc. System and method of processing a radio frequency signal with a neural network
US10911266B2 (en) * 2018-05-18 2021-02-02 Parallel Wireless, Inc. Machine learning for channel estimation
GB201810636D0 (en) 2018-06-28 2018-08-15 Microsoft Technology Licensing Llc Dynamic characterisation of synthetic genetic circuits in living cells
GB2576702A (en) * 2018-08-15 2020-03-04 Imperial College Sci Tech & Medicine Joint source channel coding of information sources using neural networks
GB2576499A (en) * 2018-08-15 2020-02-26 Imperial College Sci Tech & Medicine Joint source channel coding for noisy channels using neural networks
WO2020064093A1 (en) * 2018-09-25 2020-04-02 Nokia Technologies Oy End-to-end learning in communication systems
EP3633944B1 (en) * 2018-10-04 2021-07-28 Nokia Solutions and Networks Oy Method and apparatus for signal processing with neural networks
US11575544B2 (en) 2018-10-29 2023-02-07 Board Of Regents, The University Of Texas System Low resolution OFDM receivers via deep learning
US11922314B1 (en) * 2018-11-30 2024-03-05 Ansys, Inc. Systems and methods for building dynamic reduced order physical models
CN109560846B (zh) * 2019-01-04 2021-03-23 东南大学 一种基于模型驱动深度学习的三维预编码方法
CN111416642B (zh) * 2019-01-04 2023-02-17 财团法人工业技术研究院 基于深度学习与信道状态信息的通信系统及编解码方法
GB201900742D0 (en) * 2019-01-18 2019-03-06 Microsoft Technology Licensing Llc Modelling ordinary differential equations using a variational auto encoder
CN113316791A (zh) * 2019-01-18 2021-08-27 诺基亚技术有限公司 通信系统中的训练
CN111478783B (zh) * 2019-01-23 2023-01-13 中国移动通信有限公司研究院 一种配置无线传输参数的方法和设备
US20200257985A1 (en) * 2019-02-08 2020-08-13 DeepSig Inc. Adversarially generated communications
US20200293894A1 (en) * 2019-03-12 2020-09-17 Samsung Electronics Co., Ltd. Multiple-input multiple-output (mimo) detector selection using neural network
CN113906719B (zh) 2019-04-23 2023-08-29 迪普西格有限公司 使用机器学习网络处理通信信号
CN110210126B (zh) * 2019-05-31 2023-03-24 重庆大学 一种基于lstmpp的齿轮剩余寿命的预测方法
EP3761239A1 (en) * 2019-07-01 2021-01-06 Institut Mines-Telecom Devices and methods for lattice points enumeration
EP3761237A1 (en) * 2019-07-01 2021-01-06 Institut Mines-Telecom Devices and methods for machine learning assisted sphere decoding
US11531080B2 (en) * 2019-07-24 2022-12-20 Cypress Semiconductor Corporation Leveraging spectral diversity for machine learning-based estimation of radio frequency signal parameters
EP3772679A1 (en) 2019-08-09 2021-02-10 LightOn SAS Methods for the stabilization of interferometric systems and interferometric systems implementing such methods
CN110518945A (zh) * 2019-08-20 2019-11-29 东南大学 一种基于深度学习与sdr算法的mimo检测方法及装置
WO2021041551A2 (en) * 2019-08-26 2021-03-04 Board Of Regents, The University Of Texas System Autoencoder-based error correction coding for low-resolution communication
WO2021035494A1 (zh) * 2019-08-26 2021-03-04 Oppo广东移动通信有限公司 一种信道状态信息处理方法、电子设备及存储介质
WO2021041862A1 (en) * 2019-08-30 2021-03-04 Idac Holdings, Inc. Deep learning aided mmwave mimo blind detection schemes
US11005697B2 (en) 2019-09-03 2021-05-11 Cisco Technology, Inc. Orthogonal frequency-division multiplexing equalization using deep neural network
