KR20230096988A - 무선 통신 시스템에서 신호 전송을 위한 장치 및 방법 - Google Patents
무선 통신 시스템에서 신호 전송을 위한 장치 및 방법 Download PDFInfo
- Publication number
- KR20230096988A KR20230096988A KR1020237011987A KR20237011987A KR20230096988A KR 20230096988 A KR20230096988 A KR 20230096988A KR 1020237011987 A KR1020237011987 A KR 1020237011987A KR 20237011987 A KR20237011987 A KR 20237011987A KR 20230096988 A KR20230096988 A KR 20230096988A
- Authority
- KR
- South Korea
- Prior art keywords
- transmission mode
- base station
- local model
- reference signal
- terminal
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 102
- 238000004891 communication Methods 0.000 title claims description 102
- 230000008054 signal transmission Effects 0.000 title description 9
- 230000005540 biological transmission Effects 0.000 claims abstract description 170
- 230000013016 learning Effects 0.000 claims abstract description 100
- 230000004044 response Effects 0.000 claims abstract description 30
- 238000013468 resource allocation Methods 0.000 claims abstract description 27
- 230000035045 associative learning Effects 0.000 claims 1
- 239000010410 layer Substances 0.000 description 75
- 238000013528 artificial neural network Methods 0.000 description 64
- 230000015654 memory Effects 0.000 description 51
- 238000013473 artificial intelligence Methods 0.000 description 45
- 230000006870 function Effects 0.000 description 26
- 238000012545 processing Methods 0.000 description 21
- 230000008569 process Effects 0.000 description 18
- 238000013135 deep learning Methods 0.000 description 16
- 238000005516 engineering process Methods 0.000 description 16
- 238000013527 convolutional neural network Methods 0.000 description 15
- 239000013598 vector Substances 0.000 description 15
- 238000010801 machine learning Methods 0.000 description 12
- 238000012549 training Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 230000000306 recurrent effect Effects 0.000 description 11
- 230000000694 effects Effects 0.000 description 8
- 230000004913 activation Effects 0.000 description 7
- 230000007246 mechanism Effects 0.000 description 6
- 230000002829 reductive effect Effects 0.000 description 5
- 230000009467 reduction Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 210000004556 brain Anatomy 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000005562 fading Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 238000011017 operating method Methods 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 239000004984 smart glass Substances 0.000 description 2
- 238000005406 washing Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241000760358 Enodes Species 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 230000027311 M phase Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000003111 delayed effect 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
- 238000013507 mapping Methods 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/0001—Systems modifying transmission characteristics according to link quality, e.g. power backoff
- H04L1/0023—Systems modifying transmission characteristics according to link quality, e.g. power backoff characterised by the signalling
- H04L1/0025—Transmission of mode-switching indication
-
- 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
- G06N3/098—Distributed learning, e.g. federated learning
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/02—Arrangements for detecting or preventing errors in the information received by diversity reception
- H04L1/04—Arrangements for detecting or preventing errors in the information received by diversity reception using frequency diversity
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/26—Systems using multi-frequency codes
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L5/00—Arrangements affording multiple use of the transmission path
- H04L5/003—Arrangements for allocating sub-channels of the transmission path
- H04L5/0048—Allocation of pilot signals, i.e. of signals known to the receiver
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L5/00—Arrangements affording multiple use of the transmission path
- H04L5/003—Arrangements for allocating sub-channels of the transmission path
- H04L5/0048—Allocation of pilot signals, i.e. of signals known to the receiver
- H04L5/0051—Allocation of pilot signals, i.e. of signals known to the receiver of dedicated pilots, i.e. pilots destined for a single user or terminal
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/04—TPC
- H04W52/06—TPC algorithms
- H04W52/14—Separate analysis of uplink or downlink
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/20—Control channels or signalling for resource management
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Power Engineering (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
본 개시는 단말 동작 방법의 일 실시 예로서, 단말이 기지국으로 참조 신호(reference signal)를 전송하는 단계, 상기 단말이 상기 참조 신호에 기초하여 상기 기지국으로부터 응답 메시지를 수신하는 단계 및 상기 단말이 상기 기지국에게 로컬 모델의 파라미터(local parameter)를 전송하는 단계를 포함한다. 상기 응답 메시지는 전송모드 정보, 자원 할당 정보 및 상기 참조 신호의 피드백 정보를 포함한다. 상기 전송모드 정보는 제1 전송모드 또는 제2 전송모드를 지시한다. 상기 로컬 모델의 파라미터는 상기 지시된 제1 전송모드 또는 상기 제2 전송모드에 기초하여 전송된다. 상기 로컬 모델의 파라미터는 연합학습(federated learning)과 관련된다.
Description
이하의 설명은 무선 통신 시스템에 대한 것으로, 무선 통신 시스템에서 신호 전송을 위한 장치 및 방법에 관한 것이다.
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 mMTC(massive machine type communications) 뿐만 아니라 신뢰성 (reliability) 및 지연(latency) 민감한 서비스/UE(user equipment)를 고려한 통신 시스템이 제안되고 있다. 이를 위한 다양한 기술 구성들이 제안되고 있다.
본 개시는 무선 통신 시스템에서 신호 전송을 위한 장치 및 방법을 제공할 수 있다.
본 개시는 무선 통신 시스템에서 연합 학습(federated learning)을 위한 신호 전송 장치 및 방법을 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 방법은, 단말이 기지국으로 참조 신호(reference signal)를 전송하는 단계, 상기 단말이 상기 참조 신호에 기초하여 상기 기지국으로부터 응답 메시지를 수신하는 단계 및 상기 단말이 상기 기지국에게 로컬 모델의 파라미터(local parameter)를 전송하는 단계를 포함한다. 상기 응답 메시지는 전송모드 정보, 자원 할당 정보 및 상기 참조 신호의 피드백 정보를 포함한다. 상기 전송모드 정보는 제1 전송모드 또는 제2 전송모드를 지시한다. 상기 로컬 모델의 파라미터는 상기 지시된 제1 전송모드 또는 상기 제2 전송모드에 기초하여 전송된다. 상기 로컬 모델의 파라미터는 연합학습(federated learning)과 관련된다. 상기 단말이 상기 제1 전송모드에 기초하여 상기 로컬 모델의 파라미터를 전송하는 경우, 상기 자원 할당 정보에 기초하여 상기 로컬 모델의 파라미터를 전송할 수 있다. 상기 단말이 상기 제2 전송모드에 기초하여 상기 로컬 모델의 파라미터를 전송하는 경우, 상기 로컬 모델의 파라미터를 복수의 서브캐리어(subcarrier)를 이용하여 전송할 수 있다. 상기 연합학습은 상기 연합학습에 참여하는 단말들이 동일한 자원을 사용하는 연합학습이다. 상기 자원 할당 정보는 상기 연합학습에 참여하는 단말들에게 각각 할당된 주파수 정보를 포함할 수 있다. 상기 참조 신호는 사운딩 참조 신호(sounding reference signal, SRS)일 수 있다. 상기 로컬 모델의 파라미터 전송은 채널 반전(channel inversion)을 이용하는 사전 등화(pre-equalizer)에 기초하여 전송될 수 있다.
본 개시의 일 예로서, 무선 통신 시스템에서 단말은 송수신기 및 상기 송수신기와 연결된 프로세서를 포함한다. 상기 프로세서는 상기 송수신기가 기지국에게 참조 신호(reference signal)를 전송하도록 제어한다. 상기 프로세서는 상기 송수신기가 상기 참조 신호에 기초하여 상기 기지국으로부터 응답 메시지를 수신하도록 제어한다. 상기 프로세서는 상기 송수신기가 상기 기지국에게 로컬 모델의 파라미터(local parameter)를 전송하도록 제어한다. 상기 응답 메시지는 전송모드 정보, 자원 할당 정보 및 상기 참조 신호의 피드백 정보를 포함한다. 상기 전송모드 정보는 제1 전송 모드 및 제2 전송모드를 지시한다. 상기 로컬 모델의 파라미터는 상기 지시된 제1 전송모드 또는 상기 제2 전송모드에 기초하여 전송된다. 상기 로컬 모델의 파라미터는 연합학습(federated learning)과 관련된다. 상기 단말이 상기 제1 전송모드에 기초하여 상기 로컬 모델의 파라미터를 전송하는 경우, 상기 자원 할당 정보에 기초하여 상기 로컬 모델의 파라미터를 전송할 수 있다. 상기 단말이 상기 제2 전송모드에 기초하여 상기 로컬 모델의 파라미터를 전송하는 경우, 상기 로컬 모델의 파라미터를 복수의 서브캐리어(subcarrier)를 이용하여 전송할 수 있다. 상기 연합학습은 상기 연합학습에 참여하는 단말들이 동일한 자원을 사용하는 연합학습이다. 상기 자원 할당 정보는 상기 연합학습에 참여하는 단말들에게 각각 할당된 주파수 정보를 포함할 수 있다. 상기 참조 신호는 사운딩 참조 신호(sounding reference signal, SRS)일 수 있다. 상기 로컬 모델의 파라미터 전송은 채널 반전(channel inversion)을 이용하는 사전 등화(pre-equalizer)에 기초하여 전송될 수 있다.
