KR20230075466A - 무선 통신 시스템에서 단말 및 기지국의 채널 코딩 수행 방법 및 장치 - Google Patents
무선 통신 시스템에서 단말 및 기지국의 채널 코딩 수행 방법 및 장치 Download PDFInfo
- Publication number
- KR20230075466A KR20230075466A KR1020237011980A KR20237011980A KR20230075466A KR 20230075466 A KR20230075466 A KR 20230075466A KR 1020237011980 A KR1020237011980 A KR 1020237011980A KR 20237011980 A KR20237011980 A KR 20237011980A KR 20230075466 A KR20230075466 A KR 20230075466A
- Authority
- KR
- South Korea
- Prior art keywords
- polar code
- layer
- neural
- auto
- data
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 142
- 238000004891 communication Methods 0.000 title claims abstract description 130
- 230000001537 neural effect Effects 0.000 claims abstract description 131
- 230000005540 biological transmission Effects 0.000 claims abstract description 71
- 238000006243 chemical reaction Methods 0.000 claims abstract description 41
- 238000011017 operating method Methods 0.000 claims abstract description 3
- 238000013528 artificial neural network Methods 0.000 claims description 64
- 230000015654 memory Effects 0.000 claims description 56
- 238000012545 processing Methods 0.000 claims description 30
- 230000009466 transformation Effects 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 3
- 239000010410 layer Substances 0.000 description 120
- 238000010586 diagram Methods 0.000 description 49
- 230000006870 function Effects 0.000 description 43
- 238000013473 artificial intelligence Methods 0.000 description 41
- 108010076504 Protein Sorting Signals Proteins 0.000 description 33
- 230000008569 process Effects 0.000 description 30
- 238000005516 engineering process Methods 0.000 description 22
- 238000012549 training Methods 0.000 description 15
- 230000004913 activation Effects 0.000 description 14
- 238000010801 machine learning Methods 0.000 description 11
- 239000011159 matrix material Substances 0.000 description 9
- 210000002569 neuron Anatomy 0.000 description 9
- 210000004556 brain Anatomy 0.000 description 8
- 238000005457 optimization Methods 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 7
- 230000036961 partial effect Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 238000013178 mathematical model Methods 0.000 description 5
- 241000169170 Boreogadus saida Species 0.000 description 4
- 238000005562 fading Methods 0.000 description 4
- 241000282412 Homo Species 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000002441 reversible effect Effects 0.000 description 3
- 210000000225 synapse Anatomy 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000010267 cellular communication Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000010363 phase shift Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 229910052709 silver Inorganic materials 0.000 description 2
- 239000004332 silver Substances 0.000 description 2
- 239000004984 smart glass Substances 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000005406 washing Methods 0.000 description 2
- 241000760358 Enodes Species 0.000 description 1
- 230000027311 M phase Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000002779 inactivation Effects 0.000 description 1
- 239000002346 layers by function Substances 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 229910052755 nonmetal Inorganic materials 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
- H03M13/00—Coding, decoding or code conversion, for error detection or error correction; Coding theory basic assumptions; Coding bounds; Error probability evaluation methods; Channel models; Simulation or testing of codes
- H03M13/65—Purpose and implementation aspects
- H03M13/6597—Implementations using analogue techniques for coding or decoding, e.g. analogue Viterbi decoder
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
- H03M13/00—Coding, decoding or code conversion, for error detection or error correction; Coding theory basic assumptions; Coding bounds; Error probability evaluation methods; Channel models; Simulation or testing of codes
- H03M13/03—Error detection or forward error correction by redundancy in data representation, i.e. code words containing more digits than the source words
- H03M13/05—Error detection or forward error correction by redundancy in data representation, i.e. code words containing more digits than the source words using block codes, i.e. a predetermined number of check bits joined to a predetermined number of information bits
- H03M13/13—Linear codes
-
- 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
-
- 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
- G06N3/0455—Auto-encoder networks; Encoder-decoder 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
- G06N3/08—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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
- H03M13/00—Coding, decoding or code conversion, for error detection or error correction; Coding theory basic assumptions; Coding bounds; Error probability evaluation methods; Channel models; Simulation or testing of codes
- H03M13/61—Aspects and characteristics of methods and arrangements for error correction or error detection, not provided for otherwise
- H03M13/611—Specific encoding aspects, e.g. encoding by means of decoding
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
- H03M13/00—Coding, decoding or code conversion, for error detection or error correction; Coding theory basic assumptions; Coding bounds; Error probability evaluation methods; Channel models; Simulation or testing of codes
- H03M13/65—Purpose and implementation aspects
- H03M13/6502—Reduction of hardware complexity or efficient processing
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
- H03M13/00—Coding, decoding or code conversion, for error detection or error correction; Coding theory basic assumptions; Coding bounds; Error probability evaluation methods; Channel models; Simulation or testing of codes
- H03M13/65—Purpose and implementation aspects
- H03M13/6561—Parallelized implementations
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
본 개시에서는 무선 통신 시스템에서 단말의 동작 방법을 제공할 수 있다. 이때, 단말의 동작 방법은 뉴럴 폴라 코드에 적용되는 계층 정보를 확인하는 단계, 확인된 계층 정보에 기초하여 뉴럴 폴라 코드로 입력되는 데이터를 부호화하여 전송 데이터를 생성하는 단계 및 전송 데이터를 기지국으로 전송하는 단계를 포함할 수 있다. 이때, 뉴럴 폴라 코드는 폴라 코드 변환에 기초하여 데이터의 처음 계층부터 확인된 계층 정보에 따라 제 1 계층까지 폴라 코드 변환에 기초하여 부호화를 수행하고, 제 1 계층 이후 전송 데이터를 생성하기 전까지 뉴럴넷 기반 오토 인코더를 통해 부호화를 수행하여 전송 데이터를 생성할 수 있다.
Description
이하의 설명은 무선 통신 시스템에 대한 것으로, 무선 통신 시스템에서 단말 및 기지국이 채널 코딩을 수행하여 데이터를 송수신하는 방법 및 장치에 대한 것이다.
특히, 채널 코딩을 위해 폴라 코드(polar code)와 뉴럴넷(또는 신경망) 기반 채널 코딩 방식을 결합하는 방법 및 장치를 제공할 수 있다.
무선 접속 시스템이 음성이나 데이터 등과 같은 다양한 종류의 통신 서비스를 제공하기 위해 광범위하게 전개되고 있다. 일반적으로 무선 접속 시스템은 가용한 시스템 자원(대역폭, 전송 파워 등)을 공유하여 다중 사용자와의 통신을 지원할 수 있는 다중 접속(multiple access) 시스템이다. 다중 접속 시스템의 예들로는 CDMA(code division multiple access) 시스템, FDMA(frequency division multiple access) 시스템, TDMA(time division multiple access) 시스템, OFDMA(orthogonal frequency division multiple access) 시스템, SC-FDMA(single carrier frequency division multiple access) 시스템 등이 있다.
특히, 많은 통신 기기들이 큰 통신 용량을 요구하게 됨에 따라 기존 RAT (radio access technology)에 비해 향상된 모바일 브로드밴드(enhanced mobile broadband, eMBB) 통신 기술이 제안되고 있다. 또한 다수의 기기 및 사물들을 연결하여 언제 어디서나 다양한 서비스를 제공하는 매시브 MTC (Machine Type Communications) 뿐만 아니라 신뢰성 (reliability) 및 지연(latency) 민감한 서비스/UE를 고려한 통신 시스템이 제안되고 있다. 이를 위한 다양한 기술 구성들이 제안되고 있다.
본 개시는 무선 통신 시스템에서 단말 및 기지국의 신호를 송수신하기 위해 채널 코딩을 수행하는 방법 및 장치를 제공할 수 있다.
본 개시는 무선 통신 시스템에서 단말 및 기지국은 폴라 코드 및 뉴럴넷 기반 오토 인코더에 기초하여 채널코딩을 수행하고, 신호를 송수신하는 방법을 제공할 수 있다.
본 개시는 무선 통신 시스템에서 송신단이 폴라 코드 및 뉴럴넷 기반 오토 인코더에 기초하여 신호를 부호화하는 방법 및 장치를 제공할 수 있다.
본 개시는 무선 통신 시스템에서 수신단이 폴라 코드 및 뉴럴넷 기반 오토 인코더에 기초하여 신호를 복호화하는 방법 및 장치를 제공할 수 있다.
본 개시에서 이루고자 하는 기술적 목적들은 이상에서 언급한 사항들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 이하 설명할 본 개시의 실시 예들로부터 본 개시의 기술 구성이 적용되는 기술분야에서 통상의 지식을 가진 자에 의해 고려될 수 있다.
본 개시의 일 예로서, 무선 통신 시스템에서 단말의 동작 방법을 제공할 수 있다. 이때, 단말의 동작 방법은 뉴럴 폴라 코드에 적용되는 계층 정보를 확인하는 단계, 확인된 계층 정보에 기초하여 뉴럴 폴라 코드로 입력되는 데이터를 부호화하여 전송 데이터를 생성하는 단계 및 전송 데이터를 기지국으로 전송하는 단계를 포함할 수 있다. 이때, 뉴럴 폴라 코드는 폴라 코드 변환에 기초하여 데이터의 처음 계층부터 확인된 계층 정보에 따라 제 1 계층까지 폴라 코드 변환에 기초하여 부호화를 수행하고, 제 1 계층 이후 전송 데이터를 생성하기 전까지 뉴럴넷 기반 오토 인코더를 통해 부호화를 수행하여 전송 데이터를 생성할 수 있다.
또한, 본 개시의 일 예로서, 오토 인코더는 뉴럴넷에 기초하여 학습을 통해 부호화를 수행하되, 오토 인코더에는 제 1 비트 수만큼 인접한 비트들이 입력되어 부호화될 수 있다.
또한, 본 개시의 일 예로서, 오토 인코더가 적용되는 제 1 계층은 제 1 비트 수에 기초하여 결정될 수 있다.
또한, 본 개시의 일 예로서, 뉴럴 폴라 코드에 입력되는 데이터는 제 2 비트 수로 구성되고, 데이터의 처음 계층부터 제 1 계층까지 제 2 비트 수에 기초하여 데이터의 비트들 중 인접하지 않은 비트들에 폴라 코드 변환이 적용될 수 있다.
또한, 본 개시의 일 예로서, 오토 인코더 수는 제 2 비트 수를 제 1 비트 수로 나눈 수만큼 구비될 수 있다.
또한, 본 개시의 일 예로서, 단말은 하나의 오토 인코더만을 구비하고, 제 1 계층에서 오토 인코더에 적용되는 인접한 비트들은 시분할 방식에 기초하여 구분될 수 있다.
또한, 본 개시의 일 예로서, 폴라 코드 변환이 적용되어 제 1 계층에서 제 1 비트 수로 구성된 제 1 그룹 비트는 제 1 시점에 하나의 오토 인코더를 통해 부호화되고, 폴라 코드 변환이 적용되어 제 1 계층에서 제 1 비트 수로 구성된 제 2 그룹 비트는 제 2 시점에서 하나의 오토 인코더를 통해 부호화될 수 있다.
또한, 본 개시의 일 예로서, 뉴럴 폴라 코드에 적용되는 계층 정보는 단말에 기 설정된 정보일 수 있다.
또한, 본 개시의 일 예로서, 단말은 기지국으로부터 참조신호를 수신하여 채널 측정을 수행하고, 측정된 채널 정보를 기지국으로 전송한 후, 기지국으로부터 뉴럴 폴라 코드에 적용되는 계층 정보를 제어 정보를 통해 수신할 수 있다.
또한, 본 개시의 일 예로서, 계층 정보가 모든 계층에서 오토 인코더가 적용되지 않음을 지시하는 경우, 데이터는 폴라 코드 변환만을 적용하여 부호화되어 전송 데이터를 생성할 수 있다.
상술한 본 개시의 양태들은 본 개시의 바람직한 실시예들 중 일부에 불과하며, 본 개시의 기술적 특징들이 반영된 다양한 실시예들이 당해 기술분야의 통상적인 지식을 가진 자에 의해 이하 상술할 본 개시의 상세한 설명을 기반으로 도출되고 이해될 수 있다.
본 개시에 기초한 실시예들에 의해 하기와 같은 효과가 있을 수 있다.
본 개시에 기초한 실시예들에서 단말 및 기지국은 신호를 송수신하기 위해 채널 코딩을 수행할 수 있다.
본 개시에 기초한 실시예들에서 폴라 코드 및 뉴럴넷 기반 오토 인코더에 기초하여 채널코딩을 수행하고, 신호를 송수신하는 방법을 제공할 수 있다.
본 개시에 기초한 실시예들에서 송신단은 폴라 코드 및 뉴럴넷 기반 오토 인코더에 기초하여 신호를 부호화할 수 있다.
본 개시에 기초한 실시예들에서 수신단은 폴라 코드 및 뉴럴넷 기반 오토 인코더에 기초하여 신호를 복호화할 수 있다.
본 개시의 실시 예들에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 이하의 본 개시의 실시 예들에 대한 기재로부터 본 개시의 기술 구성이 적용되는 기술분야에서 통상의 지식을 가진 자에게 명확하게 도출되고 이해될 수 있다. 즉, 본 개시에서 서술하는 구성을 실시함에 따른 의도하지 않은 효과들 역시 본 개시의 실시 예들로부터 당해 기술분야의 통상의 지식을 가진 자에 의해 도출될 수 있다.
이하에 첨부되는 도면들은 본 개시에 관한 이해를 돕기 위한 것으로, 상세한 설명과 함께 본 개시에 대한 실시 예들을 제공할 수 있다. 다만, 본 개시의 기술적 특징이 특정 도면에 한정되는 것은 아니며, 각 도면에서 개시하는 특징들은 서로 조합되어 새로운 실시 예로 구성될 수 있다. 각 도면에서의 참조 번호(reference numerals)들은 구조적 구성요소(structural elements)를 의미할 수 있다.
도 1은 본 개시에 적용 가능한 통신 시스템 예시를 나타낸 도면이다.
도 2는 본 개시에 적용 가능한 무선 기기의 예시를 나타낸 도면이다.
도 3은 본 개시에 적용 가능한 무선 기기의 다른 예시를 나타낸 도면이다.
도 4는 본 개시에 적용 가능한 휴대 기기의 예시를 나타낸 도면이다.
도 5는 본 개시에 적용 가능한 차량 또는 자율 주행 차량의 예시를 나타낸 도면이다.
도 6은 본 개시에 적용 가능한 AI(Artificial Intelligence)의 예시를 나타낸 도면이다.
도 7은 본 개시에 적용 가능한 전송 신호를 처리하는 방법을 나타낸 도면이다.
도 8은 본 개시에 적용 가능한 6G 시스템에서 제공 가능한 통신 구조의 일례를 나타낸 도면이다.
도 9는 본 개시에 적용 가능한 전자기 스펙트럼을 나타낸 도면이다.
도 10은 본 개시에 적용 가능한 THz 통신 방법을 나타낸 도면이다.
도 11은 본 개시에 적용 가능한 신경망을 나타낸 도면이다.
도 12는 본 개시에 적용 가능한 신경망에서 활성화 노드를 나타낸 도면이다. 오토 인코더
도 13은 본 개시에 적용 가능한 신경망 기반 통신 시스템을 나타낸 도면이다.
도 14는 본 개시에 적용 가능한 폴라 코딩에 기초한 통신 시스템을 나타낸 도면이다.
도 15는 본 개시에 적용 가능한 폴라 코딩을 수행하는 방법을 나타낸 도면이다.
도 16은 본 개시에 적용 가능한 폴라 코딩을 수행하는 방법을 나타낸 도면이다.
도 17은 본 개시에 적용 가능한 폴라 코딩에 기초하여 복호화를 수행하는 방법을 나타낸 도면이다.
도 18은 본 개시에 적용 가능한 부분 폴라 코딩에 기초하여 폴라 변환을 수행하는 방법을 나타낸 도면이다.
도 19는 본 개시에 적용 가능한 부분 폴라 코딩에 기초하여 폴라 변환을 수행하는 방법을 나타낸 도면이다.
도 20은 본 개시에 적용 가능한 시분할 방식에 기초하여 부분 폴라 코딩에 기초하여 폴라 변환을 수행하는 방법을 나타낸 도면이다.
도 21은 본 개시에 적용 가능한 수신단에서 뉴럴 폴라 코드에 기초하여 복호화를 수행하는 방법을 나타낸 도면이다.
도 22는 본 개시에 적용 가능한 수신단에서 뉴럴 폴라 코드에 기초하여 복호화를 수행하는 방법을 나타낸 도면이다.
도 23은 본 개시에 적용 가능한 수신단에서 뉴럴 폴라 코드에 기초하여 복호화를 수행하는 방법을 나타낸 도면이다.
도 24는 본 개시에 적용 가능한 송신기와 수신기가 신경망에 기초하여 신호를 송수신하는 방법을 나타낸 도면이다.
도 25는 본 개시에 적용 가능한 단말 동작 방법을 나타낸 도면이다.
도 1은 본 개시에 적용 가능한 통신 시스템 예시를 나타낸 도면이다.
도 2는 본 개시에 적용 가능한 무선 기기의 예시를 나타낸 도면이다.
도 3은 본 개시에 적용 가능한 무선 기기의 다른 예시를 나타낸 도면이다.
도 4는 본 개시에 적용 가능한 휴대 기기의 예시를 나타낸 도면이다.
도 5는 본 개시에 적용 가능한 차량 또는 자율 주행 차량의 예시를 나타낸 도면이다.
도 6은 본 개시에 적용 가능한 AI(Artificial Intelligence)의 예시를 나타낸 도면이다.
도 7은 본 개시에 적용 가능한 전송 신호를 처리하는 방법을 나타낸 도면이다.
도 8은 본 개시에 적용 가능한 6G 시스템에서 제공 가능한 통신 구조의 일례를 나타낸 도면이다.
도 9는 본 개시에 적용 가능한 전자기 스펙트럼을 나타낸 도면이다.
도 10은 본 개시에 적용 가능한 THz 통신 방법을 나타낸 도면이다.
도 11은 본 개시에 적용 가능한 신경망을 나타낸 도면이다.
도 12는 본 개시에 적용 가능한 신경망에서 활성화 노드를 나타낸 도면이다. 오토 인코더
도 13은 본 개시에 적용 가능한 신경망 기반 통신 시스템을 나타낸 도면이다.