US10979097B2 (en) * 2019-09-05 2021-04-13 Micron Technology, Inc. Wireless devices and systems including examples of full duplex transmission using neural networks or recurrent neural networks
WO2021049984A1 (en) * 2019-09-12 2021-03-18 Telefonaktiebolaget Lm Ericsson (Publ) Provision of precoder selection policy for a multi-antenna transmitter
WO2021051362A1 (en) * 2019-09-19 2021-03-25 Nokia Shanghai Bell Co., Ltd. Machine learning-based channel estimation
KR20210042717A (ko) * 2019-10-10 2021-04-20 삼성전자주식회사 무선 통신 시스템에서 인공 지능을 활용한 신호 송수신 방법 및 장치
US11570030B2 (en) * 2019-10-11 2023-01-31 University Of South Carolina Method for non-linear distortion immune end-to-end learning with autoencoder—OFDM
CN114616762A (zh) * 2019-10-25 2022-06-10 Oppo广东移动通信有限公司 用于传输信道状态信息的方法和设备
US11533640B2 (en) 2019-11-01 2022-12-20 Qualcomm Incorporated Machine learning-assisted use case classification and adaptive antenna tuning
CN110988816B (zh) * 2019-11-12 2023-09-05 西安电子科技大学 基于空时相位编码的相干mimo雷达发射波形设计方法
EP3823390A1 (en) 2019-11-13 2021-05-19 Nokia Solutions and Networks Oy Packet scheduler
CN111092641B (zh) * 2019-12-18 2022-02-22 重庆邮电大学 基于毫米波mimo系统深度学习的混合预编码设计方法
US11463138B2 (en) 2019-12-20 2022-10-04 Qualcomm Incorporated Neural network and antenna configuration indication
EP3852326B1 (en) * 2020-01-15 2022-06-29 Nokia Technologies Oy Transmitter
EP4092918A4 (en) * 2020-01-19 2022-12-28 Guangdong Oppo Mobile Telecommunications Corp., Ltd. METHOD AND DEVICE FOR COMMUNICATION
US20230078979A1 (en) * 2020-01-29 2023-03-16 Nokia Technologies Oy A Receiver for a Communication System
CN111327381A (zh) * 2020-02-04 2020-06-23 清华大学 基于深度学习的无线通信物理层收发端的联合优化方法
US11653228B2 (en) * 2020-02-24 2023-05-16 Qualcomm Incorporated Channel state information (CSI) learning
US11533658B2 (en) 2020-02-24 2022-12-20 Qualcomm Incorporated Compressed measurement feedback using an encoder neural network
US11804998B2 (en) 2020-02-24 2023-10-31 Qualcomm Incorporated Machine learning based receiver performance improvement using peak reduction tones
US11737106B2 (en) * 2020-02-24 2023-08-22 Qualcomm Incorporated Distortion probing reference signals
US11936452B2 (en) * 2020-02-28 2024-03-19 Qualcomm Incorporated Neural network based channel state information feedback
US11387880B2 (en) 2020-02-28 2022-07-12 Qualcomm Incorporated Channel state information feedback using channel compression and reconstruction
CN115486035A (zh) * 2020-03-06 2022-12-16 诺基亚技术有限公司 用于信道估计的nn参数的类别
US11574178B2 (en) 2020-03-11 2023-02-07 Lighton Method and system for machine learning using optical data
US11137289B1 (en) 2020-03-11 2021-10-05 Lighton Method and system for machine learning using optical data
US11258473B2 (en) 2020-04-14 2022-02-22 Micron Technology, Inc. Self interference noise cancellation to support multiple frequency bands with neural networks or recurrent neural networks
US11984955B2 (en) 2020-04-17 2024-05-14 Qualcomm Incorporated Configurable neural network for channel state feedback (CSF) learning