본 개시의 일 실시 예로서, 통신 장치는 적어도 하나의 프로세서, 상기 적어도 하나의 프로세서와 연결되며, 상기 적어도 하나의 프로세서에 의해 실행됨에 따라 동작들을 지시하는 명령어를 저장하는 적어도 하나의 컴퓨터 메모리를 포함한다. 상기 프로세서는 상기 통신 장치가 기지국으로 참조 신호(reference signal)를 전송하도록 제어한다. 상기 프로세서는 상기 통신 장치가 상기 참조 신호에 기초하여 상기 기지국으로부터 응답 메시지를 수신하도록 제어한다. 상기 프로세서는 상기 통신 장치가 상기 기지국에게 로컬 모델의 파라미터(local parameter)를 전송하도록 제어한다. 상기 응답 메시지는 전송모드 정보, 자원 할당 정보 및 상기 참조 신호의 피드백 정보를 포함한다. 상기 전송모드 정보는 제1 전송모드 또는 제2 전송모드를 지시한다. 상기 로컬 모델의 파라미터는 상기 지시된 제1 전송모드 또는 상기 제2 전송모드에 기초하여 전송된다. 상기 로컬 모델의 파라미터는 연합학습(federated learning)과 관련된다.
본 개시의 일 실시 예로서, 적어도 하나의 명령어(instructions)을 저장하는 비-일시적인(non-transitory) 컴퓨터 판독 가능 매체(computer-readable medium)는 프로세서에 의해 실행 가능한(executable) 상기 적어도 하나의 명령어를 포함한다. 상기 적어도 하나의 명령어는 상기 컴퓨터 판독 가능 매체가 기지국으로 참조 신호(reference signal)를 전송하도록 지시한다. 상기 적어도 하나의 명령어는 상기 컴퓨터 판독 가능 매체가 참조 신호에 기초하여 상기 기지국으로부터 응답 메시지를 수신하도록 지시한다. 상기 적어도 하나의 명령어는 상기 컴퓨터 판독 가능 매체가 상기 기지국에게 로컬 모델의 파라미터(local parameter)를 전송하도록 지시한다. 상기 응답 메시지는 전송모드 정보, 자원 할당 정보 및 상기 참조 신호의 피드백 정보를 포함한다. 상기 전송모드 정보는 제1 전송모드 또는 제2 전송모드를 지시한다. 상기 로컬 모델의 파라미터는 상기 지시된 제1 전송모드 또는 상기 제2 전송모드에 기초하여 전송된다. 상기 로컬 모델의 파라미터는 연합학습(federated learning)과 관련된다.
본 개시의 일 실시 예로서, 무선 통신 시스템에서 기지국 동작 방법은 단말로부터 참조 신호(reference signal)을 수신하는 단계, 상기 단말에게 상기 참조 신호에 기초하여 응답 메시지를 전송하는 단계 및 상기 단말로부터 상기 기지국에게 로컬 모델(local model)의 파라미터를 수신하는 단계를 포함한다. 상기 응답 메시지는 전송모드 정보, 자원 할당 정보 및 상기 참조 신호의 피드백 정보를 포함한다. 상기 전송모드 정보는 제1 전송모드 또는 제2 전송모드를 지시한다. 상기 로컬 모델의 파라미터는 상기 지시된 제1 전송모드 또는 상기 제2 전송모드에 기초하여 전송된다. 상기 로컬 모델의 파라미터는 연합학습(federated learning)과 관련된다.
본 개시의 일 실시 예로서, 무선 통신 시스템에서 기지국은 송수신기 및 상기 송수신기와 연결된 프로세서를 포함한다. 상기 프로세서는 상기 송수신기가 단말로부터 참조 신호(reference signal)을 수신하도록 제어한다. 상기 프로세서는 상기 송수신기가 상기 단말에게 상기 참조 신호에 기초하여 응답 메시지를 전송하도록 제어한다. 상기 프로세서는 상기 송수신기가 상기 단말로부터 상기 기지국에게 로컬 모델(local model)의 파라미터를 수신하도록 제어한다. 상기 응답 메시지는 전송모드 정보, 자원 할당 정보 및 상기 참조 신호의 피드백 정보를 포함한다. 상기 전송모드 정보는 제1 전송모드 또는 제2 전송모드를 지시한다. 상기 로컬 모델의 파라미터는 상기 지시된 제1 전송모드 또는 상기 제2 전송모드에 기초하여 전송된다. 상기 로컬 모델의 파라미터는 연합학습(federated learning)과 관련된다.
상술한 본 개시의 양태들은 본 개시의 바람직한 실시 예들 중 일부에 불과하며, 본 개시의 기술적 특징들이 반영된 다양한 실시 예들이 당해 기술분야의 통상적인 지식을 가진 자에 의해 이하 상술할 본 개시의 상세한 설명을 기반으로 도출되고 이해될 수 있다.
본 개시에 기초한 실시 예들에 의해 하기와 같은 효과가 있을 수 있다.
본 개시에 따르면, 기지국 및 단말이 연합 학습(federated learning)을 수행함으로써, 기지국 및 단말이 데이터 전송 시 오버헤드가 감소할 수 있다.
본 개시에 따르면, 단말 전송 신호의 소실을 감소시킬 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 예를 도시한다.
도 2는 본 개시에 적용 가능한 무선 기기의 예를 도시한다.
도 3은 본 개시에 적용 가능한 무선 기기의 다른 예를 도시한다.
도 4는 본 개시에 적용 가능한 휴대 기기의 예를 도시한다.
도 5는 본 개시에 적용 가능한 차량 또는 자율 주행 차량의 예를 도시한다.
도 6은 본 개시에 적용 가능한 AI(Artificial Intelligence)의 예를 도시한다.
도 7은 본 개시에 적용 가능한 전송 신호를 처리하는 방법을 도시한다.
도 8은 본 개시에 적용 가능한 인공 신경망에 포함되는 퍼셉트론(perceptron)의 구조를 도시한다.
도 9는 본 개시에 적용 가능한 인공 신경망 구조를 도시한다.
도 10은 본 개시에 적용 가능한 심층 신경망을 도시한다.
도 11는 본 개시에 적용 가능한 컨볼루션 신경망을 도시한다.
도 12는 본 개시에 적용 가능한 컨볼루션 신경망의 필터 연산을 도시한다.
도 13은 본 개시에 적용 가능한 순환 루프가 존재하는 신경망 구조를 도시한다.
도 14은 본 개시에 적용 가능한 순환 신경망의 동작 구조를 도시한다.
도 15는 본 개시에 적용 가능한 연합 학습의 일 예를 도시한다.
도 16은 본 개시에 적용 가능한 연합 학습의 일 예를 도시한다.
도 17은 단말이 채널 반전(channel inversion)을 사용하여 신호를 전송하는 일 예를 도시한다.
도 18은 본 개시에 적용 가능한 전송 방식 선택 동작의 일 예를 도시한다.
도 19는 본 개시에 적용 가능한 신호 전송 모드의 일 예를 도시한다.
도 20은 본 개시에 적용 가능한 신호 전송 모드의 일 예를 도시한다.
도 21은 본 개시에 적용 가능한 단말의 동작 절차를 도시한다.
도 22는 본 개시에 적용 가능한 기지국의 동작 절차를 도시한다.
도 23a 내지 도 23d는 본 개시에 따른 시뮬레이션 결과를 도시한다.
도 1은 본 개시에 적용 가능한 통신 시스템 예를 도시한다.
도 2는 본 개시에 적용 가능한 무선 기기의 예를 도시한다.
도 3은 본 개시에 적용 가능한 무선 기기의 다른 예를 도시한다.
도 4는 본 개시에 적용 가능한 휴대 기기의 예를 도시한다.
도 5는 본 개시에 적용 가능한 차량 또는 자율 주행 차량의 예를 도시한다.
도 6은 본 개시에 적용 가능한 AI(Artificial Intelligence)의 예를 도시한다.
도 7은 본 개시에 적용 가능한 전송 신호를 처리하는 방법을 도시한다.
도 8은 본 개시에 적용 가능한 인공 신경망에 포함되는 퍼셉트론(perceptron)의 구조를 도시한다.
도 9는 본 개시에 적용 가능한 인공 신경망 구조를 도시한다.
도 10은 본 개시에 적용 가능한 심층 신경망을 도시한다.
도 11는 본 개시에 적용 가능한 컨볼루션 신경망을 도시한다.
도 12는 본 개시에 적용 가능한 컨볼루션 신경망의 필터 연산을 도시한다.
도 13은 본 개시에 적용 가능한 순환 루프가 존재하는 신경망 구조를 도시한다.
도 14은 본 개시에 적용 가능한 순환 신경망의 동작 구조를 도시한다.
도 15는 본 개시에 적용 가능한 연합 학습의 일 예를 도시한다.
도 16은 본 개시에 적용 가능한 연합 학습의 일 예를 도시한다.