도 14는 본 개시에 적용 가능한 폴라 코딩에 기초한 통신 시스템을 나타낸 도면이다.
도 15는 본 개시에 적용 가능한 폴라 코딩을 수행하는 방법을 나타낸 도면이다.
도 16은 본 개시에 적용 가능한 폴라 코딩을 수행하는 방법을 나타낸 도면이다.
도 17은 본 개시에 적용 가능한 폴라 코딩에 기초하여 복호화를 수행하는 방법을 나타낸 도면이다.
도 18은 본 개시에 적용 가능한 부분 폴라 코딩에 기초하여 폴라 변환을 수행하는 방법을 나타낸 도면이다.
도 19는 본 개시에 적용 가능한 부분 폴라 코딩에 기초하여 폴라 변환을 수행하는 방법을 나타낸 도면이다.
도 20은 본 개시에 적용 가능한 시분할 방식에 기초하여 부분 폴라 코딩에 기초하여 폴라 변환을 수행하는 방법을 나타낸 도면이다.
도 21은 본 개시에 적용 가능한 수신단에서 뉴럴 폴라 코드에 기초하여 복호화를 수행하는 방법을 나타낸 도면이다.
도 22는 본 개시에 적용 가능한 수신단에서 뉴럴 폴라 코드에 기초하여 복호화를 수행하는 방법을 나타낸 도면이다.
도 23은 본 개시에 적용 가능한 수신단에서 뉴럴 폴라 코드에 기초하여 복호화를 수행하는 방법을 나타낸 도면이다.
도 24는 본 개시에 적용 가능한 송신기와 수신기가 신경망에 기초하여 신호를 송수신하는 방법을 나타낸 도면이다.
도 25는 본 개시에 적용 가능한 단말 동작 방법을 나타낸 도면이다.
이하의 실 시 예들은 본 개시의 구성요소들과 특징들을 소정 형태로 결합한 것들이다. 각 구성요소 또는 특징은 별도의 명시적 언급이 없는 한 선택적인 것으로 고려될 수 있다. 각 구성요소 또는 특징은 다른 구성요소나 특징과 결합되지 않은 형태로 실시될 수 있다. 또한, 일부 구성요소들 및/또는 특징들을 결합하여 본 개시의 실시 예를 구성할 수도 있다. 본 개시의 실시 예들에서 설명되는 동작들의 순서는 변경될 수 있다. 어느 실시 예의 일부 구성이나 특징은 다른 실시 예에 포함될 수 있고, 또는 다른 실시 예의 대응하는 구성 또는 특징과 교체될 수 있다.
도면에 대한 설명에서, 본 개시의 요지를 흐릴 수 있는 절차 또는 단계 등은 기술하지 않았으며, 당업자의 수준에서 이해할 수 있을 정도의 절차 또는 단계는 또한 기술하지 아니하였다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함(comprising 또는 including)"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "...부", "...기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 또한, "일(a 또는 an)", "하나(one)", "그(the)" 및 유사 관련어는 본 개시를 기술하는 문맥에 있어서(특히, 이하의 청구항의 문맥에서) 본 명세서에 달리 지시되거나 문맥에 의해 분명하게 반박되지 않는 한, 단수 및 복수 모두를 포함하는 의미로 사용될 수 있다.
본 명세서에서 본 개시의 실시예들은 기지국과 이동국 간의 데이터 송수신 관계를 중심으로 설명되었다. 여기서, 기지국은 이동국과 직접적으로 통신을 수행하는 네트워크의 종단 노드(terminal node)로서의 의미가 있다. 본 문서에서 기지국에 의해 수행되는 것으로 설명된 특정 동작은 경우에 따라서는 기지국의 상위 노드(upper node)에 의해 수행될 수도 있다.
즉, 기지국을 포함하는 다수의 네트워크 노드들(network nodes)로 이루어지는 네트워크에서 이동국과의 통신을 위해 수행되는 다양한 동작들은 기지국 또는 기지국 이외의 다른 네트워크 노드들에 의해 수행될 수 있다. 이때, '기지국'은 고정국(fixed station), Node B, eNB(eNode B), gNB(gNode B), ng-eNB, 발전된 기지국(advanced base station, ABS) 또는 억세스 포인트(access point) 등의 용어에 의해 대체될 수 있다.
또한, 본 개시의 실시 예들에서 단말(terminal)은 사용자 기기(user equipment, UE), 이동국(mobile station, MS), 가입자국(subscriber station, SS), 이동 가입자 단말(mobile subscriber station, MSS), 이동 단말(mobile terminal) 또는 발전된 이동 단말(advanced mobile station, AMS) 등의 용어로 대체될 수 있다.
또한, 송신단은 데이터 서비스 또는 음성 서비스를 제공하는 고정 및/또는 이동 노드를 말하고, 수신단은 데이터 서비스 또는 음성 서비스를 수신하는 고정 및/또는 이동 노드를 의미한다. 따라서, 상향링크의 경우, 이동국이 송신단이 되고, 기지국이 수신단이 될 수 있다. 마찬가지로, 하향링크의 경우, 이동국이 수신단이 되고, 기지국이 송신단이 될 수 있다.
본 개시의 실시 예들은 무선 접속 시스템들인 IEEE 802.xx 시스템, 3GPP(3rd Generation Partnership Project) 시스템, 3GPP LTE(Long Term Evolution) 시스템, 3GPP 5G(5th generation) NR(New Radio) 시스템 및 3GPP2 시스템 중 적어도 하나에 개시된 표준 문서들에 의해 뒷받침될 수 있으며, 특히, 본 개시의 실시 예들은 3GPP TS(technical specification) 38.211, 3GPP TS 38.212, 3GPP TS 38.213, 3GPP TS 38.321 및 3GPP TS 38.331 문서들에 의해 뒷받침 될 수 있다.
또한, 본 개시의 실시 예들은 다른 무선 접속 시스템에도 적용될 수 있으며, 상술한 시스템으로 한정되는 것은 아니다. 일 예로, 3GPP 5G NR 시스템 이후에 적용되는 시스템에 대해서도 적용 가능할 수 있으며, 특정 시스템에 한정되지 않는다.
즉, 본 개시의 실시 예들 중 설명하지 않은 자명한 단계들 또는 부분들은 상기 문서들을 참조하여 설명될 수 있다. 또한, 본 문서에서 개시하고 있는 모든 용어들은 상기 표준 문서에 의해 설명될 수 있다.
이하, 본 개시에 따른 바람직한 실시 형태를 첨부된 도면을 참조하여 상세하게 설명한다. 첨부된 도면과 함께 이하에 개시될 상세한 설명은 본 개시의 예시적인 실시 형태를 설명하고자 하는 것이며, 본 개시의 기술 구성이 실시될 수 있는 유일한 실시형태를 나타내고자 하는 것이 아니다.
또한, 본 개시의 실시 예들에서 사용되는 특정 용어들은 본 개시의 이해를 돕기 위해서 제공된 것이며, 이러한 특정 용어의 사용은 본 개시의 기술적 사상을 벗어나지 않는 범위에서 다른 형태로 변경될 수 있다.
이하의 기술은 CDMA(code division multiple access), FDMA(frequency division multiple access), TDMA(time division multiple access), OFDMA(orthogonal frequency division multiple access), SC-FDMA(single carrier frequency division multiple access) 등과 같은 다양한 무선 접속 시스템에 적용될 수 있다.
하기에서는 이하 설명을 명확하게 하기 위해, 3GPP 통신 시스템(e.g.(예, LTE, NR 등)을 기반으로 설명하지만 본 발명의 기술적 사상이 이에 제한되는 것은 아니다. LTE는 3GPP TS 36.xxx Release 8 이후의 기술을 의미할 수 있다. 세부적으로, 3GPP TS 36.xxx Release 10 이후의 LTE 기술은 LTE-A로 지칭되고, 3GPP TS 36.xxx Release 13 이후의 LTE 기술은 LTE-A pro로 지칭될 수 있다. 3GPP NR은 TS 38.xxx Release 15 이후의 기술을 의미할 수 있다. 3GPP 6G는 TS Release 17 및/또는 Release 18 이후의 기술을 의미할 수 있다. "xxx"는 표준 문서 세부 번호를 의미한다. LTE/NR/6G는 3GPP 시스템으로 통칭될 수 있다.
본 개시에 사용된 배경기술, 용어, 약어 등에 관해서는 본 발명 이전에 공개된 표준 문서에 기재된 사항을 참조할 수 있다. 일 예로, 36.xxx 및 38.xxx 표준 문서를 참조할 수 있다.
본 개시에 적용 가능한 통신 시스템
이로 제한되는 것은 아니지만, 본 문서에 개시된 본 개시의 다양한 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들은 기기들 간에 무선 통신/연결(예, 5G)을 필요로 하는 다양한 분야에 적용될 수 있다.
이하, 도면을 참조하여 보다 구체적으로 예시한다. 이하의 도면/설명에서 동일한 도면 부호는 다르게 기술하지 않는 한, 동일하거나 대응되는 하드웨어 블록, 소프트웨어 블록 또는 기능 블록을 예시할 수 있다.
도 1은 본 개시에 적용되는 통신 시스템 예시를 도시한 도면이다.
도 1을 참조하면, 본 개시에 적용되는 통신 시스템(100)은 무선 기기, 기지국 및 네트워크를 포함한다. 여기서, 무선 기기는 무선 접속 기술(예, 5G NR, LTE)을 이용하여 통신을 수행하는 기기를 의미하며, 통신/무선/5G 기기로 지칭될 수 있다. 이로 제한되는 것은 아니지만, 무선 기기는 로봇(100a), 차량(100b-1, 100b-2), XR(extended reality) 기기(100c), 휴대 기기(hand-held device)(100d), 가전(home appliance)(100e), IoT(Internet of Thing) 기기(100f), AI(artificial intelligence) 기기/서버(100g)를 포함할 수 있다. 예를 들어, 차량은 무선 통신 기능이 구비된 차량, 자율 주행 차량, 차량간 통신을 수행할 수 있는 차량 등을 포함할 수 있다. 여기서, 차량(100b-1, 100b-2)은 UAV(unmanned aerial vehicle)(예, 드론)를 포함할 수 있다. XR 기기(100c)는 AR(augmented reality)/VR(virtual reality)/MR(mixed reality) 기기를 포함하며, HMD(head-mounted device), 차량에 구비된 HUD(head-up display), 텔레비전, 스마트폰, 컴퓨터, 웨어러블 디바이스, 가전 기기, 디지털 사이니지(signage), 차량, 로봇 등의 형태로 구현될 수 있다. 휴대 기기(100d)는 스마트폰, 스마트패드, 웨어러블 기기(예, 스마트워치, 스마트글래스), 컴퓨터(예, 노트북 등) 등을 포함할 수 있다. 가전(100e)은 TV, 냉장고, 세탁기 등을 포함할 수 있다. IoT 기기(100f)는 센서, 스마트 미터 등을 포함할 수 있다. 예를 들어, 기지국(120), 네트워크(130)는 무선 기기로도 구현될 수 있으며, 특정 무선 기기(120a)는 다른 무선 기기에게 기지국/네트워크 노드로 동작할 수도 있다.
무선 기기(100a~100f)는 기지국(120)을 통해 네트워크(130)와 연결될 수 있다. 무선 기기(100a~100f)에는 AI 기술이 적용될 수 있으며, 무선 기기(100a~100f)는 네트워크(130)를 통해 AI 서버(100g)와 연결될 수 있다. 네트워크(130)는 3G 네트워크, 4G(예, LTE) 네트워크 또는 5G(예, NR) 네트워크 등을 이용하여 구성될 수 있다. 무선 기기(100a~100f)는 기지국(120)/네트워크(130)를 통해 서로 통신할 수도 있지만, 기지국(120)/네트워크(130)를 통하지 않고 직접 통신(예, 사이드링크 통신(sidelink communication))할 수도 있다. 예를 들어, 차량들(100b-1, 100b-2)은 직접 통신(예, V2V(vehicle to vehicle)/V2X(vehicle to everything) communication)을 할 수 있다. 또한, IoT 기기(100f)(예, 센서)는 다른 IoT 기기(예, 센서) 또는 다른 무선 기기(100a~100f)와 직접 통신을 할 수 있다.
무선 기기(100a~100f)/기지국(120), 기지국(120)/기지국(120) 간에는 무선 통신/연결(150a, 150b, 150c)이 이뤄질 수 있다. 여기서, 무선 통신/연결은 상향/하향링크 통신(150a)과 사이드링크 통신(150b)(또는, D2D 통신), 기지국간 통신(150c)(예, relay, IAB(integrated access backhaul))과 같은 다양한 무선 접속 기술(예, 5G NR)을 통해 이뤄질 수 있다. 무선 통신/연결(150a, 150b, 150c)을 통해 무선 기기와 기지국/무선 기기, 기지국과 기지국은 서로 무선 신호를 송신/수신할 수 있다. 예를 들어, 무선 통신/연결(150a, 150b, 150c)은 다양한 물리 채널을 통해 신호를 송신/수신할 수 있다. 이를 위해, 본 개시의 다양한 제안들에 기반하여, 무선 신호의 송신/수신을 위한 다양한 구성정보 설정 과정, 다양한 신호 처리 과정(예, 채널 인코딩/디코딩, 변조/복조, 자원 매핑/디매핑 등), 자원 할당 과정 등 중 적어도 일부가 수행될 수 있다.
본 개시에 적용 가능한 통신 시스템
도 2는 본 개시에 적용될 수 있는 무선 기기의 예시를 도시한 도면이다.
도 2를 참조하면, 제1 무선 기기(200a)와 제2 무선 기기(200b)는 다양한 무선 접속 기술(예, LTE, NR)을 통해 무선 신호를 송수신할 수 있다. 여기서, {제1 무선 기기(200a), 제2 무선 기기(200b)}은 도 1의 {무선 기기(100x), 기지국(120)} 및/또는 {무선 기기(100x), 무선 기기(100x)}에 대응할 수 있다.
제1 무선 기기(200a)는 하나 이상의 프로세서(202a) 및 하나 이상의 메모리(204a)를 포함하며, 추가적으로 하나 이상의 송수신기(206a) 및/또는 하나 이상의 안테나(208a)을 더 포함할 수 있다. 프로세서(202a)는 메모리(204a) 및/또는 송수신기(206a)를 제어하며, 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들을 구현하도록 구성될 수 있다. 예를 들어, 프로세서(202a)는 메모리(204a) 내의 정보를 처리하여 제1 정보/신호를 생성한 뒤, 송수신기(206a)을 통해 제1 정보/신호를 포함하는 무선 신호를 전송할 수 있다. 또한, 프로세서(202a)는 송수신기(206a)를 통해 제2 정보/신호를 포함하는 무선 신호를 수신한 뒤, 제2 정보/신호의 신호 처리로부터 얻은 정보를 메모리(204a)에 저장할 수 있다. 메모리(204a)는 프로세서(202a)와 연결될 수 있고, 프로세서(202a)의 동작과 관련한 다양한 정보를 저장할 수 있다. 예를 들어, 메모리(204a)는 프로세서(202a)에 의해 제어되는 프로세스들 중 일부 또는 전부를 수행하거나, 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들을 수행하기 위한 명령들을 포함하는 소프트웨어 코드를 저장할 수 있다. 여기서, 프로세서(202a)와 메모리(204a)는 무선 통신 기술(예, LTE, NR)을 구현하도록 설계된 통신 모뎀/회로/칩의 일부일 수 있다. 송수신기(206a)는 프로세서(202a)와 연결될 수 있고, 하나 이상의 안테나(208a)를 통해 무선 신호를 송신 및/또는 수신할 수 있다. 송수신기(206a)는 송신기 및/또는 수신기를 포함할 수 있다. 송수신기(206a)는 RF(radio frequency) 유닛과 혼용될 수 있다. 본 개시에서 무선 기기는 통신 모뎀/회로/칩을 의미할 수도 있다.
제2 무선 기기(200b)는 하나 이상의 프로세서(202b), 하나 이상의 메모리(204b)를 포함하며, 추가적으로 하나 이상의 송수신기(206b) 및/또는 하나 이상의 안테나(208b)를 더 포함할 수 있다. 프로세서(202b)는 메모리(204b) 및/또는 송수신기(206b)를 제어하며, 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들을 구현하도록 구성될 수 있다. 예를 들어, 프로세서(202b)는 메모리(204b) 내의 정보를 처리하여 제3 정보/신호를 생성한 뒤, 송수신기(206b)를 통해 제3 정보/신호를 포함하는 무선 신호를 전송할 수 있다. 또한, 프로세서(202b)는 송수신기(206b)를 통해 제4 정보/신호를 포함하는 무선 신호를 수신한 뒤, 제4 정보/신호의 신호 처리로부터 얻은 정보를 메모리(204b)에 저장할 수 있다. 메모리(204b)는 프로세서(202b)와 연결될 수 있고, 프로세서(202b)의 동작과 관련한 다양한 정보를 저장할 수 있다. 예를 들어, 메모리(204b)는 프로세서(202b)에 의해 제어되는 프로세스들 중 일부 또는 전부를 수행하거나, 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들을 수행하기 위한 명령들을 포함하는 소프트웨어 코드를 저장할 수 있다. 여기서, 프로세서(202b)와 메모리(204b)는 무선 통신 기술(예, LTE, NR)을 구현하도록 설계된 통신 모뎀/회로/칩의 일부일 수 있다. 송수신기(206b)는 프로세서(202b)와 연결될 수 있고, 하나 이상의 안테나(208b)를 통해 무선 신호를 송신 및/또는 수신할 수 있다. 송수신기(206b)는 송신기 및/또는 수신기를 포함할 수 있다 송수신기(206b)는 RF 유닛과 혼용될 수 있다. 본 개시에서 무선 기기는 통신 모뎀/회로/칩을 의미할 수도 있다.