EP4150953A4 (en) * 2020-05-15 2024-01-17 Ericsson Telefon Ab L M METHOD FOR REDUCING DATA TRANSMISSION IN A COMMUNICATION NETWORK BY AUTOMATIC LEARNING
EP3913816A1 (en) 2020-05-19 2021-11-24 Nokia Technologies Oy Method and apparatus for optimization of signal shaping for a multi-user multiple input multiple output (mu-mimo) communication system
CN115668218A (zh) * 2020-05-22 2023-01-31 诺基亚技术有限公司 通信系统
TWI741619B (zh) * 2020-05-26 2021-10-01 國立中山大學 多輸入輸出系統之參數估測方法
FR3111034B1 (fr) 2020-05-29 2022-09-02 Commissariat Energie Atomique Méthode de démodulation par apprentissage automatique pour récepteurs MIMO à détection d’énergie
US11483042B2 (en) * 2020-05-29 2022-10-25 Qualcomm Incorporated Qualifying machine learning-based CSI prediction
EP4156538A4 (en) * 2020-06-12 2024-02-21 Huawei Tech Co Ltd CHANNEL INFORMATION FEEDBACK METHOD, COMMUNICATION DEVICE AND STORAGE MEDIUM
CN113824657A (zh) * 2020-06-19 2021-12-21 株式会社Ntt都科摩 用户设备、基站、用户设备和基站的信道估计和反馈系统
US11863221B1 (en) * 2020-07-14 2024-01-02 Hrl Laboratories, Llc Low size, weight and power (swap) efficient hardware implementation of a wide instantaneous bandwidth neuromorphic adaptive core (NeurACore)
CN113973041B (zh) * 2020-07-24 2023-01-06 华为技术有限公司 一种太赫兹信号解调方法、装置和电子设备
US11742901B2 (en) * 2020-07-27 2023-08-29 Electronics And Telecommunications Research Institute Deep learning based beamforming method and apparatus
KR102196874B1 (ko) * 2020-08-07 2020-12-31 주식회사 환경과학기술 위성 이미지 생성 학습 장치, 위성 이미지 생성 학습 방법, 위성 이미지 생성 장치 및 위성 이미지 생성 방법
US20230299831A1 (en) * 2020-08-18 2023-09-21 Qualcomm Incorporated Multi-part neural network based channel state information feedback
EP4201030A1 (en) * 2020-08-18 2023-06-28 Qualcomm Incorporated Processing timeline considerations for channel state information
EP4200750A1 (en) * 2020-08-18 2023-06-28 Qualcomm Incorporated Reporting weight updates to a neural network for generating channel state information feedback
US11909482B2 (en) * 2020-08-18 2024-02-20 Qualcomm Incorporated Federated learning for client-specific neural network parameter generation for wireless communication
WO2022040664A1 (en) * 2020-08-18 2022-02-24 Qualcomm Incorporated Capability and configuration of a device for providing channel state feedback
US20230318662A1 (en) * 2020-08-20 2023-10-05 Lg Electronics Inc. Method for controlling calculations of deep neural network in wireless communication system, and apparatus therefor
CN112187413B (zh) * 2020-08-28 2022-05-03 中国人民解放军海军航空大学航空作战勤务学院 基于cnn-lstm的识别sfbc的方法及装置
CN114337911A (zh) * 2020-09-30 2022-04-12 华为技术有限公司 一种基于神经网络的通信方法以及相关装置
CN112217545B (zh) * 2020-10-09 2021-10-01 哈尔滨工程大学 一种大规模mimo系统检测模型构建方法
US11564196B2 (en) * 2020-11-03 2023-01-24 International Business Machines Corporation Determining peripheral device position relative to a primary display
KR20230098563A (ko) * 2020-11-06 2023-07-04 엘지전자 주식회사 오토인코더 기반 하향링크 시스템에 대한 파라미터 업데이트 방법 및 장치
WO2022100855A1 (en) * 2020-11-13 2022-05-19 Telefonaktiebolaget Lm Ericsson (Publ) A hardware-context aware data transmitter for communication signals based on machine learning
EP4009597A1 (en) * 2020-12-03 2022-06-08 Nokia Technologies Oy Demapping received data