도 17은 단말이 채널 반전(channel inversion)을 사용하여 신호를 전송하는 일 예를 도시한다.
도 18은 본 개시에 적용 가능한 전송 방식 선택 동작의 일 예를 도시한다.
도 19는 본 개시에 적용 가능한 신호 전송 모드의 일 예를 도시한다.
도 20은 본 개시에 적용 가능한 신호 전송 모드의 일 예를 도시한다.
도 21은 본 개시에 적용 가능한 단말의 동작 절차를 도시한다.
도 22는 본 개시에 적용 가능한 기지국의 동작 절차를 도시한다.
도 23a 내지 도 23d는 본 개시에 따른 시뮬레이션 결과를 도시한다.
이하의 실시 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 실시 예들은 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(600)는 통신부(610), 제어부(620), 메모리부(630), 입/출력부(640a/640b), 러닝 프로세서부(640c) 및 센서부(640d)를 포함할 수 있다. 블록 610~630/640a~640d는 각각 도 3의 블록 310~330/340에 대응할 수 있다.
통신부(610)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(610)는 메모리부(630) 내의 정보를 외부 기기로 전송하거나, 외부 기기로부터 수신된 신호를 메모리부(630)로 전달할 수 있다.
제어부(620)는 데이터 분석 알고리즘 또는 머신 러닝 알고리즘을 사용하여 결정되거나 생성된 정보에 기초하여, AI 기기(600)의 적어도 하나의 실행 가능한 동작을 결정할 수 있다. 그리고, 제어부(620)는 AI 기기(600)의 구성 요소들을 제어하여 결정된 동작을 수행할 수 있다. 예를 들어, 제어부(620)는 러닝 프로세서부(640c) 또는 메모리부(630)의 데이터를 요청, 검색, 수신 또는 활용할 수 있고, 적어도 하나의 실행 가능한 동작 중 예측되는 동작이나, 바람직한 것으로 판단되는 동작을 실행하도록 AI 기기(600)의 구성 요소들을 제어할 수 있다. 또한, 제어부(620)는 AI 장치(600)의 동작 내용이나 동작에 대한 사용자의 피드백 등을 포함하는 이력 정보를 수집하여 메모리부(630) 또는 러닝 프로세서부(640c)에 저장하거나, AI 서버(도 1, 140) 등의 외부 장치에 전송할 수 있다. 수집된 이력 정보는 학습 모델을 갱신하는데 이용될 수 있다.
메모리부(630)는 AI 기기(600)의 다양한 기능을 지원하는 데이터를 저장할 수 있다. 예를 들어, 메모리부(630)는 입력부(640a)로부터 얻은 데이터, 통신부(610)로부터 얻은 데이터, 러닝 프로세서부(640c)의 출력 데이터, 및 센싱부(640)로부터 얻은 데이터를 저장할 수 있다. 또한, 메모리부(630)는 제어부(620)의 동작/실행에 필요한 제어 정보 및/또는 소프트웨어 코드를 저장할 수 있다.
입력부(640a)는 AI 기기(600)의 외부로부터 다양한 종류의 데이터를 획득할 수 있다. 예를 들어, 입력부(620)는 모델 학습을 위한 학습 데이터, 및 학습 모델이 적용될 입력 데이터 등을 획득할 수 있다. 입력부(640a)는 카메라, 마이크로폰 및/또는 사용자 입력부 등을 포함할 수 있다. 출력부(640b)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시킬 수 있다. 출력부(640b)는 디스플레이부, 스피커 및/또는 햅틱 모듈 등을 포함할 수 있다. 센싱부(640)는 다양한 센서들을 이용하여 AI 기기(600)의 내부 정보, AI 기기(600)의 주변 환경 정보 및 사용자 정보 중 적어도 하나를 얻을 수 있다. 센싱부(640)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(640c)는 학습 데이터를 이용하여 인공 신경망으로 구성된 모델을 학습시킬 수 있다. 러닝 프로세서부(640c)는 AI 서버(도 1, 140)의 러닝 프로세서부와 함께 AI 프로세싱을 수행할 수 있다. 러닝 프로세서부(640c)는 통신부(610)를 통해 외부 기기로부터 수신된 정보, 및/또는 메모리부(630)에 저장된 정보를 처리할 수 있다. 또한, 러닝 프로세서부(640c)의 출력 값은 통신부(610)를 통해 외부 기기로 전송되거나/되고, 메모리부(630)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(700)는 스크램블러(710), 변조기(720), 레이어 매퍼(730), 프리코더(740), 자원 매퍼(750), 신호 생성기(760)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 7의 하드웨어 요소는 도 2의 프로세서(202a, 202b) 및/또는 송수신기(206a, 206b)에서 구현될 수 있다. 일 예로, 블록 710~760은 도 2의 프로세서(202a, 202b)에서 구현될 수 있다. 또한, 블록 710~750은 도 2의 프로세서(202a, 202b)에서 구현되고, 블록 760은 도 2의 송수신기(206a, 206b)에서 구현될 수 있으며, 상술한 실시 예로 한정되지 않는다.
코드워드는 도 7의 신호 처리 회로(700)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(710)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(720)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(730)에 의해 하나 이상의 전송 레이어로 매핑될 수 있다. 각 전송 레이어의 변조 심볼들은 프리코더(740)에 의해 해당 안테나 포트(들)로 매핑될 수 있다(프리코딩). 프리코더(740)의 출력 z는 레이어 매퍼(730)의 출력 y를 N*M의 프리코딩 행렬 W와 곱해 얻을 수 있다. 여기서, N은 안테나 포트의 개수, M은 전송 레이어의 개수이다. 여기서, 프리코더(740)는 복소 변조 심볼들에 대한 트랜스폼(transform) 프리코딩(예, DFT(discrete fourier transform) 변환)을 수행한 이후에 프리코딩을 수행할 수 있다. 또한, 프리코더(740)는 트랜스폼 프리코딩을 수행하지 않고 프리코딩을 수행할 수 있다.
자원 매퍼(750)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(760)는 매핑된 변조 심볼들로부터 무선 신호를 생성하며, 생성된 무선 신호는 각 안테나를 통해 다른 기기로 전송될 수 있다. 이를 위해, 신호 생성기(760)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(710~760)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 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.
인공 지능(Artificial Intelligence) 시스템
도 8은 본 개시에 적용 가능한 인공 신경망에 포함되는 퍼셉트론(perceptron)의 구조를 도시한다. 또한, 도 9는 본 개시에 적용 가능한 인공 신경망 구조를 도시한다.
상술한 바와 같이, 6G 시스템에서 인공 지능 시스템이 적용될 수 있다. 이때, 일 예로, 인공 지능 시스템은 인간의 뇌에 해당하는 러닝 모델에 기초하여 동작할 수 있으며, 이는 상술한 바와 같다. 이때, 인공 신경망(artificial neural networks)와 같은 복잡성이 높은 신경망 구조를 러닝 모델로 사용하는 머신 러닝의 패러다임을 딥러닝(deep learning)이라 할 수 있다. 또한, 학습(learning) 방식으로 사용하는 신경망 코어(neural network cord)는 크게 심층 신경망(deep neural network, DNN), 합성곱 신경망(convolutional deep neural network, CNN), 순환 신경망(recurrent neural network, RNN) 방식이 있다. 이때, 일 예로, 도 8을 참조하면, 인공 신경망은 여러 개의 퍼셉트론들로 구성될 수 있다. 이때, 입력 벡터 x={x1, x2, …, xd}가 입력되면, 각 성분에 가중치 {W1, W2, …, Wd}가 곱해지고, 그 결과를 모두 합산한 후, 활성함수 σ(·)를 적용하는 전체 과정은 퍼셉트론이라 불리울 수 있다. 거대한 인공 신경망 구조는 도 8에 도시한 단순화된 퍼셉트론 구조를 확장하면, 입력벡터는 서로 다른 다 차원의 퍼셉트론에 적용될 수 있다. 설명의 편의를 위해 입력값 또는 출력값을 노드(node)라 칭한다.
한편, 도 8에 도시된 퍼셉트론 구조는 입력값, 출력값을 기준으로 총 3개의 층(layer)로 구성되는 것으로 설명될 수 있다. 1st layer와 2nd layer 사이에는 (d+1) 차원의 퍼셉트론 H개, 2nd layer와 3rd layer 사이에는 (H+1)차원 퍼셉트론이 K 개 존재하는 인공 신경망은 도 9와 같이 표현될 수 있다.
이때, 입력벡터가 위치하는 층을 입력층(input layer), 최종 출력값이 위치하는 층을 출력층(output layer), 입력층과 출력층 사이에 위치하는 모든 층을 은닉층(hidden layer)라 한다. 일 예로, 도 9에서 3개의 층이 개시되나, 실제 인공 신경망 층의 개수를 카운트할 때는 입력층을 제외하고 카운트하므로, 도 9에 예시된 인공 신경망은 총 2개의 층으로 이해될 수 있다. 인공 신경망은 기본 블록의 퍼셉트론을 2차원적으로 연결되어 구성된다.