이하, 무선 기기(200a, 200b)의 하드웨어 요소에 대해 보다 구체적으로 설명한다. 이로 제한되는 것은 아니지만, 하나 이상의 프로토콜 계층이 하나 이상의 프로세서(202a, 202b)에 의해 구현될 수 있다. 예를 들어, 하나 이상의 프로세서(202a, 202b)는 하나 이상의 계층(예, PHY(physical), MAC(media access control), RLC(radio link control), PDCP(packet data convergence protocol), RRC(radio resource control), SDAP(service data adaptation protocol)와 같은 기능적 계층)을 구현할 수 있다. 하나 이상의 프로세서(202a, 202b)는 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들에 따라 하나 이상의 PDU(Protocol Data Unit) 및/또는 하나 이상의 SDU(service data unit)를 생성할 수 있다. 하나 이상의 프로세서(202a, 202b)는 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들에 따라 메시지, 제어정보, 데이터 또는 정보를 생성할 수 있다. 하나 이상의 프로세서(202a, 202b)는 본 문서에 개시된 기능, 절차, 제안 및/또는 방법에 따라 PDU, SDU, 메시지, 제어정보, 데이터 또는 정보를 포함하는 신호(예, 베이스밴드 신호)를 생성하여, 하나 이상의 송수신기(206a, 206b)에게 제공할 수 있다. 하나 이상의 프로세서(202a, 202b)는 하나 이상의 송수신기(206a, 206b)로부터 신호(예, 베이스밴드 신호)를 수신할 수 있고, 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들에 따라 PDU, SDU, 메시지, 제어정보, 데이터 또는 정보를 획득할 수 있다.
하나 이상의 프로세서(202a, 202b)는 컨트롤러, 마이크로 컨트롤러, 마이크로 프로세서 또는 마이크로 컴퓨터로 지칭될 수 있다. 하나 이상의 프로세서(202a, 202b)는 하드웨어, 펌웨어, 소프트웨어, 또는 이들의 조합에 의해 구현될 수 있다. 일 예로, 하나 이상의 ASIC(application specific integrated circuit), 하나 이상의 DSP(digital signal processor), 하나 이상의 DSPD(digital signal processing device), 하나 이상의 PLD(programmable logic device) 또는 하나 이상의 FPGA(field programmable gate arrays)가 하나 이상의 프로세서(202a, 202b)에 포함될 수 있다. 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들은 펌웨어 또는 소프트웨어를 사용하여 구현될 수 있고, 펌웨어 또는 소프트웨어는 모듈, 절차, 기능 등을 포함하도록 구현될 수 있다. 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들은 수행하도록 설정된 펌웨어 또는 소프트웨어는 하나 이상의 프로세서(202a, 202b)에 포함되거나, 하나 이상의 메모리(204a, 204b)에 저장되어 하나 이상의 프로세서(202a, 202b)에 의해 구동될 수 있다. 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들은 코드, 명령어 및/또는 명령어의 집합 형태로 펌웨어 또는 소프트웨어를 사용하여 구현될 수 있다.
하나 이상의 메모리(204a, 204b)는 하나 이상의 프로세서(202a, 202b)와 연결될 수 있고, 다양한 형태의 데이터, 신호, 메시지, 정보, 프로그램, 코드, 지시 및/또는 명령을 저장할 수 있다. 하나 이상의 메모리(204a, 204b)는 ROM(read only memory), RAM(random access memory), EPROM(erasable programmable read only memory), 플래시 메모리, 하드 드라이브, 레지스터, 캐쉬 메모리, 컴퓨터 판독 저장 매체 및/또는 이들의 조합으로 구성될 수 있다. 하나 이상의 메모리(204a, 204b)는 하나 이상의 프로세서(202a, 202b)의 내부 및/또는 외부에 위치할 수 있다. 또한, 하나 이상의 메모리(204a, 204b)는 유선 또는 무선 연결과 같은 다양한 기술을 통해 하나 이상의 프로세서(202a, 202b)와 연결될 수 있다.
하나 이상의 송수신기(206a, 206b)는 하나 이상의 다른 장치에게 본 문서의 방법들 및/또는 동작 순서도 등에서 언급되는 사용자 데이터, 제어 정보, 무선 신호/채널 등을 전송할 수 있다. 하나 이상의 송수신기(206a, 206b)는 하나 이상의 다른 장치로부터 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도 등에서 언급되는 사용자 데이터, 제어 정보, 무선 신호/채널 등을 수신할 수 있다. 예를 들어, 하나 이상의 송수신기(206a, 206b)는 하나 이상의 프로세서(202a, 202b)와 연결될 수 있고, 무선 신호를 송수신할 수 있다. 예를 들어, 하나 이상의 프로세서(202a, 202b)는 하나 이상의 송수신기(206a, 206b)가 하나 이상의 다른 장치에게 사용자 데이터, 제어 정보 또는 무선 신호를 전송하도록 제어할 수 있다. 또한, 하나 이상의 프로세서(202a, 202b)는 하나 이상의 송수신기(206a, 206b)가 하나 이상의 다른 장치로부터 사용자 데이터, 제어 정보 또는 무선 신호를 수신하도록 제어할 수 있다. 또한, 하나 이상의 송수신기(206a, 206b)는 하나 이상의 안테나(208a, 208b)와 연결될 수 있고, 하나 이상의 송수신기(206a, 206b)는 하나 이상의 안테나(208a, 208b)를 통해 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도 등에서 언급되는 사용자 데이터, 제어 정보, 무선 신호/채널 등을 송수신하도록 설정될 수 있다. 본 문서에서, 하나 이상의 안테나는 복수의 물리 안테나이거나, 복수의 논리 안테나(예, 안테나 포트)일 수 있다. 하나 이상의 송수신기(206a, 206b)는 수신된 사용자 데이터, 제어 정보, 무선 신호/채널 등을 하나 이상의 프로세서(202a, 202b)를 이용하여 처리하기 위해, 수신된 무선 신호/채널 등을 RF 밴드 신호에서 베이스밴드 신호로 변환(Convert)할 수 있다. 하나 이상의 송수신기(206a, 206b)는 하나 이상의 프로세서(202a, 202b)를 이용하여 처리된 사용자 데이터, 제어 정보, 무선 신호/채널 등을 베이스밴드 신호에서 RF 밴드 신호로 변환할 수 있다. 이를 위하여, 하나 이상의 송수신기(206a, 206b)는 (아날로그) 오실레이터 및/또는 필터를 포함할 수 있다.
본 개시에 적용 가능한 무선 기기 구조
도 3은 본 개시에 적용되는 무선 기기의 다른 예시를 도시한 도면이다.
도 3을 참조하면, 무선 기기(300)는 도 2의 무선 기기(200a, 200b)에 대응하며, 다양한 요소(element), 성분(component), 유닛/부(unit), 및/또는 모듈(module)로 구성될 수 있다. 예를 들어, 무선 기기(300)는 통신부(310), 제어부(320), 메모리부(330) 및 추가 요소(340)를 포함할 수 있다. 통신부는 통신 회로(312) 및 송수신기(들)(314)을 포함할 수 있다. 예를 들어, 통신 회로(312)는 도 2의 하나 이상의 프로세서(202a, 202b) 및/또는 하나 이상의 메모리(204a, 204b)를 포함할 수 있다. 예를 들어, 송수신기(들)(314)는 도 2의 하나 이상의 송수신기(206a, 206b) 및/또는 하나 이상의 안테나(208a, 208b)을 포함할 수 있다. 제어부(320)는 통신부(310), 메모리부(330) 및 추가 요소(340)와 전기적으로 연결되며 무선 기기의 제반 동작을 제어한다. 예를 들어, 제어부(320)는 메모리부(330)에 저장된 프로그램/코드/명령/정보에 기반하여 무선 기기의 전기적/기계적 동작을 제어할 수 있다. 또한, 제어부(320)는 메모리부(330)에 저장된 정보를 통신부(310)을 통해 외부(예, 다른 통신 기기)로 무선/유선 인터페이스를 통해 전송하거나, 통신부(310)를 통해 외부(예, 다른 통신 기기)로부터 무선/유선 인터페이스를 통해 수신된 정보를 메모리부(330)에 저장할 수 있다.
추가 요소(340)는 무선 기기의 종류에 따라 다양하게 구성될 수 있다. 예를 들어, 추가 요소(340)는 파워 유닛/배터리, 입출력부(input/output unit), 구동부 및 컴퓨팅부 중 적어도 하나를 포함할 수 있다. 이로 제한되는 것은 아니지만, 무선 기기(300)는 로봇(도 1, 100a), 차량(도 1, 100b-1, 100b-2), XR 기기(도 1, 100c), 휴대 기기(도 1, 100d), 가전(도 1, 100e), IoT 기기(도 1, 100f), 디지털 방송용 단말, 홀로그램 장치, 공공 안전 장치, MTC 장치, 의료 장치, 핀테크 장치(또는 금융 장치), 보안 장치, 기후/환경 장치, AI 서버/기기(도 1, 140), 기지국(도 1, 120), 네트워크 노드 등의 형태로 구현될 수 있다. 무선 기기는 사용-예/서비스에 따라 이동 가능하거나 고정된 장소에서 사용될 수 있다.
도 3에서 무선 기기(300) 내의 다양한 요소, 성분, 유닛/부, 및/또는 모듈은 전체가 유선 인터페이스를 통해 상호 연결되거나, 적어도 일부가 통신부(310)를 통해 무선으로 연결될 수 있다. 예를 들어, 무선 기기(300) 내에서 제어부(320)와 통신부(310)는 유선으로 연결되며, 제어부(320)와 제1 유닛(예, 130, 140)은 통신부(310)를 통해 무선으로 연결될 수 있다. 또한, 무선 기기(300) 내의 각 요소, 성분, 유닛/부, 및/또는 모듈은 하나 이상의 요소를 더 포함할 수 있다. 예를 들어, 제어부(320)는 하나 이상의 프로세서 집합으로 구성될 수 있다. 예를 들어, 제어부(320)는 통신 제어 프로세서, 어플리케이션 프로세서(application processor), ECU(electronic control unit), 그래픽 처리 프로세서, 메모리 제어 프로세서 등의 집합으로 구성될 수 있다. 다른 예로, 메모리부(330)는 RAM, DRAM(dynamic RAM), ROM, 플래시 메모리(flash memory), 휘발성 메모리(volatile memory), 비-휘발성 메모리(non-volatile memory) 및/또는 이들의 조합으로 구성될 수 있다.
본 개시가 적용 가능한 휴대 기기
도 4는 본 개시에 적용되는 휴대 기기의 예시를 도시한 도면이다.
도 4는 본 개시에 적용되는 휴대 기기를 예시한다. 휴대 기기는 스마트폰, 스마트패드, 웨어러블 기기(예, 스마트 워치, 스마트 글래스), 휴대용 컴퓨터(예, 노트북 등)을 포함할 수 있다. 휴대 기기는 MS(mobile station), UT(user terminal), MSS(mobile subscriber station), SS(subscriber station), AMS(advanced mobile station) 또는 WT(wireless terminal)로 지칭될 수 있다.
도 4를 참조하면, 휴대 기기(400)는 안테나부(408), 통신부(410), 제어부(420), 메모리부(430), 전원공급부(440a), 인터페이스부(440b) 및 입출력부(440c)를 포함할 수 있다. 안테나부(408)는 통신부(410)의 일부로 구성될 수 있다. 블록 410~430/440a~440c는 각각 도 3의 블록 310~330/340에 대응한다.
통신부(410)는 다른 무선 기기, 기지국들과 신호(예, 데이터, 제어 신호 등)를 송수신할 수 있다. 제어부(420)는 휴대 기기(400)의 구성 요소들을 제어하여 다양한 동작을 수행할 수 있다. 제어부(420)는 AP(application processor)를 포함할 수 있다. 메모리부(430)는 휴대 기기(400)의 구동에 필요한 데이터/파라미터/프로그램/코드/명령을 저장할 수 있다. 또한, 메모리부(430)는 입/출력되는 데이터/정보 등을 저장할 수 있다. 전원공급부(440a)는 휴대 기기(400)에게 전원을 공급하며, 유/무선 충전 회로, 배터리 등을 포함할 수 있다. 인터페이스부(440b)는 휴대 기기(400)와 다른 외부 기기의 연결을 지원할 수 있다. 인터페이스부(440b)는 외부 기기와의 연결을 위한 다양한 포트(예, 오디오 입/출력 포트, 비디오 입/출력 포트)를 포함할 수 있다. 입출력부(440c)는 영상 정보/신호, 오디오 정보/신호, 데이터, 및/또는 사용자로부터 입력되는 정보를 입력 받거나 출력할 수 있다. 입출력부(440c)는 카메라, 마이크로폰, 사용자 입력부, 디스플레이부(440d), 스피커 및/또는 햅틱 모듈 등을 포함할 수 있다.
일 예로, 데이터 통신의 경우, 입출력부(440c)는 사용자로부터 입력된 정보/신호(예, 터치, 문자, 음성, 이미지, 비디오)를 획득하며, 획득된 정보/신호는 메모리부(430)에 저장될 수 있다. 통신부(410)는 메모리에 저장된 정보/신호를 무선 신호로 변환하고, 변환된 무선 신호를 다른 무선 기기에게 직접 전송하거나 기지국에게 전송할 수 있다. 또한, 통신부(410)는 다른 무선 기기 또는 기지국으로부터 무선 신호를 수신한 뒤, 수신된 무선 신호를 원래의 정보/신호로 복원할 수 있다. 복원된 정보/신호는 메모리부(430)에 저장된 뒤, 입출력부(440c)를 통해 다양한 형태(예, 문자, 음성, 이미지, 비디오, 햅틱)로 출력될 수 있다.
본 개시가 적용 가능한 무선 기기 종류
도 5는 본 개시에 적용되는 차량 또는 자율 주행 차량의 예시를 도시한 도면이다.
도 5는 본 개시에 적용되는 차량 또는 자율 주행 차량을 예시한다. 차량 또는 자율 주행 차량은 이동형 로봇, 차량, 기차, 유/무인 비행체(aerial vehicle, AV), 선박 등으로 구현될 수 있으며, 차량의 형태로 한정되는 것은 아니다.
도 5를 참조하면, 차량 또는 자율 주행 차량(500)은 안테나부(508), 통신부(510), 제어부(520), 구동부(540a), 전원공급부(540b), 센서부(540c) 및 자율 주행부(540d)를 포함할 수 있다. 안테나부(550)는 통신부(510)의 일부로 구성될 수 있다. 블록 510/530/540a~540d는 각각 도 4의 블록 410/430/440에 대응한다.
통신부(510)는 다른 차량, 기지국(예, 기지국, 노변 기지국(road side unit) 등), 서버 등의 외부 기기들과 신호(예, 데이터, 제어 신호 등)를 송수신할 수 있다. 제어부(520)는 차량 또는 자율 주행 차량(500)의 요소들을 제어하여 다양한 동작을 수행할 수 있다. 제어부(520)는 ECU(electronic control unit)를 포함할 수 있다.
도 6은 본 개시에 적용되는 AI 기기의 예시를 도시한 도면이다. 일 예로, AI 기기는 TV, 프로젝터, 스마트폰, PC, 노트북, 디지털방송용 단말기, 태블릿 PC, 웨어러블 장치, 셋톱박스(STB), 라디오, 세탁기, 냉장고, 디지털 사이니지, 로봇, 차량 등과 같은, 고정형 기기 또는 이동 가능한 기기 등으로 구현될 수 있다.
도 6을 참조하면, AI 기기(900)는 통신부(910), 제어부(920), 메모리부(930), 입/출력부(940a/940b), 러닝 프로세서부(940c) 및 센서부(940d)를 포함할 수 있다. 블록 910~930/940a~940d는 각각 도 3의 블록 310~330/340에 대응할 수 있다.
통신부(910)는 유무선 통신 기술을 이용하여 다른 AI 기기(예, 도 1, 100x, 120, 140)나 AI 서버(도 1, 140) 등의 외부 기기들과 유무선 신호(예, 센서 정보, 사용자 입력, 학습 모델, 제어 신호 등)를 송수신할 수 있다. 이를 위해, 통신부(910)는 메모리부(930) 내의 정보를 외부 기기로 전송하거나, 외부 기기로부터 수신된 신호를 메모리부(930)로 전달할 수 있다.
제어부(920)는 데이터 분석 알고리즘 또는 머신 러닝 알고리즘을 사용하여 결정되거나 생성된 정보에 기초하여, AI 기기(900)의 적어도 하나의 실행 가능한 동작을 결정할 수 있다. 그리고, 제어부(920)는 AI 기기(900)의 구성 요소들을 제어하여 결정된 동작을 수행할 수 있다. 예를 들어, 제어부(920)는 러닝 프로세서부(940c) 또는 메모리부(930)의 데이터를 요청, 검색, 수신 또는 활용할 수 있고, 적어도 하나의 실행 가능한 동작 중 예측되는 동작이나, 바람직한 것으로 판단되는 동작을 실행하도록 AI 기기(900)의 구성 요소들을 제어할 수 있다. 또한, 제어부(920)는 AI 장치(900)의 동작 내용이나 동작에 대한 사용자의 피드백 등을 포함하는 이력 정보를 수집하여 메모리부(930) 또는 러닝 프로세서부(940c)에 저장하거나, AI 서버(도 1, 140) 등의 외부 장치에 전송할 수 있다. 수집된 이력 정보는 학습 모델을 갱신하는데 이용될 수 있다.
메모리부(930)는 AI 기기(900)의 다양한 기능을 지원하는 데이터를 저장할 수 있다. 예를 들어, 메모리부(930)는 입력부(940a)로부터 얻은 데이터, 통신부(910)로부터 얻은 데이터, 러닝 프로세서부(940c)의 출력 데이터, 및 센싱부(940)로부터 얻은 데이터를 저장할 수 있다. 또한, 메모리부(930)는 제어부(920)의 동작/실행에 필요한 제어 정보 및/또는 소프트웨어 코드를 저장할 수 있다.
입력부(940a)는 AI 기기(900)의 외부로부터 다양한 종류의 데이터를 획득할 수 있다. 예를 들어, 입력부(920)는 모델 학습을 위한 학습 데이터, 및 학습 모델이 적용될 입력 데이터 등을 획득할 수 있다. 입력부(940a)는 카메라, 마이크로폰 및/또는 사용자 입력부 등을 포함할 수 있다. 출력부(940b)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시킬 수 있다. 출력부(940b)는 디스플레이부, 스피커 및/또는 햅틱 모듈 등을 포함할 수 있다. 센싱부(940)는 다양한 센서들을 이용하여 AI 기기(900)의 내부 정보, AI 기기(900)의 주변 환경 정보 및 사용자 정보 중 적어도 하나를 얻을 수 있다. 센싱부(940)는 근접 센서, 조도 센서, 가속도 센서, 자기 센서, 자이로 센서, 관성 센서, RGB 센서, IR 센서, 지문 인식 센서, 초음파 센서, 광 센서, 마이크로폰 및/또는 레이더 등을 포함할 수 있다.