CN112702286B (zh) * 2020-12-11 2022-05-31 北京科技大学 一种无人机通信中下行信道估计方法
GB2602252A (en) * 2020-12-11 2022-06-29 Univ Heriot Watt Deep learning multi-user communication
CN112688725B (zh) * 2020-12-18 2021-09-03 西安电子科技大学 基于星座图的mimo物理层安全传输方法
EP4262121A4 (en) * 2020-12-31 2024-03-13 Huawei Tech Co Ltd TRAINING METHOD FOR NEURONAL NETWORK AND ASSOCIATED APPARATUS
EP4277131A4 (en) * 2021-01-13 2024-03-06 Guangdong Oppo Mobile Telecommunications Corp Ltd INFORMATION TRANSMITTING METHOD AND APPARATUS, INFORMATION RECEIVING METHOD AND APPARATUS, APPARATUS AND MEDIUM
EP4277144A4 (en) * 2021-01-13 2024-03-06 Guangdong Oppo Mobile Telecommunications Corp Ltd METHOD AND APPARATUS FOR DETERMINING FEEDBACK MODE, AND DEVICES AND STORAGE MEDIUM
CN114867058A (zh) * 2021-02-03 2022-08-05 展讯通信（上海）有限公司 Csi反馈方法及装置、存储介质、终端、网络设备
CN114866202A (zh) * 2021-02-03 2022-08-05 展讯通信（上海）有限公司 Csi反馈方法及装置、存储介质、终端、网络设备
KR20240001134A (ko) * 2021-04-28 2024-01-03 엘지전자 주식회사 오토 인코더를 이용하는 무선 통신 시스템에서 신호를송수신하기 위한 방법 및 이를 위한 장치
CN117397170A (zh) * 2021-05-31 2024-01-12 诺基亚通信公司 无线电发射机
WO2022271634A1 (en) * 2021-06-21 2022-12-29 Idac Holdings, Inc. Methods, procedures, appartuses and systems for data-driven wireless transmit/receive unit specific symbol modulation
US20220405602A1 (en) * 2021-06-21 2022-12-22 Qualcomm Incorporated Channel feature extraction via model-based neural networks
WO2022270651A1 (ko) * 2021-06-23 2022-12-29 엘지전자 주식회사 오토 인코더를 이용하는 무선 통신 시스템에서 신호를 송수신하기 위한 방법 및 이를 위한 장치
US11658708B2 (en) * 2021-07-02 2023-05-23 Qualcomm Incorporated Codebook embedding generation and processing
CN115603859A (zh) * 2021-07-09 2023-01-13 华为技术有限公司（Cn） 模型训练方法及相关装置
CN113242073B (zh) * 2021-07-09 2021-10-01 北京理工大学 一种基于交叉熵迭代的多用户太赫兹阵列安全调制方法
WO2023004638A1 (zh) * 2021-07-28 2023-02-02 Oppo广东移动通信有限公司 信道信息反馈的方法、发端设备和收端设备
WO2023013512A1 (ja) * 2021-08-03 2023-02-09 三菱電機株式会社 通信システム
CN115706612A (zh) * 2021-08-04 2023-02-17 中兴通讯股份有限公司 信道状态信息的反馈方法、接收方法及终端、基站、介质
TWI769911B (zh) * 2021-08-12 2022-07-01 中華電信股份有限公司 基於自適性學習之聯合波束選擇和功率控制的系統和方法
US11870609B2 (en) 2021-09-22 2024-01-09 Lenovo (Singapore) Pte. Ltd. Selecting a joint equalization and decoding model
WO2023113677A1 (en) * 2021-12-15 2023-06-22 Telefonaktiebolaget Lm Ericsson (Publ) Nodes, and methods for proprietary ml-based csi reporting
CN116346279A (zh) * 2021-12-25 2023-06-27 大唐移动通信设备有限公司 信息处理方法、装置、终端及网络设备
WO2023163622A1 (en) * 2022-02-25 2023-08-31 Telefonaktiebolaget Lm Ericsson (Publ) Modeling wireless transmission channel with partial channel data using generative model
CN116939650A (zh) * 2022-04-01 2023-10-24 维沃移动通信有限公司 信道特征信息传输方法、装置、终端及网络侧设备
WO2023184531A1 (en) * 2022-04-02 2023-10-05 Qualcomm Incorporated Transmission spatial information for channel estimation
CN114745248B (zh) * 2022-04-06 2023-11-14 山东大学 基于卷积神经网络的dm-gsm信号检测方法
CN114499765B (zh) * 2022-04-14 2022-08-16 航天宏图信息技术股份有限公司 一种基于北斗短报文的数据传输方法和系统
WO2023211346A1 (en) * 2022-04-29 2023-11-02 Telefonaktiebolaget Lm Ericsson (Publ) A node and methods for training a neural network encoder for machine learning-based csi
CN115801076B (zh) * 2022-06-20 2024-05-03 西安电子科技大学 大规模mimo最小化交叉熵预编码方法及通信基站和系统