전술한 입력층, 은닉층, 출력층은 다층 퍼셉트론 뿐 아니라 후술할 CNN, RNN 등 다양한 인공 신경망 구조에서 공동적으로 적용될 수 있다. 은닉층의 개수가 많아질수록 인공 신경망이 깊어진 것이며, 충분히 깊어진 인공 신경망을 러닝모델로 사용하는 머신러닝 패러다임을 딥러닝(deep learning)이라 할 수 있다. 또한 딥러닝을 위해 사용하는 인공 신경망을 심층 신경망(deep neural network, DNN)이라 할 수 있다.
도 10은 본 개시에 적용 가능한 심층 신경망을 도시한다.
도 10을 참조하면, 심층 신경망은 은닉층+출력층이 8개로 구성된 다층 퍼셉트론일 수 있다. 이때, 다층 퍼셉트론 구조를 완전 연결 신경망(fully-connected neural network)이라 표현할 수 있다. 완전 연결 신경망은 서로 같은 층에 위치하는 노드 간에는 연결 관계가 존재하지 않으며, 인접한 층에 위치한 노드들 간에만 연결 관계가 존재할 수 있다. DNN은 완전 연결 신경망 구조를 가지고 다수의 은닉층과 활성함수들의 조합으로 구성되어 입력과 출력 사이의 상관관계 특성을 파악하는데 유용하게 적용될 수 있다. 여기서 상관관계 특성은 입출력의 결합 확률(joint probability)을 의미할 수 있다.
도 11은 본 개시에 적용 가능한 컨볼루션 신경망을 도시한다. 또한, 도 15는 본 개시에 적용 가능한 컨볼루션 신경망의 필터 연산을 도시한다.
일 예로, 복수의 퍼셉트론을 서로 어떻게 연결하느냐에 따라 전술한 DNN과 다른 다양한 인공 신경망 구조를 형성할 수 있다. 이때, DNN은 하나의 층 내부에 위치한 노드들이 1차원적의 세로 방향으로 배치되어 있다. 그러나, 도 11을 참조하면, 노드들이 2차원적으로 가로 w개, 세로 h개의 노드가 배치할 경우를 가정할 수 있다. (도 11의 컨볼루션 신경망 구조). 이 경우, 하나의 입력 노드에서 은닉층으로 이어지는 연결과정에서 연결 하나당 가중치가 부가되므로, 총 h×w 개의 가중치가 고려되어야 한다. 입력층에 h×w 개의 노드가 존재하므로, 인접한 두 층 사이에는 총 h2w2개의 가중치가 필요할 수 있다.
또한, 도 11의 컨볼루션 신경망은 연결개수에 따라 가중치의 개수가 기하급수적으로 증가하는 문제가 있어 인접한 층 간의 모든 모드의 연결을 고려하는 대신, 크기가 작은 필터(filter)가 존재하는 것으로 가정할 수 있다. 일 예로, 도 12에서와 같이 필터가 겹치는 부분에 대해서는 가중합 및 활성함수 연산을 수행하도록 할 수 있다.
이때, 하나의 필터는 그 크기만큼의 개수에 해당하는 가중치를 가지며, 이미지 상의 어느 특정한 특징을 요인으로 추출하여 출력할 수 있도록 가중치의 학습이 이루어질 수 있다. 도 15에서는 3×3 크기의 필터가 입력층의 가장 좌측 상단 3×3 영역에 적용되고, 해당 노드에 대한 가중합 및 활성함수 연산을 수행한 결과 출력값은 z22에 저장될 수 있다.
이때, 상술한 필터는 입력층을 스캔하면서 가로, 세로 일정 간격만큼 이동하면서 가중합 및 활성함수 연산이 수행되고, 그 출력값은 현재 필터의 위치에 배치될 수 있다. 이러한 연산 방식은 컴퓨터 비전(computer vision) 분야에서 이미지에 대한 컨볼루션(convolution) 연산과 유사하므로, 이러한 구조의 심층 신경망은 컨볼루션 신경망(CNN: convolutional neural network)라 불리고, 컨볼루션 연산 결과 생성되는 은닉층은 컨볼루션 층(convolutional layer)라 불릴 수 있다. 또한, 복수의 컨볼루션 층이 존재하는 신경망을 심층 컨볼루션 신경망(deep convolutional neural network, DCNN)이라 할 수 있다.
또한, 컨볼루션 층에서는 현재 필터가 위치한 노드에서, 상기 필터가 커버하는 영역에 위치한 노드만을 포괄하여 가중합을 계산함으로써, 가중치의 개수가 감소될 수 있다. 이로 인해, 하나의 필터가 로컬(local) 영역에 대한 특징에 집중하도록 이용될 수 있다. 이에 따라, CNN은 2차원 영역 상의 물리적 거리가 중요한 판단 기준이 되는 이미지 데이터 처리에 효과적으로 적용될 수 있다. 한편, CNN은 컨볼루션 층의 직전에 복수의 필터가 적용될 수 있으며, 각 필터의 컨볼루션 연산을 통해 복수의 출력 결과를 생성할 수도 있다.
한편, 데이터 속성에 따라 시퀀스(sequence) 특성이 중요한 데이터들이 있을 수 있다. 이러한 시퀀스 데이터들의 길이 가변성, 선후 관계를 고려하여 데이터 시퀀스 상의 원소를 매 시점(timestep) 마다 하나씩 입력하고, 특정 시점에 출력된 은닉층의 출력 벡터(은닉 벡터)를, 시퀀스 상의 바로 다음 원소와 함께 입력하는 방식을 인공 신경망에 적용한 구조를 순환 신경망 구조라 할 수 있다.
도 13은 본 개시에 적용 가능한 순환 루프가 존재하는 신경망 구조를 도시한다. 도 14는 본 개시에 적용 가능한 순환 신경망의 동작 구조를 도시한다.
도 13을 참조하면, 순환 신경망(recurrent neural network, RNN)은 데이터 시퀀스 상의 어느 시선 t의 원소 {x1 (t), x2 (t), …, xd (t)}를 완전 연결 신경망에 입력하는 과정에서, 바로 이전 시점 t-1은 은닉 벡터 {z1 (t-1), z2 (t-1), …, zH (t-1)}을 함께 입력하여 가중합 및 활성함수를 적용하는 구조를 가질 수 있다. 이와 같이 은닉 벡터를 다음 시점으로 전달하는 이유는 앞선 시점들에서의 입력 벡터속 정보들이 현재 시점의 은닉 벡터에 누적된 것으로 간주하기 때문이다.
또한, 도 14를 참조하면, 순환 신경망은 입력되는 데이터 시퀀스에 대하여 소정의 시점 순서대로 동작할 수 있다. 이때, 시점 1에서의 입력 벡터 {x1 (t), x2 (t), …, xd (t)}가 순환 신경망에 입력되었을 때의 은닉 벡터 {z1 (1), z2 (1), …, zH (1)}가 시점 2의 입력 벡터 {x1 (2), x2 (2), …, xd (2)}와 함께 입력되어, 가중합 및 활성 함수를 통해 은닉층의 벡터 {z1 (2), z2 (2), …, zH (2)}가 결정된다. 이러한 과정은 시점 2, 시점 3, …, 시점 T까지 반복적으로 수행된다.
한편, 순환 신경망 내에서 복수의 은닉층이 배치될 경우, 이를 심층 순환 신경망(deep recurrent neural network, DRNN)라 한다. 순환 신경망은 시퀀스 데이터(예, 자연어 처리(natural language processing)에 유용하게 적용되도록 설계되어 있다.
학습(learning) 방식으로 사용하는 신경망 코어로서 DNN, CNN, RNN 외에 제한 볼츠만 머신(restricted Boltzmann machine, RBM), 심층 신뢰 신경망(deep belief networks, DBN), 심층 Q-네트워크(deep Q-Network)와 같은 다양한 딥 러닝 기법들을 포함하며, 컴퓨터 비젼, 음성인식, 자연어처리, 음성/신호처리 등의 분야에 적용될 수 있다.
최근에는 AI를 무선 통신 시스템과 통합하려고 하는 시도들이 나타나고 있으나, 이는 어플리케이션 계층(application layer), 네트워크 계층(network layer), 특히, 딥러닝의 경우, 무선 자원 관리 및 할당(wireless resource management and allocation) 분야에 집중되어 왔다. 그러나, 이러한 연구는 점점 MAC 계층 및 물리 계층(physical layer)으로 발전하고 있으며, 특히 물리 계층에서 딥러닝을 무선 전송(wireless transmission)과 결합하고자 하는 시도들이 나타나고 있다. AI 기반의 물리 계층 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 매커니즘(mechanism), AI 기반의 자원 스케줄링(scheduling) 및 할당(allocation) 등을 포함할 수 있다.
본 발명의 구체적인 실시 예
본 개시는 아날로그 또는 디지털 Air-Computation이 적용되는 단말들의 송신 전력 제한에 기초한 신호 소실을 완화하는 방법을 제안한다. 구체적으로, 단말이 AirComp 기법에서 채널 반전(channel inversion)에 기초한 pre-equalizer 방식을 사용하여 신호를 전송하는 경우, 채널 반전에 따른 송신 전력 증가(transmission power enhancement)가 발생할 수 있다. 따라서, 단말이 pre-equalizer 방식을 사용하여 신호를 전송하는 경우 송신 전력 제한 문제가 심화될 수 있다. 채널 반전이 적용될 때 딥 페이딩(deep fading)이 발생할 수 있다. 이러한 경우, 해당 자원의 송신 전력은 크게 증가할 수 있다. 따라서, 단말이 채널 반전 방식을 사용하여 신호를 전송하는 경우 송신 전력 제한에 따른 신호 소실이 발생할 수 있으며, 전력이 증가되는 문제가 발생할 수 있다. 이에 따라, 본 개시는 단말이 AirComp 전송의 주파수 선택(selection) 전송 방식 및 주파수 컴바이닝(combining) 전송 방식을 선택적으로 적용함으로써 단말이 평균 송신 전력을 감소시키는 방법을 제안한다.
도 15는 본 개시에 적용 가능한 연합 학습의 일 예를 도면이다. 연합 학습(federeated learning)은 분산 머신러닝 기법 중 하나이다. 연합 학습은 학습의 주체인 여러 장치(device)들이 서버와 파라미터를 공유하는 기법이다. 예를 들어, 연합 학습은 학습의 주체인 여러 장치들이 서버와 로컬 모델(local model)의 가중치(weight) 또는 그래디언트(gradient)를 공유한다. 서버는 각 장치들의 로컬 모델 파라미터를 취합하여 글로벌 파라미터를 업데이트한다. 서버는 장치들과 각 장치들의 raw data는 공유하지 않기 않는다. 이에 따라, 연합 학습은 데이터 전송 과정의 통신 오버헤드(communication overhead)를 감소시킬 수 있으며, 개인 정보를 보호할 수 있다.
직교 다중 접속에 기초하는 연합 학습은 도 15와 같이 동작한다. 장치들(1502a, 1502b, 1502c)는 각자 할당된 자원에서 로컬 파라미터를 전송한다. 서버(1504)는 장치로부터 수신한 파라미터에 대하여 오프라인 어그리게이션(offline aggregation)을 수행한다. 일반적으로 서버는 모든 로컬 파라미터에 대한 에버리징(averaging)을 통해 글로벌 파라미터(global parameter)를 도출한다. 그리고, 서버는 도출한 글로벌 파라미터를 다시 장치들에게 전송한다. 다만, 한정된 무선 자원 하에서 학습에 참여하는 장치의 수가 증가할수록 서버가 글로벌 파라미터를 업데이트하기 위한 시간이 지연된다. 이러한 문제를 해결하기 위해 Air computation(AirComp) 기반의 연합 학습에 대한 연구가 진행되고 있다. AirComp 기반의 연합 학습에 대하여 이하 도 16에서 설명한다. 본 개시에서 서버는 기지국을 지칭할 수 있으며, 다수의 단말들과 연합 학습을 수행할 수 있다. 또한, 단말은 사용자(user)로 지칭될 수 있다.
도 16은 본 개시에 적용 가능한 연합 학습의 일 예를 도시하며, 도 17은 단말이 채널 반전(channel inversion)을 사용하여 신호를 전송하는 일 예를 도시한다.
도 16을 참고하면, AirComp 기반의 연합 학습은 모든 장치들(1602a, 1602b, 1602c)이 동일한 자원을 이용하여 서버(1604)에게 로컬 파라미터를 전송하는 방식이다. 서버는 수신한 신호의 아날로그 파형(analog waveform)의 중첩(superposition) 특성에 의해 로컬 파라미터의 합을 얻을 수 있다. AirComp 기반 연합 학습은 동일한 자원을 통해 로컬 파라미터가 전송되기 때문에 학습에 참여하는 장치들의 수가 레이턴시(latency)에 크게 영향을 미치지 않는다. 다만, 각 장치가 송신할 수 있는 송신 전력이 제한되어 있는 상황에서 장치가 학습하여 획득한 그래디언트 값(gradient value) 및 채널 전력에 따라 장치가 전송 가능한 신호의 범위가 제한되는 문제가 발생할 수 있다. 이에 따라, 전송 신호가 소실될 수 있으며, 성능의 열화가 발생할 수 있다.
본 개시에서 Regular character는 스칼라(scalar)를 나타낼 수 있다. 볼드체 소문자(bold lowercase)와 대문자(uppercase character)는 각각(vector)와 행렬(matrix)을 나타낼 수 있다. Calligraphic character는 집합을 의미할 수 있다. 일례로, 
는 각각 scalar, vector, matrix 그리고 집합을 의미할 수 있다. x[i]는 vector x의 i번째 entry를 의미할 수 있다. 
를 나타낼 수 있다. 
는 각각 절대값(absolute value)과 caldinality를 나타낼 수 있다. (x)+ 는
를 나타낼 수 있다. real(x)와 imag(x)는 각각 x의 실수부와 허수부를 나타낼 수 있다.
도 17의 왼쪽은 채널 반전이 적용될 때 딥 페이딩(deep fading)이 발생하는 경우를 나타낸다. 이러한 경우, 도 17의 오른쪽을 참고하면, 해당 자원의 송신 전력은 크게 증가할 수 있다. 따라서, 단말이 채널 반전 방식을 사용하여 신호를 전송하는 경우 송신 전력 제한에 따른 신호 소실이 발생할 수 있으며, 전력이 증가되는 문제가 발생할 수 있다. 이에 따라, 본 개시는 단말이 AirComp 전송의 주파수 선택(selection) 전송 방식 및 주파수 컴바이닝(combining) 전송 방식을 선택적으로 적용함으로써 단말이 평균 송신 전력을 감소시키는 방법을 제안한다.
도 18은 본 개시에 적용 가능한 전송 방식 선택 동작의 일 예를 도시한다. 도 18을 참고하면, 단말(1802)은 기지국(1804)에게 AirComp에 기초하여 신호를 전송할 수 있다. 이 때, 단말은 주파수 선택 모드(frequency selection mode) 또는 주파수 컴바이닝 모드(frequency combining mode)를 선택적으로 적용하여 기지국에게 신호를 전송할 수 있다. 이에 따라 단말이 전송하는 신호의 평균 송신 전력이 감소할 수 있다. 주파수 선택 모드 및 주파수 컴바이닝 모드에 대하여 이하 도 19 및 도 20에서 자세히 설명한다.
도 19는 본 개시에 적용 가능한 신호 전송 모드의 일 예를 도시한다. 전송 모드는 모드 1 및 모드 2를 포함한다. 모드 1은 주파수 선택 모드(frequency selection mode)로 지칭될 수 있다. 모드 2는 주파수 컴바이닝 모드(frequency combining mode)로 지칭될 수 있다. 주파수 선택 모드(모드 1)에 대하여 이하 설명한다. 도 19는 기지국이 2개의 단말들(1902, 1904)로부터 신호를 수신하는 상황을 가정한다. 본 개시에서 단말(user equipment, UE)은 user와 혼용되어 표현될 수 있다.
주파수 선택 모드에서, 기지국은 전체 자원을 사전에 정해진 방식을 적용하여 2개의 서브밴드(subband)로 나눌 수 있다. 그리고, 기지국은 나누어진 2개의 서브밴드에 대하여 2개의 단말들에게 어떤 자원을 이용하여 신호를 전송할 지 알려줄 수 있다. 즉, 기지국은 단말 0(1902)이 심볼0, 서브밴드 0에서 신호를 전송하고, 단말 1(1904)가 심볼 0, 서브밴드 1에서 신호를 전송하도록 결정할 수 있다. 그리고, 기지국은 단말 0 및 단말 1에게 각각 할당된 자원을 각각 단말 0 및 단말 1에게 알려줄 수 있다.
또한, 기지국은 추정된 상향링크 채널의 전력에 기초하여 각각의 단말들에게 어떤 자원을 이용해서 신호를 전송해야 하는 지 알려줄 수 있다. 즉, 기지국은 상향링크 채널 전력에 기초하여 각각의 단말이 신호 
를 전송할 자원을 각각의 단말들에게 알려줄 수 있다. 여기서, i는 단말 인덱스이다. k는 서브캐리어 인덱스다. 도 19를 참고하면, 각각의 신호 si,k는 계수로 루트(root) 2를 가진다. 여기서, 계수는 서브밴드의 수에 기초하여 결정된다. 구체적으로, 서브밴드의 수가 N인 경우 계수는 루트 N이된다. 예를 들어, 서브밴드의 수가 4인 경우, 계수는 루트 4(=2)가 된다.
각각의 단말은 할당된 자원을 통해 신호를 전송할 수 있다. 즉, 단말 0(1902)은 심볼 0 및 서브밴드 0에서 신호를 전송할 수 있으며, 단말 1(1904)은 심볼0 및 서브밴드 1에서 신호를 전송할 수 있다. 각각의 단말(1902, 1904)은 채널 반전(channel inversion) 방식의 pre-equalizer에 기초하여 신호를 전송할 수 있다(1901a, 1901b). 기지국은 각각의 단말들로부터 신호를 수신할 수 있다. 기지국은 단말 0(1902)으로부터 심볼0 및 서브밴드 0에서 신호를 수신하고, 단말 1(1904)로부터 심볼 0 및 서브밴드 1에서 신호를 수신할 수 있다. 기지국은 각각의 단말들로부터 수신한 신호를 컴바이닝 할 수 있다(1903). 기지국은 수신 신호들을 컴바이닝함으로서 aggregated gradient를 추정할 수 있다.
기지국은 채널 파워(power) 또는 채널의 역의 파워에 기초하여 서브밴드를 설정할 수 있다. 이에 따라, 단말들의 송신 전력이 감소할 수 있다. 또한, 기지국은 다수의 단말들에 대하여 서브밴드를 알려주고, 다수의 단말들은 할당된 자원에 기초하여 신호를 전송할 수 있으며, 주파수 선택 모드에 따른 신호 전송 방식에서 서브밴드를 할당받는 단말의 개수가 상술한 실시예로 제한되지 않는다.
도 20은 본 개시에 적용 가능한 신호 전송 모드의 일 예를 도시한다. 전송 모드는 모드 1 및 모드 2를 포함한다. 모드 1은 주파수 선택 모드(frequency selection mode)로 지칭될 수 있다. 모드 2는 주파수 컴바이닝 모드(frequency combining mode)로 지칭될 수 있다. 주파수 컴바이닝 모드에 대하여 이하 설명한다. 도 20은 단말이 동일한 그래디언트를 두 개의 서브캐리어를 통해 전송하는 것을 가정한다. 여기서, 두 개의 서브캐리어는 서로 다른 채널을 경험할 수 있다. 또한, 단말이 채널 반전(channel inversion) pre-equalizer를 적용하여 그래디언트를 전송한다. 기지국은 같은 그래디언트를 전송하는 서브캐리어들을 포함하는 신호를 컴바이닝할 수 있다. 기지국은 수신 신호를 컴바이닝함으로써 aggregated gradient를 추정할 수 있다.
도 20을 참고하면, D0는 N/2이다. 예를 들어, N=1024 인 경우 D0=512 이다. 여기서, N은 FFT(fast fourier transformation) 사이즈다. D0는 동일한 
를 전송하는 서브캐리어 간 간격이다. D0는 FFT 사이즈에 기초하여 결정될 수 있으며, 본 개시의 실시예로 제한되지 않는다. 
는 
이다. k는 서브캐리어 인덱스이다. i는 단말 인덱스이다. m은 그래디언트의 요소(element) 인덱스이다. 도 20에서, 
는 분모로 루트(root) 2를 가진다. 단말이 동일한 그래디언트를 2개의 서브캐리어로 전송하기 때문이다. 단말이 동일한 그래디언트를 n개의 서브캐리어로 전송하는 경우 분모로 루트 n을 가질 수 있으며, 동일한 그래디언트를 전송하는 서브캐리어의 수는 본 개시의 실시 예로 제한되지 않는다. 
및 
의 평균 전력은 모두 1이다.
도 20에서, 송신단은 
를 각각 2개의 서브캐리어로 전송할 수 있다(2002a, 2002b, 2002c). 수신단은 동일한 
를 가지는 서브캐리어로 수신된 신호끼리 컴바이닝할 수 있다(2004a, 2004b, 2004c). 이 때, D0는 FFT 사이즈를 고려할 때 가장 큰 값 인 N/2로 정해질 수 있다. 도 20에서, 단말은 두 개의 서브캐리어로 전송되는 신호의 컴바이닝 이득에 기초하여 송신 전력을 줄일 수 있다.
이하, 주파수 선택 모드와 주파수 컴바이닝 모드의 송신 파워 및 오버헤드에 대하여 설명한다. 표 1은 주파수 선택 모드와 주파수 컴바이닝 모드의 송신 전력 및 오버헤드를 비교한 표이다.
[표 1]
주파수 컴바이닝 모드(모드 2)에서 기지국이 aggregated gradient를 추정하는 경우 동일한 그래디언트가 복수의 서브캐리어를 통해 전송되는 신호를 수신하고 컴바이닝할 수 있다. 이에 반하여, 주파수 선택 모드(모드 1)에서, 단말은 전체 자원 중 일부의 서브캐리어를 통해 그래디언트를 기지국에게 전송할 수 있다. 기지국은 aggregated gradient를 추정하는 경우 수신된 서브캐리어와 잡음만 존재하는 신호를 더할 수 있다. 따라서, 주파수 컴바이닝 모드와 주파수 선택 모드가 동일한 성능을 보이는 경우, 주파수 컴바이닝 모드의 컴바이닝 이득 때문에 주파수 컴바이닝 모드가 주파수 선택 모드에 비해 적은 송신 전력을 가질 수 있다.
Pre-equalizer를 위한 상향링크 채널 추정 피드백 오버헤드 관점에서, 주파수 컴바이닝 모드의 경우, 단말은 모든 서브캐리어에 대한 상향링크 추정 결과가 필요하다. 따라서, 기지국은 각각의 단말들에게 추정된 모든 서브캐리어에 대한 상향링크 추정 결과를 피드백한다. 이에 반하여, 주파수 선택 모드에서, 단말은 전체 서브캐리어 중에서 일부 서브캐리어를 통해 그래디언트를 전송하기 때문에 pre-equalizer를 수행할 서브캐리어의 수가 주파수 컴바이닝 모드보다 감소할 수 있다. 도 19에서 상술한 바와 같이 2개의 서브밴드로 자원이 나뉘는 경우, 단말은 전체 서브캐리어 중에서 절반에 해당하는 서브캐리어를 통해 그래디언트를 전송하기 때문에 pre-equalizer를 수행할 서브캐리어의 수도 주파수 컴바이닝 모드에 비해 감소할 수 있다. 따라서, 기지국이 추정한 상향링크 채널 추정 결과에 대한 피드백의 오버헤드는 주파수 선택 모드의 오버헤드가 주파수 컴바이닝 모드의 오버헤드에 비하여 적다. 표 1은 기타 제어 정보 및 오버헤드에 대한 세부 내용을 포함한다.
다음 표 2는 단말의 수가 2인 경우 각각의 모드에서 송신 시그널, 수신 시그널 및 송신 파워를 나타낸다.
[표 2]
표 2에서, 송신 파워는 수신 신호의 성능이 동일하도록 스케일(scale)된 상태의 송신 전력을 나타낸다.
다음 표 3은 단말의 수가 100, 전체 서브캐리어 수가 1024인 경우 오버헤드의 양을 나타낸다.
[표 3]
표 3에서, 모드 1의 오버헤드가 모드 2의 오버헤드의 약 1/2인 것을 알 수 있다. 상술한 바와 같이, 기지국은 송신 신호 전력 감소 효과를 최대화하기 위하여 모드 2를 선택할 수 있다. 또한, 기지국은 송신 신호 전력 감소 효과뿐만 아니라 채널 피드백 오버헤드를 감소시키기 위해서 모드 1을 선택할 수 있다.
이하, 전송모드 선택 절차를 설명한다. 기지국은 상향링크 채널을 추정한다. 그리고, 기지국은 전송모드 선택과 관련된 제어 정보를 단말에게 전송한다. 또한, 기지국은 상향링크 채널 추정 결과의 피드백을 단말에게 전송한다. 단말은 선택된 모드에 따라 기지국에게 신호를 전송할 수 있다.
도 21은 본 개시에 적용 가능한 단말의 동작 절차를 도시한다. S2101 단계에서, 단말은 참조신호(reference signal)을 전송할 수 있다. 구체적으로, 단말은 기지국에게 상향링크 채널 추정을 위한 참조 신호를 전송할 수 있다. 예를 들어, 단말은 기지국에게 사운딩 참조 신호(sounding reference signal, SRS)를 전송할 수 있다.
S2103 단계에서, 단말은 기지국으로부터 상기 참조 신호에 기초한 응답 메시지를 수신할 수 있다. 응답 메시지는 전송모드 정보, 자원할당 정보 및 참조신호의 피드백을 포함할 수 있다. 구체적으로, 기지국은 단말이 전송한 참조신호에 기초하여 상향링크 채널을 추정할 수 있다. 기지국은 상향링크 채널 추정 결과를 단말에게 피드백할 수 있다. 또한, 기지국은 단말에게 전송모드 정보 및 자원할당 정보를 전송할 수 있다. 여기서, 전송모드 정보는 제1 전송모드 및 제2 전송모드를 포함한다. 제1 전송모드는 상술한 주파수 선택 모드를 의미하고, 제2 전송모드는 상술한 주파수 컴바이닝 모드를 의미한다.
S2105 단계에서, 단말은 로컬 모델의 파라미터를 전송한다. 로컬 모델의 파라미터는 상기 제1 전송모드 또는 상기 제2 전송모드에 기초하여 전송된다. 또한, 상기 로컬 모델의 파라미터는 연합학습과 관련된다. 구체적으로, 로컬 모델의 파라미터는 본 개시에서 상술한 연합학습과 관련된 로컬 모델의 가중치(weight) 또는 그래디언트(gradient)를 포함한다. 또한, 상기 단말은 연합학습에 참여하는 다른 단말들과 동일한 자원을 사용하여 로컬 모델의 파라미터를 전송할 수 있다. 즉, 단말은 상술한 air-computation 연합 학습을 수행할 수 있다. 로컬 모델의 파라미터 전송은 채널 반전을 이용하는 사전 등화에 기초하여 전송될 수 있다.
단말이 상기 제1 전송모드에 기초하여 상기 로컬 모델의 파라미터를 전송하는 경우, 상기 자원 할당 정보에 기초하여 상기 로컬 모델의 파라미터를 전송할 수 있다. 단말이 상기 제2 전송모드에 기초하여 상기 로컬 모델의 파라미터를 전송하는 경우, 상기 로컬 모델의 파라미터를 복수의 서브캐리어(subcarrier)를 이용하여 전송할 수 있다.
기지국은 복수의 단말로부터 각각의 로컬 모델의 파라미터를 수신한 후, 글로벌 모델의 파라미터를 업데이트할 수 있다. 기지국은 업데이트한 글로벌 파라미터를 단말들에게 전송할 수 있다. 단말은 글로벌 파라미터를 수신하고 상술한 절차들을 반복할 수 있다. 다만, 특정 절차는 생략될 수 있으며, 모든 절차가 반복될 필요는 없다.
도 22는 본 개시에 적용 가능한 기지국의 동작 절차를 도시한다. S2201 단계에서, 기지국은 참조신호를 수신한다. 구체적으로, 기지국은 단말로부터 상향링크 채널 추정을 위해 참조 신호를 수신할 수 있다. 예를 들어, 기지국은 단말로부터 SRS를 수신할 수 있다. 기지국은 수신한 참조신호에 기초하여 상향링크 채널을 추정할 수 있다.
S2203 단계에서, 기지국은 상기 참조 신호에 기초하여 단말에게 응답 메시지를 전송할 수 있다. 상기 응답 메시지는 전송모드 정보, 자원할당 정보 및 참조신호의 피드백 정보를 포함할 수 있다. 즉, 기지국은 상향링크 채널 추정 결과를 단말에게 피드백할 수 있다. 또한, 기지국은 단말에게 전송모드 정보 및 자원할당 정보를 전송할 수 있다. 여기서, 전송모드 정보는 제1 전송모드 및 제2 전송모드를 포함한다. 제1 전송모드는 상술한 주파수 선택 모드(모드 1)를 의미하고, 제2 전송모드는 상술한 주파수 컴바이닝 모드(모드 2)를 의미한다. 기지국은 송신 신호 전력 감소 효과와 함께 채널 피드백 오버헤드를 줄이기 위해 제1 전송모드를 선택할 수 있다. 기지국은 송신 신호 전력 감소 효과를 최대화하기 위해 제2 전송모드를 선택할 수 있다. 기지국은 셀 내의 단말들 중 일부에게 제1 전송모드를 지시할 수 있으며, 다른 일부 단말들에게 제2 전송모드를 지시할 수 있다. 즉, 기지국은 제1 전송모드에 기초하여 연합학습을 수행하는 단말그룹 및 제2 전송모드에 기초하여 연합학습을 수행하는 단말그룹을 결정할 수 있다.
S2205 단계에서, 기지국은 단말로부터 로컬 모델의 파라미터를 수신한다. 로컬 모델의 파라미터는 상기 제1 전송모드 또는 상기 제2 전송모드에 기초하여 전송된다. 또한, 상기 로컬 모델의 파라미터는 연합학습과 관련된다. 구체적으로, 로컬 모델의 파라미터는 본 개시에서 상술한 연합학습과 관련된 로컬 모델의 가중치 또는 그래디언트를 포함한다. 또한, 상술한 연합학습은 air-computation에 기초할 수 있다. 로컬 모델의 파라미터 전송은 채널 반전을 이용하는 사전 등화에 기초하여 전송될 수 있다.
기지국은 복수의 단말로부터 각각의 로컬 모델의 파라미터를 수신한 후, 글로벌 모델의 파라미터를 업데이트할 수 있다. 기지국은 업데이트한 글로벌 파라미터를 단말들에게 전송할 수 있다. 단말은 글로벌 파라미터를 수신하고 상술한 절차들을 반복할 수 있다. 다만, 특정 절차는 생략될 수 있으며, 모든 절차가 반복될 필요는 없다.
도 23a 내지 도 23d는 본 개시에 따른 시뮬레이션 결과를 도시한다. 도 23a 및 도 23b는 N=1024, D0=512, G=16인 경우의 시뮬레이션 결과이다. 도 23c 및 도23d는 N=1024, D0=512, G=512인 경우의 시뮬레이션 결과를 나타낸다. 도 23b 및 도 23d는 모드 1 및 모드 2의 성능을 동일하게 맞춘 상황에서 전송 파워(Tx Power)의 차이를 나타낸다. 도면들은 길이가 64 sample인 채널 환경을 고려하였다. G는 모드 1의 서브밴드 사이즈(서브캐리어 개수), N은 전체 서브캐리어의 개수, D0는 Mode 2에서 동일한 신호를 전송하도록 선택된 서브캐리어간의 간격을 의미한다. 도 23a 내지 도 23d에서, 모드 2가 모드 1보다 적은 전송 파워를 사용하는 것을 알 수 있다.
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 수가 있다.
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 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(3rd 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, THz 통신 시스템에도 적용될 수 있다.
추가적으로, 본 개시의 실시 예들은 자유 주행 차량, 드론 등 다양한 애플리케이션에도 적용될 수 있다.
Claims (18)
- 무선 통신 시스템에서 단말의 동작 방법에 있어서,
상기 단말이 기지국으로 참조 신호(reference signal)를 전송하는 단계;
상기 단말이 상기 참조 신호에 기초하여 상기 기지국으로부터 응답 메시지를 수신하는 단계; 및
상기 단말이 상기 기지국에게 로컬 모델의 파라미터(local parameter)를 전송하는 단계;를 포함하되,
상기 응답 메시지는 전송모드 정보, 자원 할당 정보 및 상기 참조 신호의 피드백 정보를 포함하고,
상기 전송모드 정보는 제1 전송모드 또는 제 2 전송모드를 지시하고, 상기 로컬 모델의 파라미터는 상기 지시된 제1 전송모드 또는 상기 제2 전송모드에 기초하여 전송되되, 상기 로컬 모델의 파라미터는 연합학습(federated learning)과 관련된, 방법. - 제1항에 있어서,
상기 단말이 상기 제1 전송모드에 기초하여 상기 로컬 모델의 파라미터를 전송하는 경우, 상기 자원 할당 정보에 기초하여 상기 로컬 모델의 파라미터를 전송하는, 방법. - 제1항에 있어서,
상기 단말이 상기 제2 전송모드에 기초하여 상기 로컬 모델의 파라미터를 전송하는 경우, 상기 로컬 모델의 파라미터를 복수의 서브캐리어(subcarrier)를 이용하여 전송하는, 방법. - 제2항에 있어서,
상기 연합학습은 상기 연합학습에 참여하는 단말들이 동일한 자원을 사용하는, 방법. - 제4항에 있어서,
상기 자원 할당 정보는 상기 연합학습에 참여하는 단말들에게 각각 할당된 주파수 정보를 포함하는, 방법. - 제1항에 있어서,
상기 참조 신호는 사운딩 참조 신호(sounding reference signal, SRS)인, 방법. - 제1항에 있어서,
상기 로컬 모델의 파라미터 전송은 채널 반전(channel inversion)을 이용하는 사전 등화(pre-equalizer)에 기초하여 전송되는, 방법. - 무선 통신 시스템에서 단말에 있어서,
송수신기; 및
상기 송수신기와 연결된 프로세서를 포함하며,
상기 프로세서는 상기 송수신기가,
기지국으로 참조 신호(reference signal)를 전송하도록 제어하고,
상기 참조 신호에 기초하여 상기 기지국으로부터 응답 메시지를 수신하도록 제어하고, 및
상기 기지국으로 로컬 모델의 파라미터(local parameter)를 전송하도록 제어하되,
상기 응답 메시지는 전송모드 정보, 자원 할당 정보 및 상기 참조 신호의 피드백 정보를 포함하고, 상기 전송모드 정보는 제1 전송 모드 및 제2 전송모드를 지시하고, 상기 로컬 모델의 파라미터는 상기 지시된 제1 전송모드 또는 상기 제2 전송모드에 기초하여 전송되되, 상기 로컬 모델의 파라미터는 연합학습(federated learning)과 관련된, 단말. - 제8항에 있어서,
상기 단말이 상기 제1 전송모드에 기초하여 상기 로컬 모델의 파라미터를 전송하는 경우, 상기 자원 할당 정보에 기초하여 상기 로컬 모델의 파라미터를 전송하는, 단말. - 제8항에 있어서,
상기 단말이 상기 제2 전송모드에 기초하여 상기 로컬 모델의 파라미터를 전송하는 경우, 상기 로컬 모델의 파라미터를 복수의 서브캐리어(subcarrier)를 이용하여 전송하는, 단말. - 제9항에 있어서,
상기 연합학습은 상기 연합학습에 참여하는 단말들이 동일한 자원을 사용하는, 단말. - 제11항에 있어서,
상기 자원 할당 정보는 상기 연합학습에 참여하는 단말들에게 각각 할당된 주파수 정보를 포함하는, 단말. - 제8항에 있어서,
상기 참조 신호는 사운딩 참조 신호(sounding reference signal, SRS)인, 단말. - 제8항에 있어서,
상기 로컬 모델의 파라미터 전송은 채널 반전(channel inversion)을 이용하는 사전 등화(pre-equalizer)에 기초하여 전송되는, 단말. - 통신 장치에 있어서,
적어도 하나의 프로세서;
상기 적어도 하나의 프로세서와 연결되며, 상기 적어도 하나의 프로세서에 의해 실행됨에 따라 동작들을 지시하는 명령어를 저장하는 적어도 하나의 컴퓨터 메모리를 포함하며,
상기 프로세서는 상기 통신 장치가
기지국으로 참조 신호(reference signal)를 전송하도록 제어하고,
상기 참조 신호에 기초하여 상기 기지국으로부터 응답 메시지를 수신하도록 제어하되, 및
상기 기지국에게 로컬 모델의 파라미터(local parameter)를 전송하도록 제어하고,
상기 응답 메시지는 전송모드 정보, 자원 할당 정보 및 상기 참조 신호의 피드백 정보를 포함하고, 상기 전송모드 정보는 제1 전송모드 또는 제2 전송모드를 지시하고, 상기 로컬 모델의 파라미터는 상기 지시된 제1 전송모드 또는 상기 제2 전송모드에 기초하여 전송되되, 상기 로컬 모델의 파라미터는 연합학습(federated learning)과 관련된, 통신 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 컴퓨터 판독 가능 매체가,
기지국으로 참조 신호(reference signal)를 전송하도록 지시하고,
상기 참조 신호에 기초하여 상기 기지국으로부터 응답 메시지를 수신하도록 지시하고, 및
상기 기지국에게 로컬 모델의 파라미터(local parameter)를 전송하도록 지시하되,
상기 응답 메시지는 전송모드 정보, 자원 할당 정보 및 상기 참조 신호의 피드백 정보를 포함하고, 상기 전송모드 정보는 제1 전송모드 또는 제2 전송모드를 지시하고, 상기 로컬 모델의 파라미터는 상기 지시된 제1 전송모드 또는 상기 제2 전송모드에 기초하여 전송되되, 상기 로컬 모델의 파라미터는 연합학습(federated learning)과 관련된, 컴퓨터 판독 가능 매체. - 무선 통신 시스템에서 기지국 방법에 있어서,
단말로부터 참조 신호(reference signal)을 수신하는 단계;
상기 단말에게 상기 참조 신호에 기초하여 응답 메시지를 전송하는 단계; 및
상기 단말로부터 상기 기지국에게 로컬 모델(local model)의 파라미터를 수신하는 단계;를 포함하고,
상기 응답 메시지는 전송모드 정보, 자원 할당 정보 및 상기 참조 신호의 피드백 정보를 포함하고, 상기 전송모드 정보는 제1 전송모드 또는 제2 전송모드를 지시하고, 상기 로컬 모델의 파라미터는 상기 지시된 제1 전송모드 또는 상기 제2 전송모드에 기초하여 전송되되, 상기 로컬 모델의 파라미터는 연합학습(federated learning)과 관련된, 방법. - 무선 통신 시스템에서 기지국에 있어서,
송수신기; 및
상기 송수신기와 연결된 프로세서를 포함하며,
상기 프로세서는 상기 송수신기가,
단말로부터 참조 신호(reference signal)을 수신하도록 제어하고,
상기 단말에게 상기 참조 신호에 기초하여 응답 메시지를 전송하도록 제어하고,
상기 단말로부터 상기 기지국에게 로컬 모델(local model)의 파라미터를 수신하도록 제어하고,
상기 응답 메시지는 전송모드 정보, 자원 할당 정보 및 상기 참조 신호의 피드백 정보를 포함하고, 상기 전송모드 정보는 제1 전송모드 또는 제2 전송모드를 지시하고, 상기 로컬 모델의 파라미터는 상기 지시된 제1 전송모드 또는 상기 제2 전송모드에 기초하여 전송되되, 상기 로컬 모델의 파라미터는 연합학습(federated learning)과 관련된, 기지국.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR20200143597 | 2020-10-30 | ||
| KR1020200143597 | 2020-10-30 | ||
| PCT/KR2021/015462 WO2022092905A1 (ko) | 2020-10-30 | 2021-10-29 | 무선 통신 시스템에서 신호 전송을 위한 장치 및 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230096988A true KR20230096988A (ko) | 2023-06-30 |
Family
ID=81384103
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020237011987A KR20230096988A (ko) | 2020-10-30 | 2021-10-29 | 무선 통신 시스템에서 신호 전송을 위한 장치 및 방법 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20230379949A1 (ko) |
| KR (1) | KR20230096988A (ko) |
| WO (1) | WO2022092905A1 (ko) |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011042040A1 (en) * | 2009-10-05 | 2011-04-14 | Nokia Siemens Networks Oy | Uplink transmission mode switching in single user multiple- input communication |
| US9503231B2 (en) * | 2010-11-09 | 2016-11-22 | Qualcomm Incorporated | Method and apparatus for improving uplink transmission mode configuration |
-
2021
- 2021-10-29 US US18/034,324 patent/US20230379949A1/en active Pending
- 2021-10-29 KR KR1020237011987A patent/KR20230096988A/ko unknown
- 2021-10-29 WO PCT/KR2021/015462 patent/WO2022092905A1/ko active Application Filing
Also Published As
| Publication number | Publication date |
|---|---|
| US20230379949A1 (en) | 2023-11-23 |
| WO2022092905A1 (ko) | 2022-05-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR20230051203A (ko) | 무선 통신 시스템에서 하향링크를 전처리하는 방법 및 이를 위한 장치 | |
| KR20230066020A (ko) | 통신 시스템에서 연합 학습을 수행하기 위한 방법 및 장치 | |
| KR20230034991A (ko) | 뉴럴 네트워크 기반의 통신 방법 및 장치 | |
| KR20240011153A (ko) | 무선 통신 시스템에서 신호 전송 방법 및 장치 | |
| US20230422054A1 (en) | Method for performing federated learning in wireless communication system, and apparatus therefor | |
| KR20230035216A (ko) | 무선 통신 시스템에서 단말 및 기지국의 신호 송수신 방법 및 장치 | |
| KR20230058400A (ko) | 선택적 가중치 전송에 기반한 연합 학습 방법 및 그 단말 | |
| US20230319667A1 (en) | Apparatus and method for handover in wireless communication system | |
| US20240073732A1 (en) | Method and device for adjusting split point in wireless communication system | |
| KR20230096988A (ko) | 무선 통신 시스템에서 신호 전송을 위한 장치 및 방법 | |
| KR20230074510A (ko) | 무선 통신 시스템에서 스플릿 포인트를 조정하는 방법 및 장치 | |
| KR20230060505A (ko) | 연합학습을 위한 통신방법 및 이를 수행하는 디바이스 | |
| KR20230052909A (ko) | 무선 통신 시스템에서 심층 신경망의 연산을 제어하는 방법 및 이를 위한 장치 | |
| US20240054351A1 (en) | Device and method for signal transmission in wireless communication system | |
| KR20240021223A (ko) | 무선 통신 시스템에서 빔 관리를 수행하는 방법 및 이를 위한 장치 | |
| KR20230049664A (ko) | 무선 통신 시스템에서 주파수 대역 간 채널 공간 정보의 유사성에 기반한 통신 방법 및 이를 위한 장치 | |
| KR20230056622A (ko) | 무선 통신 시스템에서 단말 및 기지국의 신호 송수신 방법 및 장치 | |
| US20240007849A1 (en) | Device and method for transmitting signal in wireless communication system | |
| KR20230031892A (ko) | 오토 인코더를 이용하는 무선 통신 시스템에서 신호를 송수신하기 위한 방법 및 이를 위한 장치 | |
| US20230361789A1 (en) | Method and apparatus for performing channel coding of ue and base station in wireless communication system | |
| KR20240047337A (ko) | 무선 통신 시스템에서 신호 전송 방법 및 장치 | |
| US20230246666A1 (en) | Wireless signal digital conversion device | |
| US20240205775A1 (en) | Device and method for performing handover in consideration of battery efficiency in wireless communication system | |
| KR20240071395A (ko) | 무선 통신 시스템에서 신호 전송 방법 및 장치 | |
| EP4383599A1 (en) | Method for performing federated learning in wireless communication system, and apparatus therefor |