러닝 프로세서부(940c)는 학습 데이터를 이용하여 인공 신경망으로 구성된 모델을 학습시킬 수 있다. 러닝 프로세서부(940c)는 AI 서버(도 1, 140)의 러닝 프로세서부와 함께 AI 프로세싱을 수행할 수 있다. 러닝 프로세서부(940c)는 통신부(910)를 통해 외부 기기로부터 수신된 정보, 및/또는 메모리부(930)에 저장된 정보를 처리할 수 있다. 또한, 러닝 프로세서부(940c)의 출력 값은 통신부(910)를 통해 외부 기기로 전송되거나/되고, 메모리부(930)에 저장될 수 있다.
도 7은 본 개시에 적용되는 전송 신호를 처리하는 방법을 도시한 도면이다. 일 예로, 전송 신호는 신호 처리 회로에 의해 처리될 수 있다. 이때, 신호 처리 회로(1200)는 스크램블러(1210), 변조기(1220), 레이어 매퍼(1230), 프리코더(1240), 자원 매퍼(1250), 신호 생성기(1260)를 포함할 수 있다. 이때, 일 예로, 도 7의 동작/기능은 도 2의 프로세서(202a, 202b) 및/또는 송수신기(206a, 206b)에서 수행될 수 있다. 또한, 일 예로, 도 12의 하드웨어 요소는 도 2의 프로세서(202a, 202b) 및/또는 송수신기(206a, 206b)에서 구현될 수 있다. 일 예로, 블록 1010~1060은 도 2의 프로세서(202a, 202b)에서 구현될 수 있다. 또한, 블록 1210~1250은 도 2의 프로세서(202a, 202b)에서 구현되고, 블록 1260은 도 2의 송수신기(206a, 206b)에서 구현될 수 있으며, 상술한 실시 예로 한정되지 않는다.
코드워드는 도 7의 신호 처리 회로(1200)를 거쳐 무선 신호로 변환될 수 있다. 여기서, 코드워드는 정보블록의 부호화된 비트 시퀀스이다. 정보블록은 전송블록(예, UL-SCH 전송블록, DL-SCH 전송블록)을 포함할 수 있다. 무선 신호는 다양한 물리 채널(예, PUSCH, PDSCH)을 통해 전송될 수 있다. 구체적으로, 코드워드는 스크램블러(1210)에 의해 스크램블된 비트 시퀀스로 변환될 수 있다. 스크램블에 사용되는 스크램블 시퀀스는 초기화 값에 기반하여 생성되며, 초기화 값은 무선 기기의 ID 정보 등이 포함될 수 있다. 스크램블된 비트 시퀀스는 변조기(1220)에 의해 변조 심볼 시퀀스로 변조될 수 있다. 변조 방식은 pi/2-BPSK(pi/2-binary phase shift keying), m-PSK(m-phase shift keying), m-QAM(m-quadrature amplitude modulation) 등을 포함할 수 있다.
복소 변조 심볼 시퀀스는 레이어 매퍼(1230)에 의해 하나 이상의 전송 레이어로 매핑될 수 있다. 각 전송 레이어의 변조 심볼들은 프리코더(1240)에 의해 해당 안테나 포트(들)로 매핑될 수 있다(프리코딩). 프리코더(1240)의 출력 z는 레이어 매퍼(1230)의 출력 y를 N*M의 프리코딩 행렬 W와 곱해 얻을 수 있다. 여기서, N은 안테나 포트의 개수, M은 전송 레이어의 개수이다. 여기서, 프리코더(1240)는 복소 변조 심볼들에 대한 트랜스폼(transform) 프리코딩(예, DFT(discrete fourier transform) 변환)을 수행한 이후에 프리코딩을 수행할 수 있다. 또한, 프리코더(1240)는 트랜스폼 프리코딩을 수행하지 않고 프리코딩을 수행할 수 있다.
자원 매퍼(1250)는 각 안테나 포트의 변조 심볼들을 시간-주파수 자원에 매핑할 수 있다. 시간-주파수 자원은 시간 도메인에서 복수의 심볼(예, CP-OFDMA 심볼, DFT-s-OFDMA 심볼)을 포함하고, 주파수 도메인에서 복수의 부반송파를 포함할 수 있다. 신호 생성기(1260)는 매핑된 변조 심볼들로부터 무선 신호를 생성하며, 생성된 무선 신호는 각 안테나를 통해 다른 기기로 전송될 수 있다. 이를 위해, 신호 생성기(1260)는 IFFT(inverse fast fourier transform) 모듈 및 CP(cyclic prefix) 삽입기, DAC(digital-to-analog converter), 주파수 상향 변환기(frequency uplink converter) 등을 포함할 수 있다.
무선 기기에서 수신 신호를 위한 신호 처리 과정은 도 7의 신호 처리 과정(1210~1260)의 역으로 구성될 수 있다. 일 예로, 무선 기기(예, 도 2의 200a, 200b)는 안테나 포트/송수신기를 통해 외부로부터 무선 신호를 수신할 수 있다. 수신된 무선 신호는 신호 복원기를 통해 베이스밴드 신호로 변환될 수 있다. 이를 위해, 신호 복원기는 주파수 하향 변환기(frequency downlink converter), ADC(analog-to-digital converter), CP 제거기, FFT(fast fourier transform) 모듈을 포함할 수 있다. 이후, 베이스밴드 신호는 자원 디-매퍼 과정, 포스트코딩(postcoding) 과정, 복조 과정 및 디-스크램블 과정을 거쳐 코드워드로 복원될 수 있다. 코드워드는 복호(decoding)를 거쳐 원래의 정보블록으로 복원될 수 있다. 따라서, 수신 신호를 위한 신호 처리 회로(미도시)는 신호 복원기, 자원 디-매퍼, 포스트코더, 복조기, 디-스크램블러 및 복호기를 포함할 수 있다.
6G 통신 시스템
6G (무선통신) 시스템은 (i) 디바이스 당 매우 높은 데이터 속도, (ii) 매우 많은 수의 연결된 디바이스들, (iii) 글로벌 연결성(global connectivity), (iv) 매우 낮은 지연, (v) 배터리-프리(battery-free) IoT 디바이스들의 에너지 소비를 낮추고, (vi) 초고신뢰성 연결, (vii) 머신 러닝 능력을 가지는 연결된 지능 등에 목적이 있다. 6G 시스템의 비젼은 “intelligent connectivity”, “deep connectivity”, “holographic connectivity”, “ubiquitous connectivity”와 같은 4가지 측면일 수 있으며, 6G 시스템은 하기 표 1과 같은 요구 사항을 만족시킬 수 있다. 즉, 표 1은 6G 시스템의 요구 사항을 나타낸 표이다.
이때, 6G 시스템은 향상된 모바일 브로드밴드(enhanced mobile broadband, eMBB), 초-저지연 통신(ultra-reliable low latency communications, URLLC), mMTC (massive machine type communications), AI 통합 통신(AI integrated communication), 촉각 인터넷(tactile internet), 높은 스루풋(high throughput), 높은 네트워크 능력(high network capacity), 높은 에너지 효율(high energy efficiency), 낮은 백홀 및 접근 네트워크 혼잡(low backhaul and access network congestion) 및 향상된 데이터 보안(enhanced data security)과 같은 핵심 요소(key factor)들을 가질 수 있다.
도 10은 본 개시에 적용 가능한 6G 시스템에서 제공 가능한 통신 구조의 일례를 도시한 도면이다.
도 10을 참조하면, 6G 시스템은 5G 무선통신 시스템보다 50배 더 높은 동시 무선통신 연결성을 가질 것으로 예상된다. 5G의 핵심 요소(key feature)인 URLLC는 6G 통신에서 1ms보다 적은 단-대-단(end-to-end) 지연을 제공함으로써 보다 더 주요한 기술이 될 것으로 예상된다. 이때, 6G 시스템은 자주 사용되는 영역 스펙트럼 효율과 달리 체적 스펙트럼 효율이 훨씬 우수할 것이다. 6G 시스템은 매우 긴 배터리 수명과 에너지 수확을 위한 고급 배터리 기술을 제공할 수 있어, 6G 시스템에서 모바일 디바이스들은 별도로 충전될 필요가 없을 수 있다.
6G 시스템의 핵심 구현 기술
- 인공 지능(artificial Intelligence, AI)
6G 시스템에 가장 중요하며, 새로 도입될 기술은 AI이다. 4G 시스템에는 AI가 관여하지 않았다. 5G 시스템은 부분 또는 매우 제한된 AI를 지원할 것이다. 그러나, 6G 시스템은 완전히 자동화를 위해 AI가 지원될 것이다. 머신 러닝의 발전은 6G에서 실시간 통신을 위해 보다 지능적인 네트워크를 만들 것이다. 통신에 AI를 도입하면 실시간 데이터 전송이 간소화되고 향상될 수 있다. AI는 수많은 분석을 사용하여 복잡한 대상 작업이 수행되는 방식을 결정할 수 있다. 즉, AI는 효율성을 높이고 처리 지연을 줄일 수 있다.
핸드 오버, 네트워크 선택, 자원 스케줄링과 같은 시간 소모적인 작업은 AI를 사용함으로써 즉시 수행될 수 있다. AI는 M2M, 기계-대-인간 및 인간-대-기계 통신에서도 중요한 역할을 할 수 있다. 또한, AI는 BCI(brain computer interface)에서 신속한 통신이 될 수 있다. AI 기반 통신 시스템은 메타 물질, 지능형 구조, 지능형 네트워크, 지능형 장치, 지능형 인지 라디오(radio), 자체 유지 무선 네트워크 및 머신 러닝에 의해 지원될 수 있다.
최근 AI를 무선 통신 시스템과 통합하려고 하는 시도들이 나타나고 있으나, 이는 어플리케이션 계층(application layer), 네트워크 계층(network layer) 특히, 딥 러닝은 무선 자원 관리 및 할당(wireless resource management and allocation) 분야에 집중되어 왔다. 그러나, 이러한 연구는 점점 MAC 계층 및 물리 계층으로 발전하고 있으며, 특히 물리계층에서 딥 러닝을 무선 전송(wireless transmission)과 결합하고자 하는 시도들이 나타나고 있다. AI 기반의 물리계층 전송은, 근본적인 신호 처리 및 통신 메커니즘에 있어서, 전통적인 통신 프레임워크가 아니라 AI 드라이버에 기초한 신호 처리 및 통신 메커니즘을 적용하는 것을 의미한다. 예를 들어, 딥러닝 기반의 채널 코딩 및 디코딩(channel coding and decoding), 딥러닝 기반의 신호 추정(estimation) 및 검출(detection), 딥러닝 기반의 MIMO(multiple input multiple output) 매커니즘(mechanism), AI 기반의 자원 스케줄링(scheduling) 및 할당(allocation) 등을 포함할 수 있다.
머신 러닝은 채널 추정 및 채널 트래킹을 위해 사용될 수 있으며, DL(downlink)의 물리 계층(physical layer)에서 전력 할당(power allocation), 간섭 제거(interference cancellation) 등에 사용될 수 있다. 또한, 머신 러닝은 MIMO 시스템에서 안테나 선택, 전력 제어(power control), 심볼 검출(symbol detection) 등에도 사용될 수 있다.
그러나 물리계층에서의 전송을 위한 DNN의 적용은 아래와 같은 문제점이 있을 수 있다.
딥러닝 기반의 AI 알고리즘은 훈련 파라미터를 최적화하기 위해 수많은 훈련 데이터가 필요하다. 그러나 특정 채널 환경에서의 데이터를 훈련 데이터로 획득하는데 있어서의 한계로 인해, 오프라인 상에서 많은 훈련 데이터를 사용한다. 이는 특정 채널 환경에서 훈련 데이터에 대한 정적 훈련(static training)은, 무선 채널의 동적 특성 및 다이버시티(diversity) 사이에 모순(contradiction)이 생길 수 있다.
또한, 현재 딥 러닝은 주로 실제 신호(real signal)을 대상으로 한다. 그러나, 무선 통신의 물리 계층의 신호들은 복소 신호(complex signal)이다. 무선 통신 신호의 특성을 매칭시키기 위해 복소(complex) 도메인 신호의 검출하는 신경망(neural network)에 대한 연구가 더 필요하다.
이하, 머신 러닝에 대해 보다 구체적으로 살펴본다.
머신 러닝은 사람이 할 수 있거나 혹은 하기 어려운 작업을 대신해낼 수 있는 기계를 만들어 내기 위해 기계를 학습시키는 일련의 동작을 의미한다. 머신 러닝을 위해서는 데이터와 러닝 모델이 필요하다. 머신 러닝에서 데이터의 학습 방법은 크게 3가지 즉, 지도 학습(supervised learning), 비지도 학습(unsupervised learning) 그리고 강화 학습(reinforcement learning)으로 구분될 수 있다.
신경망 학습은 출력의 오류를 최소화하기 위한 것이다. 신경망 학습은 반복적으로 학습 데이터를 신경망에 입력시키고 학습 데이터에 대한 신경망의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 신경망의 에러를 신경망의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation) 하여 신경망의 각 노드의 가중치를 업데이트하는 과정이다.
지도 학습은 학습 데이터에 정답이 라벨링된 학습 데이터를 사용하며 비지도 학습은 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 지도 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링된 데이터 일 수 있다. 라벨링된 학습 데이터가 신경망에 입력되고 신경망의 출력(카테고리)과 학습 데이터의 라벨을 비교하여 오차(error)가 계산될 수 있다. 계산된 오차는 신경망에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 신경망의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 신경망의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 신경망의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 신경망의 학습 초기에는 높은 학습률을 사용하여 신경망이 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다
데이터의 특징에 따라 학습 방법은 달라질 수 있다. 예를 들어, 통신 시스템 상에서 송신단에서 전송한 데이터를 수신단에서 정확하게 예측하는 것을 목적으로 하는 경우, 비지도 학습 또는 강화 학습 보다는 지도 학습을 이용하여 학습을 수행하는 것이 바람직하다.
러닝 모델은 인간의 뇌에 해당하는 것으로서, 가장 기본적인 선형 모델을 생각할 수 있으나, 인공 신경망(artificial neural networks)와 같은 복잡성이 높은 신경망 구조를 러닝 모델로 사용하는 머신 러닝의 패러다임을 딥러닝(deep learning)이라 한다.
학습(learning) 방식으로 사용하는 신경망 코어(neural network cord)는 크게 심층 신경망(deep neural networks, DNN), 합성곱 신경망(convolutional deep neural networks, CNN), 순환 신경망(recurrent boltzmann machine, RNN) 방식이 있으며, 이러한 러닝 모델이 적용될 수 있다.
THz(Terahertz) 통신
6G 시스템에서 THz 통신이 적용될 수 있다. 일 예로, 데이터 전송률은 대역폭을 늘려 높일 수 있다. 이것은 넓은 대역폭으로 sub-THz 통신을 사용하고, 진보된 대규모 MIMO 기술을 적용하여 수행될 수 있다.
도 9는 본 개시에 적용 가능한 전자기 스펙트럼을 도시한 도면이다. 일 예로, 도 9를 참조하면, 밀리미터 이하의 방사선으로도 알려진 THz파는 일반적으로 0.03mm-3mm 범위의 해당 파장을 가진 0.1THz와 10THz 사이의 주파수 대역을 나타낸다. 100GHz-300GHz 대역 범위(Sub THz 대역)는 셀룰러 통신을 위한 THz 대역의 주요 부분으로 간주된다. Sub-THz 대역 mmWave 대역에 추가하면 6G 셀룰러 통신 용량은 늘어난다. 정의된 THz 대역 중 300GHz-3THz는 원적외선 (IR) 주파수 대역에 있다. 300GHz-3THz 대역은 광 대역의 일부이지만 광 대역의 경계에 있으며, RF 대역 바로 뒤에 있다. 따라서, 이 300 GHz?3 THz 대역은 RF와 유사성을 나타낸다.
THz 통신의 주요 특성은 (i) 매우 높은 데이터 전송률을 지원하기 위해 광범위하게 사용 가능한 대역폭, (ii) 고주파에서 발생하는 높은 경로 손실 (고 지향성 안테나는 필수 불가결)을 포함한다. 높은 지향성 안테나에서 생성된 좁은 빔 폭은 간섭을 줄인다. THz 신호의 작은 파장은 훨씬 더 많은 수의 안테나 소자가 이 대역에서 동작하는 장치 및 BS에 통합될 수 있게 한다. 이를 통해 범위 제한을 극복할 수 있는 고급 적응형 배열 기술을 사용할 수 있다.
테라헤르츠(THz) 무선통신
도 10은 본 개시에 적용 가능한 THz 통신 방법을 도시한 도면이다.
도 10을 참조하면, THz 무선통신은 대략 0.1~10THz(1THz=1012Hz)의 진동수를 가지는 THz파를 이용하여 무선통신을 이용하는 것으로, 100GHz 이상의 매우 높은 캐리어 주파수를 사용하는 테라헤르츠(THz) 대역 무선통신을 의미할 수 있다. THz파는 RF(Radio Frequency)/밀리미터(mm)와 적외선 대역 사이에 위치하며, (i) 가시광/적외선에 비해 비금속/비분극성 물질을 잘 투과하며 RF/밀리미터파에 비해 파장이 짧아 높은 직진성을 가지며 빔 집속이 가능할 수 있다.
도 11은 본 개시에 적용 가능한 신경망을 나타낸 도면이다.
상술한 바와 같이, 새로운 통신 시스템(e.g. 6G 시스템)에서 인공 지능 기술이 도입될 수 있다. 이때, 인공지능은 사람의 뇌를 본 따서 만든 머신러닝 모델로서 신경망(neural network)을 활용할 수 있다.