WO2024000437A1 (en) * 2022-06-30 2024-01-04 Huawei Technologies Co., Ltd. Representing underlying logical constructs related to temporal sensing and measuring of a radio environment
WO2024008264A1 (en) * 2022-07-04 2024-01-11 Nokia Solutions And Networks Oy Machine learning enhanced pilotless radio transmission with spatial multiplexing
TWI830276B (zh) * 2022-07-04 2024-01-21 聯發科技股份有限公司 補償功率放大器失真的方法以及系統
WO2024031420A1 (en) * 2022-08-10 2024-02-15 Qualcomm Incorporated Remote offline sequential network node encoder training
WO2024035996A1 (en) * 2022-08-12 2024-02-15 Qualcomm Incorporated Techniques for knowledge distillation based multi¬ vendor split learning for cross-node machine learning
WO2024056243A1 (en) * 2022-09-16 2024-03-21 Telefonaktiebolaget Lm Ericsson (Publ) Methods and apparatuses for transmitting control signals to a plurality of wireless devices
WO2024075102A1 (en) * 2022-12-16 2024-04-11 Lenovo (Singapore) Pte. Ltd. Encoding and decoding of input information
CN117272118B (zh) * 2023-11-17 2024-02-13 成都天奥集团有限公司 一种t/r组件健康状态预测方法、系统、设备和介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020147032A1 (en) 2000-08-16 2002-10-10 Samsung Electronics Co., Ltd. Antenna array apparatus and beamforming method using GPS signal for base station in mobile telecommunication system
US20110150113A1 (en) 2009-12-23 2011-06-23 Intel Corporation Distortion-Aware multiple input multiple output precoding
US20120275538A1 (en) 2005-11-07 2012-11-01 Broadcom Corporation Method and System for Utilizing Givens Rotation Expressions for Asymmetric Beamforming Matrices in Explicit Feedback Information
US20160308592A1 (en) 2013-12-30 2016-10-20 Huawei Technologies Co., Ltd. Data Transmission Method and Apparatus

Family Cites Families (40)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2005025104A1 (ja) * 2003-09-09 2005-03-17 Ntt Docomo, Inc. 無線多重伝送システムにおける信号伝送方法及び送信機
JPWO2006048934A1 (ja) * 2004-11-04 2008-05-22 松下電器産業株式会社 Ｍｉｍｏ−ｏｆｄｍシステムにおけるリンク・アダプテーションシステム及びその方法
US7545876B2 (en) * 2005-02-16 2009-06-09 Vummintala Shashidhar Method for link adaptation
US7491584B2 (en) 2005-07-22 2009-02-17 Mediatek Inc. ESD protection device in high voltage and manufacturing method for the same
JP2007116637A (ja) * 2005-10-24 2007-05-10 Fujitsu Ltd 無線通信方法及び無線通信システム並びに受信装置及び送信装置
US7995670B2 (en) * 2006-05-24 2011-08-09 Samsung Electronics Co., Ltd. Method of transmitting and receiving data using precoding codebook in multi-user MIMO communication system and transmitter and receiver using the method
US8027479B2 (en) * 2006-06-02 2011-09-27 Coding Technologies Ab Binaural multi-channel decoder in the context of non-energy conserving upmix rules
WO2008031037A2 (en) * 2006-09-07 2008-03-13 Texas Instruments Incorporated Antenna grouping for mimo systems
US8223734B2 (en) * 2007-02-14 2012-07-17 Samsung Electronics Co., Ltd. Apparatus and method for transmitting and receiving forward shared control channel in a mobile communication system
US8068457B2 (en) * 2007-03-13 2011-11-29 Samsung Electronics Co., Ltd. Methods for transmitting multiple acknowledgments in single carrier FDMA systems