구체적으로, 디바이스는 0과 1로 이루어진 사칙연산을 처리하고, 이에 기초하여 동작 및 통신을 수행할 수 있다. 이때, 기술의 발달로 인해 디바이스가 예전보다도 더 빠른 시간에 더 적은 전력을 사용하여 많은 사칙연산을 처리할 수 있다. 반면, 사람은 사칙연산을 디바이스만큼 빠르게 할 수 없다. 인간의 뇌는 오직 빠른 사칙연산만을 처리하기 위해 만들어진 것이 아닐 수 있다. 그러나, 사람은 인지 및 자연어처리 등의 동작을 수행할 수 있다. 이때, 상술한 동작은 사칙연산 이상의 무언가를 처리하기 위한 동작으로 현재 디바이스로는 인간의 뇌가 할 수 있는 수준으로 처리가 불가능할 수 있다. 따라서, 디바이스가 자연언어처리, 컴퓨터 비전 등의 영역에서는 인간과 비슷한 성능을 낼 수 있도록 시스템을 만드는 것을 고려할 수 있다. 상술한 점을 고려하여, 신경망은 인간의 뇌를 모방해 보자라는 아이디어에 기초하여 만들어진 모델일 수 있다.
이때, 신경망은 상술한 모티베이션(Motivation)으로 만들어진 간단한 수학적 모델일 수 있다. 여기서, 인간의 뇌는 엄청나게 많은 뉴런들과 그것들을 연결하는 시냅스로 구성될 수 있다. 또한, 각각의 뉴런들이 활성화(activate)되는 방식에 따라서 다른 뉴런들도 활성화되는지 여부를 선택하여 동작(action)을 취할 수 있다. 신경망은 상술한 사실들에 기초하여 수학적 모델을 정의할 수 있다.
일 예로, 뉴런들은 노드(node)이고, 뉴런들을 연결하는 시냅스가 엣지(edge)인 네트워크를 생성하는 것도 가능할 수 있다. 이때, 각각의 시냅스의 중요도는 다른 수 있다. 즉, 엣지(edge)마다 웨이트(weight)을 따로 정의할 필요성이 있다.
일 예로, 도 11을 참조하면, 신경망은 직접적인 그래프(directed graph)일 수 있다. 즉, 정보 전파(information propagation)는 한 방향으로 고정될 수 있다. 일 예로, 비-직접적인 엣지(undirected edge)를 가지게 되는 경우, 또는 동일한 직접적인 엣지(directed edge)가 양방향으로 주어질 경우, 정보 전파(information propagation)는 반복(recursive)하게 일어날 수 있다. 따라서, 신경망에 의한 결과가 복잡해질 수 있다. 일 예로, 상술한 바와 같은 신경망은 RNN(recurrent neural network)일 수 있다. 이때, RNN은 과거 데이터를 저장하는 효과가 있기 때문에 최근 음성인식 등의 연속 데이터(sequential data)를 처리할 때 많이 사용되고 있다. 또한, 멀티 레이어 인식(Multi-layer perceptron, MLP) 구조는 직접 샘플 그래프(directed simple graph)일 수 있다.
여기서, 같은 레이어들 안에서는 서로 연결(connection)이 없다. 즉, 셀프 루프(self-loop)와 평행한 엣지(parallel edge)가 없고, 레이어와 레이어 사이에만 엣지가 존재할 수 있다. 또한, 서로 인접한 레이어 사이에만 엣지를 가질 수 있다. 즉, 도 11에서, 첫 번째 레이어와 네 번째 레이어를 직접 연결하는 엣지가 없는 것이다. 일 예로, 하기에서 레이어에 대한 특별한 언급이 없다면 상술한 MLP일 수 있으나, 이에 한정되는 것은 아니다. 상술한 경우, 정보 전파(information propagation)는 포워딩 방향(forward)으로만 발생할 수 있다. 따라서, 상술한 네트워크는 피드-포워드 네트워크(feed-forward network)일 수 있으나, 이에 한정되는 것은 아니다.
또한, 일 예로, 실제 뇌에서는 각기 다른 뉴런들이 활성화되고, 그 결과가 다음 뉴런으로 전달될 수 있다. 상술한 방식으로 결과 값은 최종 결정을 내리는 뉴런이 활성화시킬 수 있으며, 이를 통해 정보를 처리하게 된다. 이때, 상술한 방식을 수학적 모델로 변경하면, 입력(input) 데이터들에 대한 활성화(activation) 조건을 함수(function)로 표현하는 것이 가능할 수 있다. 이때, 상술한 함수를 활성화 함수(activate function)로 지칭할 수 있다.
일 예로, 가장 간단한 활성화 함수는 모든 입력 데이터를 합한 다음 임계값(threshold)과 비교하는 함수일 수 있다. 일 예로, 모든 입력 데이터의 합이 특정 값을 넘는 경우, 디바이스는 활성화로 정보를 처리할 수 있다. 반면, 모든 입력 데이터의 합이 특정 값을 넘지 못한 경우, 디바이스는 비활성화로 정보를 처리할 수 있다.
또 다른 일 예로, 활성화 함수는 다양한 형태일 수 있다. 일 예로, 설명의 편의를 위해 수학식 1을 정의할 수 있다. 이때, 수학식 1에서 웨이트(w)뿐만 아니라 바이스(bais)를 고려할 필요성이 있으며, 이를 고려하면 하기 수학식 2처럼 표현될 수 있다. 다만, 바이스(b)와 웨이트(w)은 거의 동일하기 때문에 하기에서는 웨이트만을 고려하여 서술한다. 다만, 이에 한정되는 것은 아니다. 일 예로, 항상 값이 1인 x0 를 추가한다면 w0가 바이스가 되므로, 가상의 입력을 가정하고, 이를 통해 웨이트와 바이스를 동일하게 취급할 수 있으며, 상술한 실시예로 한정되지 않는다.
상술한 바에 기초한 모델은 처음에 노드와 엣지로 이루어진 네트워크의 모양을 정의할 수 있다. 그 후, 모델은 각 노드별로 활성화 함수를 정의할 수 있다. 또한, 모델을 조절하는 파라미터의 역할은 엣지의 웨이트를 맡게 되며, 가장 적절한 웨이트를 찾는 것이 수학적 모델의 트레이닝 목표일 수 있다. 일 예로, 하기 수학식 3 내지 수학식 6은 상술한 활성화 함수의 한 형태일 수 있으며, 특정 형태로 한정되는 것은 아니다.
또한, 일 예로, 수학적 모델을 트레이닝하는 경우, 모든 파라미터가 결정된 것으로 가정하고 신경망이 어떻게 결과를 인터페이스 하는지를 확인할 필요성이 있다. 이때, 신경망은 먼저 주어진 입력에 대해 다음 레이어를 활성화를 결정하고, 결정된 활성화에 따라 다음 레이어의 활성화를 결정할 수 있다. 상술한 방식에 기초하여 마지막 결정 레이어의 결과를 보고 인터페이스를 결정할 수 있다.
일 예로, 도 12는 본 개시에 적용 가능한 신경망에서 활성화 노드를 나타낸 도면이다. 도 12를 참조하면, 분류(classification)를 수행하는 경우, 마지막 레이어에 분류하고 싶은 클라스(class) 개수만큼 결정 노드(decision node)를 생성한 다음 그 중 하나를 활성화하여 값을 선택할 수 있다.
또한, 일 예로, 신경망의 활성화 함수들이 비-선형(non-linear)하고, 해당 함수들이 서로 레이어를 이루면서 복잡하게 구성된 경우를 고려할 수 있다. 이때, 신경망의 웨이트 최적화(weight optimization)는 논-컨벡스 최적화(non-convex optimization)일 수 있다. 따라서, 신경망의 파라미터들의 글로벌 최적화(optimum)를 찾는 것은 불가능할 수 있다. 상술한 점을 고려하여, 그라디언트 감소(gradient descent) 방법을 사용하여 적당한 값까지 수렴시키는 방법을 사용할 수 있다. 일 예로, 모든 최적화(optimization) 문제는 타겟 함수(target function)가 정의되어야 풀 수 있다.
신경망에서는 마지막 결정 레이어에서 실제로 원하는 타겟 아웃풋과 현재 네트워크가 생성한 추정 아웃풋(estimated output) 상호 간의 손실 함수(loss function)를 계산하여 해당 값을 최소화(minimize)하는 방식을 취할 수 있다. 일 예로, 손실 함수는 하기 수학식 7 내지 9와 같을 수 있으나, 이에 한정되는 것은 아니다.
여기서, d-차원의 타겟 아웃풋(dimensional target output)을 “
”, 추정된 아웃풋(estimated output)을 “
”로 정의하는 경우를 고려할 수 있다. 이때, 수학식 7 내지 9는 최적화를 위한 손실 함수일 수 있다.
상술한 손실 함수가 주어지는 경우, 해당 값을 주어진 파라미터들에 대한 그라디언트(gradient)를 구한 다음 그 값들을 사용해 파라미터에 대한 업데이트를 수행할 수 있다.
일 예로, 백프로파게이션 알고리즘 (Back propagation algorithm)은 체인 룰을 사용해 그라디언트(gradient) 계산을 간단하게 수행할 수 있는 알고리즘일 수 있다. 상술한 알고리즘에 기초하여 각각의 파라미터의 그라디언트를 계산할 때 평행화(parallelization)도 용이할 수 있다. 또한, 알고리즘 디자인을 통해 메모리도 절약할 수 있다. 따라서, 신경망 업데이트는 백프로파게이션 알고리즘을 사용할 수 있다. 또한, 일 예로, 그라디언트 감소 방법(Gradient descent method)을 사용하기 위해 현재 파라미터에 대한 그라이언트를 계산할 필요성이 있다. 이때, 네트워크가 복잡해지는 경우, 해당 값은 계산이 복잡해질 수 있다. 반면, 백프로파게이션 알고리즘에서는 먼저 현재 파라미터를 사용하여 손실(loss)를 계산하고, 각각의 파라미터들이 해당 손실에 얼마만큼 영향을 미쳤는지를 체인 룰을 통해 계산할 수 있다. 계산된 값에 기초하여 업데이트가 수행될 수 있다. 일 예로, 백프로파게이션 알고리즘은 두 가지 페이즈(phase)로 나눌 수가 있다. 하나는 프로파게이션 페이즈(propagation phase)이며, 하나는 웨이트 업데이트 페이즈(weight update phase)일 수 있다. 이때, 프로파게이션 페이즈에서는 훈련 입력 패턴(training input pattern)에서부터 에러 또는 각 뉴런들의 변화량을 계산할 수 있다. 또한, 일 예로, 웨이트 업데이트 페이즈에서는 앞에서 계산한 값을 사용해 웨이트를 업데이트할 수 있다. 일 예로, 구체적인 페이즈에 대해서는 하기 표 2와 같을 수 있다.
일 예로, 새로운 통신 시스템(e.g. 6G)에서는 채널코딩 방식으로 오토 인코더(autoencoder)방식이 적용될 수 있다. 이때, 오토 인코더는 송신단(transmitter) 및 수신단(receiver) 모두를 뉴럴넷(neural network, 또는 신경망)로 구성하여 엔드-투-엔드(end-to-end) 관점에서 최적화를 수행하여 성능 향상을 기하는 방식일 수 있으며, 오토 인코더에 기초하여 채널 코딩이 수행될 수 있다. 이때, 무선 통신 시스템에서 채널 코딩은 신뢰성 있는 전송을 보장하기 위해 필수적일 수 있다. 일 예로, 새로운 통신 시스템에서는 차량 간 통신이나 기타 통신에서 데이터의 신뢰성 있는 전송이 보장될 필요성이 있으며, 이를 고려하여 신뢰성 보장에 대한 요구사항이 높아질 수 있다.
여기서, 채널 코딩은 송신기와 수신기 상의 신호 전달 과정에서 잡음 등 외부 요소로 인해 오류가 생겼을 때 부가 정보(redundant information)를 통해 원 신호를 복원함으로 신뢰성 있는 통신을 가능하게 할 수 있다. 이때, 전송 신호의 코드 효율(code rate)은 부가 정보의 비율에 따라 결정될 수 있다. 일 예로, 신뢰성 있는 전송을 위해서는 코드 효율에 대해 더 높은 오류 정정 능력을 가진 코딩 방식이 필요할 수 있다. 최근, 무선 통신 시스템(e.g. NR)에서는 채널 극성을 이용하는 폴라 코딩(Polar coding) 방식을 적용하여 데이터 송수신을 수행할 수 있다.
이 때, 폴라 코딩 방식은 채널 극성을 이용함에 따라 블록 사이즈가 길어지면 기본 통신 채널 상황에서 채널 용량을 달성할 수 있다. 다만, 폴라 코딩은 짧은 블록 길이에서는 짧은 블록 길이에서 성능, 색상 잡음 (coloured noise), 페이딩 손실 및 수신 복호 복잡도 중 적어도 어느 하나에 대한 문제가 발생할 수 있다. 상술한 특성들은 공간 및 시간 채널 환경에 따라 상이할 수 있으나, 신뢰성 있는 전송을 보장하기 위해서는 폴라 코딩의 상술한 문제점을 해결한 채널 코딩 방식이 필요할 수 있으며, 하기에서는 이에 대해 서술한다.
도 13은 본 개시에 적용 가능한 신경망 기반 통신 시스템을 나타낸 도면이다. 일 예로, 무선 통신 시스템에는 상술한 바와 같이 신경망(또는 뉴럴넷) 기반으로 통신이 수행될 수 있다.
도 13을 참조하면, 데이터는 신경망 기반 통신으로써 오토 인코더 방식에 기초하여 송수신될 수 있다 오토 인코더 방식에는 송신부 뉴럴넷(또는 송신부 신경망, 1320) 및 수신부 뉴럴넷(또는 수신부 신경망, 1340)을 통해 통신을 수행할 수 있다. 보다 상세하게는, 이진 정보 신호열(
)은 원-핫 변환부(1310)에서 목표 신호열(
)로 전환될 수 있다. 이때, 원-핫 변환부(1310)는 자연어와 같은 데이터를 신경망에 적용하기 위해 변환을 수행하는 구성일 수 있다. 다만, 원-핫 변환부(1310)은 다른 변환부에 기초하여 동작하는 것도 가능할 수 있으며, 상술한 실시예로 한정되지 않는다. 그 후, 송신부 뉴럴넷(1320)은 목표 신호열(
)를 송신하기 위해 전송 신호열(
)로 변경할 수 있으며, 송신단에서는 전송 신호열(
)를 무선 채널(1330)을 통해 수신단으로 전송할 수 있다. 이때, 수신단은 무선 채널(1330)을 거쳐 전송된 수신 신호열(
)을 수신부 뉴럴넷(1340)에서 복호 신호열(
)을 획득할 수 있다. 즉, 수신단은 무선 채널(1330)에 기초하여 페이딩 왜곡, 잡음과 같은 채널 환경에 영향이 포함된 신호열을 수신할 수 있다. 그 후, 복호 신호열(
)은 원-핫 복원부(1350)을 통해 이진 복호 신호열(
)로 변환될 수 있다. 즉, 목표 신호열(
)과 복호 신호열(
)은 이진 정보 신호열(
)과 이진 복호 신호열(
)을 뉴럴넷 적용을 고려하여 원-핫(one-hot) 벡터로 변형한 형태일 수 있다. 따라서 K 길이를 갖는 이진 정보 신호열은 
길이의 원-핫 벡터가 될 수 있다. 또한, 
길이의 복호 신호열은 L 길이의 이진 복호 신호열이 될 수 있다. 즉, 정보의 길이 K가 길어질수록 원-핫 벡터로 변환된 데이터는 지수적으로 증가하여 길이가 큰 블록에 있어서는 한계가 존재할 수 있다.
여기서, 송신단의 목표 신호열(
)과 전송 신호열(
)의 관계는 하기 수학식 10과 같고, 복호 신호열(
)과 수신 신호열(
)의 관계는 하기 수학식 11과 같을 수 있다.
여기서 
와 
은 각각 송신부 뉴럴넷(1320) 및 수신부 뉴럴넷(1340)으로 수행되는 함수일 수 있다. 일 예로, 한 개 은닉층을 포함하는 완전 연결 계층을 사용하는 뉴럴넷인 경우, 송신부 뉴럴넷(1320)은 하기 수학식 12와 같이 표현될 수 있다.
여기서 
는 M x 1의 실수 신호열, 
, 
는 각각 
, M x H 실수 메트릭스, 
, 
는 각각 H x 1, M x 1 실수 벡터이고, 
와 
는 ReLU와 Soft-max 활성화 함수에 해당할 수 있다. 이때, 
, H 및 M은 각각 입력층, 은닉층, 출력층의 노드 수일 수 있다. 출력 층의 노드 수는 M = K / R / L 으로 R은 오토 인코더로 달성할 부호화율, L은 출력 심볼의 변조 차수일 수 있다.
상술한 바에 기초하여 수신부 뉴럴넷(1340)은 하기 수학식 13과 같이 표현될 수 있다.
여기서 
은 M x 1의 실수 신호열, 
, 
는 각각 H x M, 
실수 메트릭스이고, 
, 
는 각각 H x 1, 
x 1 실수 벡터일 수 있다. 이때 M, H 및
은 각각 입력층, 은닉층, 출력층의 노드 수일 수 있다. 또한, 출력 층의 노드 수는 목표 신호열의 길이와 동일할 수 있다.
상술한 오토 인코더 방식의 경우, 채널 코딩 전체가 뉴럴넷에 기초하여 수행될 수 있다. 여기서, 채널 코딩 전 과정을 뉴럴넷을 통해 처리하기 때문에 이진 정보 신호열의 크기가 커지면 송신 뉴럴넷과 수신 뉴럴넷의 학습이 지수성에 비례해 복잡해질 수 있다. 보다 상세하게는, 오토 인코더에서 학습의 복잡도와 관련된 송신 뉴럴넷 입력 노드 수와 수신 뉴럴넷의 출력 노드 수의 길이가 모두 
로 정보 신호열의 크기인 K의 지수성에 비례해 커질 수 있다. 따라서, 이진 정보 신호열의 크기가 커지면 송신 뉴럴넷과 수신 뉴럴넷의 학습이 지수성에 비례해 복잡해질 수 있다.
이때, 높은 코딩 성능을 달성하기 위해서는 긴 코딩 블록이 필요할 수 있다. 상술한 점을 고려하면, 오토 인코더 뉴럴넷의 처리 신호열의 길이가 길어지는 경우, 뉴럴렛 기반 채널 코딩에 대한 학습은 복잡도가 증가하여 어려워질 수 있다.