US8498195B1 (en) * 2007-03-30 2013-07-30 Marvell International Ltd. HARQ retransmission scheme for at least two transmit antennas
US8195184B2 (en) * 2007-04-30 2012-06-05 Broadcom Corporation Method and system for best-M CQI feedback together with PMI feedback
US8699602B2 (en) * 2007-12-13 2014-04-15 Texas Instruments Incorporated Channel quality report processes, circuits and systems
US8223626B2 (en) * 2008-01-11 2012-07-17 Yim Tu Investments Ltd., Llc Linear precoding for MIMO channels with outdated channel state information in multiuser space-time block coded systems with multi-packet reception
US8451951B2 (en) * 2008-08-15 2013-05-28 Ntt Docomo, Inc. Channel classification and rate adaptation for SU-MIMO systems
US9048977B2 (en) * 2009-05-05 2015-06-02 Ntt Docomo, Inc. Receiver terminal driven joint encoder and decoder mode adaptation for SU-MIMO systems
KR101751995B1 (ko) * 2009-06-19 2017-06-28 엘지전자 주식회사 다중 안테나 시스템에서 공간 채널 공분산(ｓｐａｔｉａｌ ｃｈａｎｎｅｌｃｏｖａｒｉａｎｃｅ)를 이용하여 피드백 오버헤드를 최소화 하는 방법
US8358143B2 (en) 2009-07-02 2013-01-22 Fluke Corporation Internal self-check resistance bridge and method
EP2469747B1 (en) * 2009-08-18 2020-06-17 Alcatel Lucent Method and device for constructing codebook, method, device and system for precoding
US20110103493A1 (en) * 2009-11-02 2011-05-05 Futurewei Technologies, Inc. System and Method for Wireless Communications with Adaptive Codebooks
US8630379B1 (en) * 2010-06-23 2014-01-14 Marvell International Ltd. Methods and apparatus for multiple input multiple output (MIMO) successive interference cancellation (SIC)
US9571173B2 (en) * 2010-08-16 2017-02-14 Qualcomm Incorporated Enforcing constant modulus and finite alphabet properties in adaptive and dual-stage codebooks
EP2612451B1 (en) * 2010-09-03 2016-09-28 Fujitsu Limited Channel state feedback for multi-cell mimo
US8675577B2 (en) * 2010-12-20 2014-03-18 Intel Corporation Signaling techniques for a multimedia-aware radio and network adaptation
US8391806B2 (en) * 2011-01-04 2013-03-05 Research In Motion Limited Wireless communications device with an adjustable impedance matching network and associated methods
KR101279497B1 (ko) * 2012-02-16 2013-06-27 서울대학교산학협력단 Ｍｉｍｏ 시스템 및 이를 위한 계층적 코드북 생성 방법
KR101408591B1 (ko) * 2012-04-27 2014-06-17 삼성전기주식회사 무안경 3차원 영상 디스플레이 장치 및 방법
US9876655B2 (en) * 2013-08-16 2018-01-23 Mediatek Singapore Pte. Ltd. Precoding-codebook-based secure uplink in LTE
CN104660319B (zh) * 2013-11-18 2019-02-05 深圳市中兴微电子技术有限公司 一种干扰消除方法及装置
DK3164959T3 (en) * 2014-07-04 2018-03-19 Ses S A PROCEDURES, DEVICES, AND COMPUTER PROGRAMS TO COMPENSATE NON-LINEARITIES OF A COMMUNICATION CHANNEL
US9716979B2 (en) * 2014-12-12 2017-07-25 Calix, Inc. System and method for locating nodes within a wireless network
US20160365993A1 (en) * 2015-02-02 2016-12-15 Telefonaktiebolaget Lm Ericsson (Publ) Codeword-to-layer mapping for mimo transmissions
RU2677369C1 (ru) * 2015-04-29 2019-01-16 Телефонактиеболагет Лм Эрикссон (Пабл) Зондирование повышенных характеристик при надежной связи с низкой задержкой