상술한 점을 고려하면, 오토 인코더 기반 통신에서 채널 상황 적응도와 상대적으로 낮은 복호 복잡도 장점은 유지하면서도 기존 채널 코딩이 수행 가능한 길이의 긴 블록에 대한 코드 처리가 가능한 새로운 뉴럴 채널 코딩 방식이 요구될 수 있으며, 하기에서는 이에 대해 서술한다.
도 14는 본 개시에 적용 가능한 폴라 코딩에 기초한 통신 시스템을 나타낸 도면이다. 일 예로, 도 14를 참조하면, 이진 정보 신호열(sk)은 송신단에서 폴라 부호기(1410), 변조기(1420) 및 송신 신호 처리부(1430)를 통해 전송 신호열(
)로 변경될 수 있다. 그 후, 전송 신호열(
)은 무선채널(1440)을 통해 수신단으로 전송될 수 있다. 이때, 수신단은 무선 채널(1440)을 거쳐 전송된 수신 신호열(
)을 수신 신호 처리부(1450), 복조기(1460) 및 폴라 복호기(1470)를 통해 복호 신호열(
)을 획득할 수 있다.
여기서, 송신단에서 폴라 부호기(1410)에 기초한 부호화 절차는 도 15와 같을 수 있다. 일 예로, 폴라 코딩은 채널 용량 달성율이 높인 방식일 수 있다. 도 15를 참조하면, 폴라 부호기(1410)에 길이 K의 이진 정보 신호열(
)이 들어는 경우, 폴라 부호기(1410)는 (N - K)의 모든 정보가 0로 정해진 고정 정보 신호열과 더해진 길이 N의 폴라 입력 신호열(
)을 생성하고, 
는 폴라 전환(Polar transformation)이 수행되어 그 변환 값들이 부호화 결과로 출력될 수 있다. 일 예로, 폴라 전환은 시간 요소인 k 인덱스가 생략될 수 있으며 하기 수학식 14와 같이 표현될 수 있다.
일 예로, 폴로 코드 부호화율은 R = K / N이 될 수 있다. 여기서, G는 폴라 전환 메트릭스로 G=
와 같이 구성되고, 기본 폴라 변환 메트릭스인 F와 n차 변환 메트릭스 
는 하기 수학식 15와 같이 표현될 수 있다.
구체적인 일 예로, 부호 블록의 길이가 
인 경우를 고려할 수 있다. 즉 n은 2 인 경우, 폴라 전환 행렬 
는 하기 수학식 16과 같이 구성될 수 있다.
여기서 
이고, 
일 수 있다. 일 예로, 도 15(a) 및 도 15(b)는 
=4인 경우를 나타낸 도면일 수 있다. 여기서, 도 15(a)는 입출력 변수의 인덱스를 일반적인 내림차순으로 정렬한 경우이고, 도 15(b)는 입력 연산 과정으로 반대로 나타내기 위해 비트 역순 과정을 통해 정렬할 것으로 (1,3,2,4)와 같이 인덱스를 표기할 수 있다. 이때, 도 15에서 
일 수 있다.
또 다른 일 예로, 도 16은 
인 경우를 나타낸 도면이다. 보다 상세하게는, 
인 경우, 폴라 전환 행렬을 적용하여 수학식 17과 같이 표현될 수 있다.
여기서 x는 
이고, u는 
일 수 있다. 일 예로, 도 16(a) 및 도 16(b)는 
인 경우를 나타낸 도면일 수 있다. 여기서, 도 16(a)는 입출력 변수의 인덱스를 일반적인 내림차순으로 정렬한 경우이고, 도 16(b)는 입력 연산 과정으로 반대로 나타내기 위해 비트 역순 과정을 통해 정렬한 경우일 수 있다. 다만, 상술한 인덱스 표기 방법과 무관하게 변환 식은 둘 다 동일하게 x=
일 수 있다. 이때, 도 16에서 
일 수 있다.
도 17은 본 개시에 적용 가능한 폴라 코딩에 기초한 복호화 방법을 나타낸 도면이다.
도 17을 참조하면, 수신단은 폴라 코드에 기초하여 부호화된 신호를 수신하고, 해당 신호를 복호화 할 수 있다. 이때, 일 예로, 폴라 코드의 부호화는 동일한 패턴 반복에 기초한 형태일 수 있으며, 복호화도 두 개의 수신 비트를 처리하는 과정의 반복 형태로 N - 
블록 사이즈에 기초한 복호화가 진행될 수 있다. 일 예로, 도 17에서 기본 블록(N = 2)에 대한 폴라 복호가 수행되는 경우, 수신단은 무선 채널로부터 2T 동안 
및 
신호를 수신할 수 있다. 다만, 이는 하나의 일 예일 뿐, 상술한 실시예로 한정되지 않는다.
여기서, 무선 채널은 상술한 페이딩이나 잡음처럼 채널 환경에 따라 신호에 영향을 줄 수 있다. 일 예로, 무선 채널에 기초하여 수신 신호 
및 
는 하기 수학식 18과 같을 수 있다.
여기서, 
은 평균 크기가 1인 송신 신호, n은 평균이 0이고 분산이 
인 백산 가산 잡음(AWGN) 신호이며, 
은 신호대잡음비(signal noise ratio, SNR)일 수 있다. 이때, 폴라 복호기는 먼저 두 수신 신호(
,
)에 대한 LLR(Log Likelihood Ratio)인 
및 
은 하기 수학식 19 및 수학식 20에 기초하여 도출될 수 있다.
LLR인 
및 
이 수학식 19 및 20에 기초하여 도출되면 두 브랜치에 대한 LLR 출력인 
및 
는 수학식 21 및 22와 같이 주어질 수 있다.
이때, 수학식 21의 f() 함수는 하기 수학식 23과 같을 수 있으며, 수학식 22의 g() 함수는 하기 수학식 24와 같을 수 있다. 여기서, 수학식 24의 g() 함수의 U1는 
을 계산한 후 그 값을 {0,1}로 판별한 결과일 수 있으며, 상술한 바에 기초하여 폴라 복호가 수행될 수 있다. 즉, 폴로 코드의 복호화는 상술한 바와 같이, LLR에 기초하여 도출될 수 있다.
상술한 바와 같이, 신호는 무선채널을 고려하여 다양한 형태의 채널 코딩 방식이 적용될 수 있다. 이때, 일 예로, 채널 극성을 이용하는 폴라 코드는 긴 블록에 유리할 수 있다. 반면, 오토 인코더에 기초하여 채널 코딩에 대한 학습을 수행하는 경우, 학습 복잡도는 전송열 비트에 따라 
으로 증가하기 때문에 오토 인코더는 짧은 블록에 유리할 수 있다. 보다 상세하게는, 폴라 코드는 코딩 블록 사이즈가 길어도 동작하지만 기본이 아닌 다양한 상황, 즉 짧은 블록 길이에서 성능, 색상 잡음 (coloured noise), 페이딩 손실, 저복잡도 수신 상황에서는 채널 코딩이 가지는 성능 한계가 존재할 수 있다. 반면, 오토 인코더 방식은 송수신단의 뉴럴넷을 이용하기 때문에 변조 및 신호처리와 코딩이 동시 최적화가 가능할 뿐 아니라 수신단 처리의 복잡도도 줄일 수 있다. 반면, 코딩 블록 사이즈가 긴 경우는 뉴럴넷 입력의 크기가 지수적으로 늘어나기 때문에 학습이 매우 힘든 단점이 존재할 수 있다. 상술한 점을 고려하여, 채널 코딩 방식으로써 폴라 코드와 오토 인코더 전송 방식을 결합하여 효과적인 채널 코딩 수행 방법이 필요할 수 있으며, 하기에서는 이에 대해 서술한다.
일 예로, 도 18은 본 개시에 적용 가능한 부분 폴라 코딩에 기초하여 폴라 변환을 수행하는 방법을 나타낸 도면이다.
도 18을 참조하면, 폴라 코드와 오토 인코더 방식을 상호 보완적으로 적용하기 위해 상대적으로 멀리 위치하는 부호들 간의 코딩은 폴라 코드 방식을 적용하고, 인접한 부호들의 코딩은 오토 인코더 부호화 뉴럴넷 방식을 사용하도록 구성할 수 있다.
즉, 기 설정된 거리만큼 떨어진 부호 간의 코딩에는 폴라 코드 방식이 적용되고, 기 설정된 거리 이내에 인접한 부호 간의 코딩에는 오토 인코더 방식을 적용하여 환경 최적화를 수행할 수 있다. 이때, 오토 인코더 및 폴라코드 방식이 결합된 채널 코딩 방식은 뉴럴 폴라 코드(neural polar code) 부호화 방법일 수 있으나, 상술한 명칭으로 한정되지 않는다. 즉, 폴라 코드와 오토 인코더 방식을 조합하여 사용하는 채널 코딩 방식은 다른 명칭으로 사용될 수 있으며, 특정 명칭으로 한정되는 것은 아닐 수 있다. 다만, 기에서는 설명의 편의를 위해 뉴럴 폴라 코드로 지칭한다.
이때, 뉴럴 폴라 코드에서 오토 인코더의 입력으로써 이진 입력이 입력되는 오토 인코더 내부 앞 단에서 전처리가 수행될 수 있다. 일 예로, 전처리 과정은 원-핫 벡터에 기초하여 이진 입력을 변경하는 과정일 수 있으나, 이에 한정되는 것은 아닐 수 있다. 또한, 일 예로, 뉴럴 폴라 코드에서 오토 인코더의 출력은 BPSK(Binary Phase Shift Keying)이고, 부호화율은 1일 수 있다. 다만, 이는 하나의 일 예일 뿐 상이하게 설정되는 것도 가능할 수 있다.
일 예로, 뉴럴 폴라 코드에 기초하여 채널 코딩이 수행되는 경우, 코드 블럭의 길이가 N이고 AE 부호화 뉴럴넷이 처리할 인접 비트 수가 K인 경우일 수 있다. 따라서, 데이터 처리에 필요한 오토 인코더 개수는 M=N/K일 수 있으며, 하기 수학식 25 및 수학식 26과 같이 부호화가 수행될 수 있다. 이때, X’, Z’, U’는 X, Z, U의 비트 역순으로 재정렬한 인자일 수 있다. 구체적인 일 예로, N = 8 인 경우 
= 
일 수 있다.
이때, 
는 m번째 AE 부호화 뉴럴넷이며, 수식 내에 
는 크로네커 곱(Kronecker product) 연산자일 수 있다. n은 
, p는 
이고, 
로 2x2 단위 메트릭스일 수 있다. 이때, 수학식 26에서 
에 의한 변환을 부분 폴라 전환(partial polar transformation)으로 정의할 수 있다. 일 예로, 도 18은 N=8인 경우의 뉴럴 폴라 코드에 기초하여 부분 폴라 전환을 통해 복호를 수행하는 방법일 수 있다.
또한, 도 19(a)는 코드 블록의 길이가 N = 8이고 오토 인코더 부호화 뉴럴넷이 처리할 인접 비트 수가 K = 4인 경우를 나타낸 도면이다. 일 예로, 도 19를 참조하면, N이 8이고, K는 4이므로 필요한 오토 인코더의 개수 M(=N/K)는 2일 수 있다. 이때, 일 예로, 뉴럴 폴라 코드는 상술한 수학식 25 및 수학식 26에 기초하여 하기 수학식 27, 수학식 28 및 수학식 29에 기초하여 적용되어 부호화 신호를 생성할 수 있다. 여기서, 도 19(a)를 참조하면, U의 비트들 중 인접하지 않은 비트들에는 폴라 코드가 적용되도록 하고, 서로 인접한 비트들에 대해서는 오토 인코더가 적용될 수 있으며, 이를 고려하여 도 19(a)처럼 U의 비트들 각각이 조절될 수 있다.
또한, 일 예로, 도 19(b)를 참조하면, 뉴럴 폴라 코드에서 오토 인코더로 대체하여 처리되는 부분일 수 있다. 일 예로, 뉴럴 폴라 코드에서는 각각의 계층이 존재할 수 있으며, 폴라 코드 및 오토 인코더가 적용 여부는 계층 정보에 기초하여 결정될 수 있다. 보다 상세하게는, 도 19(b)는 인접한 비트 수 K를 갖는 오토 인코더에 기초하여 두 개의 계층으로 구성될 수 있다. 여기서, 첫 번째 계층은 서로 인접하지 않은 비트들에 폴라 코드가 적용될 수 있다. 여기서, 첫 번째 계층의 출력 비트는 두 번째 계층의 입력 비트일 수 있으며, 두 번째 계층은 오토 인코더의 인접한 비트 수 K에 기초하여 폴라 코드에서 오토 인코더 계층으로 대체될 수 있다. 이때, 일 예로, 다수의 계층이 오토 인코더로 대체되는 경우, 학습의 자유도는 높아지지만 입력의 증가로 학습 수렴에 한계가 존재할 수 있다.
구체적인 일 예로, 도 19(a)에서 모든 계층을 오토 인코더로 대체하는 경우, 
에 기초하여 세 개의 계층 모두를 오토 인코더로 대체하는 경우, 뉴럴 폴라 코드는 오토 인코더와 동일한 구조가 될 수 있다.
또한, 일 예로, 도 19(a)의 뉴럴 폴라 코드에서 인접한 비트 수 K가 2인 경우를 고려하여 세 개의 계층으로 구분되고, 마지막 하나의 계층에만 오토 인코더가 적용되는 경우를 고려할 수 있다. 또 다른 일 예로, 하나의 계층에도 오토 인코더를 적용하지 않는다면 기존의 폴라 코드와 동일한 구조일 수 있다. 즉, 뉴럴 폴라 코드에서 오토 인코더가 적용되는 계층은 상이하게 선택될 수 있으며, 특정 형태로 한정되는 것은 아닐 수 있다.
여기서, 일 예로, 오토 인코더가 적용되는 계층 정보는 송신단과 수신단 상호 간에 공유될 수 있다. 일 예로, 송신단이 단말이고, 수신단이 기지국인 경우, 단말과 기지국은 오토 인코더가 적용되는 계층 정보를 공유할 수 있다. 이때, 계층 정보는 오토 인코더의 인접한 비트 수에 기초하여 설정될 수 있다. 일 예로, 단말과 기지국은 상위 레이어 시그널링을 통해 오토 인코더의 후보 인접 비트 정보를 교환할 수 있다. 일 예로, 학습 복잡도를 고려하여 후보 인접 비트가 결정될 수 있다. 여기서, K는 2인 경우에는 마지막 하나의 계층에만 오토 인코더가 적용되고, K가 4인 경우에는 마지막 두 개의 계층에 오토 인코더가 적용되고, K가 8인 경우에는 마지막 세 개의 계층에 오토 인코더가 적용될 수 있으며, 동일한 방식에 기초하여 오토 인코더가 적용될 수 있다. 이때, 일 예로, 기지국은 후보 인접 비트 중에 특정 인접 비트 정보를 DCI(downlink control information)을 통해 단말로 전달하고, 단말은 수신한 정보에 기초하여 채널 코딩을 수행할 수 있다.
또 다른 일 예로, 기지국과 단말 사이에 오토 인코더가 적용되는 초기접속시 기 설정될 수 있다. 즉, 뉴럴 폴라 코드에서 오토 인코더가 적용되는 계층은 초기 접속을 수행하는 과정에서 기 설정되고 변경되지 않을 수 있다. 또 다른 일 예로, 기지국은 후보 인접 비트 없이 DCI를 통해 상술한 K 값을 지시하고, 단말은 DCI 정보에 기초하여 오토 인코더가 적용되는 계층을 확인할 수 있으며, 상술한 실시예로 한정되지 않는다.
즉, 뉴럴 폴라 코드에서 오토 인코더가 적용되는 계층은 기 설정되거나 유동적으로 변경되는 것도 가능할 수 있으며, 송신단과 수신단은 오토 인코더가 적용되는 계층 정보를 공유하여 채널 코딩 효율을 향상시킬 수 있다.
또 다른 일 예로, 도 20은 송신 단의 학습 복잡도를 줄이기 위해 오토 인코더를 하나만 사용하는 경우를 나타낸 도면이다. 일 예로, 상술한 바와 같이, 오토 인코더는 인접한 비트 수 K와 전체 비트열 N에 기초하여 M개가(N/K)개가 사용될 수 있었다. 이때, 도 20을 참조하면, 뉴럴 폴라 코드에서 하나의 오토 인코더만 반복해서 적용될 수 있다. 보다 상세하게는, 뉴럴 폴라 코드는 폴라 코딩이 수행되어 나온 코딩 블록들의 신호를 시분할하여 하나의 오토 인코더 입력으로 사용될 수 있다. 즉, 폴라 코딩이 수행되어 나온 코딩 블록들의 신호들은 시간적으로 분리되어 오토 인코더에 적용됨으로써 하나의 오토 인코더만 적용할 수 있다. 일 예로, 폴라 코딩이 수행되어 나온 코딩 블록들의 신호의 처리 시간을 고려하여 시간적으로 분리될 수 있으며, 이를 통해 하나의 오토 인코더만 사용할 수 있다.
구체적인 일 예로, 도 20에서 N이 8인 경우, 
와 
신호는 P/S(parallel to serial)장치를 통과해 오토 인코더의 첫 번째 포트로 입력될 수 있다. 또한, 
와 
신호는 P/S 장치를 통과해 오토 인코더의 두 번째 포트로 입력될 수 있다. 또한, 
와 
신호도 P/S 장치를 통과해 오토 인코더의 세 번째 포트의 입력으로, 
와 
신호도 P/S 장치를 통과해 오토 인코더의 네 번째 포트로 입력될 수 있다. 즉, 오토 인코더는 
로써 한 개로 고정해서 부호화가 진행되는 형태일 수 있으며, 
와 
는 시분할에 기초하여 분리되어 입력될 수 있으며, 다른 신호도 동일하게 시분할에 기초하여 입력될 수 있다.
일 예로, 송신단은 저지연 동작을 고려하여 복수 개의 오토 인코더 각각을 이용하여 채널 코딩을 수행하는 것도 가능할 수 있으나, 구현 복잡도를 고려하여 하나의 오토 인코더만을 이용하여 시분할 방식에 기초하여 상술한 바와 같이 전송이 수행될 수 있으며, 상술한 실시예로 한정되지 않는다.
상술한 바에 기초하여 뉴럴 폴라 코드를 통해 부호화된 신호는 무선 채널을 통해 송신단에서 수신단으로 전달될 수 있다. 이때, 수신단은 뉴럴 폴라 코드에 기초하여 복호화를 수행할 수 있다. 이때, 일 예로, 상술한 폴라 부호화에서는 고정 정보 비트가 없는 부호화률 1의 경우를 기준으로 서술하였지만, 복호 방법에서는 모든 부호화율에도 적용 가능할 수 있으며, 특정 실시예로 한정되지 않는다.
일 예로, 도 21을 참조하면, 수신단은 뉴럴 폴라 코드로 부호화된 신호를 복호화할 수 있다. 이때, 각각의 노드에서 복호 뉴럴넷에 기초하여 SC(successive cancellation) 방식으로 복호가 수행될 수 있다. 보다 상세하게는, 코드 블록 길이가 N이 4이고, AE의 K는 2인 경우를 고려할 수 있다. 다만, 이는 하나의 일 예일 뿐, 상술한 실시예로 한정되지 않는다. 이때, 뉴럴 폴라 코드에 기초한 복호 과정은 상술한 수학식 23 및 수학식 24에서 정의한 f() 및 g()를 각각 2개씩 사용할 수 있다. 일 예로, f() 함수형 뉴럴넷은 2개의 입력과 1개의 비트 결정 값을 출력할 수 있고, g() 함수형은 3개의 입력과 1개의 비트 결정 값을 출력할 수 있으며, 이에 기초하여 복호화가 수행될 수 있다.
일 예로, 도 21(a)에서 
은 부호화 입력 신호이고, x =
부호화 결과 신호일 수 있다. 이때, 
과 
은 1st Tx-NN 뉴럴넷으로 입력될 수 있다. 뉴럴넷은 해당 입력을 이용해 부호화를 수행한 후 그 결과를 
, 
로 출력할 수 있다. 이때, 1st Tx-NN 뉴럴넷은 학습시에도 해당 단계에서 사용한 동일한 입력과 출력을 가정할 수 있으나, 이에 한정되는 것은 아닐 수 있다.
또한, 
과 
2nd Tx-NN 뉴럴넷으로 입력될 수 있다. 이때, 뉴럴넷은 해당 입력을 이용하여 부호화를 수행한 후 그 결과를 
, 
로 출력할 수 있다. 그 후, 전송 신호는 무선 채널을 통해 수신단으로 수신 신호 y = 
가 수신될 수 있다. 여기서, 
및 
는 상술한 뉴럴넷에 기반한 복호화를 수행할 수 있으며, 해당 결과가 상술한 폴라 코드의 복호화 과정으로써 f()와 g()에 적용되어 최종 복호화가 수행될 수 있다. 보다 상세하게는, 도 21(b)를 참조하면, 
, 
, 
및 
는 수신단 복호를 위한 뉴럴넷들일 수 있다. 일 예로, RX-NN-f 계열은 피드백 제거 없이 처리하는 뉴럴넷이고, Rx-NN-g 계열은 피드백 제거가 포함된 뉴럴넷을 의미할 수 있다. 일 예로, 채널을 통과한 수신 신호 y = 
는 비트 반전 없이 복호가 처리될 수 있다. 이때, y는 x가 무선 채널을 통과한 후 수신단에서 수신한 신호일 수 있다.
일 예로, 
, 
는 RX-NN-f1을 통과하고, 해당 결과가 f()과 g()로 출력될 수 있다. 또한, 
, 
는 RX-NN-f2를 통과하고, 해당 결과가 f()과 g()으로 출력될 수 있다. 이때, 
과 
는 학습시에도 해당 단계에서 사용한 동일한 입력과 출력으로 설정될 수 있으나, 이에 한정되는 것은 아닐 수 있다. 또한, f()은 앞서 
과 
으로부터 전달받은 신호들을 입력으로 그 결과를 
으로 결정해 출력할 수 있다. 또한, 세 개의 입력 비트에 기초한 함수인 g()는 앞서 
과 
으로부터 전달받은 각 신호들과 기 판별된 
을 입력으로 그 결과를 
으로 결정해 출력할 수 있다. 또한, 
, 
, 
, 
는 
을 통과하고, 해당 결과가 f()와 g()로 출력될 수 있다. 또한, 
, 
, 
는 
를 통과하고, 해당 결과가 f()과 g()으로 출력될 수 있다. 또한, 뉴럴넷 
과 
는 학습시에도 해당 단계에서 사용한 동일한 입력과 출력으로 설정될 수 있으나, 이에 한정되는 것은 아닐 수 있다. f()은 앞서 
과 
로부터 전달받은 각 신호들을 입력으로 그 결과를 
으로 결정해 출력할 수 있다. 또한, g()는 앞서 
과 
로부터 전달받은 각 신호들과 기 판별된 
을 입력으로 그 결과를 
로 결정해 출력할 수 있으며, 이를 통해 수신단에서 복호화가 수행될 수 있다.
또 다른 일 예로, 도 22도 뉴럴 폴라 코드에 기초하여 신호를 복호하는 방법일 수 있다. 일 예로, 도 22를 참조하면 각 노드에서 복호 뉴럴넷에 기반해 TX-NN이 처리한 부분은 병렬로 폴라 코드가 처리한 부분은 각 Tx-NN의 파트별로 SC(successive cancellation) 방식으로 복호하는 경우일 수 있다. 일 예로, 도 22에서 코드 블록 길이가 N 은 4이고, 오토 인코더 수 K는 2인 경우일 수 있다. 일 예로, 도 22(a)에서 복호 절차는 도 21(a)의 복호 절차와 동일할 수 있다. 이때, 도 22(b)를 참조하면, 뉴럴넷 기반 복호가 수행될 수 있다. 일 예로, 채널을 통과한 수신 신호 y = 
는 비트 반전 없이 복호가 처리될 수 있다. 이때, y는 x가 무선 채널을 통과한 후 수신단으로부터 수신된 신호일 수 있다. RX-NN-fi는 상술한 뉴럴넷에 기반한 복호화를 수행할 수 있으며, 해당 결과가 상술한 폴라 코드의 복호화 과정으로써 f()와 g()에 적용되어 최종 복호화가 수행될 수 있다.
보다 상세하게는, 
, 
는 
을 통과하고, 해당 결과가 f()과 g()로 출력될 수 있다. 또한, 
, 
는 
를 통과하고, 해당 결과가 f()과 g()으로 출력될 수 있다. 이때, 
과 
는 학습시에도 해당 단계에서 사용한 동일한 입력과 출력을 설정할 수 있으나, 이에 한정되는 것은 아닐 수 있다.
또한, 
, 
는 Rx-NN-f3을 통과하고, 해당 결과가 f()와 g()로 출력될 수 있다. 또한, 
, 
는 Rx-NN-f4를 통과하고, 해당 결과가 f()과 g()으로 출력될 수 있다. 또한, 일 예로, Rx-NN-f3과 Rx-NN-f4는 학습시에도 이 단계에서 사용한 동일한 입력과 출력을 설정할 수 있으나, 이에 한정되는 것은 아닐 수 있다. 다음으로 폴라 복호 기반 복호화가 수행될 수 있다. 일 예로, f()은 앞서 
과 
으로부터 전달받은 신호들을 입력으로 그 결과를 
으로 결정해 출력할 수 있다. 또한, g()는 앞서 
과 
으로부터 전달받은 각 신호들과 기 판별된 
을 입력으로 그 결과를 
으로 결정해 출력할 수 있다. 또한, f()은 앞서 Rx-NN-f3과 Rx-NN-f4로부터 전달받은 각 신호들을 입력으로 그 결과를 
으로 결정해 출력할 수 있다. 또한, g()는 앞서 Rx-NN-f3과 Rx-NN-f4로부터 전달받은 각 신호들과 기 판별된 
을 입력으로 그 결과를 
으로 결정해 출력할 수 있으며, 이를 통해 수신단은 복호화를 수행할 수 있다.
또 다른 일 예로, 도 23은 뉴럴 폴라 코드에 기초하여 복호화하는 방법을 나타낸 도면이다. 도 23을 참조하면, 각 노드에서 복호 뉴럴넷에 기반해 TX-NN이 처리한 부분은 Rx-NN으로 처리할 수 있다. 반면, 폴라 코드가 처리한 부분은 SC 방식과 호환되는 형태로 복호하는 경우일 수 있다. 일 예로, 도 23에서 코드 블록 길이 N은 8이고, 오토 인코더 수 K는 4인 경우일 수 있으나, 이에 한정되는 것은 아닐 수 있다. 여기서, RX-NN-fi,j 및 RX-NN-gi,j는 상술한 뉴럴넷에 기반한 복호화를 수행할 수 있으며, 해당 결과가 상술한 폴라 코드의 복호화 과정으로써 f()와 g()에 적용되어 최종 복호화가 수행될 수 있다.
일 예로, 도 23(a)를 참조하면, u = 
은 부호화 입력 신호이고 x = 
부호화 결과 신호일 수 있다. 여기서, 
,
, 
과 
은 1st Tx-NN 뉴럴넷으로 입력될 수 있다. 이때, 해당 입력을 이용해 해당 뉴럴넷은 부호화를 수행한 후 그 결과를 
으로 출력할 수 있다. 이때, 1st Tx-NN 뉴럴넷은 학습시에도 해당 단계에서 사용한 동일한 입력과 출력이 설정될 수 있으며, 상술한 실시예로 한정되지 않는다.
또한, 일 예로, 
는 2nd Tx-NN 뉴럴넷으로 입력될 수 있다. 이때, 해당 입력을 이용해 해당 뉴럴넷은 부호화를 수행한 후 그 결과를 
으로 출력할 수 있다. 그 후, 수신단은 무선 채널을 통과한 y 신호를 수신할 수 있다. 이때, f() 및 g()는 수학식 23 및 수학식 24에 기재된 함수일 수 있다. 또한, 
와 
은 수신단 복호를 위한 뉴럴넷들일 수 있다. 여기서, 복호기 구성 복잡도를 줄이기 위해서는 
, i = 1, 2와 
로 중복해 사용할 수 있으며, 특정 형태로 한정되는 것은 아니다. 또한, 일 예로, RX-NN-f 계열은 피드백 제거 없이 처리하는 뉴럴넷이고, Rx-NN-g 계열은 피드백 제거가 포함된 뉴럴넷을 의미할 수 있다.
일 예로, 수신단은 채널을 통과한 수신 신호 y = 
를 비트 반전 없이 복호화할 수 있다. 이때, 
은 
을 통과하고, 해당 결과가 f()과 g()로 출력될 수 있다. 또한, 
는 
을 통과하고, 해당 결과가 f()과 g()으로 출력될 수 있다. 이때, 
과 
은 학습시에도 해당 단계에서 사용한 동일한 입력과 출력으로 설정될 수 있으며, 상술한 실시예로 한정되지 않는다.
또한, 일 예로, f()은 앞서 
과 
으로부터 전달받은 신호들을 입력으로 그 결과를 
으로 결정해 출력될 수 있다. 또한, g()는 앞서 
과 
으로부터 전달받은 각 신호들과 기 판별된 
을 입력으로 그 결과를 
으로 결정해 출력 될 수 있다.
또한, 
, 
는 
을 통과하고, 해당 결과가 f()와 g()로 출력될 수 있다. 또한, 
, 
는 
를 통과하고 그 결과가 f()과 g()으로 출력될 수 있다. 또한, 
과 
는 학습시에도 해당 단계에서 사용한 동일한 입력과 출력으로 설정될 수 있으며, 상술한 실시예로 한정되지 않는다. 이때, f()은 앞서 
과 
로부터 전달받은 각 신호들을 입력으로 그 결과를 
으로 결정해 출력할 수 있다. 또한, g()는 앞서 
과 
로부터 전달받은 각 신호들과 기 판별된 
을 입력으로 그 결과를 
으로 결정해 출력할 수 있다. 즉, 
, 
, 
은 
을 통과하고 해당 결과가 f()과 g()로 출력될 수 있다. 또한, 
, 
, 
는 
을 통과하고, 해당 결과가 f()과 g()으로 출력될 수 있다. 이때, 
과 
은 학습시에도 해당 단계에서 사용한 동일한 입력과 출력으로 설정될 수 있으며, 상술한 실시예로 한정되지 않는다.
이때, f()은 앞서 
과 
으로부터 전달받은 신호들을 입력으로 통해 그 결과를 
으로 결정해 출력할 수 있다. 또한, g()는 앞서 
과 
으로부터 전달받은 각 신호들과 기 판별된 
을 입력으로 그 결과를 
으로 결정해 출력할 수 있다. 이때, 
, 
, 
, 
는 
을 통과하고, 해당 결과가 f()와 g()로 출력할 수 있다. 또한, 
, 
, 
, 
는 
를 통과하고, 해당 결과가 f()과 g()으로 출력할 수 있다. 이때, 
과 
는 학습시에도 해당 단계에서 사용한 동일한 입력과 출력으로 설정될 수 있으며, 상술한 실시예로 한정되지 않는다.
또한, f()은 앞서 
과 
로부터 전달받은 각 신호들을 입력으로 그 결과를 
으로 결정해 출력할 수 있으며, g()도 앞서 
과 
로부터 전달받은 각 신호들과 기 판별된 
을 입력으로 그 결과를 
으로 결정해 출력할 수 있다. 상술한 바를 통해, 수신단은 복호화를 수행할 수 있다.
도 24 는 송신단에서 뉴럴 폴라 코드에 기초하여 부호화를 수행하는 방법을 나타낸 도면이다.
도 24를 참조하면, 송신단은 뉴럴 폴라 코드에 적용되는 계층 정보를 확인할 수 있다.(S2410) 이때, 송신단은 단말이고, 수신단은 기지국일 수 있다. 또한, 일 예로, 송신단은 기지국이고, 수신단은 단말일 수 있다. 또 다른 일 예로, 송신단 및 수신단 모두 단말일 수 있으며, 특정 경우로 한정되지 않는다. 다만, 하기에서는 설명의 편의를 위해 송신단이 단말이고, 수신단이 기지국인 경우를 기준으로 서술한다.
이때, 계층 정보는 뉴럴 폴라 코드에서 폴라 코드 변환이 적용되는 계층에 대한 정보일 수 있다. 일 예로, 뉴럴 폴라 코드에 기초하여 데이터가 부호화되는 경우, 뉴럴 폴라 코드에 입력되는 입력 데이터의 비트들에 대해서 폴라 코드 변환이 적용될 수 있다. 이때, 입력 데이터의 비트들 중 인접하지 않은 데이터만 폴라 코드 변환이 적용될 수 있다. 또 다른 일 예로, 입력 데이터의 비트들 중 기 설정된 거리만큼 떨어진 비트들에 대해서 폴라 코드 변환이 적용될 수 있다. 즉, 폴라 코드 변환은 인접하지 않은 비트들을 기준으로 적용될 수 있다. 그 후, 폴라 코드 변환을 통해 출력되는 비트들에 대해서 오토 인코더에 기초하여 부호화가 수행될 수 있다. 이때, 뉴럴 폴라 코드에서 오토 인코더가 적용되는 계층은 제 1 계층일 수 있다. 즉, 데이터 비트들에 대해서 폴라 코드 변환이 적용된 후, 오토 인코더가 적용되는 계층이 제 1 계층일 수 있다. 이때, 오토 인코더는 인접한 제 1 비트 수만큼의 비트를 입력으로 할 수 있다. 여기서, 오토 인코더는 뉴럴넷 기반으로 학습을 통해 부호화를 수행하는 구성일 수 있다. 일 예로, 뉴럴넷 기반 학습은 블록 크기가 커지면 학습 복잡도가 지수적으로 증가할 수 있으며, 상술한 점을 고려하여 제 1 계층부터 오토 인코더가 적용될 수 있다. 그 후, 오토 인코더에 기초하여 부호화가 수행되고, 전송 데이터가 생성될 수 있다.(S2420) 그 후, 송신단은 전송 데이터를 무선 채널을 통해 수신단으로 전송할 수 있다.(S2430) 또한, 일 예로, 뉴럴 폴라 코드에 입력되는 데이터는 제 2 비트 수로 구성될 수 있다. 이때, 오토 인코더에 기초하여 처리되는 인접한 비트 수는 제 1 비트 수일 수 있으므로 오토 인코더는 제 2 비트 수를 제 1 비트 수로 나눈 수만큼 필요할 수 있다.
또 다른 일 예로, 송신단은 하나의 오토 인코더만을 이용할 수 있다. 일 예로, 제 1 계층에서 오토 인코더에 적용되는 인접한 비트들은 시분할 방식에 기초하여 구분될 수 있다. 보다 상세하게는, 폴라 코드 변환이 적용되어 제 1 계층에서 제 1 비트 수로 구성된 제 1 그룹 비트는 제 1 시점에 상기 하나의 오토 인코더를 통해 부호화되고, 폴라 코드 변환이 적용되어 제 1 계층에서 제 1 비트 수로 구성된 제 2 그룹 비트는 제 2 시점에서 하나의 오토 인코더를 통해 부호화될 수 있다. 즉, 송신단은 하나의 오토 인코더만을 이용하고, 오토 인코더에 대한 입력 비트들은 시분할 방식으로 분리되어 입력됨으로써 단말 구현 복잡도를 낮출 수 있다.
또 다른 일 예로, 뉴럴 폴라 코드에 적용되는 계층 정보는 송신단 및 수신단에 기 설정된 정보일 수 있다.
또 다른 일 예로, 송신단은 수신단으로부터 참조신호를 수신하여 채널 측정을 수행하고, 측정된 채널 정보를 수신단으로 전송한 후, 수신단으로부터 뉴럴 폴라 코드에 적용되는 계층 정보를 제어 정보를 통해 수신할 수 있다. 즉, 계층 정보는 변동되는 정보일 수 있으며, 송신단 및 수신단은 채널 환경을 고려하여 다른 계층 정보를 이용할 수 있으며, 이에 따라 오토 인코더가 적용되는 계층이 상이해질 수 있다. 보다 구체적인 일 예로, 오토 인코더가 적용되는 계층은 인덱스 정보로 구성될 수 있으며, 수신단은 채널 환경에 기초하여 계층에 대한 인덱스 정보를 송신단으로 전송하고, 송신단은 인덱스 정보에 기초하여 오토 인코더를 적용한 후 부호화를 수행하여 무선 채널을 통해 데이터 전송을 수행할 수 있다.