US10574486B2 (en) * 2015-06-07 2020-02-25 Lg Electronics Inc. Channel measurement method in wireless communication system and apparatus therefor
CN105142177B (zh) * 2015-08-05 2018-08-21 西安电子科技大学 复数神经网络信道预测方法
US20210258725A1 (en) * 2016-03-08 2021-08-19 Arian Shoari Apparatus and method for robust indoor/outdoor object localization and tracking using multiple antennas technique
US10700757B2 (en) * 2016-04-18 2020-06-30 Intel Corporation Selection of beamforming directions based on learned performance
US10748062B2 (en) * 2016-12-15 2020-08-18 WaveOne Inc. Deep learning based adaptive arithmetic coding and codelength regularization
WO2018204917A1 (en) * 2017-05-05 2018-11-08 Ball Aerospace & Technologies Corp. Spectral sensing and allocation using deep machine learning
CN111434049B (zh) 2017-06-19 2021-06-11 弗吉尼亚科技知识产权有限公司 使用多天线收发器无线传输的信息的编码和解码

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020147032A1 (en) 2000-08-16 2002-10-10 Samsung Electronics Co., Ltd. Antenna array apparatus and beamforming method using GPS signal for base station in mobile telecommunication system
US20120275538A1 (en) 2005-11-07 2012-11-01 Broadcom Corporation Method and System for Utilizing Givens Rotation Expressions for Asymmetric Beamforming Matrices in Explicit Feedback Information
US20110150113A1 (en) 2009-12-23 2011-06-23 Intel Corporation Distortion-Aware multiple input multiple output precoding
US20160365907A1 (en) 2009-12-23 2016-12-15 Intel Corporation Distortion-aware multiple input multiple output precoding
US20160308592A1 (en) 2013-12-30 2016-10-20 Huawei Technologies Co., Ltd. Data Transmission Method and Apparatus

Also Published As

Publication number Publication date
KR102598825B1 (ko) 2023-11-03
US20230089393A1 (en) 2023-03-23
KR102174659B1 (ko) 2020-11-05
KR20210133290A (ko) 2021-11-05
WO2018236932A1 (en) 2018-12-27
KR102530000B1 (ko) 2023-05-08
EP3642970A1 (en) 2020-04-29
KR20200126433A (ko) 2020-11-06
EP3642970A4 (en) 2021-03-31
KR20200011551A (ko) 2020-02-03
US20210211164A1 (en) 2021-07-08
KR20230093445A (ko) 2023-06-27
US20180367192A1 (en) 2018-12-20
US11863258B2 (en) 2024-01-02
CN111434049A (zh) 2020-07-17
US11381286B2 (en) 2022-07-05
US10892806B2 (en) 2021-01-12
CN111434049B (zh) 2021-06-11
US10305553B2 (en) 2019-05-28
CN113283571A (zh) 2021-08-20
US20190349037A1 (en) 2019-11-14

Similar Documents

Publication Publication Date Title
KR102310001B1 (ko) 다중 안테나 송수신기를 이용한 무선 송신을 위한 정보의 인코딩 및 디코딩
KR102165645B1 (ko) 적응형 무선 통신의 학습 및 전개
US11259260B2 (en) Learning communication systems using channel approximation
US11334807B1 (en) Learning approximate estimation networks for communication channel state information
US20200257985A1 (en) Adversarially generated communications
Kapula et al. Channel estimation in 5G multi input multi output wireless communication using optimized deep neural framework
Kim AI-Enabled Physical Layer
Safa et al. Data Detection in 1-Bit Quantized MIMO Systems
KR20230170975A (ko) 채널 상태 피드백을 위한 신경망을 사용하는 무선 네트워크

Legal Events

Date Code Title Description
A107 Divisional application of patent
A302 Request for accelerated examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right