또한, 일 예로, 계층 정보가 모든 계층에서 상기 오토 인코더가 적용되지 않음을 지시하는 경우, 데이터는 폴라 코드 변환만을 적용하여 부호화될 수 있다. 반면, 모든 계층에서 오토 인코더가 사용되지 않음을 지시하거나 송신단이 수신단으로부터 제어 정보를 수신하지 못하면 송신단은 폴라 코드 변환을 통해서만 데이터를 부호화하고, 무선 채널을 통해 전송을 수행할 수 있으며, 상술한 실시예로 한정되지 않는다.
도 25는 수신단에서 뉴럴 폴라 코드에 기초하여 복호화를 수행하는 방법을 나타낸 도면이다.
도 25를 참조하면, 수신단은 뉴럴 폴라 코드에 기초하여 부호화된 전송 데이터를 무선 채널을 통해 수신할 수 있다.(S2510) 그 후, 수신단은 무신 채널을 통해 수신된 전송 데이터에 대한 복호화를 수행할 수 있다. 이때, 송신단은 단말이고, 수신단은 기지국일 수 있다. 또한, 일 예로, 송신단은 기지국이고, 수신단은 단말일 수 있다. 또 다른 일 예로, 송신단 및 수신단 모두 단말일 수 있으며, 특정 경우로 한정되지 않는다. 다만, 하기에서는 설명의 편의를 위해 송신단이 단말이고, 수신단이 기지국인 경우를 기준으로 서술한다.
이때, 계층 정보는 뉴럴 폴라 코드에서 폴라 코드 변환이 적용되는 계층에 대한 정보일 수 있다. 일 예로, 수신단은 뉴럴 폴라 코드에 기초하여 폴라 코드 변환 및 오토 인코더가 적용된 전송 데이터를 수신하였으므로, 뉴럴넷 기반 복호화를 수행한 후 폴라 코드 기반 복호화를 수행할 수 있으며, 이는 상술한 도 21 내지 도 23과 같을 수 있다.
또 다른 일 예로, 적어도 하나의 메모리 및 상기 적어도 하나의 메모리들과 기능적으로 연결되어 있는 적어도 하나의 프로세서를 포함하는 장치를 고려할 수 있다. 이때, 적어도 하나의 프로세서는 장치가, 뉴럴 폴라 코드에 적용되는 계층 정보를 확인하고, 확인된 계층 정보에 기초하여 뉴럴 폴라 코드로 입력되는 데이터를 부호화하여 전송 데이터를 생성하고, 전송 데이터를 기지국으로 전송하도록 제어할 수 있다. 이때, 뉴럴 폴라 코드는 폴라 코드 변환에 기초하여 데이터의 처음 계층부터 확인된 계층 정보에 따라 제 1 계층까지 폴라 코드 변환에 기초하여 부호화를 수행하고, 제 1 계층 이후 상기 전송 데이터를 생성하기 전까지 뉴럴넷 기반 오토 인코더를 통해 부호화를 수행하여 전송 데이터를 생성할 수 있다.
또 다른 일 예로, 적어도 하나의 명령어(instructions)을 저장하는 비-일시적인(non-transitory) 컴퓨터 판독 가능 매체(computer-readable medium)를 고려할 수 있다. 이때, 프로세서에 의해 실행 가능한(executable) 적어도 하나의 명령어를 포함하며, 적어도 하나의 명령어는, 장치가 뉴럴 폴라 코드에 적용되는 계층 정보를 확인하고, 확인된 계층 정보에 기초하여 뉴럴 폴라 코드로 입력되는 데이터를 부호화하여 전송 데이터를 생성하고, 전송 데이터를 기지국으로 전송하되, 뉴럴 폴라 코드는 폴라 코드 변환에 기초하여 데이터의 처음 계층부터 확인된 계층 정보에 따라 제 1 계층까지 폴라 코드 변환에 기초하여 부호화를 수행하고, 제 1 계층 이후 전송 데이터를 생성하기 전까지 뉴럴넷 기반 오토 인코더를 통해 부호화를 수행하여 전송 데이터를 생성할 수 있으며, 이는 상술한 바와 같다.
상기 설명한 제안 방식에 대한 일례들 또한 본 개시의 구현 방법들 중 하나로 포함될 수 있으므로, 일종의 제안 방식들로 간주될 수 있음은 명백한 사실이다. 또한, 상기 설명한 제안 방식들은 독립적으로 구현될 수도 있지만, 일부 제안 방식들의 조합 (또는 병합) 형태로 구현될 수도 있다. 상기 제안 방법들의 적용 여부 정보 (또는 상기 제안 방법들의 규칙들에 대한 정보)는 기지국이 단말에게 사전에 정의된 시그널 (예: 물리 계층 시그널 또는 상위 계층 시그널)을 통해서 알려주도록 규칙이 정의될 수 가 있다.
본 개시는 본 개시에서 서술하는 기술적 아이디어 및 필수적 특징을 벗어나지 않는 범위에서 다른 특정한 형태로 구체화될 수 있다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다. 본 개시의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 개시의 등가적 범위 내에서의 모든 변경은 본 개시의 범위에 포함된다. 또한, 특허청구범위에서 명시적인 인용 관계가 있지 않은 청구항들을 결합하여 실시 예를 구성하거나 출원 후의 보정에 의해 새로운 청구항으로 포함할 수 있다.
본 개시의 실시 예들은 다양한 무선접속 시스템에 적용될 수 있다. 다양한 무선접속 시스템들의 일례로서, 3GPP(2rd Generation Partnership Project) 또는 3GPP2 시스템 등이 있다.
본 개시의 실시 예들은 상기 다양한 무선접속 시스템뿐 아니라, 상기 다양한 무선접속 시스템을 응용한 모든 기술 분야에 적용될 수 있다. 나아가, 제안한 방법은 초고주파 대역을 이용하는 mmWave, THzWave 통신 시스템에도 적용될 수 있다.
추가적으로, 본 개시의 실시 예들은 자유 주행 차량, 드론 등 다양한 애플리케이션에도 적용될 수 있다.
Claims (15)
- 무선 통신 시스템에서 단말(User Equipment, UE)의 동작 방법에 있어서,
뉴럴 폴라 코드에 적용되는 계층 정보를 확인하는 단계;
상기 확인된 계층 정보에 기초하여 상기 뉴럴 폴라 코드로 입력되는 데이터를 부호화하여 전송 데이터를 생성하는 단계; 및
상기 전송 데이터를 상기 기지국으로 전송하는 단계;를 포함하되,
상기 뉴럴 폴라 코드는 폴라 코드 변환에 기초하여 상기 데이터의 처음 계층부터 상기 확인된 계층 정보에 따라 제 1 계층까지 상기 폴라 코드 변환에 기초하여 부호화를 수행하고, 상기 제 1 계층 이후 상기 전송 데이터를 생성하기 전까지 뉴럴넷 기반 오토 인코더를 통해 부호화를 수행하여 상기 전송 데이터를 생성하는, 단말 동작 방법. - 제 1 항에 있어서,
상기 오토 인코더는 상기 뉴럴넷에 기초하여 학습을 통해 상기 부호화를 수행하되, 상기 오토 인코더에는 제 1 비트 수만큼 인접한 비트들이 입력되어 부호화되는, 단말 동작 방법. - 제 2 항에 있어서,
상기 오토 인코더가 적용되는 상기 제 1 계층은 상기 제 1 비트 수에 기초하여 결정되는, 단말 동작 방법. - 제 2 항에 있어서,
상기 뉴럴 폴라 코드에 입력되는 데이터는 제 2 비트 수로 구성되고,
상기 데이터의 처음 계층부터 상기 제 1 계층까지 상기 제 2 비트 수에 기초하여 상기 데이터의 비트들 중 인접하지 않은 비트들에 상기 폴라 코드 변환이 적용되는, 단말 동작 방법. - 제 4 항에 있어서,
오토 인코더 수는 상기 제 2 비트 수를 상기 제 1 비트 수로 나눈 수만큼 구비되는, 단말 동작 방법. - 제 4 항에 있어서,
상기 단말은 하나의 상기 오토 인코더만을 구비하고,
상기 제 1 계층에서 상기 오토 인코더에 적용되는 인접한 비트들은 시분할 방식에 기초하여 구분되는, 단말 동작 방법. - 제 6 항에 있어서,
상기 폴라 코드 변환이 적용되어 상기 제 1 계층에서 상기 제 1 비트 수로 구성된 제 1 그룹 비트는 제 1 시점에 상기 하나의 오토 인코더를 통해 부호화되고, 상기 폴라 코드 변환이 적용되어 상기 제 1 계층에서 상기 제 1 비트 수로 구성된 제 2 그룹 비트는 제 2 시점에서 상기 하나의 오토 인코더를 통해 부호화되는, 단말 동작 방법. - 제 1 항에 있어서,
상기 뉴럴 폴라 코드에 적용되는 계층 정보는 상기 단말에 기 설정된 정보인, 단말 동작 방법. - 제 1 항에 있어서,
상기 단말은 상기 기지국으로부터 참조신호를 수신하여 채널 측정을 수행하고, 상기 측정된 채널 정보를 상기 기지국으로 전송한 후, 상기 기지국으로부터 상기 뉴럴 폴라 코드에 적용되는 계층 정보를 제어 정보를 통해 수신하는, 단말 동작 방법. - 제 9 항에 있어서,
상기 계층 정보가 모든 계층에서 상기 오토 인코더가 적용되지 않음을 지시하는 경우, 상기 데이터는 상기 폴라 코드 변환만을 적용하여 부호화되어 상기 전송 데이터를 생성하는, 단말 동작 방법. - 무선 통신 시스템에서 기지국의 동작 방법에 있어서,
뉴럴 폴라 코드에 기초하여 부호화된 전송 데이터를 무선 채널을 통해 수신하는 단계; 및
상기 무선 채널을 통해 수신된 상기 전송 데이터에 대한 복호화를 수행하는 단계;를 포함하되,
상기 뉴럴 폴라 코드에 적용되는 계층 정보를 이용하여 제 1 계층까지 뉴럴넷 기반으로 수신한 전송 데이터를 복호화하고, 상기 제 1 계층이후에는 폴라 코드 변환에 기초하여 복호화를 수행하는, 단말 동작 방법. - 무선 통신 시스템에서 신호를 전송하는 단말에 있어서,
송수신기; 및
상기 송수신기와 연결된 프로세서를 포함하고,
상기 프로세서는,
뉴럴 폴라 코드에 적용되는 계층 정보를 확인하고,
확인된 계층 정보에 기초하여 뉴럴 폴라 코드로 입력되는 데이터를 부호화하여 전송 데이터를 생성하고, 및
전송 데이터를 기지국으로 전송하되,
상기 뉴럴 폴라 코드는 폴라 코드 변환에 기초하여 상기 데이터의 처음 계층부터 상기 확인된 계층 정보에 따라 제 1 계층까지 상기 폴라 코드 변환에 기초하여 부호화를 수행하고, 상기 제 1 계층 이후 상기 전송 데이터를 생성하기 전까지 뉴럴넷 기반 오토 인코더를 통해 부호화를 수행하여 상기 전송 데이터를 생성하는, 단말. - 무선 통신 시스템에서 신호를 수신하는 기지국에 있어서,
송수신기; 및
상기 송수신기와 연결된 프로세서를 포함하고,
상기 프로세서는,
뉴럴 폴라 코드에 기초하여 부호화된 전송 데이터를 무선 채널을 통해 수신하고,
상기 무선 채널을 통해 수신된 상기 전송 데이터에 대한 복호화를 수행하되,
상기 뉴럴 폴라 코드에 적용되는 계층 정보를 이용하여 제 1 계층까지 뉴럴넷 기반으로 수신한 전송 데이터를 복호화하고, 상기 제 1 계층이후에는 폴라 코드 변환에 기초하여 복호화를 수행하는, 기지국. - 적어도 하나의 메모리 및 상기 적어도 하나의 메모리들과 기능적으로 연결되어 있는 적어도 하나의 프로세서를 포함하는 장치에 있어서,
상기 적어도 하나의 프로세서는 상기 장치가,
뉴럴 폴라 코드에 적용되는 계층 정보를 확인하고,
확인된 계층 정보에 기초하여 뉴럴 폴라 코드로 입력되는 데이터를 부호화하여 전송 데이터를 생성하고, 및
전송 데이터를 기지국으로 전송하되,
상기 뉴럴 폴라 코드는 폴라 코드 변환에 기초하여 상기 데이터의 처음 계층부터 상기 확인된 계층 정보에 따라 제 1 계층까지 상기 폴라 코드 변환에 기초하여 부호화를 수행하고, 상기 제 1 계층 이후 상기 전송 데이터를 생성하기 전까지 뉴럴넷 기반 오토 인코더를 통해 부호화를 수행하여 상기 전송 데이터를 생성하는, 장치. - 적어도 하나의 명령어(instructions)을 저장하는 비-일시적인(non-transitory) 컴퓨터 판독 가능 매체(computer-readable medium)에 있어서,
프로세서에 의해 실행 가능한(executable) 상기 적어도 하나의 명령어를 포함하며,
상기 적어도 하나의 명령어는,
상기 장치가 뉴럴 폴라 코드에 적용되는 계층 정보를 확인하고,
확인된 계층 정보에 기초하여 뉴럴 폴라 코드로 입력되는 데이터를 부호화하여 전송 데이터를 생성하고, 및
전송 데이터를 기지국으로 전송하되,
상기 뉴럴 폴라 코드는 폴라 코드 변환에 기초하여 상기 데이터의 처음 계층부터 상기 확인된 계층 정보에 따라 제 1 계층까지 상기 폴라 코드 변환에 기초하여 부호화를 수행하고, 상기 제 1 계층 이후 상기 전송 데이터를 생성하기 전까지 뉴럴넷 기반 오토 인코더를 통해 부호화를 수행하여 상기 전송 데이터를 생성하는, 컴퓨터 판독 가능 매체.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR20200127424 | 2020-09-29 | ||
| KR1020200127424 | 2020-09-29 | ||
| PCT/KR2021/006104 WO2022071642A1 (ko) | 2020-09-29 | 2021-05-14 | 무선 통신 시스템에서 단말 및 기지국의 채널 코딩 수행 방법 및 장치 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230075466A true KR20230075466A (ko) | 2023-05-31 |
Family
ID=80950744
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020237011980A KR20230075466A (ko) | 2020-09-29 | 2021-05-14 | 무선 통신 시스템에서 단말 및 기지국의 채널 코딩 수행 방법 및 장치 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20230361789A1 (ko) |
| KR (1) | KR20230075466A (ko) |
| WO (1) | WO2022071642A1 (ko) |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11599773B2 (en) * | 2018-12-27 | 2023-03-07 | Micron Technology, Inc. | Neural networks and systems for decoding encoded data |
| CN110798228A (zh) * | 2019-10-29 | 2020-02-14 | 南京宁麒智能计算芯片研究院有限公司 | 一种基于深度学习的极化码翻转译码方法及系统 |
-
2021
- 2021-05-14 WO PCT/KR2021/006104 patent/WO2022071642A1/ko active Application Filing
- 2021-05-14 KR KR1020237011980A patent/KR20230075466A/ko active Search and Examination
- 2021-05-14 US US18/029,351 patent/US20230361789A1/en active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| WO2022071642A1 (ko) | 2022-04-07 |
| US20230361789A1 (en) | 2023-11-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR20230066020A (ko) | 통신 시스템에서 연합 학습을 수행하기 위한 방법 및 장치 | |
| KR20230051203A (ko) | 무선 통신 시스템에서 하향링크를 전처리하는 방법 및 이를 위한 장치 | |
| KR20230034991A (ko) | 뉴럴 네트워크 기반의 통신 방법 및 장치 | |
| KR20240011153A (ko) | 무선 통신 시스템에서 신호 전송 방법 및 장치 | |
| EP4273763A1 (en) | Data partition-based modulation method and apparatus for federated learning | |
| US20230232278A1 (en) | Method and device for terminal and base station to transmit and receive signals in wireless communication system | |
| US20230179327A1 (en) | Method and apparatus for transmitting and receiving signals of user equipment and base station in wireless communication system | |
| KR20230062821A (ko) | 무선 통신 시스템에서 연합학습을 수행하는 방법 및 이를 위한 장치 | |
| KR20230045011A (ko) | 통신 장치의 신호 랜덤화 방법 및 장치 | |
| US20230325638A1 (en) | Encoding method and neural network encoder structure usable in wireless communication system | |
| US20230389001A1 (en) | Method and device for performing feedback by terminal and base station in wireless communication system | |
| KR20230075466A (ko) | 무선 통신 시스템에서 단말 및 기지국의 채널 코딩 수행 방법 및 장치 | |
| US20230318662A1 (en) | Method for controlling calculations of deep neural network in wireless communication system, and apparatus therefor | |
| KR20230058012A (ko) | 무선 통신 시스템에서 핸드오버를 위한 장치 및 방법 | |
| KR20230056622A (ko) | 무선 통신 시스템에서 단말 및 기지국의 신호 송수신 방법 및 장치 | |
| KR20230036057A (ko) | 무선 통신 시스템에서 단말 및 기지국의 채널 코딩 수행 방법 및 장치 | |
| KR20230060505A (ko) | 연합학습을 위한 통신방법 및 이를 수행하는 디바이스 | |
| KR20240071395A (ko) | 무선 통신 시스템에서 신호 전송 방법 및 장치 | |
| KR20240047337A (ko) | 무선 통신 시스템에서 신호 전송 방법 및 장치 | |
| US20240007849A1 (en) | Device and method for transmitting signal in wireless communication system | |
| KR20240004638A (ko) | 무선 통신 시스템에서 신호 전송 방법 및 장치 | |
| US20240129920A1 (en) | Method and device for transmitting uplink control information on basis of neural network | |
| KR20240052728A (ko) | 무선 통신 시스템에서 폴라 코드 기반의 인코더를 설정하기 위한 장치 및 방법 | |
| US20240155688A1 (en) | Method for transmitting/receiving downlink control channel on basis of neural network | |
| US20240054351A1 (en) | Device and method for signal transmission in wireless communication system |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination |