KR20230170975A - 채널 상태 피드백을 위한 신경망을 사용하는 무선 네트워크 - Google Patents

Abstract

무선 시스템(100)은 신경망(122, 128)을 사용하여 송신 장치(108)와 수신 장치(110) 사이의 CSI 추정 피드백을 제공한다. 관리 컴포넌트(140)는 성능 정보(146, 148)에 기초하여 송신 및 수신 장치에서 구현하기 위한 신경망 아키텍처 구성(144)을 선택한다. 수신 장치는 송신 장치로부터의 CSI 파일럿 시그널링으로부터 CSI 추정치(들)(134)를 결정한다. CSI 추정치(들)는 수신 장치에서 신경망(들)에 의해 처리되어 CSF 출력(136)을 생성하고, 이는 예를 들어 하나 이상의 예측된 미래 CSI 추정치를 나타낼 수 있으며 송신 장치에 무선으로 전송된다. 그러면 송신 장치의 하나 이상의 신경망은 수신된 CSF 출력을 처리하여 하나 이상의 복구된 예측된 미래 CSI 추정치를 생성하고(138), 이는 송신 장치에서 하나 이상의 MIMO 프로세스를 제어하는데 사용된다.

Description

채널 상태 피드백을 위한 신경망을 사용하는 무선 네트워크

무선 통신 시스템은 종종 경로 손실, 산란, 신호 회절, 침투 손실 등과 같이 주파수에 따라 달라지는 여러 가지 신호 전파 문제에 직면한다. 3GPP(3세대 파트너십) LTE(Long Term Evolution) 및 5G NR(5세대 New Radio) 셀룰러 표준 또는 특정 IEEE 802.11 무선 근거리 통신망(WLAN) 표준을 준수하는 시스템과 같이 고주파수에 의존하는 많은 무선 전송 방식에서는 이러한 신호 전파 문제를 완화하기 위해 다양한 다중 입력 다중 출력(MIMO) 기술을 사용했다.

빔포밍 기술, 시공간 코딩 기술, 다중 사용자 MIMO(MU-MIMO) 기술과 같은 많은 MIMO 기술은 현재 신호 전파 환경에서 식별된 채널에 대해 하나 이상의 해당 반송파 주파수에서 무선 신호가 어떻게 전파되는지에 대한 이해 또는 특성화에 의존하거나 적어도 이점을 얻는다. 일반적으로, 이 채널 추정은 채널 상태 정보(CSI)로서 제공된다. CSI는 종종 하나 이상의 행렬 형태를 취하며, 각 행렬 항목은 해당 반송파 주파수에 대한 전달 함수, 보다 구체적으로는 채널 주파수 응답(CFR)을 나타내는 정보를 저장한다. 채널의 CSI를 확인하기 위해, 송신 장치는 IEEE 802.11 기반 시스템에 대한 긴 트레이닝 심볼(Long Training Symbol: LTE)와 같은 하나 이상의 CSI 파일럿 심볼을 수신 장치에 무선으로 전송하고, 수신 장치는 전송된 CSI 파일럿 심볼의 수신 형태를 사용하여 하나 이상의 CSI 파일럿 심볼을 전송하는데 사용된 해당 반송파 주파수에 대한 적어도 하나의 CSI 추정치를 계산한다. 수신 장치는 CSI 추정치를 이용하여 주어진 채널에 대한 MIMO 수신 프로세스를 관리할 수 있다. 이 CSI 추정치는 송신 장치가 그에 따라 자신의 MIMO 전송 프로세스 중 하나 이상을 관리할 수 있도록 송신 장치에 다시 무선으로 제공될 수 있다(이 피드백 프로세스는 일반적으로 "채널 상태 피드백"(CSF)으로 지칭됨).

파일럿 심볼을 전송하고, 수신된 파일럿 심볼로부터 CSI 추정치를 계산하고, 이어서 CSI 추정치를 송신 장치로 다시 보고하는 전반적인 프로세스는 일반적으로 이 프로세스의 각 단계 또는 스테이지가 한 명 이상의 디자이너에 의해 개별적으로 "수작업"되는 알고리즘식, 모듈식 접근 방식을 통해 구현된다. 각 단계의 상대적 복잡성은 일반적으로 프로세스의 하드 코딩된 구현을 설계, 테스트 및 구현하는데 있어 그에 상응하는 복잡성을 의미한다. 게다가, 수신 장치에서 CSI 추정치의 복잡한 알고리즘 계산은 수신 장치의 상당한 자원을 소비할 수 있는 반면, 일반적인 형태의 CSI 추정치의 빈번한 무선 전송은 수신 장치를 송신 장치에 연결하는 채널에서 상당한 대역폭을 소비할 수 있다. 이와 같이, 변화하는 조건에 잘 적응하고 전송 지연시간(latency) 감소 및 자원 소비 감소에 매우 효율적인 강력한 채널 추정 프로세스를 설계하고 구현하는 것은 어려울 수 있다.

일부 실시예에 따르면, 제1 장치의 컴퓨터로 구현되는 방법은 제1 장치의 적어도 하나의 성능을 나타내는 성능 정보를 인프라 컴포넌트(구성요소)에 제공하는 것에 응답하여 신경망 아키텍처 구성의 표시를 수신하는 단계와; 제1 장치의 송신 신경망에서 신경망 아키텍처 구성을 구현하는 단계와; 송신 신경망에 대한 입력으로서 채널 상태 정보(CSI) 추정치의 표현을 수신하는 단계와; 송신 신경망에서, CSI 추정치의 표현에 기초하여 제1 출력을 생성하는 단계와, 제1 출력은 미래 시점에 대한 CSI 추정치의 예측 표현의 압축된 버전을 나타내고; 그리고 제2 장치에 의한 수신을 위해 제1 출력을 나타내는 제1 RF 신호를 전송하도록 제1 장치의 무선 주파수(RF) 안테나 인터페이스를 제어하는 단계를 포함한다.

다양한 실시예에서, 이 방법은 다음의 양태들 중 하나 이상을 추가로 포함할 수 있다. 방법은 제2 장치로부터 수신된 하나 이상의 RF 신호에 기초하여 CSI 추정치를 알고리즘적으로 결정하는 단계를 더 포함한다. 제1 출력은 미래 시점에 대한 CSI 추정치의 예측(즉, 예측된 미래 CSI 추정치)을 추가로 나타낸다. 제1 출력을 생성하는 단계는 송신 신경망에 대한 입력으로 제공된 제2 장치의 다중 입력 다중 출력(MIMO) 프로세스의 스케줄링 대기시간의 표현에 더 기초하여 송신 신경망에서 제1 출력을 생성하는 단계를 더 포함한다. 송신 신경망은 스케줄링 대기시간에 대한 표현을 입력으로 수신한다. 신경망 아키텍처 구성은 스케줄링 대기시간에 기초하여 복수의 후보 신경망 아키텍처 구성으로부터 송신 신경망에 대해 선택된다. 성능 정보에 의해 표현되는 적어도 하나의 성능은 안테나 성능; 처리 성능; 전원 성능; 또는 센서 성능 중 적어도 하나를 포함한다. 신경망 아키텍처 구성은 제1 장치의 적어도 하나의 성능, 제2 장치의 적어도 하나의 성능, CSI 추정치에 의해 표현된 채널의 주파수 또는 대역; 또는 제1 장치의 현재 신호 전파 환경 중 적어도 하나에 기초하여 복수의 신경망 아키텍처 구성으로부터 선택된다. 신경망 아키텍처 구성의 표시를 수신하는 단계는 제1 장치에 로컬로 저장된 복수의 후보 신경망 아키텍처 구성 중 하나와 연관된 식별자를 수신하는 단계; 또는 신경망 아키텍처 구성의 파라미터를 나타내는 하나 이상의 데이터 구조를 수신하는 단계 중 적어도 하나를 포함한다. 제1 출력을 생성하는 단계는 제1 장치의 하나 이상의 센서로부터 송신 신경망에 입력된 센서 데이터; 또는 RF 안테나 인터페이스의 적어도 하나의 동작 파라미터에 매개변수 중 적어도 하나에 더 기초하여 송신 신경망에서 제1 출력을 생성하는 단계를 포함한다. 방법은 제2 장치의 수신 신경망에 대한 수신 신경망 아키텍처 구성과 송신 신경망에 대한 전송 신경망 아키텍처 구성의 공동 트레이닝에 참여하는 단계를 더 포함한다. 방법은 또한 제1 장치의 수신 신경망의 입력으로서 CSI 파일럿 신호의 표현을 수신하는 단계와; 그리고 수신 신경망에서, CSI 파일럿 신호의 표현에 기초하여 제2 출력을 생성하는 단계를 포함하고, 제2 출력은 CSI 추정치의 표현을 포함한다. 제2 출력을 생성하는 단계는 제1 장치의 하나 이상의 센서로부터의 센서 데이터, CSI 추정치와 연관된 채널의 반송파 주파수, 또는 제1 장치의 안테나 인터페이스에 대한 동작 파라미터 중 적어도 하나에 기초하여 수신 신경망에서 제2 출력을 생성하는 단계를 더 포함한다. 송신 신경망은 심층 신경망(DNN)이다.

일부 실시예에 따르면, 제1 장치의 컴퓨터 구현 방법은 제1 장치의 적어도 하나의 성능을 나타내는 성능 정보를 인프라 컴포넌트에 제공하는 것에 응답하여 신경망 아키텍처 구성의 표시를 수신하는 단계와; 제1 장치의 수신 신경망에서 신경망 아키텍처 구성을 구현하는 단계와; 제1 장치의 무선 주파수(RF) 안테나 인터페이스에서, 제2 장치로부터 제1 RF 신호를 수신하는 단계와, 상기 제1 RF 신호는 예측된 미래 채널 상태 정보(CSI) 추정치의 압축된 표현을 나타내고; 수신 신경망에 대한 입력으로서 제1 RF 신호의 표현을 제공하는 단계와; 수신 신경망에서, 수신 신경망에 대한 입력에 기초하여 예측된 미래 CSI 추정치를 생성하는 단계와; 그리고 예측된 미래 CSI 추정에 기초하여 제1 장치에서 적어도 하나의 다중 입력 다중 출력(MIMO) 프로세스를 관리하는 단계를 포함한다.

다양한 실시예에서, 이 방법은 다음 양태들 중 하나 이상을 추가로 포함할 수 있다. 신경망 아키텍처 구성은 제1 장치의 적어도 하나의 성능, 제2 장치의 적어도 하나의 성능, 예측된 미래 CSI 추정치에 의해 표현되는 채널의 주파수 또는 대역, 또는 제1 장치의 현재 신호 전파 환경 중 적어도 하나에 기초하여 복수의 신경망 아키텍처 구성으로부터 선택된다. 신경망 아키텍처 구성의 표시를 수신하는 단계는 제1 장치에 로컬로 저장된 복수의 후보 신경망 아키텍처 구성 중 하나와 연관된 식별자를 수신하는 단계; 또는 신경망 아키텍처 구성의 파라미터를 나타내는 하나 이상의 데이터 구조를 수신하는 단계 중 적어도 하나를 포함한다. 예측된 미래 CSI 추정치를 생성하는 단계는 제1 디바이스의 하나 이상의 센서로부터 수신 신경망에 입력된 센서 데이터; 또는 RF 안테나 인터페이스의 현재 동작 파라미터 중 적어도 하나에 더 기초하여 수신 신경망에서 예측된 미래 CSI 추정치를 생성하는 단계를 포함한다. 방법은 제2 장치의 송신 신경망을 위한 신경망 아키텍처 구성과 수신 신경망을 위한 신경망 아키텍처 구성의 공동 트레이닝에 참여하는 단계를 더 포함한다. 방법은 또한 제1 장치의 송신 신경망에서 CSI 파일럿 신호를 생성하는 단계와; 그리고 제2 장치에 의한 수신을 위해 CSI 파일럿 신호를 나타내는 제2 RF 신호를 전송하도록 제1 장치의 RF 안테나 인터페이스를 제어하는 단계를 포함한다. CSI 파일럿 신호를 생성하는 단계는 예측된 미래 CSI 추정치와 연관된 채널의 반송파 주파수, 또는 제1 장치의 RF 안테나 인터페이스에 대한 적어도 하나의 동작 파라미터 중 적어도 하나에 더 기초하여 송신 신경망에서 CSI 파일럿 신호를 생성하는 단계를 포함한다. CSI 파일럿 신호를 생성하는 단계는 제1 장치의 하나 이상의 센서로부터의 센서 데이터, 예측된 미래 CSI 추정치와 연관된 채널의 반송파 주파수, 또는 제1 디바이스의 안테나 인터페이스에 대한 적어도 하나의 동작 파라미터 중 적어도 하나에 기초하여 송신 신경망에서 CSI 파일럿 신호를 생성하는 단계를 더 포함한다. 예측된 미래 CSI 추정치를 생성하는 단계는 제1 장치의 하나 이상의 센서로부터의 센서 데이터, 예측된 미래 CSI 추정치와 연관된 채널의 반송파 주파수, 또는 제1 장치의 RF 안테나 인터페이스에 대한 적어도 하나의 동작 파라미터 중 적어도 하나에 기초하여 송신 신경망에서 예측된 미래 CSI 추정값을 생성하는 단계를 더 포함한다. 적어도 하나의 MIMO 프로세스는 빔포밍 프로세스, 시공간 코딩 프로세스, 및 다중 사용자 MIMO 프로세스 중 적어도 하나를 포함한다. 적어도 하나의 성능은 안테나 성능, 처리 성능, 전원 성능, 또는 센서 성능 중 적어도 하나를 포함한다. 수신 신경망은 심층 신경망(DNN)을 포함한다.

일부 실시예에 따르면, 컴퓨터 구현 방법은 제1 장치 또는 제2 장치 중 적어도 하나로부터 성능 정보를 수신하는 단계와, 상기 성능 정보는 제1 장치 또는 제2 장치 중 대응하는 하나의 적어도 하나의 성능을 나타내고; 성능 정보에 기초하여 후보 신경망 아키텍처 구성 세트로부터 신경망 아키텍처 구성 쌍을 선택하는 단계와, 상기 신경망 아키텍처 구성 쌍은 제1 장치와 제2 장치 간의 채널 상태 정보(CSI) 추정 피드백 프로세스를 구현하기 위해 공동으로 트레이닝되고; 제1 장치의 송신 신경망에서의 구현을 위해 상기 쌍의 제1 신경망 아키텍처 구성의 제1 표시를 제1 장치로 전송하는 단계와; 그리고 제2 장치의 수신 신경망에서의 구현을 위해 상기 쌍의 제2 신경망 아키텍처 구성의 제2 표시를 제2 장치로 전송하는 단계를 포함한다. 적어도 하나의 성능은 안테나 성능, 처리 성능, 전원 성능, 또는 센서 성능 중 적어도 하나를 포함한다. 송신 신경망과 수신 신경망은 각각 심층 신경망(DNN)을 포함한다.

일부 실시예에서, 장치는 네트워크 인터페이스, 네트워크 인터페이스에 연결된 적어도 하나의 프로세서, 및 실행 가능한 명령들을 저장하는 메모리를 포함하고, 실행 가능한 명령들은 위에서 및 본 명세서에 기술된 방법 중 하나를 수행하기 위해 적어도 하나의 프로세서를 조작하도록 구성된다.

본 개시 내용은 첨부된 도면을 참조함으로써 당업자에게 더 잘 이해되고 수많은 특징 및 이점이 명백해진다. 서로 다른 도면에서 동일한 참조 기호를 사용하는 것은 유사하거나 동일한 항목을 나타낸다.
도 1은 일부 실시예에 따른 무선 채널을 특성화하기 위해 채널 상태 피드백(CSF) 신경망 방식을 사용하는 예시적인 무선 시스템을 도시하는 도면이다.
도 2는 일부 실시예에 따른 도 1의 무선 시스템의 사용자 장비(UE)의 예시적인 하드웨어 구성을 도시하는 도면이다.
도 3은 일부 실시예에 따른 도 1의 무선 시스템의 기지국(BS)의 예시적인 하드웨어 구성을 도시하는 도면이다.
도 4는 일부 실시예에 따른 도 1의 무선 시스템의 관리 인프라 컴포넌트의 예시적인 하드웨어 구성을 도시하는 도면이다.
도 5는 일부 실시예에 따른 CSF 신경망 방식에 사용하기 위한 신경망을 사용하는 기계 학습(ML) 모듈을 도시하는 도면이다.
도 6은 일부 실시예에 따른 UE와 BS 사이의 CSI 추정치의 처리 및 전송을 위한 공동 트레이닝된 신경망 쌍을 도시하는 도면이다.
도 7은 일부 실시예에 따른 무선 시스템에서 CSF를 촉진하기 위한 신경망 세트의 공동 트레이닝을 위한 예시적인 방법을 도시하는 흐름도이다.
도 8은 일부 실시예에 따른 선택되고 공동으로 트레이닝된 신경망 세트를 사용하여 CSI 추정치의 피드백을 위한 예시적인 방법을 도시하는 흐름도이다.
도 9는 일부 실시예에 따른 도 8의 방법의 예시적인 동작을 도시하는 사다리 시그널링 도면이다.
도 10은 일부 실시예에 따른 CSI 파일럿 시그널링, CSI 추정 및 CSI 추정치의 피드백의 전송을 위한 공동 트레이닝된 신경망의 선택된 세트를 도시하는 도면이다.
도 11은 일부 실시예에 따른 신경망을 사용하여 CSI 추정치를 결정하고 CSI 추정치를 다시 피드백하는 예시적인 방법을 도시하는 흐름도이다.
도 12는 일부 실시예에 따른 도 11의 방법의 예시적인 동작을 도시하는 사다리 시그널링 도면이다.

채널 상태 피드백(CSF)은 빔포밍이나 시공간 코딩과 같은 다양한 MIMO 프로세스를 촉진한다. 수신 장치(device)에서 CSI를 효율적으로 추정하고, 그 CSI 추정치를 CSF로서 송신 장치에 제공하기 위해, 적어도 하나의 실시예에서 송신 장치와 수신 장치는 파일럿 전송 프로세스, CSI 추정 프로세스 또는 CSI 피드백 프로세스 중 하나 이상을 구현하기 위해 공동으로 트레이닝된 신경망을 사용한다. 이로 인해 해당 CSF 단계(stage) 시퀀스에 대해 특별히 설계 및 테스트할 필요 없이 실제로 CSF 단계의 기존 시퀀스와 동일한 처리를 제공하도록 트레이닝된 신경망 세트가 생성된다. 설명하자면, 일부 실시예에서 CSI 파일럿 전송 프로세스 및 CSI 추정 프로세스는 알고리즘 접근 방식을 사용하여 수행되지만, CSI 추정치를 송신 장치에 다시 제공하는 프로세스는, 실제로 현재 무선 환경을 고려하여 CSI 추정치를 효율적으로 양자화하거나 압축하는 방식으로 수신 장치로부터 송신 장치로의 무선 주파수(RF) 전송에 대한 CSI 추정치를 처리하도록 동작하는 수신 장치의 송신(TX) 신경망과, 송신 장치의 하나 이상의 MIMO 관리 프로세스에 의해 사용하기 위해 CSI 추정치 또는 그의 표현을 복구하기 위해 TX 신경망으로부터 무선으로 수신된 출력을 수신하고 처리하도록 동작하는 송신 장치의 수신(RX) 신경망을 포함하여, 공동으로 트레이닝된 신경망 세트의 사용에 의존한다.

다른 실시예에서는, 신경망이 파일럿 전송, CSI 추정 및 피드백 단계 각각에 사용된다. 이 접근 방식에서, 송신 장치는 수신 장치에 무선으로 전송되는 CSI 파일럿 출력을 생성하도록 동작하는 TX 신경망을 사용하고, 수신 장치는 다시 RX 신경망을 사용하여 CSI 파일럿을 입력으로 수신하고 CSI 추정치를 나타내는 대응하는 CSI 출력을 생성한다. 수신 장치는 CSI 추정치를 수신하고 그 CSI 추정치의 양자화(된) 버전 또는 압축(된) 버전을 나타내는 CSF 출력을 생성하기 위해 TX 신경망을 더 사용한다. 수신 장치는 이 CSF 출력을 송신 장치로 전송하며, 여기서 RX 신경망은 CSF 출력을 수신 및 처리하여 송신 장치가 송신 장치에서 하나 이상의 MIMO 프로세스를 관리하는데 활용할 수 있는 대응하는 CSI 추정치를 생성한다.

어느 접근 방식에서든, 무선 시스템은 사용되는 특정 반송파 주파수 또는 채널, 신호 형식 또는 프로토콜, 전파 환경(예를 들어 다양한 센서의 센서 데이터로 특징지어짐), 컴퓨팅 자원, 센서 자원, 전력 자원, 안테나 자원 및 기타 성능과 같은 임의의 다양한 파라미터에 기초하여 송신 장치와 수신 장치 사이에 사용된 다양한 신경망에 대한 다수의 후보 신경망 아키텍처 구성의 공동 트레이닝을 사용할 수 있다. 따라서, 송신 장치와 수신 장치 각각에 사용되는 특정 신경망 구성은 이들 장치의 특정 구성과 대응하는 신경망 아키텍처 구성을 트레이닝하는데 사용되는 파라미터 사이의 상관관계에 기초하여 선택될 수 있다.

이러한 기술 및 기타 기술은 "송신 장치" 및 "수신 장치"를 참조하여 아래에서 설명된다. 본 명세서에 사용된 바와 같이, "송신 장치"는 대응하는 채널 링크에 대한 주(primary) 송신기 역할을 하는 장치를 지칭하고, "수신 장치"는 대응하는 채널 링크에 대한 주 수신기 역할을 하는 장치를 지칭한다. 그러나, 이는 송신 장치가 채널을 통해 RF 신호를 수신할 수 없거나, 수신 장치가 채널을 통해 RF 신호를 송신할 수도 없다는 것을 의미하는 것은 아니다. 예를 들어, CSF 컨텍스트에서, 송신 장치는 일부 형태의 CSI 파일럿 시그널링을 전송하는 장치이고, 수신 장치는 CSI 파일럿 시그널링을 수신하고 채널에 대한 그 CSI 시그널링으로부터 일부 형태의 CSI 또는 CSI 추정치를 결정하는 장치이다. 하지만, 이후 이 동일한 수신 장치는 보통 결정된 CSI의 표현을 동일한 채널 또는 다른 채널의 송신 장치로 다시 전송하며, 이 경우, 수신 장치는 CSI 피드백의 송신을 위한 송신기로서 동작하고, 송신 장치는 송신된 CSI 피드백의 수신을 위한 수신기로서 동작한다. 더욱이, 장치는 하나의 채널에 대해서는 송신 장치로서 동작하면서 다른 채널에 대해서는 수신 장치로서 동작할 수도 있다는 점을 이해해야 한다. 예를 들어, 제1 장치는 송신 장치로서 동작할 수 있고, 제2 장치는 제1 장치와 제2 장치 사이의 제1 채널(예를 들어, 다운링크 채널)에 대한 채널 특성화를 위한 수신 장치로서 동작할 수 있으며, 동시에 또는 다른 시간에 제1 장치는 수신 장치로서 동작할 수 있고, 제2 장치는 제1 장치와 제2 장치 사이의 제2 채널(예를 들어, 업링크 채널) 또는 제2 장치와 제3 장치 사이의 제2 채널(예를 들어 사이드링크 채널) 또는 제2 장치와 제3 장치 사이의 제2 채널(예를 들어, 사이드링크 채널)에 대한 채널 특성화를 위한 송신 장치로서 동작할 수 있다.

도 1은 일부 실시예에 따른 신경망 촉진(facilitated) 채널 상태 피드백을 사용하는 무선 통신 시스템(100)을 도시한다. 도시된 바와 같이, 무선 통신 시스템(100)은 하나 이상의 광역 네트워크(WAN)(104) 또는 인터넷과 같은 다른 패킷 데이터 네트워크(PDN)에 연결된 코어 네트워크(102)를 포함하는 셀룰러 네트워크이다. 무선 통신 시스템(100)은 적어도 하나의 기지국(BS)(108)을 더 포함하고, 각각의 BS(108)는 하나 이상의 통신 프로토콜 또는 표준에 의해 지정된 하나 이상의 적용 가능한 무선 접속 기술(RAT)을 사용하여 RF 시그널링을 통해 UE(110)와 같은 하나 이상의 UE와의 무선 통신을 지원한다. 이와 같이, BS(108)는 UE(110)와 코어 네트워크(102) 및 다른 네트워크(예를 들어, 패킷 교환(PS) 데이터 서비스, 회선 교환(CS) 서비스)에 의해 제공되는 다양한 네트워크 및 서비스 간의 무선 인터페이스로서 동작한다. 일반적으로, BS(108)에서 UE(110)로의 데이터 또는 시그널링의 통신은 "다운링크" 또는 "DL"로 지칭되는 반면, UE(110)에서 BS(108)로의 데이터 또는 시그널링의 통신은 "업링크" 또는 "UL"로 지칭된다.

BS(108)는 UMTS(Universal Mobile Telecommunications System) RAT("3G"라고도 함)에 대해 NodeB(또는 BTS(base transceiver station))로 동작하고, 3GPP LTE RAT에 대해 eNodeB(enhanced NodeB)로 동작하고, 3GPP 5세대(5G) NR(New Radio) RAT에 대해 5G 노드 B("gNB")로 동작하는 것과 같은 다양한 RAT 중 임의의 것을 사용할 수 있다. UE(110)는 예를 들어, 모바일 휴대폰, 셀룰러 지원 태블릿 컴퓨터 또는 랩탑 컴퓨터, 데스크탑 컴퓨터, 셀룰러 지원 비디오 게임 시스템, 서버, 셀룰러 지원 기기, 셀룰러 지원 자동차 통신 시스템, 셀룰러 지원 스마트 워치 또는 기타 웨어러블 장치 등을 포함하여 적절한 RAT를 통해 BS(108)와 통신하도록 동작 가능한 다양한 전자 장치 중 임의의 것을 구현할 수 있다.

BS(108)와 UE(110) 사이에 형성된 무선 인터페이스를 통한 정보의 통신은 제어 평면 시그널링과 사용자 데이터 평면 시그널링 모두를 나타내는 RF 신호의 형태를 취한다. 그러나, 상대적으로 높은 주파수, 상대적으로 좁은 타이밍 마진, 송신 장치와 수신 장치 간의 상대적 이동, 건물, 신체 및 기타 간섭 객체의 존재 또는 이동뿐만 아니라 근접 송신 간섭자 중 하나 이상으로 인해, RF 시그널링을 포함하는 채널의 전파 환경은 자주 변경된다. 따라서, 적어도 하나의 실시예에서, BS(108)와 UE(110)는 CSI 추정 또는 수신 장치에서 송신 장치로의 CSI 추정 정보 피드백 중 하나 또는 둘 모두를 용이하게 하도록 트레이닝되거나 구성된 하나 이상의 신경망(NN)을 통합하는 송신기(TX) 및 수신기(RX) 처리 경로를 구현한다. 본 명세서에 설명된 바와 같이, 이러한 확인 및 관련 프로세스는 UE(110)에 의한 수신을 위해 BS(108)에 의해 전송된 RF 시그널링을 위한 다운링크 채널(112)에 대해, BS(108)에 의한 수신을 위해 UE(110)에 의해 전송된 RF 시그널링을 위한 업링크 채널(114)에 대해, 또는 각 채널(112, 114)에 대해 구현될 수 있다. 따라서, 다운링크 채널(112)에 대해, BS(108)는 송신 장치로 동작하고 UE(110)는 CSF 목적을 위해 수신 장치로 동작하는 반면, 업링크 채널(114)에 대해 UE(110)는 송신 장치로 동작하고 BS(108)는 CSF 목적을 위해 수신 장치로 동작한다.

다운링크 채널(112)에 대한 CSF 경로(116)에 관해 설명하기 위해, UE(110)는 CSI 추정 컴포넌트(120) 및 UE(110)의 RF 프런트 엔드(124)에 결합된 출력을 갖는 UE CSF TX DNN(122)(또는 다른 신경망)을 갖는 TX 처리 경로(118)를 이용한다. BS(108)는 BS(108)의 RF 프론트엔드(130)에 결합된 입력을 갖는 BS CSF RX DNN(128)(또는 다른 신경망) 및 BS CSF RX DNN(128)의 출력에 결합된 입력을 갖는 MIMO 관리 컴포넌트(132)를 갖는 RX 처리 경로(126)를 이용한다.

동작시, BS(108)는 RF 프런트 엔드(130)를 통해, CSI 파일럿 신호(일반적으로 "트레이닝 신호"라고도 함)를 나타내는 RF 신호(미도시)를 전송하며, 이는 UE(110)의 RF 프런트 엔드(124)에 의해 수신되고 CSI 추정 컴포넌트(120)에 의해 처리되어 그 수신된 CSI 파일럿 신호에 의해 표현되는 각각의 주파수 또는 부반송파에 대해 하나 이상의 CSI 추정치(134)를 생성한다. CSI 추정 컴포넌트(120)는 BS(108)에 의해 전송된 하나 이상의 CSI 파일럿 신호의 대응 세트로부터 적어도 하나의 CSI 추정치(134)를 생성하기 위해 잘 알려져 있거나 독점적인 다양한 기술 중 임의의 것을 사용할 수 있다. 예를 들어, 채널과 잡음 분포가 알려지지 않은 경우, CSI 추정 컴포넌트(120)는 예를 들어 임의의 다양한 최소 제곱 추정기를 사용하여 CSI 추정치(134)를 결정할 수 있는 반면, 채널 및 잡음 분포가 알려진 경우, CSI 추정 컴포넌트(120)는 예를 들어 임의의 다양한 베이지안 추정 기술을 사용하여 CSI 추정치(134)를 결정할 수 있다. CSI 추정치(134)는 당업계에 공지된 바와 같이 임의의 다양한 형태 또는 표현을 취할 수 있지만, 참조의 용이함을 위해, CSI 추정치(134)의 구현은 하나 이상의 행렬 세트로 구현되며, 각 행렬은 해당 반송파 주파수에 대한 대응하는 전송 형식을 나타낸다. 그러나, CSI 추정치(134)는 이러한 특정 구현에 제한되지 않으며 다양한 적합한 CSI 추정 형태 중 임의의 것을 나타낼 수 있다는 것이 이해될 것이다.

CSI 추정치(134)는 UE(110)의 하나 이상의 센서에 의해 관찰되는(그리고 아래에 설명되는) 현재 전파 환경을 나타내는 센서 데이터 입력과 같은 임의의 다양한 선택적인 다른 입력들과 함께 UE CSF TX DNN(122)에 대한 입력으로 제공된다. 적어도 하나의 실시예에서, UE CSF TX DNN(122)은 BS(108)의 BS CSF RX DNN(128)과 함께 공동으로 트레이닝되므로 BS(108)로의 RF 전송과 BS CSF RX DNN(128)에 의한 처리에 적합한 CSI 추정치(134)(및 임의의 다른 입력)로부터 CSF 출력을 생성한다. 이러한 공동 트레이닝 또는 기타 구성의 일부로서, UE CSF TX DNN(122)은 적어도 하나의 실시예에서, 실제로 CSI 추정치(134)에 의해 표현된 데이터 또는 정보를 양자화하거나 압축하고 그리고 입력 센서 데이터 또는 다른 입력을 고려하여 결과적인 압축 정보를 처리하여 BS(108)로의 무선 전송을 위해 RF 프런트 엔드(124)에 제공되는 CSF 출력(136)을 생성하도록 트레이닝되거나 구성된다.

BS(108)에서, RF 프론트 엔드(130)는 수신된 RF 시그널링으로부터 CSF 출력(136)을 추출하고 CSF 출력(136)을 BS CSF RX DNN(128)에 대한 입력으로 제공한다. BS의 센서로부터의 센서 데이터와 같은 선택적인 다른 입력이 BS CSF RX DNN(128)에 대한 입력으로 동시에 제공될 수도 있다. 이들 입력으로부터, 공동 트레이닝 또는 다른 구성에 기초하여, BS CSF RX DNN(128)은 본 명세서에서 복구된 CSI 추정치(138)로 지칭되는 CSI 추정치(134)의 복구된 표현을 제공하도록 동작한다. 그러면 복구된 CSI 추정치(138)는 MIMO 관리 컴포넌트(132)에 제공되며, 이는 복구된 CSI 추정치(138)를 사용하여 예를 들어 적어도 UE(110)로의 RF 전송을 위해 RF 프런트 엔드(130)에 의해 활용되는 빔형성 프로세스, 시공간 코딩 프로세스, 또는 다중 사용자 MIMO 프로세스 중 하나 이상을 제어함으로써, UE(110)와의 다운링크 채널(112)에 대해 BS(108)의 하나 이상의 MIMO 프로세스를 제어한다. 적어도 UE(110)로의 RF 전송을 위해 RF 프런트 엔드(130)에 의해 활용되는 빔포밍 프로세스, 시공간 코딩 프로세스, 또는 다중 사용자 MIMO 프로세스에 더 가깝다.

도 1은 다운링크 채널(112)에 대한 CSF 경로(116)를 도시하지만, 도시된 것과 유사한 구성이 또한 업링크 채널(114)에 대한 CSF 경로를 제공하기 위해 활용될 수 있으며, BS(108)는 유사한 CSI 추정 컴포넌트 및 CSF TX DNN을 사용하고 UE(110)는 유사한 CSF RX DNN 및 MIMO 관리 컴포넌트를 사용한다는 것이 이해될 것이다. 그러나, 설명의 편의를 위해 본 개시의 신경망 기반 CSF 기술은 BS에서 UE로의 다운링크 채널의 예시적인 맥락에서 설명되지만, 이러한 동일한 기술은 UE에서 BS로의 업링크 채널에, 또는 송신 장치로 동작하는 임의의 RF 지원 장치와 CSF 목적을 위한 수신 장치로 동작하는 다른 RF 지원 장치 사이에 동일하게 적용 가능하다는 것이 이해될 것이다. 더욱이, 도 1은 송신 장치에 의한 CSI 파일럿 신호의 생성 및 송신과 수신 장치에서 수신된 CSI 파일럿 신호에 기초한 CSI의 알고리즘 추정이 종래의 접근법을 사용하여 수행될 수 있는 예시적인 구현을 도시하지만, 다른 실시예에서는, 이러한 프로세스 중 하나 이상은 도 10-12를 참조하여 이후에 설명되는 바와 같이 공동 트레이닝된 신경망을 사용하여 부분적으로 또는 완전히 구현될 수도 있다.

위에서 언급하고 여기에 더 자세히 설명된 바와 같이, 송신 장치와 수신 장치(예를 들어, CSF 경로(116)에 대해 각각 BS(108)와 UE(110)) 모두는 하나 이상의 DNN 또는 전체 CSF 프로세스를 촉진하기 위해 상황별 파라미터에 기초하여 공동으로 트레이닝되고 선택되는 기타 신경망을 사용한다. 이러한 신경망의 공동 트레이닝, 선택 및 유지 관리를 관리하기 위해, 적어도 하나의 실시예에서 시스템(100)은 관리 인프라 컴포넌트(140)(또는 간결성을 위해 "관리 컴포넌트(140)")를 추가로 포함한다. 이 관리 컴포넌트(140)는 예를 들어 코어 네트워크(102) 또는 WAN(104) 내와 같은 무선 통신 시스템(100)의 네트워크 인프라(106) 내의 서버 또는 다른 컴포넌트를 포함할 수 있다. 또한, 도시된 예에서는 별도의 컴포넌트로 도시되어 있지만, 적어도 일부 실시예에서 BS(108)는 관리 컴포넌트(140)를 구현한다. 관리 컴포넌트(140)에 의해 제공되는 감독(oversight) 기능에는 예를 들어, 신경망의 공동 트레이닝을 감독하는 것, 특정 기능 또는 기타 컴포넌트별 파라미터에 기초하여 송신 장치 또는 수신 장치 중 하나 이상에 대한 특정 신경망 아키텍처 구성의 선택을 관리하는 것, 신경망 구성 선택을 위한 기능 업데이트 수신 및 처리, 신경망 트레이닝 또는 선택을 위한 피드백 수신 및 처리 등의 일부 또는 전부가 포함될 수 있다.

아래에서 좀 더 자세히 설명하자면, 일부 실시예에서 관리 컴포넌트(140)는 해당 신경망을 구현하는 컴포넌트의 현재 성능(capability), 전송 체인의 다른 컴포넌트의 현재 성능, 또는 이들의 조합에 적어도 부분적으로 기초하여 해당 CSF 경로의 특정 컴포넌트에 사용되도록 선택될 수 있는 후보 신경망 아키텍처 구성(144)의 세트(142)를 유지한다. 이러한 성능은 센서 성능, 처리 리소스 성능, 배터리/전원 성능, RF 안테나 성능, 컴포넌트의 하나 이상의 액세서리 성능, 해당 채널을 통해 전송될 데이터의 유형 또는 특성 등을 포함할 수 있다. BS(108) 및 UE(110)에 대한 이들 성능을 나타내는 정보는 관리 컴포넌트(140)에 의해 각각 BS 성능 정보(146) 및 UE 성능 정보(148)로서 획득되어 저장된다. 관리 컴포넌트(140)는 또한 채널의 반송파 주파수, 객체 또는 다른 간섭자의 알려진 존재 등과 같은 환경의 전파 채널 또는 해당 채널의 파라미터 또는 다른 측면을 고려할 수 있다. 채널 또는 전파 환경의 측면을 나타내는 정보는 관리 컴포넌트(140)에 의해 채널/전파 정보(150)로서 획득되어 저장된다.

이 접근 방식을 지원하여, 일부 실시예에서, 관리 컴포넌트(140)는 다양한 성능/컨텍스트 조합에 대한 후보 신경망 아키텍처 구성(144)의 다양한 조합의 공동 트레이닝을 관리할 수 있다. 그런 다음 관리 컴포넌트(140)는 BS(108)로부터 성능 정보(146), UE(110)로부터 성능 정보(148), 또는 둘 모두를 획득할 수 있으며, 이 성능 정보로부터 관리 컴포넌트(140)는 채널/전파 정보(150)에 반영된 RF 시그널링 환경 및 해당 표시된 성능에 적어도 부분적으로 기초하여 각 컴포넌트에 대한 후보 신경망 아키텍처 구성(144)의 세트(142)로부터 신경망 아키텍처 구성을 선택한다. 일부 실시예에서, 후보 신경망 아키텍처 구성은 BS(108)에 대한 특정 성능 세트의 각각의 후보 신경망 아키텍처 구성이 UE(110)에 대한 특정 성능 세트의 단일 대응 후보 신경망 아키텍처 구성과 공동으로 트레이닝되도록 페어링된(쌍을 이루는) 서브세트로 공동으로 트레이닝된다. 다른 실시예에서, 후보 신경망 아키텍처 구성은 BS(108)에 대한 각각의 후보 구성이 UE(110)에 대한 다수의 후보 구성과 일대다 대응을 갖고 그 반대의 경우도 가능하도록 트레이닝된다.

따라서, 시스템(100)은 호환성을 위해 특별히 설계되지 않았을 수 있는 독립적으로 설계된 프로세스 블록버다는 CSI 피드백을 위한 송신 장치와 수신 장치 사이의 관리되고, 공동으로 트레이닝되고, 선택적으로 사용되는 신경망 세트에 의존하는 CSF 접근 방식을 활용한다. 이것은 향상된 유연성을 제공할 뿐만 아니라 일부 상황에서는 각 장치에서 더 빠른 처리와 더 효율적인 RF 전송을 제공하여 CSI 추정치 추정, 전달 및 구현 시 지연 시간을 줄일 수 있다. 이것은 결국 송신 장치와 수신 장치 간의 보다 효율적이고 효과적인 시그널링을 위해 MIMO 프로세스를 더욱 세밀하고 시기적절하게 제어할 수 있게 해준다.

도 2는 일부 실시예에 따른 UE(110)(대표적인 수신 장치로서)에 대한 예시적인 하드웨어 구성을 도시한다. 도시된 하드웨어 구성은 본 명세서에 설명된 신경망 기반 프로세스와 가장 직접적으로 관련된 처리 컴포넌트 및 통신 컴포넌트를 나타내며, 디스플레이, 비-센서 주변 장치, 외부 전원 공급 장치 등과 같은 전자 장치에서 자주 구현되는 것으로 잘 이해되는 특정 컴포넌트를 생략한다.

도시된 구성에서, UE(110)는 하나 이상의 안테나(202)를 갖는 RF 프런트 엔드(124) 및 하나 이상의 RAT를 지원하기 위한 하나 이상의 모뎀을 갖는 RF 안테나 인터페이스(204)를 포함한다. RF 프런트 엔드(124)는 다양한 유형의 무선 통신을 용이하게 하기 위해 UE(110)의 하나 이상의 프로세서(206)와 안테나(202) 사이의 시그널링을 수행하고 처리하는 물리적(PHY) 트랜시버 인터페이스로서 사실상 동작한다. 안테나(202)는 서로 유사하거나 다르게 구성되고 대응하는 RAT와 연관된 하나 이상의 주파수 대역에 동조될 수 있는 다중 안테나의 하나 이상의 어레이로 배열될 수 있다. 하나 이상의 프로세서(206)는 예를 들어, 하나 이상의 중앙 처리 장치(CPU), 그래픽 처리 장치(GPU), 텐서 처리 장치(TPU) 또는 기타 주문형 집적 회로(ASIC) 등을 포함할 수 있다. 설명하자면, 프로세서(206)는 운영 체제 및 다양한 사용자 레벨 소프트웨어 애플리케이션을 실행하기 위해 UE(110)에 의해 이용되는 애플리케이션 프로세서(AP)뿐만 아니라 RF 프런트의 기저대역 프로세서 또는 모뎀에 의해 이용되는 하나 이상의 프로세서를 포함할 수 있다. UE(110)는 RAM, ROM, 캐시, 플래시 메모리, 솔리드 스테이트 드라이브(SSD) 또는 기타 대용량 저장 장치 등과 같이 데이터 및/또는 실행 가능한 명령을 저장하기 위해 전자 장치에 의해 사용되는 다양한 매체 중 임의의 것을 포함하는 하나 이상의 컴퓨터 판독 가능 매체(208)를 더 포함한다. 설명의 용이성과 간결함을 위해, 컴퓨터 판독 가능 매체(208)는 프로세서(206)에 의한 실행을 위한 데이터 및 명령을 저장하기 위해 시스템 메모리 또는 기타 메모리를 자주 사용한다는 점에서 본 명세서에서는 "메모리(208)"로 지칭되지만, 달리 명시하지 않는 한 "메모리(208)"에 대한 언급은 다른 유형의 저장 매체에도 동일하게 적용된다는 것이 이해될 것이다.

적어도 일 실시예에서, UE(110)는 본 명세서에서 센서 세트(210)로 지칭되는 복수의 센서를 더 포함하며, 이들 중 적어도 일부는 본 명세서에 설명된 신경망 기반 방식에서 활용된다. 일반적으로, 센서 세트(210)의 센서들은 UE(110)의 환경 또는 사용자에 의한 UE(110)의 사용의 일부 측면을 감지하는 센서를 포함하며, 이 센서는 BS(108)에 대한 UE(110)의 RF 전파 경로 또는 RF 송신/수신 성능에 적어도 어느 정도 영향을 미치거나 이를 반영하는 파라미터를 감지할 가능성이 있다. 센서 세트(210)의 센서는 레이더 센서, 라이더 센서, 이미징 센서, 구조광 기반 깊이 센서 등과 같은 객체 감지를 위한 하나 이상의 센서를 포함할 수 있다. 센서 세트(210)는 또한 와 같은 위성 위치 확인 센서(예를 들어, GPS 센서, GNSS(Global Navigation Satellite System) 센서, IMU(Internal Measurement Unit) 센서), 시각 주행 센서, 자이로스코프, 기울기 센서 또는 기타 경사계, 초광대역(UWB) 기반 센서 등과 같이 UE(110)의 위치 또는 자세를 결정하기 위한 하나 이상의 센서를 포함할 수 있다. 센서 세트(210)의 센서 유형의 다른 예에는 사용자에 의한 이미지 캡처용 카메라, 얼굴 감지용 카메라, 입체 관찰 또는 시각적 주행 거리 측정용 카메라, 장치의 피처에 근접한 객체 검출용 광 센서 등과 같은 이미징 센서가 포함될 수 있다. UE(110)는 하나 이상의 배터리(212) 또는 다른 휴대용 전원뿐만 아니라 터치 스크린, 사용자 조작 가능한 입/출력 장치(예를 들어, "버튼" 또는 키보드), 기타 터치/접촉 센서, 마이크로폰, 또는 오디오 컨텐츠 캡처용 기타 음성 센서, 비디오 콘텐츠 캡처용 이미지 센서, (예를 들어, 사용자와의 근접성 감지용) 열 센서등을 더 포함할 수 있다.

UE(110)의 하나 이상의 메모리(208)는 본 명세서에 설명되고 UE(110)에 귀속되는 다양한 기능을 수행하기 위해 UE(110)의 하나 이상의 프로세서(206) 및 다른 컴포넌트를 조작하는 실행 가능한 소프트웨어 명령 및 관련 데이터의 하나 이상의 세트를 저장하는데 사용된다. 실행 가능한 소프트웨어 명령(어) 세트는 예를 들어 운영 체제(OS), 다양한 드라이버(미도시), 다양한 소프트웨어 애플리케이션을 포함한다. 실행 가능한 소프트웨어 명령 세트는 신경망 관리 모듈(222), 성능 관리 모듈(224), 또는 CSI 추정 모듈(226)(도 1의 CSI 추정 컴포넌트(120)의 일 실시예) 중 하나 이상을 더 포함한다. 신경망 관리 모듈(222)은 아래에 상세히 설명되는 바와 같이 UE(110)에 대한 하나 이상의 신경망을 구현한다. 성능 관리 모듈(224)은 신경망 구성 또는 선택과 관련될 수 있는 UE(110)의 다양한 성능을 결정하고, 이 성능을 관리 컴포넌트(140)에 보고할 뿐만 아니라 RF 및 처리 성능의 변화, 액세서리 가용성 또는 성능의 변화 등을 포함하는 이러한 성능의 변화에 대해 UE(110)를 모니터링하고, 관리 컴포넌트(140)에 대한 이러한 성능 및 성능의 변화에 대한 보고를 관리한다. 위에서도 유사하게 설명한 바와 같이, CSI 추정 모듈(226)은 BS(108)와 같은 다른 장치에 의해 전송된 CSI 파일럿 신호의 수신된 표현에 기초하여 CSI 추정치를 생성하도록 동작한다. 적어도 하나의 실시예에서, CSI 추정 모듈(226)은 당업계에 공지된 바와 같은 다양한 최소 제곱(LS), 최소 평균 제곱(LMS), 또는 베이지안 CSI 추정 기술 중 임의의 것과 같은 CSI 추정치를 계산하기 위한 하나 이상의 알고리즘 기술을 구현한다.

본 명세서에 설명된 바와 같이 UE(110)의 동작을 용이하게 하기 위해, UE(110)의 하나 이상의 메모리(208)는 이러한 동작과 연관된 데이터를 추가로 저장할 수 있다. 이 데이터는 예를 들어 장치 데이터(228) 및 하나 이상의 신경망 아키텍처 구성(230)을 포함할 수 있다. 장치 데이터(228)는 예를 들어 사용자 데이터, 멀티미디어 데이터, 빔포밍 코드북, 소프트웨어 애플리케이션 구성 정보 등을 나타낸다. 장치 데이터(228)는 특정 센서 또는 센서 유형의 존재 또는 부재를 포함하는 센서 세트(210)의 하나 이상의 센서에 관한 센서 성능 정보와 같은 UE(110)에 대한 성능 정보, 및 존재하는 센서에 대해, 라이더 또는 레이더 센서의 범위 및 해상도, 이미징 카메라의 이미지 해상도 및 색상 깊이 등과 같이 해당 성능에 대한 하나 이상의 표현을 더 포함할 수 있다. 성능 정보는 예를 들어 배터리(212)의 성능 또는 상태, UI(214)의 성능 또는 상태(예를 들어, 화면 해상도, 색역 또는 디스플레이의 프레임 속도) 등에 관한 정보를 더 포함할 수 있다.

하나 이상의 신경망 아키텍처 구성(230)은 관리 컴포넌트(140)에 의해 유지괸리되는 후보 신경망 아키텍처 구성(144)의 세트(142)로부터 선택된 UE 구현 예를 나타낸다. 각각의 신경망 아키텍처 구성(230)은 UE(110)의 대응 신경망을 형성하기 위해 신경망 관리 모듈(222)에 의해 사용되는 파라미터 구성 및/또는 대응 아키텍처를 나타내는 데이터 및 기타 정보를 포함하는 하나 이상의 데이터 구조를 포함한다. 신경망 아키텍처 구성(230)에 포함된 정보는 예를 들어 완전 연결 계층 신경망 아키텍처, 컨볼루션 계층 신경망 아키텍처, 순환 신경망 계층, 여러 연결된 은닉 신경망 계층, 입력 계층 아키텍처, 출력 계층 아키텍처, 신경망에서 활용되는 노드 수, 신경망에서 활용되는 계수(예를 들어, 가중치 및 편향), 커널 파라미터, 신경망에서 활용되는 여러 필터, 신경망에서 활용되는 스트라이드/풀링 구성, 각 신경망 계층의 활성화 함수, 신경망 계층 간의 상호 연결, 건너뛸 신경망 계층 등을 지정하는 파라미터를 포함한다. 따라서, 신경망 아키텍처 구성(230)은 DNN을 정의 및/또는 형성하는 NN 형성 구성(예를 들어, 하나 이상의 NN 형성 컴포넌트의 조합)을 생성하는데 사용할 수 있는 NN 형성 컴포넌트(예를 들어, 아키텍처 및/또는 파라미터 구성)의 임의의 조합을 포함한다.

도 3은 일부 실시예에 따른 BS(108)(대표적인 송신 장치로서)에 대한 예시적인 하드웨어 구성을 도시한다. 도시된 하드웨어 구성은 본 명세서에 설명된 신경망 기반 프로세스와 가장 직접적으로 관련된 처리 컴포넌트 및 통신 컴포넌트를 나타내고, 디스플레이, 비-센서 주변 장치, 외부 전원 공급 장치 등과 같은 전자 장치에서 자주 구현되는 것으로 잘 이해되는 특정 컴포넌트를 생략한다. 또한, 예시된 도면은 단일 네트워크 노드(예를 들어, 5G NR 노드 B 또는 "gNB")로서 BS(108)의 구현을 나타내지만, 대신에 BS(108)의 기능 및 하드웨어 컴포넌트는 다수의 네트워크 노드 또는 장치에 걸쳐 분산될 수 있고 본 명세서에 설명된 기능을 수행하는 방식으로 분산될 수 있다.

도시된 구성에서, BS(108)는 하나 이상의 안테나(302)를 갖는 RF 프론트 엔드(130) 및 하나 이상의 RAT를 지원하기 위한 하나 이상의 모뎀을 갖는 RF 안테나 인터페이스(304)를 포함하고, 이는 다양한 유형의 무선 통신을 용이하게 하기 위해 BS(108)의 하나 이상의 프로세서(306)와 안테나(302) 사이의 시그널링을 수행하고 처리하는 PHY 트랜시버 인터페이스로 작동한다. 안테나(302)는 서로 유사하거나 다르게 구성되고 대응하는 RAT와 연관된 하나 이상의 주파수 대역에 동조될 수 있는 다중 안테나의 하나 이상의 어레이로 배열될 수 있다. 하나 이상의 프로세서(306)는 예를 들어 하나 이상의 CPU, GPU, TPU 또는 다른 ASIC 등을 포함할 수 있다. BS(108)는 RAM, ROM, 캐시, 플래시 메모리, SSD 또는 기타 대용량 저장 장치와 같은 데이터 및/또는 실행 가능한 명령을 저장하기 위해 전자 장치에 의해 사용되는 다양한 매체 중 임의의 것을 포함하는 하나 이상의 컴퓨터 판독 가능 매체(308)를 더 포함한다. UE(110)의 메모리(208)와 마찬가지로, 설명의 용이성과 간결함을 위해, 컴퓨터 판독 가능 매체(308)는 프로세서(306)에 의한 실행을 위한 데이터 및 명령을 저장하기 위해 시스템 메모리 또는 다른 메모리를 자주 사용한다는 점에서 본 명세서에서는 "메모리(308)"로 지칭되지만, 달리 명시하지 않는 한 "메모리 308"에 대한 언급은 다른 유형의 저장 매체에도 동일하게 적용된다는 것이 이해될 것이다.

적어도 일 실시예에서, BS(108)는 본 명세서에서 센서 세트(310)로 지칭되는 복수의 센서를 더 포함하며, 이들 중 적어도 일부는 본 명세서에 설명된 신경망 기반 방식에서 활용된다. 일반적으로 센서세트(310)의 센서는 BS(108) 환경의 일부 측면을 감지하고 해당 UE(110)에 대한 BS(108)의 RF 전파 경로 또는 RF 송신/수신 성능에 적어도 어느 정도 영향을 미치거나 이를 반영하는 파라미터를 감지할 가능성이 있다. 센서 세트(310)의 센서는 레이더 센서, 라이더 센서, 이미징 센서, 구조광 기반 깊이 센서 등과 같은 객체 검출을 위한 하나 이상의 센서를 포함할 수 있다. BS(108)가 모바일 BS인 경우, 센서 세트(310)는 또한 BS(108)의 위치 또는 자세를 결정하기 위한 하나 이상의 센서를 포함할 수 있다. 센서 세트(310)의 센서 유형의 다른 예는 이미징 센서, BS(108)의 피처에 근접한 객체를 감지하기 위한 광 센서 등을 포함할 수 있다.

BS(108)의 하나 이상의 메모리(308)는 본 명세서에 설명되고 BS(108)에 귀속되는 다양한 기능을 수행하기 위해 BS(108)의 하나 이상의 프로세서(306) 및 기타 컴포넌트를 조작하는 실행 가능한 소프트웨어 명령 및 관련 데이터의 하나 이상의 세트를 저장하는데 사용된다. 실행 가능한 소프트웨어 명령어 세트는 예를 들어 운영 체제(OS), 다양한 드라이버(미도시), 다양한 소프트웨어 애플리케이션을 포함한다. 실행 가능한 소프트웨어 명령어 세트는 신경망 관리 모듈(314), 성능 관리 모듈(316), CSF 관리 모듈(318) 또는 MIMO 관리 모듈(320) 중 하나 이상을 더 포함한다.

신경망 관리 모듈(314)은 아래에 상세히 설명되는 바와 같이 BS(108)에 대한 하나 이상의 신경망을 구현한다. 성능 관리 모듈(318)은 신경망 구성 또는 선택과 관련될 수 있는 BS(108)의 다양한 성능을 결정하고 이러한 성능을 관리 컴포넌트(140)에 보고할 뿐만 아니라 RF 및 처리 성능을 포함하여 이러한 성능의 변화에 대해 BS(108)를 모니터링하고, 관리 컴포넌트(140)에 대한 이러한 성능 및 성능의 변화에 대한 보고를 관리한다. CSF 관리 모듈(318)은 대응하는 UE(110)에 대한 CSI 파일럿 신호의 생성 및 전송을 관리하고, 전송된 CSI 파일럿 신호의 분석으로부터 UE(110)에 의해 보고된 결과적인 CSI 추정 정보를 획득 및 처리하고, 결과적인 CSI 추정치의 표현을 MIMO 관리 모듈(320)에 전달하는 것을 포함하여, BS(108)와 하나 이상의 대응하는 UE(110) 사이의 CSF 프로세스를 관리하도록 동작한다. MIMO 관리 모듈(320)은 제공된 CSI 추정치에 기초하여 RF 프런트 엔드(124)의 하나 이상의 MIMO 프로세스를 제어하도록 동작한다. 이러한 MIMO 프로세스에는 빔포밍 프로세스, 시공간 코딩 프로세스, MU-MIMO 프로세스 등이 포함될 수 있다.

본 명세서에 설명된 바와 같이 BS(108)의 동작을 용이하게 하기 위해, BS(108)의 하나 이상의 메모리(308)는 이러한 동작과 연관된 데이터를 추가로 저장할 수 있다. 이 데이터는 예를 들어 BS 데이터(328) 및 하나 이상의 신경망 아키텍처 구성(330)을 포함할 수 있다. BS 데이터(328)는 예를 들어 빔포밍 코드북, 소프트웨어 애플리케이션 구성 정보 등을 나타낸다. BS 데이터(328)는 특정 센서 또는 센서 유형의 존재 또는 부재를 포함하는 센서 세트(310)의 하나 이상의 센서에 관한 센서 성능 정보와 같은 BS(108)에 대한 성능 정보와, 존재하는 센서에 대해, 라이다 또는 레이더 센서의 범위 및 해상도, 이미징 카메라의 이미지 해상도 및 색상 깊이 등과 같이 해당 성능에 대한 하나 이상의 표현을 더 포함할 수 있다. 하나 이상의 신경망 아키텍처 구성(330)은 관리 컴포넌트(140)에 의해 유지되는 후보 신경망 아키텍처 구성(144)의 세트(142)로부터 선택된 BS 구현 예를 나타낸다. 따라서, 도 2의 신경망 아키텍처 구성(230)과 마찬가지로. 각각의 신경망 아키텍처 구성(330)은 BS(108)의 대응하는 신경망을 형성하기 위해 신경망 관리 모듈(314)에 의해 사용되는 대응 아키텍처 및/또는 파리미터 구성을 나타내는 데이터 및 기타 정보를 포함하는 하나 이상의 데이터 구조를 포함한다.

도 4는 일부 실시예에 따른 관리 컴포넌트(140)에 대한 예시적인 하드웨어 구성을 도시한다. 도시된 하드웨어 구성은 본 명세서에 설명된 신경망 기반 프로세스에 가장 직접적으로 관련된 처리 컴포넌트 및 통신 컴포넌트를 나타내고 이러한 전자 장치에서 자주 구현되는 것으로 잘 이해되는 특정 컴포넌트를 생략한다는 점에 유의한다. 또한, 하드웨어 구성은 단일 컴포넌트에 위치하는 것으로 도시되어 있지만, 대신에 관리 컴포넌트(140)의 기능, 따라서 하드웨어 컴포넌트는 다수의 인프라 컴포넌트 또는 노드에 걸쳐 분산될 수 있고 본 명세서에 설명된 기능을 수행하는 방식으로 분산될 수 있다.

위에서 언급한 바와 같이, 관리 컴포넌트(140)는 네트워크 인프라(106) 내의 임의의 다양한 컴포넌트 또는 컴포넌트의 조합으로 구현될 수 있다. 설명의 편의를 위해, 관리 컴포넌트(140)는 코어 네트워크들(102) 중 하나의 서버 또는 다른 컴포넌트로서의 예시적인 구현을 참조하여 본 명세서에서 설명되지만, 다른 실시예에서 관리 컴포넌트(140)는 예를 들어 BS(108)의 일부로서 구현될 수 있다.

도시된 바와 같이, 관리 컴포넌트(140)는 시스템(100)의 하나 이상의 네트워크에 연결된 하나 이상의 네트워크 인터페이스(402)(예를 들어, 이더넷 인터페이스), 하나 이상의 네트워크 인터페이스(402)에 연결된 하나 이상의 프로세서(404), 및 하나 이상의 프로세서(404)에 연결된 하나 이상의 비-일시적 컴퓨터 판독 가능 저장 매체(406)(본 명세서에서는 간략하게 "메모리(406)"로 지칭됨)를 포함한다. 하나 이상의 메모리(406)는 본 명세서에 설명되고 관리 컴포넌트(140)에 귀속되는 다양한 기능을 수행하기 위해 하나 이상의 프로세서(404) 및 관리 컴포넌트(140)의 다른 컴포넌트를 조작하는 실행 가능한 소프트웨어 명령 및 관련 데이터의 하나 이상의 세트를 저장한다. 실행 가능한 소프트웨어 명령 세트에는 예를 들어 OS 및 다양한 드라이버(미도시)가 포함된다. 하나 이상의 메모리(406)에 저장된 소프트웨어는 트레이닝 모듈(408) 또는 신경망 선택 모듈(410) 중 하나 이상을 더 포함할 수 있다. 트레이닝 모듈(408)은 하나 이상의 트레이닝 데이터 세트(416)를 사용하여 CSF 경로의 송신 및 수신 장치에서 사용될 수 있는 후보 신경망 세트(142)에 대한 후보 신경망 아키텍처 구성(144)의 공동 트레이닝을 관리하도록 작동한다. 트레이닝에는 오프라인(즉, 통신 처리에 적극적으로 참여하지 않는 동안) 및/또는 온라인(즉, 통신 처리에 적극적으로 참여하는 동안) 동안 신경망을 트레이닝하는 것이 포함될 수 있다. 더욱이, 트레이닝은 개별적이거나 별개일 수 있으므로, 각 신경망은 결과가 전송 경로의 반대쪽 끝의 DNN 트레이닝에 전달되거나 영향을 주지 않고 자체 트레이닝 데이터 세트에 대해 개별적으로 트레이닝되며, 트레이닝은 데이터 스트림 전송 경로의 신경망이 동일하거나 보완적인 데이터 세트에 대해 공동으로 트레이닝되도록 하는 공동 트레이닝일 수 있다.

신경망 선택 모듈(410)은 도 1의 예시적인 CSF 경로(116)에 대해, BS(108) 및 UE(110)와 같은 CSF 경로의 송신 장치 및 수신 장치 중 하나 또는 둘 모두로부터 선택 관련 정보(420)를 각각 획득하고, 필터링하고, 처리하고, 그리고 이 선택 관련 정보(420)를 사용하여 CSF 경로의 송신 장치 및 수신 장치에서의 구현을 위해 후보 세트(142)로부터 공동으로 트레이닝된 신경망 아키텍처 구성 쌍(144)을 선택하도록 동작한다. 위에서 언급한 바와 같이, 이 선택 관련 정보(420)는 예를 들어 UE(110) 및 BS(108) 중 하나 또는 둘 다로부터의 현재 성능 정보, 현재 전파 경로 정보, 채널 특정 파라미터 등을 포함할 수 있다. 선택이 이루어진 후, 신경망 선택 모듈(410)은 선택된 구성과 관련된 인덱스 번호의 전송, 신경망 아키텍처 구성 자체를 나타내는 하나 이상의 데이터 구조의 전송, 또는 이들의 조합을 통해 각 네트워크 컴포넌트에 대해 선택된 신경망 아키텍처 구성(144) 표시의 전송을 시작한다.

도 5는 일부 실시예에 따른 신경망을 구현하기 위한 예시적인 기계 학습(ML) 모듈(500)을 도시한다. 본 명세서에 설명된 바와 같이, CSF 경로(예를 들어, 도 1의 CSF 경로(116)에서 각각 BS(108) 및 UE(110))의 송신 장치와 수신 장치 중 하나 또는 둘 모두는 CSI 피드백과 관련된 들어오고 나가는 무선 통신을 처리하기 위해 하나 이상의 DNN 또는 기타 신경망을 구현한다. 따라서 ML 모듈(500)은 이러한 신경망 중 하나 이상을 구현하기 위한 예시적인 모듈을 예시한다.

도시된 예에서, ML 모듈(500)은 3개 이상의 계층으로 구성되는 연결된 노드 그룹(예를 들어, 뉴런 및/또는 퍼셉트론)으로 적어도 하나의 심층 신경망(DNN)(502)을 구현한다. 계층들 간 노드는 예를 들어 제1 계층에 있는 노드의 제1 서브세트가 제2 계층에 있는 노드의 제2 서브세트와 연결되는 부분 연결 구성과, 제1 계층에 있는 각 노드가 제2 계층에 있는 각 노드에 연결되는 완전 연결 구성 등과 같이 다양한 방식으로 구성 가능하다. 뉴런은 입력 데이터를 처리하여 0과 1 사이의 실수와 같은 연속적인 출력 값을 생성한다. 일부 경우, 출력 값은 입력 데이터가 원하는 범주에 얼마나 가까운지를 나타낸다. 퍼셉트론은 입력 데이터에 대해 이진 분류와 같은 선형 분류를 수행한다. 뉴런이든 퍼셉트론이든 노드는 다양한 알고리즘을 사용하여 적응형 학습에 기초하여 출력 정보를 생성할 수 있다. DNN(502)을 사용하여, ML 모듈(500)은 단일 선형 회귀, 다중 선형 회귀, 로지스틱 회귀, 단계별 회귀, 이진 분류, 다중 클래스 분류, 다변량 적응형 회귀 스플라인, 국부적으로 추정된 산점도 평활화(scatterplot smoothing) 등을 포함하여 다양한 유형의 분석을 수행한다.

일부 구현에서, ML 모듈(500)은 지도 학습에 기초하여 적응적으로 학습한다. 지도 학습에서, ML 모듈(500)은 다양한 유형의 입력 데이터를 트레이닝 데이터로서 수신한다. ML 모듈(500)은 입력을 원하는 출력에 매핑하는 방법을 학습하기 위해 트레이닝 데이터를 처리한다. 일 예로, ML 모듈(500)은 신호의 디지털 샘플을 입력 데이터로서 수신하고 그 신호 내에 포함된 정보를 반영하는 이진 데이터에 신호 샘플을 매핑하는 방법을 학습한다. 또 다른 예로서, ML 모듈(500)은 이진 데이터를 입력 데이터로서 수신하고 그 이진 데이터를 신호 내에 이진 데이터가 내장된 신호의 디지털 샘플에 매핑하는 방법을 학습한다. 또한, 또 다른 예로서 아래에서 더 자세히 설명되는 바와 같이, TX 모드에서 사용되는 경우, ML 모듈(500)은 발신(outgoing) 정보 블록을 수신하고, RF 안테나 인터페이스에 의한 무선 전송에 적합한 출력을 형성하기 위해 실제로 정보 블록에 표현된 인코딩된(예를 들어, 압축된) 데이터와 인코딩된 채널을 나타내는 출력을 생성하는 방법을 모두 학습한다. 반대로, ML 모듈(500)이 RX 모드로 구현되는 경우, 실제로 정보 블록의 데이터 인코딩 및 채널 인코딩 표현을 나타내는 입력을 수신하고 그 입력을 처리하여 실제로 입력의 데이터 디코딩 및 채널 디코딩 표현인 출력을 생성하여 정보 데이터의 복구된 표현을 나타내도록 트레이닝된다. 아래에 추가로 설명된 바와 같이, TX 모드 또는 RX 모드 중 하나 또는 둘 다에서의 트레이닝은 입력으로서 센서 데이터, 입력으로서 성능 정보, 입력으로서 액세서리 정보, RF 안테나 구성, 또는 입력으로서 다른 동작 파라미터 정보 등을 사용하는 트레이닝을 포함할 수 있다.

트레이닝 절차 동안, ML 모듈(500)은 레이블이 지정된 데이터 또는 알려진 데이터를 DNN(502)에 대한 입력으로 사용한다. DNN(502)은 노드를 사용하여 입력을 분석하고 해당 출력을 생성한다. ML 모듈(500)은 해당 출력을 실제 데이터와 비교하고 노드에 의해 구현된 알고리즘을 적용하여 출력 데이터의 정확성을 향상시킨다. 그 후, DNN(502)은 적응된 알고리즘을 레이블이 지정되지 않은 입력 데이터에 적용하여 해당 출력 데이터를 생성한다. ML 모듈(500)은 통계 분석 및 적응형 학습 중 하나 또는 둘 모두를 사용하여 입력을 출력에 매핑한다. 예를 들어, ML 모듈(500)은 트레이닝 데이터로부터 학습된 특성을 사용하여 임계값 범위 또는 값 내에서 통계적으로 가능성이 높은 출력과 알려지지 않은 입력을 연관시킨다. 이를 통해 ML 모듈(500)은 복잡한 입력을 수신하여 해당 출력을 식별할 수 있다. 언급한 바와 같이, 일부 구현은 무선 통신 시스템에서 사용되는 데이터 인코딩/디코딩 방식의 특성과 동시에 그 무선 통신 시스템을 통해 전송되는 통신의 특성(예를 들어, 시간/주파수 인터리빙, 시간/주파수 디인터리빙, 컨벌루션 인코딩, 컨벌루션 디코딩, 전력 레벨, 채널 등화, 심볼간 간섭, 직교 진폭 변조/복조, 주파수 분할 다중화/역다중화, 전송 채널 특성)에 대해 ML 모듈(500)을 트레이닝한다. 이를 통해 트레이닝된 ML 모듈(500)은 신호 샘플을 입력으로 수신하고 신호에 포함된 이진 데이터와 같은 신호로부터 정보를 복구할 수 있다.

도시된 예에서, DNN(502)은 입력 계층(504), 출력 계층(506), 및 입력 계층(504)과 출력 계층(506) 사이에 위치한 하나 이상의 은닉 계층(508)을 포함한다. 각 계층에는 임의의 수의 노드가 있으며, 계층 간 노드 수는 같거나 다를 수 있다. 즉, 입력 계층(504)은 출력 계층(506)과 동일한 수 및/또는 다른 수의 노드를 가질 수 있고, 출력 계층(506)은 하나 이상의 은닉 계층(508)과 동일한 수 및/또는 다른 수의 노드를 가질 수 있다.

노드(510)는 입력 계층(504)에 포함된 여러 노드 중 하나에 대응하며, 여기서 노드는 개별적이고 독립적인 계산을 수행한다. 추가로 설명되는 바와 같이, 노드는 입력 데이터를 수신하고 하나 이상의 알고리즘을 사용하여 입력 데이터를 처리하여 출력 데이터를 생성한다. 일반적으로, 알고리즘에는 적응형 학습에 기초하여 변경되는 가중치 및/또는 계수가 포함된다. 따라서, 가중치 및/또는 계수는 신경망에 의해 학습된 정보를 반영한다. 경우에 따라 각 노드는 처리된 입력 데이터를 하나 이상의 다음 노드에 전달할지 여부를 결정할 수 있다. 설명하자면, 입력 데이터를 처리한 후, 노드(510)는 처리된 입력 데이터를 은닉 계층(508)의 노드(512)와 노드(514) 중 하나 또는 둘 다에 전달할지 여부를 결정할 수 있다. 대안적으로 또는 추가적으로, 노드(510)는 처리된 입력 데이터를 계층 연결 아키텍처에 기초하여 노드에 전달한다. 이 프로세스는 DNN(502)이 출력 계층(506)의 노드(예를 들어, 노드(516))를 사용하여 출력을 생성할 때까지 다수의 계층에 걸쳐 반복될 수 있다.

신경망은 또한 신경망 내의 어떤 노드가 연결되어 있는지, 데이터가 신경망에서 어떻게 진행 및/또는 유지되는지, 어떤 가중치와 계수가 입력 데이터를 처리하는데 사용되는지, 데이터가 어떻게 처리되는지를 결정하는 다양한 아키텍처를 사용할 수 있다. 이러한 다양한 요소는 위에서 간략하게 설명한 신경망 아키텍처 구성과 같은 신경망 아키텍처 구성을 집합적으로 설명한다. 설명하자면, LSTM(장단기 기억) 신경망과 같은 순환 신경망은 입력 데이터 시퀀스의 이전 부분의 정보를 유지하기 위해 노드 연결 사이에 싸이클을 형성한다. 그런 다음 순환 신경망은 입력 데이터 시퀀스의 후속 부분에 대해 보유된 정보를 사용한다. 또 다른 예로서, 피드포워드 신경망은 정보를 유지하기 위한 사이클을 형성하지 않고 정보를 포워드 연결로 전달한다. 노드 연결의 맥락에서 설명되었지만, 신경망 아키텍처 구성은 DNN(502) 또는 다른 신경망이 입력 데이터를 처리하는 방법에 영향을 미치는 다양한 파라미터 구성을 포함할 수 있다는 것이 이해되어야 한다.

신경망의 신경망 아키텍처 구성은 다양한 아키텍처 및/또는 파라미터 구성으로 특징지어질 수 있다. 설명을 위해, DNN(502)이 컨볼루션 신경망(CNN)을 구현하는 예를 고려한다. 일반적으로, 컨벌루션 신경망은 입력 데이터를 필터링하기 위해 계층들이 컨볼루션 연산을 사용하여 데이터를 처리하는 DNN 유형에 해당한다. 따라서, CNN 아키텍처 구성은 예를 들어 풀링 파라미터(들), 커널 파라미터(들), 가중치, 및/또는 계층 파라미터(들)로 특징지어질 수 있다.

풀링 파라미터는 입력 데이터의 차원을 감소시키는 컨벌루션 신경망 내의 풀링 계층을 지정하는 파라미터에 해당한다. 설명하자면, 풀링 계층은 제1 계층의 노드 출력을 제2 계층의 노드 입력으로 결합할 수 있다. 대안적으로 또는 추가적으로, 풀링 파라미터는 신경망이 데이터를 풀링하는 데이터 계층의 방법과 위치를 지정한다. 예를 들어, "최대 풀링"을 나타내는 풀링 파라미터는 제1 계층의 노드에 의해 생성된 데이터 그룹으로부터 최대값을 선택함으로써 풀링하고, 최대값을 제2 계층의 단일 노드에 대한 입력으로 사용하도록 신경망을 구성한다. "평균 풀링"을 나타내는 풀링 파라미터는 제1 계층의 노드에 의해 생성된 데이터 그룹으로부터 평균값을 생성하고 해당 평균값을 제2 계층의 단일 노드에 대한 입력으로 사용하도록 신경망을 구성한다.

커널 파라미터는 입력 데이터 처리에 사용되는 필터 크기(예를 들어, 폭, 높이)를 나타낸다. 대안으로 또는 추가적으로, 커널 파라미터는 입력 데이터를 필터링하고 처리하는데 사용되는 커널 방법의 유형을 지정한다. 예를 들어, 지원 벡터 머신은 회귀 분석을 사용하여 데이터를 식별 및/또는 분류하는 커널 방법에 해당한다. 다른 유형의 커널 방법에는 가우스 프로세스, 표준 상관 분석, 스펙트럼 클러스터링 방법 등이 포함된다. 따라서, 커널 파라미터는 신경망에 적용할 필터 크기 및/또는 커널 방법의 종류를 나타낼 수 있다. 가중치 파라미터는 입력 데이터를 분류하기 위해 노드 내 알고리즘에서 사용되는 가중치와 편향을 지정한다. 일부 구현에서, 가중치와 편향은 트레이닝 데이터로부터 생성된 파라미터 구성과 같은 학습된 파라미터 구성이다. 계층 파라미터는 제1 계층(예를 들어, 출력 층(506))의 모든 노드를 제2 계층(예를 들어, 은닉 계층(508))의 모든 노드에 연결함을 나타내는 완전 연결 계층 유형, 제1 계층 어떤 노드가 제2 게층으부터 연결 해제되는지를 나타내는 부분 연결 계층 유형, 신경망 내에서 활성화할 필터 및/또는 계층을 나타내는 활성화 계층 유형과 같은 계층 연결 및/또는 계층 유형을 지정한다. 대안적으로 또는 추가적으로, 계층 파라미터는 정규화 계층 유형, 컨벌루션 계층 유형, 풀링 계층 유형 등과 같은 노드 계층의 유형을 지정한다.

풀링 파라미터, 커널 파라미터, 가중치 파라미터, 및 계층 파라미터의 맥락에서 설명하였지만, 본 명세서에 제공된 명령과 일치하는 DNN을 형성하기 위해 다른 파라미터 구성이 사용될 수 있음을 이해할 것이다. 따라서, 신경망 아키텍처 구성에는 DNN이 입력 데이터를 처리하여 출력 데이터를 생성하는 방법에 영향을 주는 DNN에 적용할 수 있는 임의의 적합한 유형의 구성 파라미터가 포함될 수 있다.

일부 실시예에서, ML 모듈(500)의 구성은 현재 동작 환경에 더 기초한다. 설명을 위해, 신호의 디지털 샘플로부터 이진 데이터를 생성하도록 트레이닝된 ML 모듈을 고려한다. RF 신호 전파 환경은 종종 물리적 환경을 통해 이동하는 신호의 특성을 수정한다. RF 신호 전파 환경은 종종 변경되며 이는 환경이 신호를 수정하는 방식에 영향을 미친다. 예를 들어, 제1 RF 신호 전파 환경은 첫 번째 방식으로 신호를 수정하는 반면, 제2 RF 신호 전파 환경은 첫 번째와 다른 방식으로 신호를 수정한다. 이러한 차이는 ML 모듈(500)에 의해 생성된 출력 결과의 정확성에 영향을 미친다. 예를 들어, 제1 RF 신호 전파 환경에서 전송된 통신을 처리하도록 구성된 DNN(502)은 제2 RF 신호 전파 환경에서 전송된 통신을 처리할 때 오류를 생성하거나 성능을 제한할 수 있다. DNN(502)을 구현하는 컴포넌트의 센서 세트의 특정 센서는 현재 RF 신호 전파 환경의 하나 이상의 양태를 나타내는 센서 데이터를 제공할 수 있다. 위에 언급된 예에는 LOS 전파 경로 내에서 간섭 객체의 존재 여부를 결정하기 위한 라이다, 레이더 또는 기타 객체 감지 센서, 컴포넌트에 대한 사용자 신체의 존재 및/또는 위치를 결정하기 위한 UI 센서가 포함될 수 있다. 그러나, 이용 가능한 특정 센서 능력은 센서를 구현하는 특정 컴포넌트에 따라 달라질 수 있다는 것이 이해될 것이다. 예를 들어, BS(108)는 라이다 또는 레이더 기능을 가질 수 있으므로 근접한 객체를 감지하는 능력을 가질 수 있는 반면, UE(110)는 라이다 및 레이더 기능이 없을 수 있다. 다른 예로서, 스마트폰(UE(110)의 일 실시예)에는 스마트폰이 사용자의 주머니나 가방에 있는지 여부를 감지하는데 사용할 수 있는 광 센서가 있을 수 있지만, 노트북 컴퓨터(UE(110)의 다른 실시예)에는 이러한 기능이 없을 수 있다. 이와 같이, 일부 실시예에서, ML 모듈(500)에 대해 구현된 특정 구성은 ML 모듈(500)을 구현하는 장치의 특정 센서 구성에 적어도 부분적으로 의존할 수 있다.

ML 모듈(500)의 구조적 구성은 또한 ML 모듈(500)을 구현하는 노드, ML 모듈(500)을 구현하는 노드의 업스트림 또는 다운스트림의 하나 이상의 노드, 또는 이들의 조합의 성능에 기초할 수 있다. 예를 들어, UE(110)는 배터리 전력이 제한될 수 있으므로, UE(110)와 BS(108) 모두에 대한 ML 모듈(500)은 예를 들어 양단의 ML 모듈(500)이 낮은 전력 소비에 더 적합한 CSI 추정 코딩 방식을 사용한다. 또한, 일부 실시예에서, ML 모듈(500)의 아키텍처 구성은 CSI 피드백을 위한 TX 처리 모듈에서 구현되는 경우, CSI가 하나 이상의 MIMO 프로세스의 제어를 위해 고려될 미래 기간의 CSI 예측(예상 미래 CSI 추정치)에 기초하거나 이를 위해 트레이닝될 수 있으며, 이에 따라 ML 모듈(500)은 이러한 예측을 사용하도록 트레이닝될 수 있다.

따라서, 일부 실시예에서, ML 모듈(500)을 구현하는 장치는 성능 파라미터, RF 환경 파라미터 등의 다양한 조합에 대해 다양한 신경망 아키텍처 구성을 구현하도록 구성될 수 있다. 예를 들어, 장치는 이미징 카메라가 장치에서 사용 가능하고 CSF 경로의 다른 장치가 라이다를 사용할 때 사용하기 위한 하나 이상의 신경망 아키텍처 구성, 및 이미징 카메라가 장치에서 사용 가능하지 않고 다른 장치가 레이더를 사용할 때 사용하기 위한 하나 이상의 신경망 아키텍처 구성의 다른 세트에 액세스할 수 있다.

일부 실시예에서, ML 모듈(500)을 구현하는 장치는 ML 모듈(500)에 사용될 수 있는 후보 신경망 아키텍처 구성 세트의 일부 또는 전부를 로컬로 저장한다. 예를 들어, 후보 신경망 아키텍처 구성은 하나 이상의 성능 파라미터, 전파 환경 파라미터, 하나 이상의 채널 등과 같은 하나 이상의 파라미터를 입력으로 취하는 다른 데이터 구조 또는 룩업 테이블(LUT)에 의해 인덱싱될 수 있으며, 입력 파라미터(들)를 고려하여 동작에 적합한 해당 로컬로 저장된 후보 신경망 아키텍처 구성과 관련된 식별자를 출력할 수 있다. 그러나, 일부 실시예에서 송신 장치에 사용되는 신경망과 수신 장치에 사용되는 신경망은 공동으로 트레이닝되므로, 각 장치가 ML 모듈(500)에 대해 다른 장치가 상호 보완적인 ML 모듈(500)에 대해 선택한 신경망 아키텍처 구성과 공동으로 트레이닝되었거나 적어도 동작상 호환되는 신경망 아키텍처 구성을 선택하도록 돕기 위해 송신 장치와 수신 장치 사이에 메커니즘이 사용되어야 할 수도 있다. 이 메커니즘은 예를 들어 두 장치 사이에 직접적으로 또는 관리 컴포넌트(140)를 통해 전송되는 조정 시그널링을 포함할 수 있거나, 관리 컴포넌트(140)는 각 장치에 의해 제안된 서브세트로부터 호환 가능한 공동 트레이닝된 아키텍처 구성 쌍을 선택하는 심판 역할을 할 수 있다.

그러나, 다른 실시예에서는 송신 장치 및 수신 장치의 대응 ML 모듈(500)에 사용될 적절한 공동 트레이닝된 신경망 아키텍처 구성 쌍을 선택하도록 관리 컴포넌트(140)를 작동시키는 것이 더 효율적이거나 유리할 수 있다. 이 접근 방식에서, 관리 컴포넌트(140)는 송신 및 수신 장치로부터 선택 프로세스에 사용될 수 있는 파라미터 중 일부 또는 전부를 나타내는 정보를 획득하고, 이 정보로부터 관리 컴포넌트(140)에서 유지되는 이러한 구성 세트(142)로부터 공동 트레이닝된 신경망 아키텍처 구성 쌍(144)을 선택한다. 관리 컴포넌트(140)에서 유지된다. 이 선택 프로세스는 예를 들어 하나 이상의 알고리즘, LUT 등을 사용하여 구현될 수 있다. 그런 다음 관리 컴포넌트(140)는 해당 장치의 ML 모듈(500)에 대해 선택된 신경망 아키텍처 구성의 식별자 또는 기타 표시를 각 장치에 전송할 수 있거나(각 장치가 로컬로 저장된 사본을 갖는 경우), 관리 컴포넌트(140)는 해당 장치에 대해 선택된 신경망 아키텍처 구성을 나타내는 하나 이상의 데이터 구조를 전송할 수 있다.

송신 및 수신 장치에 대한 신경망 아키텍처 구성의 적절한 쌍을 선택하는 프로세스를 용이하게 하기 위해, 적어도 하나의 실시예에서 관리 컴포넌트(140)는 신경망 관리 모듈과 트레이닝 모듈의 적절한 조합을 사용하여 트레이닝 CSF 경로에서 ML 모듈(500)을 트레이닝시킨다. 트레이닝은 활성(active) 통신 교환이 발생하지 않는 경우 오프라인으로 수행되거나 활성 통신 교환 중에 온라인으로 수행될 수 있다. 예를 들어, 관리 컴포넌트(140)는 수학적으로 트레이닝 데이터를 생성하고, 트레이닝 데이터를 저장하는 파일에 액세스하고, 실제 통신 데이터를 획득할 수 있다. 그런 다음 관리 컴포넌트(140)는 후속 사용을 위해 다양한 학습된 신경망 아키텍처 구성을 추출하고 저장한다. 일부 구현에서는 각각의 신경망 아키텍처 구성에 입력 특성을 저장하며, 이에 따라 입력 특성은 개별 신경망 아키텍처 구성에 대응하는 RF 신호 전파 환경 및 성능(capability) 구성 중 하나 또는 둘 모두의 다양한 속성을 기술한다. 구현에서, 신경망 관리자는 현재 RF 신호 전파 환경 및 현재 동작 환경을 입력 특성에 매칭시켜 신경망 아키텍처 구성을 선택하고, 현재 동작 환경에는 센서 성능, RF 성능, 스트리밍 액세서리 성능, 처리 성능, 스케줄링 대기 시간 등과 같은 트레이닝 CSF 경로를 따라 하나 이상의 노드의 성능 표시가 포함된다.

언급한 바와 같이, BS(108) 및 UE(110)와 같이 무선 통신 중인 네트워크 장치는, 각 네트워크 장치에서 하나 이상의 DNN을 사용하여 무선 통신 교환을 처리하도록 구성할 수 있으며, 여기서 각 DNN은 CSI 추정 프로세스 또는 CSF 프로세스를 촉진하기 위해 하나 이상의 하드 코딩된 또는 고정된 설계 블록에 의해 기존에 구현된 하나 이상의 기능을 대체한다. 더욱이, 각각의 DNN은 네트워크 장치의 센서 세트 중 하나 이상의 센서로부터의 현재 센서 데이터 및/또는 체인(116)을 따른 일부 또는 모든 노드로부터의 성능 데이터를 추가로 통합하여 실제로 현재 동작 환경을 고려하여 동작을 수정하거나 적응할 수 있다.

이를 위해, 도 6은 도 1의 예시적인 CSF 경로(116)에서 DNN 구현을 위한 예시적인 동작 환경(600)을 도시하며, 여기서 BS(108)는 송신 장치로 동작하고 UE(110)는 수신 장치로 동작한다. 도시된 예에서, UE(110)의 신경망 관리 모듈(222)은 CSF 송신기(TX) 처리 모듈(602)을 구현하는 반면, BS(108)의 신경망 관리 모듈(314)은 CSF 수신기(RX) 처리 모듈(604)을 구현한다. 적어도 하나의 실시예에서, 이러한 처리 모듈 각각은 도 5의 ML 모듈(500)의 하나 이상의 DNN(502)을 참조하여 위에서 설명한 것과 같이 대응하는 ML 모듈의 구현을 통해 하나 이상의 DNN을 구현한다.

도시된 접근 방식에서, 동작 환경(600)은 CSI 추정값을 생성하는 프로세스에 대해 기존 접근 방식을 사용하지만 CSI 추정값을 인코딩하고 BS(108)로 다시 전송하기 위해 신경망 기반 접근 방식을 사용한다. 따라서, CSF 관리 모듈(318)은 하나 이상의 CSI 파일럿 신호(608)의 시퀀스를 생성하며, 이들 각각은 하나 이상의 안테나(302)를 통해 UE(110)로 전송되는 대응하는 RF 신호(610)로 변환하기 위해 BS(108)의 RF 안테나 인터페이스(304)에 제공된다. RF 신호(610)는 하나 이상의 안테나(202) 및 RF 안테나 인터페이스(204)를 통해 UE(110)에서 수신되고 처리되며, 결과적으로 캡처된 신호(612)는 CSI 추정 모듈(226)에 의해 분석되어 전송된 CSI 파일럿 신호(608)에 대응하는 안테나/수신기/부반송파에 대한 하나 이상의 CSI 추정치를 생성한다. CSI 추정 모듈(226)은 CSI 추정을 위해 잘 알려진 다양한 독점 기술을 사용할 수 있다. 일반적으로, 이러한 CSI 추정 기술은 CSI 파일럿 신호(608)의 파라미터가 선험적으로 알려져 있다는 사실을 활용하므로 캡처된 신호(612)의 실제 수신 형태는 CSI 추정을 결정하기 위해 예상 수신 형태와 비교될 수 있다.

기존의 CSF 프로세스에서, 해당 안테나/수신기/부반송파 조합에 대한 CSI 추정치는 CSI 추정 행렬의 해당 인덱스 위치에 추가되며, 완료되면 CSI 추정 행렬에 대해 전송될 데이터의 총량을 줄이기 위해 벡터 양자화(VQ)와 같은 일부 고정되고 하드코딩된 압축 알고리즘을 사용하여 UE에서 BS로 다시 전송된다. 그러나, 대규모 MIMO 시스템 또는 MU-MIMO 시스템과 같은 복잡한 시스템에서는 안테나, 부반송파 및 사용자 수가 증가하면 결과 CSI 추정 행렬의 크기가 기하급수적으로 증가하며 이는 전송을 위해 CSI 추정 행렬을 양자화하거나 압축하는 기존의 하드코딩된 알고리즘 접근 방식을 실행 불가능하게 만들거나 적어도 지나치게 복잡하게 만들 수 있다.

따라서, 하드코딩되거나 알고리즘적인 CSI 추정 양자화 프로세스를 사용하는 대신, UE(110)의 CSF TX 처리 모듈(602)과 BS(108)의 CSF RX 처리 모듈(604)은 BS(108)에 의해 전송된 CSI 파일럿 시그널링으로부터 UE(110)에 의해 결정된 CSI 추정치를 나타내는 데이터를 통신하기 위해 UE(110)와 BS(108) 사이의 신경망 기반 무선 피드백 경로를 지원하기 위해 상호 동작한다. 이를 위해, UE(110)의 CSF TX 처리 모듈(602)의 하나 이상의 DNN는 CSI 추정 모듈(226)에 의해 생성된 하나 이상의 CSI 추정치를 나타내는 발신 CSI 추정 데이터 블록(614)을 입력으로 수신하고, 이들 입력으로부터 대응하는 CSI 출력(620)을 생성하도록 트레이닝된다.

CSF TX 처리 모듈(602)에 제공되는 선택적인 다른 입력은 예를 들어 센서 세트(210)로부터의 센서 데이터(616) 및 RF 안테나 인터페이스(204)의 전송측에 대한 현재 동작 파라미터를 나타내는 네트워크 상태 정보(618)를 포함할 수 있고, 따라서 시그널링을 전송하기 위한 현재 RF 전파 환경의 표현 역할을 할 수 있다. 또한, 채널 상태는 시시각각 변할 수 있으며, 이에 따라 CSI 추정치가 UE(110)에서 생성되는 때와 MIMO 관리 모듈(320)이 하나 이상의 MIMO 프로세스를 제어하기 위해 CSI 추정치를 사용하는 때 사이의 대기시간(여기서는 "스케줄링 대기시간"으로 지칭됨)으로 인해 현재 기간의 MIMO 프로세스를 제어하는데 사용되는 이전 기간의 CSI 추정 정보가 최신이 아닐 수 있다는 것이 이해될 것이다. 이러한 스케줄링 대기시간을 보상하기 위해, CSF TX 처리 모듈(602)의 하나 이상의 DNN은 CSI 출력(620)에 표현된 예측된 미래 CSI 추정치(들)가 BS(108)의 MIMO 관리 모듈(320)에 의해 사용될 다음 기간(BS(108)의 스케줄링 대기시간에 의해 표시죔)에 대한 미래 CSI 추정치(들)의 예측인 CSI 출력을 제공하기 위해 다양한 스케줄링 대기시간에 대해 트레이닝될 수 있다. 따라서, 이를 위해, UE(110)는 또한 BS(108)에 대한 스케줄링 대기시간을 나타내는 스케줄링 대기시간 정보(619)를 입력으로서 CSF TX 처리 모듈(602)에 제공할 수 있으며 이는 BS(108)의 동작 분석을 통해 결정될 수 있고, BS(108)에 의한 스케줄링의 명시적인 광고에 기초하여 결정될 수 있고, 다른 UE에 의해 관찰되는 BS(108)의 스케줄링 대기시간에 기초하여 결정될 수 있다.

RF 안테나 인터페이스(204) 및 하나 이상의 안테나(202)는 이 CSI 출력(620)을 BS(108)에 의한 수신을 위해 무선으로 전송되는 대응 RF 신호(622)로 변환한다. 특히, 일부 실시예에서 CSF TX 처리 모듈(602)의 하나 이상의 DNN은 실제로 입력 CSI 추정 데이터 블록(614)의 인코딩된(예를 들어, 압축된) 데이터 표현을 생성하는 처리를 제공하도록 트레이닝되며, 이러한 처리는 알고리즘 데이터 양자화 프로세스의 힘들고 비효율적인 하드코딩을 요구하는 대신 공동 훈련을 통해 하나 이상의 DNN으로 트레이닝된다. 또한, 일부 실시예에서, 하나 이상의 DNN은 디지털-아날로그 변환 및 RF 전송을 위해 준비된 CSI 추정 데이터 블록(614)의 채널 인코딩(변조 포함) 표현을 실제로 제공하도록 추가로 동작할 수 있다. 즉, 별도의 개별 처리 블록을 사용하여 데이터 인코딩 프로세스를 구현한 후 초기 RF 인코딩 프로세스를 수행하는 것이 아니라, CSF TX 처리 모듈(602)은 이러한 프로세스와 동등한 것을 동시에 제공하고, 센서 데이터(616), 네트워크 상태 정보(618) 및 스케줄링 대기시간 정보(619)와 같은 다른 현재 데이터에 적어도 부분적으로 기초하여 실제로 소스 인코딩 및 채널 인코딩되어 RF 전송 준비가 된 해당 신호를 생성하도록 트레이닝될 수 있으며, 스케줄링 대기시간이 고려되는 경우 예측된 미래 CSI 추정치를 반영하도록 수정된다.

UE(110)로부터 전파되는 RF 신호(622)는 BS(108)의 안테나(302) 및 RF 안테나 인터페이스(304)에 의해 수신되고 초기에 처리된다. CSF RX 처리 모듈(604)의 하나 이상의 DNN은 선택적으로 센서 세트(310)로부터의 센서 데이터(626) 및 RF 안테나 인터페이스(304)의 수신측에 대한 현재 파라미터를 나타내는 네트워크 상태 정보(628) 등과 같은 하나 이상의 다른 입력과 함께 RF 안테나 인터페이스(304)의 결과 출력을 입력(624)으로 수신하고, 이들 입력으로부터, UE(110)의 CSI 추정 모듈(226)에 의해 제공되는 CSI 추정 데이터 블록(614)의 복구된 표현 또는 버전인 대응하는 CSI 추정 데이터 블록(630)을 생성하도록 트레이닝된다. CSF RX 처리 모듈(604)에 의해 수행되는 처리는 예를 들어 CSI 추정 데이터 블록(614)의 데이터 인코딩된 버전의 디지털 표현을 생성하기 위해 입력(624)의 채널 디코딩뿐만 아니라 실제로 CSI 추정 데이터 블록(614)의 디코딩된 표현을 생성하기 위해 데이터 자체의 디코딩(예를 들어, 압축 해제)을 포함할 수 있다. 그런 다음 복구된 CSI 추정 데이터 블록(630)은 BS(108)와 UE(110) 사이, 또는 BS(108)와 다수의 UE 사이에서 하나 이상의 MIMO 기반 프로세스를 제어하는데 사용하기 위해 MIMO 관리 모듈(320)에 제공될 수 있다. 전술한 바와 같이, 이러한 동작은 빔형성 동작, 공간 다이버시티 동작 등을 포함할 수 있다.

송신 장치와 수신 장치 사이의 CSF 경로를 구현하기 위해 공동 트레이닝된 DNN 또는 기타 신경망의 구현은 설계 유연성을 제공하고 기존 블록별 설계 및 테스트 접근 방식에 비해 효율적인 업데이트를 촉진하는 동시에 CSF 경로에 있는 장치들이 발신 및 수신 전송 처리를 현재 동작 파라미터에 신속하게 적응시킬 수 있도록 한다. 그러나, DNN들이 배포되고 작동하기 전에. 이들은 일반적으로 주어진 하나 이상의 입력 세트에 적합한 출력을 제공하도록 트레이닝되거나 구성된다. 이를 위해, 도 7은 일부 실시예에 따른 서로 다른 동작 환경에 대한 CSF 경로의 장치들에 대한 옵션으로서 하나 이상의 공동 트레이닝된 DNN 아키텍처 구성을 개발하기 위한 예시적인 방법(700)을 도시한다. 도 7을 참조하여 설명된 동작들의 순서는 단지 예시를 위한 것이며, 동작들의 다른 순서가 수행될 수 있으며, 또한 하나 이상의 동작이 생략될 수 있거나 예시된 방법에 하나 이상의 추가 동작이 포함될 수 있다는 점에 유의한다. 또한, 도 7은 하나 이상의 테스트 노드를 사용하는 오프라인 트레이닝 접근 방식을 도시하지만, 활성 동작 중인 하나 이상의 노드를 사용하는 온라인 트레이닝을 위해 유사한 접근 방식이 구현될 수 있다는 점에 유의한다.

위에서 설명한 바와 같이, 해당 CSF 경로를 형성하는 DNN 체인의 하나 또는 두 장치에 사용되는 DNN의 동작은 일반적으로 RF 전파 환경뿐만 아니라 해당 DNN을 사용하는 장치의 동작 파라미터, 하나 이상의 업스트림 또는 다운스트림 장치의 동작 파라미터, 또는 이들의 조합의 동작 파라미터와 같은 CSF 경로의 특정 성능 및 현재 동작 파라미터에 기초할 수 있다. 이러한 성능 및 동작 파라미터에는 예를 들어 장치의 RF 전송 환경을 감지하는데 사용되는 센서 유형, 이러한 센서의 성능, 하나 이상의 장치의 전력 용량, 하나 이상의 장치의 처리 용량, 하나 이상의 장치의 RF 안테나 인터페이스 구성(예를 들어, 빔 수, 안테나 포트, 지원되는 주파수) 등이 포함될 수 있다. 설명되는 DNN은 이러한 정보를 활용하여 자신의 동작을 지시하기 때문에, 많은 경우에 노드들 중 하나에서 구현된 특정 DNN 구성은 해당 장치 또는 CSF 경로의 반대편에 있는 장치에서 현재 사용되는 특정 성능 및 동작 파라미터에 기초한다는 것이 이해될 것이다. 즉, 구현된 특정 DNN 구성은 송신 및 수신 장치에 의해 구현된 CSF 경로에 의해 현재 표시되는 성능 정보 및 동작 파라미터를 반영한다.

따라서, 방법(700)은 테스트 송신 장치 및 테스트 수신 장치를 포함하는 테스트 CSF 경로의 하나 이상의 테스트 노드의 예상 성능(예상 동작 파라미터 또는 파라미터 범위 포함)의 식별로 블록(702)에서 시작한다. 다음의 경우, 관리 컴포넌트(140)의 트레이닝 모듈(408)이 공동 트레이닝을 관리하고 따라서 테스트 장치에 대한 성능 정보가 (예를 들어, 이 정보를 저장하는 데이터베이스 또는 다른 로컬로 저장된 데이터 구조를 통해) 트레이닝 모듈(408)에 알려지는 것으로 가정된다. 그러나, 관리 컴포넌트(140)는 임의의 주어진 UE의 성능에 대한 사전 지식을 갖고 있지 않을 가능성이 높기 때문에, 테스트 송신 및 수신 장치는 테스트 장치에서 사용 가능한 센서 유형의 표시, 이러한 센서에 대한 다양한 파라미터의 표시(예를 들어, 이미징 카메라의 이미징 해상도 및 사진 데이터 포멧), 위성 기반 위치 센서의 위성 위치 확인 유형 및 포멧, 장치에서 사용 가능한 액세서리 및 적용 가능한 파라미터(예를 들어, 오디오 채널 수) 등과 같은 개별 성능의 표시를 관리 컴포넌트(140)에 제공한다. 예를 들어, 테스트 장치는 적어도 4G LTE 및 5G NR 사양에 따라 BS에 의해 전송된 UECapabilityEnquiry RRC 메시지에 응답하여 UE에 의해 일반적으로 제공되는 UECapabilityInformation RRC(Radio Resource Control) 메시지의 일부로서 이러한 성능 표시를 제공할 수 있다. 대안적으로, 테스트 UE는 별도의 부채널(side-channel) 또는 제어 채널 통신으로 센서 성능의 표시를 제공할 수 있다. 또한, 일부 실시예에서, 테스트 장치의 성능은 관리 컴포넌트(140)가 사용할 수 있는 로컬 또는 원격 데이터베이스에 저장될 수 있으며, 따라서 관리 컴포넌트(140)는 테스트 장치와 관련된 IMSI(International Mobile Subscriber Identity) 값과 같은 테스트 장치의 식별자의 일부 형태에 기초하여 이 데이터베이스에 질의할 수 있다.

일부 실시예에서, 트레이닝 모듈(408)은 모든 CSF 구성 순열을 트레이닝하려고 시도할 수 있다. 그러나, 송신 및 수신 장치가 상대적으로 많고 다양한 성능과 기타 동작 파라미터를 가질 가능성이 있는 구현에서, 이러한 노력은 실행 불가능할 수 있다. 따라서, 블록(704)에서 트레이닝 모듈(408)은 지정된 후보 CSF 구성 세트로부터 테스트 장치의 DNN을 공동으로 트레이닝하기 위한 특정 CSF 구성을 선택할 수 있다. 따라서 각각의 후보 CSF 구성은 CSF 관련 파라미터, 파라미터 범위, 또는 이들의 조합의 특정 조합을 나타낼 수 있다. 이러한 파라미터 또는 파라미터 범위에는 센서 성능 파라미터, 처리 성능 파라미터, 배터리 전력 파라미터, RF 신호 파라미터(예를 들어, 안테나 수 및 유형, 서브채널 수 및 유형 등), 스케줄링 대기 시간 정보 등이 포함될 수 있다. 이러한 CSF 관련 파라미터는 송신 장치에 의해 사용될 특정 유형의 CSI 파일럿 신호, 수신 장치가 CSI 추정치를 계산하는 방식 및 CSI 추정치가 CSF로서 제공되는 포멧을 더 나타낼 수 있다. 트레이닝을 위해 후보 CSF 구성이 선택되면, 추가로 블록(704)에서 트레이닝 모듈(408)은 테스트 송신 장치 및 테스트 수신 장치 각각에 대한 초기 DNN 아키텍처 구성을 식별하고, 테스트 장치가 후보 초기 DNN 아키텍처 구성의 복사본을 저장하는 경우 초기 DNN 아키텍처 구성과 관련된 식별자를 테스트 장치에 제공하거나, 초기 DNN 아키텍처 구성 자체를 나타내는 데이터를 테스트 장치로 전송함으로써 테스트 장치에 이러한 각각의 초기 DNN 아키텍처 구성을 구현하도록 지시한다.

CSF 구성이 선택되고 선택된 CSF 구성에 기초하는 DNN 아키텍처 구성으로 테스트 장치가 초기화되면, 블록(706)에서 트레이닝 모듈(408)은 선택된 CSF 구성 및 초기 DNN 아키텍처 구성에 기초하여 DNN 체인의 DNN을 공동으로 훈련하는데 사용할 하나 이상의 트레이닝 데이터 세트를 식별한다. 즉, 하나 이상의 트레이닝 데이터 세트는 온라인 동작에서 해당 DNN에 대한 입력으로 제공될 수 있고 따라서 DNN을 트레이닝하는데 적합한 데이터를 포함하거나 나타낸다. 설명을 위해, 이 트레이닝 데이터에는 테스트 CSI 파일럿 신호의 스트림, 테스트 CSI 파일럿 신호의 테스트 수신 표현, 테스트 중인 구성에 포함된 센서와 일치하는 테스트 센서 데이터, 테스트 중인 구성과 일치하는 테스트 네트워크 상태 정보가 포함될 수 있다.

하나 이상의 트레이닝 세트가 획득되면, 블록(708)에서 트레이닝 모듈(408)은 테스트 CSF 경로의 DNN의 공동 트레이닝을 시작한다. 이러한 공동 트레이닝에는 일반적으로 의사 무작위로 선택되는 초기 값으로 다양한 DNN의 편향 가중치 및 계수를 초기화하는 것, 이어서 테스트 수신 장치의 TX 처리 모듈(예를 들어, CSF TX 처리 모듈(602))에 트레이닝 데이터 세트를 입력하는 것, 테스트 수신 장치의 RX 처리 모듈(예를 들어, CSF RX 처리 모듈(604))에 대한 전송으로서 결과 출력을 무선으로 전송하는 것, 결과 출력을 분석하는 것 및 이어서 분석에 기초하여 DNN 아키텍처 구성을 업데이트하는 것이 포함된다.

DNN 트레이닝에 자주 사용되는 것처럼, CSF RX 처리 모듈(604)의 실제 결과 출력의 결과로서 획득된 피드백은 예를 들어 역전파 등을 통해 CSF 경로의 하나 이상의 DNN의 파라미터를 수정하거나 개선(refine)하는데 사용된다. 따라서, 블록(710)에서 관리 컴포넌트(140) 및/또는 DNN 체인 자체는 전송된 트레이닝 세트에 대한 피드백을 획득한다. 이 피드백은 다양한 형태나 형태의 조합으로 구현될 수 있다. 일부 실시예에서, 피드백에는 트레이닝 모듈(408) 또는 실제 결과 출력과 예상 결과 출력 사이의 오류를 결정하고 DNN 체인의 DNN 전체에 걸쳐 이 오류를 역전파하는 다른 트레이닝 모듈이 포함된다. 예를 들어, DNN 체인에 의한 처리는 양자화 또는 기타 인코딩의 형태를 효과적으로 제공하므로, 트레이닝 데이터 세트에 대한 객관적인 피드백은 DNN 체인에 입력으로서 제공된 원본 CSI 추정 데이터와 비교하여 DNN 체인의 출력으로서 획득된 복구된 CSI 추정 데이터의 정확성을 측정하는 일종의 측정 형태일 수 있다. 획득된 피드백에는 또한 신호가 DNN 체인의 하나 이상의 링크를 통과할 때 신호의 일부 측면에 대한 평가 메트릭이 포함될 수 있다. 예를 들어, 신호의 RF 측면과 관련하여, 피드백에는 블록 오류율(BER), 신호 대 잡음비(SNR), 신호 대 간섭 플러스 잡음 비(SINR) 등과 같은 메트릭이 포함될 수 있다.

블록(712)에서, DNN 체인을 통한 테스트 데이터 세트의 전송 및 테스트 송신 장치에서의 결과 출력의 프리젠테이션 또는 기타 소비의 결과로 획득된 피드백은 이어서 예를 들어, 해당 DNN의 가중치, 연결 또는 계층을 변경하기 위한 오류의 역전파를 통해 또는 이러한 피드백에 응답하여 관리 컴포넌트(140)에 의한 관리된 수정을 통해, CSF 경로의 하나 이상의 DNN의 다양한 양태를 업데이트하는데 사용된다. 블록(706-712)의 트레이닝 프로세스는 블록(706)의 다음 반복에서 선택된 트레이닝 데이터의 다음 세트에 대해 수행되고, 특정 횟수의 트레이닝 반복이 수행될 때까지 또는 특정 최소 오류율이 달성될 때까지 반복된다.

테스트 송신 장치와 테스트 수신 장치 사이의 CSF 경로를 따라 신경망을 공동(또는 개별) 트레이닝한 결과, 각 신경망은 특정 신경망 아키텍처 구성을 갖거나, 구현된 신경망이 DNN인 경우 은닉 계층 수, 각 계층의 노드 수, 각 계층 간의 연결, 각 노드에서 구현되는 가중치, 계수 및 기타 편향 값 등과 같은 해당 DNN의 아키텍처와 파라미터를 특징짓는 DNN 아키텍처 구성을 가질 수 있다. 따라서, 선택된 CSF 구성에 대한 CSF 경로의 DNN의 공동 또는 개별 트레이닝이 완료되면, 블록(714)에서 트레이닝된 DNN 구성의 일부 또는 전부는 시스템(100)의 BS(108)와 UE(110)에 배포되고, 각 노드는 해당 DNN의 결과적인 DNN 구성을 DNN 아키텍처 구성으로서 저장한다. 적어도 하나의 실시예에서, DNN 아키텍처 구성은 은닉 계층 수, 노드 수, 연결, 계수, 가중치 및 기타 편향 값 등과 같은 해당 DNN의 아키텍처 및 파라미터를 추출함으로써 생성될 수 있다. 다른 실시예에서, 관리 컴포넌트(140)는 쌍을 이루는 DNN 아키텍처 구성의 복사본을 세트(142)의 후보 신경망 아키텍처 구성(144)으로서 저장하고, 이러한 DNN 아키텍처 구성은 필요에 따라 BS(108) 및 UE(110)에 배포된다.

트레이닝될 하나 이상의 다른 후보 CSF 구성이 남아 있는 경우, 방법(700)은 공동으로 트레이닝될 다음 후보 CSF 구성을 선택하기 위해 블록(704)으로 돌아가서, 트레이닝 모듈(408)에 의해 선택된 다음 CSF 구성에 대해 블록(704-714)의 하위 프로세스의 또 다른 반복이 반복된다. 그렇지 않고. CSF 경로의 DNN이 의도된 모든 CSF 구성에 대해 공동으로 트레이닝된 경우 방법(700)은 완료되고 시스템(100)은 도 8-12를 참조하여 아래에 설명되는 바와 같이 신경망 지원 CSI 추정 피드백으로 전환할 수 있다.

위에서 언급한 바와 같이, 공동 트레이닝 프로세스는 오프라인 테스트 노드(즉, 제어 정보 또는 사용자 평면 데이터의 활성 통신이 발생하지 않는 동안)를 사용하거나 의도된 전송 경로의 실제 노드가 온라인인 동안(즉, 즉, 제어 정보 또는 사용자 평면 데이터의 활성 통신이 발생하는 동안) 수행될 수 있다. 또한, 일부 실시예에서는, 경우에 따라 모든 DNN을 공동으로 트레이닝하는 대신 다른 DNN을 정적으로 유지하면서 DNN의 서브세트가 트레이닝되거나 재트레이닝될 수 있다. 설명하자면, 관리 컴포넌트(140)는 예를 들어 DNN을 구현하는 장치 근처에 감지되지 않은 간섭자가 존재하거나 이전에 보고되지 않은 처리 용량 손실에 대한 응답으로 인해 특정 장치의 DNN이 비효율적으로 또는 부정확하게 동작하고 있음을 감지할 수 있으며, 따라서 관리 컴포넌트(140)는 다른 장치의 다른 DNN을 현재 구성으로 유지하면서 장치의 DNN(들)의 개별적인 재트레이닝을 스케줄링할 수 있다.

또한, 다수의 CSF 구성을 지원하는 매우 다양한 장치가 있을 수 있지만, 많은 다른 노드가 동일하거나 유사한 CSF 구성을 지원할 수 있다는 것이 인식될 것이다. 따라서, CSF 경로에 통합된 모든 장치에 대해 공동 트레이닝을 반복할 필요 없이, 대표 장치의 공동 훈련에 이어, 해당 장치는 CSF 구성에 대한 트레이닝된 DNN 아키텍처 구성의 표현을 관리 컴포넌트(140)로 전송할 수 있으며, 관리 컴포넌트(140)는 DNN 아키텍처 구성을 저장한 후 이를 CSF 경로의 DNN에서의 구현을 위해 동일하거나 유사한 CSF 구성을 지원하는 다른 장치로 전송할 수 있다.

더욱이, 해당 장치가 DNN을 사용하여 작동함에 따라 DNN 아키텍처 구성은 시간이 지남에 따라 변경되는 경우가 많다. 따라서, 동작이 진행됨에 따라, 주어진 장치의 신경망 관리 모듈(예를 들어, 신경망 관리 모듈(222, 314))은 예를 들어, 트리거에 응답하여 업데이트된 기울기 및 관련 정보를 관리 컴포넌트(140)에 제공함으로써 해당 노드에 사용된 하나 이상의 DNN의 업데이트된 아키텍처 구성의 표현을 전송하도록 구성될 수 있다. 이 트리거는 주기적 타이머의 만료, 관리 컴포넌트(140)로부터의 질의, 변경의 크기가 지정된 임계값을 초과했다는 결정 등일 수 있다. 그런 다음 관리 컴포넌트(140)는 이러한 수신된 DNN 업데이트를 해당 DNN 아키텍처 구성에 통합하고 따라서 전송 경로의 노드에 적절하게 배포할 수 있는 업데이트된 DNN 아키텍처 구성을 갖게 된다.

도 8 및 도 9는 일부 실시예에 따른 무선 장치들 사이에서 공동으로 트레이닝된 DNN 기반 CSF 경로를 사용하여 채널 상태 피드백을 위한 예시적인 방법(800)을 함께 도시한다. 논의의 용이함을 위해, 도 8의 방법(800)은 도 1 및 도 6의 CSF 경로(116)의 예시적인 맥락에서 아래에 설명되며, 여기서 BS(108)는 송신 장치로서 동작하고 UE(110)는 수신 장치로서 동작한다. 또한, 방법(800)의 프로세스는 도 9의 예시적인 트랜잭션(사다리) 도면(900)을 참조하여 설명된다.

방법(800)은 블록(802)에서 BS(108) 및 UE(110)가 셀룰러 컨텍스트에서 5G NR 독립형 등록/부착 프로세스를 통해 또는 WLAN 컨텍스트에서 IEEE 802.11 연결 프로세스를 통해 무선 연결을 설정하는 것으로 시작된다. 블록(804)에서, 관리 컴포넌트(140)는 BS(108)의 성능(capability) 관리 모듈(316)(도 3)에 의해 제공되는 성능 정보(902)(도 9) 및 UE(110)의 성능 관리 모듈(224)(도 2)에 의해 제공되는 성능 정보(904)(도 9)와 같은 성능 정보를 BS(108)와 UE(110) 각각으로부터 획득한다. 일부 실시예에서, 관리 컴포넌트(140)는 동일한 인프라 네트워크의 일부일 때 BS(108)의 성능에 대해 이미 통보받을 수 있으며, 이 경우 BS(108)에 대한 성능 정보(902)를 획득하는 것은 로컬 또는 원격 데이터베이스 또는 다른 데이터 저장소에 액세스하는 것을 포함할 수 있다. UE(110)의 경우, BS(108)는 UE(110)에 성능 요청을 전송할 수 있고, UE(110)는 성능 정보(904)로 이 요청에 응답하고, BS(108)는 이를 관리 컴포넌트(140)에 포워딩한다. 예를 들어, BS(108)는 UECapabilityEnquiry RRC 메시지를 전송할 수 있으며, UE(110)는 CSI-관련 성능 정보를 포함하는 UECapabilityInformation RRC 메시지로 응답한다.

블록(806)에서, 관리 컴포넌트(140)의 신경망 선택 모듈(410)은 BS(108)와 UE(110) 사이의 CSF 구성을 나타내는 성능 정보 및 기타 정보를 사용하여 CSF 경로(116)를 지원하기 위해 BS(108) 및 UE(110)에서 구현될 CSF DNN 아키텍처 구성 쌍을 선택한다(DNN 선택(906), 도 9). 일부 실시예에서, 신경망 선택 모듈(410)은 DNN 아키텍처 구성의 적합한 쌍을 식별하기 위해 BS(108) 및 UE(110)로부터 획득된 성능 정보와 CSF 경로(116)의 CSF 구성 파라미터를 세트(142) 내의 후보 신경망 아키텍처 구성 쌍(144)의 속성과 비교하는 알고리즘 선택 프로세스를 사용한다. 다른 실시예에서, 신경망 선택 모듈(410)은 하나 이상의 LUT에서 후보 DNN 아키텍처 구성을 구성할 수 있고, 그의 각 항목은 해당 DNN 아키텍처 구성 쌍을 저장하고 입력 파라미터 또는 파라미터 범위의 해당 조합에 의해 인덱싱되며, 신경망 선택 모듈(410)은 하나 이상의 LUT에 대한 입력으로서 블록(804)에서 식별된 성능 및 CSF 구성 파라미터의 제공을 통해 BS(108)와 UE(110)에 의해 채용될 DNN 아키텍처 구성의 적합한 쌍을 선택할 수 있다.

또한 블록(806)에서, 관리 컴포넌트(140)는 선택된 공동 트레이닝된 DNN 아키텍처 구성 쌍으로부터 각자의 DNN 아키텍처 구성을 구현하도록 BS(108) 및 UE(110)에 지시한다. BS(108) 및 UE(110) 각각이 잠재적인 향후 사용을 위해 후보 DNN 아키텍처 구성을 저장하는 구현에서, 관리 컴포넌트(140)는 구현될 DNN 아키텍처 구성의 식별자와 함께 메시지를 전송할 수 있다. 그렇지 않으면, 관리 컴포넌트(140)는 예를 들어 계층 1 신호, 계층 2 제어 요소, 계층 3 RRC 메시지, 또는 이들의 조합으로서 DNN 아키텍처 구성을 나타내는 정보를 전송할 수 있다. 예를 들어, 도 9를 참조하면, 관리 컴포넌트(140)는 BS(108)에 대해 선택된 DNN 아키텍처 구성을 나타내는 데이터를 포함하는 DNN 구성 메시지(908)를 BS(108)로 전송한다. 이 메시지를 수신하는 것에 응답하여, BS(108)의 신경망 관리 모듈(314)은 DNN 구성 메시지(908)로부터 데이터를 추출하고 그 추출된 데이터에 표시된 DNN 아키텍처 구성을 갖는 하나 이상의 DNN을 구현하도록 CSF RX 처리 모듈(604)을 구성한다. 마찬가지로, 관리 컴포넌트(140)는 UE(110)에 대해 선택된 DNN 아키텍처 구성을 나타내는 데이터를 포함하는 DNN 구성 메시지(910)를 UE(110)로 전송한다. 이 메시지를 수신하는 것에 응답하여, UE(110)의 신경망 관리 모듈(222)은 DNN 구성 메시지(910)로부터 데이터를 추출하고 그 추출된 데이터에 표시된 DNN 아키텍처 구성을 갖는 하나 이상의 DNN을 구현하도록 CSF TX 처리 모듈(602)을 구성한다.

CSF 경로(116)의 DNN이 초기에 구성되면, CSI 추정 및 피드백 프로세스가 시작될 수 있다. 따라서, 블록(808)에서 BS(108)의 CSF 관리 모듈(318)은 (예를 들어, 사용될 특정 빔, 안테나, 부반송파 등을 포함할 수 있는) CSF 경로(116)의 CSF 구성에 기초하여 CSI 파일럿 신호(912)(도 9)를 선택 또는 식별하고, UE(110)에 대한 CSI 파일럿 신호(912)의 무선 송신을 제공한다. 블록(810)에서, UE(110)는 전송된 CSI 파일럿 신호(912)를 나타내는 하나 이상의 RF 신호를 수신하고, 하나 이상의 RF 신호를 하나 이상의 대응하는 기저대역 신호로 변환하고, 이어서 CSI 추정 모듈(226)은 하나 이상의 기저대역 신호를 분석하여 CSI 추정치(914)(도 9)를 결정한다. 전술한 바와 같이, CSI 추정치를 결정하기 위해 CSI 추정 모듈(226)에 의해 다양한 CSI 추정 기술 중 임의의 것이 채용될 수 있다.

블록(812)에서, CSF TX 처리 모듈(602)은 선택적으로 UE(110)의 센서로부터의 센서 데이터, BS(108)에서 CSI 추정치를 사용할 때의 스케줄링 대기시간을 나타내는 스케줄링 대기시간 정보, 및/또는 UE(110)의 RF 안테나 인터페이스(204)로부터의 현재 네트워크 상태 정보와 같은 하나 이상의 다른 입력과 함께 CSI 추정치(914)를 입력으로서 수신하고, 이들 입력으로부터 CSI 추정치(914)를 양자화된 형태 또는 인코딩된 형태로 나타내는 CSF 출력(916)(도 9)을 생성한다. 블록(814)에서, 결과적인 CSF 출력(916)은 UE(110)로부터 BS(108)로 무선으로 전송된다.

블록(816)에서, CSF 출력(916)을 나타내는 하나 이상의 RF 신호는 BS(108)의 RF 프론트 엔드(304)에 의해 수신되어 처리되고, 결과 출력은 선택적으로 BS(108)의 센서 세트(310)로부터의 센서 데이터, BS(108)에 의해 획득된 현재 네트워크 상태 정보 등과 같은 하나 이상의 다른 입력과 함께 BS(108)의 CSF RX 처리 모듈(604)에 대한 입력으로서 제공된다. CSF RX 처리 모듈(604)의 하나 이상의 DNN은 이들 입력에 기초하여 CSI 추정치(914)(복구된 CSI 추정치(918), 도 9)의 복구된 표현을 생성한다. 블록(818)에서, 복구된 CSI 추정치(918)는 MIMO 관리 모듈(320)에 제공되며, 이는 CSI 추정치(918)를 사용하여 그에 따라 하나 이상의 MIMO 프로세스(920)를 수정하거나 제어한다. 위에서 언급한 바와 같이, UE(110)의 CSF TX 처리 모듈(602)은 CSI 추정치(914)가 CSI 추정치의 예측된 미래 버전을 반영하기 위해 CSF TX 처리 모듈(602)에 의한 처리 동안 수정되어, 복원된 CSI 추정치(918)가 MIMO 관리 모듈(320)이 MIMO 프로세스를 제어할 때 CSI 추정치를 사용하도록 스케줄링된 기간 동안일 것으로 예측되는 CSI 추정치를 나타내도록, CSI 출력을 생성할 때 BS(108)의 스케줄링 대기시간을 고려할 수 있다

일반적으로, CSI 추정 프로세스는 특정 서브채널 또는 서브채널/반송파 주파수 세트의 반송파 주파수를 특징짓는데 사용하도록 구성된 각 CSI 파일럿 신호(또는 CSI 파일럿 신호의 서브세트)를 갖는 일련의 CSI 파일럿 신호를 전송하는 것을 포함한다. 따라서, 블록(808 내지 818)의 프로세스는 이러한 시퀀스의 각 CSI 파일럿 신호에 대해 반복될 수 있다. 예를 들어, 이 프로세스의 다음 반복에서는, 다른 부반송파의 채널 추정을 위해 CSI 파일럿 신호(922)(도 9)가 선택될 수 있고, BS(108)로부터 UE(110)로 전송될 수 있다. CSI 추정 모듈(225)은 해당 부반송파에 대한 CSI 추정(924)(도 9)을 결정하기 위해 CSI 파일럿 신호(922)의 수신된 버전을 처리하고, CSI 추정치(924)는 CSF 출력(926)(도 9)의 형태로 CSI 추정치(924)의 인코딩된 표현을 생성하기 위해 다른 입력들과 함께 CSF TX 처리 모듈(602)에 대한 입력으로서 제공된다. 그런 다음, CSF 출력(926)은 BS(108)에 무선으로 전송되고, 이에 따라 CSF 출력(926)의 복구된 표현은 CSF RX 처리 모듈(604)에 대한 입력으로서 제공되고, CSF RX 처리 모듈(604)은 이 입력과 선택적으로 하나 이상의 다른 입력을 사용하여 CSI 추정치(924)의 복구된 표현(복구된 CSI 추정치(928), 도 9)을 생성하고, 이는 차례로 BS(108)에서 하나 이상의 MIMO 프로세스(930)(도 9)를 수정하거나 제어하는데 사용될 수 있다.

또한, 도 8의 방법(800) 및 도 9의 사다리 도면(900)의 대응하는 예시적인 동작은 UE(110)에서 생성된 각각의 CSI 추정치가 대응하는 별도의 CSF 출력을 생성하는데 사용되는 구현을 도시하지만, 다른 실시예에서는 UE(110)에서 생성된 각각의 CSI 추정치에 대해 새로운 CSF 출력을 생성하는 대신, UE(110)는 주어진 CSF 반복에 대해 BS(108)에 의해 전송된 일련의 CSI 파일럿 신호의 전체 중 일부 또는 전부에 대한 CSI 추정치를 생성하고 임시 저장한 다음, CSI 추정치 세트를 나타내는 단일 CSF 출력의 생성을 위해 CSF TX 처리 모듈(602)에 대한 입력으로서. CSI 추정 행렬 또는 다른 데이터 구조 형태의 단일 데이터 블록(예를 들어, CSI 추정 데이터 블록(134), 도 1)으로 CSI 추정의 결과 세트를 제공하도록 구성될 수 있다.

지금까지, 시스템(100)은 결과적인 CSI 추정치를 송신 장치에 다시 제공하기 위해 신경망 기반 채널 상태 피드백 경로와 함께 기존의 CSI 파일럿 전송 및 CSI 추정 프로세스가 사용되는 실시예의 맥락에서 설명되었다. 그러나, 시스템(100)은 이 접근 방식에 제한되지 않고 대신 CSI 파일럿 전송, CSI 추정 및 CSI 피드백 프로세스 각각에 대해 공동으로 트레이닝된 DNN 또는 다른 신경망을 사용할 수 있다. 이를 위해, 도 10은 CSI 파일럿 전송, CSI 추정 및 CSI 피드백 프로세스가 송신 장치와 수신 장치에서 공동으로 트레이닝된 DNN 세트 또는 다른 신경망을 사용하여 구현되는 예시적인 동작 환경(1000)을 도시한다. 설명의 편의를 위해, 동작 환경은 송신 장치인 BS(108)와 수신 장치인 UE(110)의 예시적인 맥락에서 설명된다. 개시된 원리는 송신 장치로서 UE(110) 및 수신 장치로서 BS(108)를 갖는 예뿐만 아니라 사이드링크 예에도 동일하게 적용된다.

도시된 예시적인 동작 환경(1000)에서, BS(108)의 신경망 관리 모듈(314)은 CSF TX 처리 모듈(1002) 및 CSF RX 처리 모듈(1008)을 사용하는 반면, UE(110)의 신경망 관리 모듈(222)은 CSF RX 처리 모듈(1004) 및 CSF TX 처리 모듈(1006)을 구현한다. 적어도 하나의 실시예에서, 이러한 처리 모듈 각각은 도 5의 ML 모듈(500)의 하나 이상의 DNN(502)을 참조하여 위에서 설명한 것과 같이 대응하는 ML 모듈의 구현을 통해 하나 이상의 DNN을 구현한다.

처리 모듈(1002, 1004, 1006, 1008)은 BS(108) 및 UE(110)의 현재 동작 파라미터에 적응될 수 있을 뿐만 아니라 이러한 동작 파라미터의 변경에도 적응될 수 있는 트레이닝된 신경망 기반 접근 방식을 선호하여 복잡하고, 하드코딩된 CSF 프로세스의 사용을 줄이거나 제거하는 방식으로 CSF를 제공하도록 함께 동작한다. 이를 위해, 후보 신경망 아키텍처 구성은 도 7의 방법(700)을 참조하여 위에서 설명된 바와 같이 공동으로 트레이닝될 수 있으며, 관리 컴포넌트(140) 또는 시스템(100)의 다른 컴포넌트는 위에서 설명한 것과 유사하게 선택 프로세스를 사용하여 공동 트레이닝된 후보로부터 이러한 처리 모듈에 사용될 신경망 아키텍처 구성의 특정 세트를 선택할 수 있다.

도 11은 일부 실시예에 따른 도 10의 동작 환경(1000)의 동작 방법(1100)의 예를 도시한다. 이해를 돕기 위해, 방법(1100)은 도 12의 예시적인 드랜잭션(사다리) 도면(1200)을 참조하여 설명된다. 방법(1100)은 블록(802, 804)(도 8)을 참조하여 전술한 바와 같이, BS(108) 및 UE(110)가 초기 연결을 설정하고 관리 컴포넌트(140)가 BS(108) 및 UE(110)로부터 CSF 관련 성능 정보를 획득하는 블록(1102)에서 시작한다. 또한 블록(806)을 참조하여 위에서 유사하게 설명된 바와 같이, 관리 컴포넌트(140)는 획득된 성능 정보 및 제공된 임의의 CSF 구성 정보에 기초하여 처리 모듈(1002, 1004, 1006 및 1008)에 의해 사용될 DNN 아키텍처 구성 세트를 선택하고, 그 선택된 DNN 아키텍처 구성을 구현하도록 BS(108) 및 UE(110)에게 지시한다. 이 프로세스는 트랜잭션 도면(1200)에서 DNN 구성 프로세스(1202)로 표시된다.

블록(1104)에서, CSF 관리 모듈(318)은 UE(110)와의 다운링크 통신에서 BS(108)에 의해 사용하기 위한 CSI를 제공하기 위해 BS(108)와 UE(110)가 공동으로 협력해야 하는 현재 CSF 구성을 나타내는 정보로 구성된 CSF 구성 입력(1010)(도 10, 12)을 생성한다. 이 정보에는 예를 들어 사용될 빔의 특정 서브세트, 사용될 반송파 주파수의 특정 서브세트, 사용될 안테나 포트의 특정 수, 지정된 전력 효율 목표, RF 시그널링이 LoS(Line of Sight)인지, 다중 경로인지, 또는 이들의 조합일 것으로 예상되는지 여부에 대한 표시가 포함될 수 있다.

블록(1106)에서, CSF 구성 입력(1010)은 선택적으로 센서 세트(310)로부터의 현재 센서 데이터 또는 BS(108)에 의해 관찰되는 현재 네트워크 상태 정보와 같은 하나 이상의 다른 입력과 함께 BS(108)의 CSF TX 처리 모듈(1002)에 대한 입력으로서 제공된다(이러한 입력은 설명의 편의를 위해 도 10에서 생략됨). CSF 구성 입력(1010)과 기타 입력(들)에 기초하여, CSF TX 처리 모듈(1002)은 CSF 구성 입력(1010)에 표현된 바와 같이 현재 CSF 구성을 반영하는 하나 이상의 CSI 파일럿 신호를 사실상 나타내는 CSI 파일럿 출력(1012)(도 10, 도 12)을 생성하도록 동작한다. 블록(1108)에서, CSI 파일럿 출력(1012)은 UE(110)에 무선으로 전송된다. 또한, CSI 파일럿 출력(1012)은 BS(108)의 CSF RX 처리 모듈(1008)에 대한 입력으로서 제공되며, CSF RX 처리 모듈(1008)은 아래에 설명된 바와 같이 UE(110)에서 DNN 생성(DNN-generated) 출력으로부터 CSI 추정 정보를 복구하기 위해 센서 데이터 또는 현재 네트워크 상태 정보와 같은 다른 입력과 함께 선택적으로 이 입력을 사용할 것이다.

블록(1110)에서, UE(110)는 CSI 파일럿 출력(1012)을 나타내는 수신된 무선 신호를 처리하고, 선택적으로 UE(110)의 센서 세트(210)로부터의 센서 데이터 또는 UE(110)에 의해 관찰된 현재 네트워크 상태 정보(설명의 편의를 위해 도 10에서 생략)와 같은 하나 이상의 다른 입력과 함께 UE(110)의 CSF RX 처리 모듈(1006)에 대한 입력으로서 그 결과를 제공한다. 그런 다음 CSF RX 처리 모듈(1006)은 이들 입력을 사용하여 대응하는 CSI 출력(1014)(도 10, 도 12)을 생성하는데, 이는 사실상 CSF 구성 정보(1010)에 표시되고 수신된 CSI 파일럿 출력(1012)에 의해 표시되는 CSI 파일럿 정보로부터 생성된 서브채널/빔/안테나 포트 조합의 일부 또는 전부에 대한 하나 이상의 CSI 추정치를 나타낸다. 즉, CSF TX 처리 모듈(1002)과 CSF RX 처리 모듈(1006)은 사실상 기존의 알고리즘 CSI 파일럿 전송 및 CSI 추정 계산 프로세스와 동등한 것을 제공하도록 공동으로 트레이닝될 수 있지만, 여기서 처리 모듈(1002 및 1006)은 또한 현재 전송 환경에 더 잘 적응하기 위해 현재 센서 입력 및 현재 네트워크 상태의 형태로 현재 동작 파라미터를 통합할 수 있을 뿐만 아니라 BS(108)가 생성되는 CSI 추정 정보를 사용하는 기간 동안 CSI 추정 정보를 더 잘 예측하기 위해 대기 시간 정보를 스케줄링할 수 있다.

블록(1112)에서, CSF TX 모듈(1006)은 선택적으로 센서 데이터, 네트워크 상태 데이터, 또는 하나 이상의 다른 입력으로서 다른 데이터와 함께 입력으로서 CSI 출력(1014)을 수신하고, 이들 입력으로부터 CSI 출력(1014)에 표시된 CSI 추정 정보의 압축 또는 인코딩된 표현을 사실상 표시하고, 센서 데이터, 네트워크 상태 정보, 스케줄링 대기 시간 및 기타 입력에 표시된 대로 현재 동작 컨텍스트에 적용되는 CSF 출력(1016)(도 10, 12)을 생성한다. 블록(1114)에서 UE(110)는 CSF 출력(1016)을 BS(108)에 무선으로 전송한다.

블록(1116)에서, BS(108)는 CSF 출력(1016)을 나타내는 무선 신호를 처리하고 CSF 출력(1016)의 복구된 CSI 표현을 나타내는 결과 출력을 CSF RX 처리 모듈(1008)에 제공한다. CSF RX 처리 모듈(1008)은 입력으로서 CSI 파일럿 출력(1012)과 함께 이 입력을 사용하고 선택적으로 BS(108)에서 관찰된 센서 데이터 및 현재 네트워크 상태 정보와 같은 하나 이상의 다른 입력과 함께 사용하여, BS(108)의 CSF TX 처리 모듈(1002)에 의해 생성된 CSI 파일럿 출력(1012)의 수신된 표현에 기초하여 UE(110)의 CSF RX 처리 모듈(1004)에 의해 생성된 CSI 출력(1014)에 표현된 CSI 추정 정보의 복구된 표현을 나타내는 CSI 추정 출력(1018)을 생성한다. 즉, 일 실시예에서 처리 모듈(1006 및 1008)의 DNN은 실제로 CSI 추정치가 전송을 위해 인코딩되지만 처리 모듈(1006 및 1008)이 현재 전송 환경에 더 잘 적응하기 위해 현재 센서 입력 및 현재 네트워크 상태의 형태로 현재 동작 파라미터를 추가로 통합할 수 있는 기존의 하드코딩된 CSI 피드백 프로세스와 동등한 기능을 제공하도록 공동으로 트레이닝된다. 블록(1118)에서, CSI 추정 출력(1018)에 표현된 CSI 추정 정보는 BS(108)에서 사용되는 하나 이상의 MIMO 프로세스를 제어하는데 사용하기 위해 MIMO 관리 모듈(320)에 제공된다.

일반적으로, 동작 환경의 변화는 블록(1104 내지 1118)의 프로세스의 가장 최근 반복 동안 제공되는 CSI 추정치의 재교정 또는 재계산을 필요로 할 수 있다. 예를 들어, UE(110)의 위치는 재계산을 필요로 할 정도로 충분히 변경되었을 수 있고, BS(108) 또는 UE(110) 중 하나 또는 둘 모두의 안테나 패턴은 실질적으로 변경되었을 수 있다. 따라서, 블록(1104 내지 1118)의 프로세스는 특정 MIMO 동작을 제어하기 위해 BS(108)에 의해 사용되는 CSI 추정치를 업데이트하기 위해 반복될 수 있다. 블록(1104 내지 1118)의 프로세스의 또 다른 반복의 트리거링은 타이머 또는 기타 주기적 기준에 기초할 수 있다. 예를 들어, BS(108) 또는 관리 컴포넌트(140)는 타이머의 경과에 기초하여 또 다른 반복을 트리거할 수 있다. 다른 실시예에서, 반복 트리거의 타이밍은 DNN 자체에 트레이닝될 수 있으므로, BS(108)의 CSF TX 처리 모듈(1002)은 특정 센서 데이터 입력 또는 네트워크 상태 입력 등에 기초하여, 타이머에 근거하여 또 다른 반복을 트리거하도록 트레이닝될 수 있다.

일부 실시예에서, 위에 설명된 기술의 특정 양태는 소프트웨어를 실행하는 처리 시스템의 하나 이상의 프로세서에 의해 구현될 수 있다. 소프트웨어는 비-일시적 컴퓨터 판독 가능 저장 매체에 저장되거나 유형적으로 구현되는 하나 이상의 실행 가능한 명령 세트를 포함한다. 소프트웨어는 하나 이상의 프로세서에 의해 실행될 때 전술한 기술의 하나 이상의 양태를 수행하기 위해 하나 이상의 프로세서를 조작하는 명령 및 특정 데이터를 포함할 수 있다. 비-일시적 컴퓨터 판독 가능 저장 매체는 예를 들어 자기 또는 광 디스크 저장 장치, 플래시 메모리, 캐시, RAM과 같은 고체 상태 저장 장치, 또는 기타 비-휘발성 메모리 장치 또는 장치들을 포함할 수 있다. 비-일시적 컴퓨터 판독 가능 저장 매체에 저장된 실행 가능 명령들은 소스 코드, 어셈블리 언어 코드, 목적 코드, 또는 하나 이상의 프로세서에 의해 해석되거나 실행 가능한 다른 명령 형식일 수 있다.

컴퓨터 판독 가능 저장 매체는 명령 및/또는 데이터를 컴퓨터 시스템에 제공하기 위해 사용하는 동안 컴퓨터 시스템에 의해 액세스 가능한 임의의 저장 매체 또는 저장 매체의 조합을 포함할 수 있다. 이러한 저장 매체는 광학 매체(예를 들어, CD, DVD, Blu-Ray 디스크), 자기 매체(예를 들어, 플로피 디스크, 자기 테이프 또는 자기 하드 드라이브), 휘발성 메모리(예를 들어, RAM 또는 캐시), 비-휘발성 메모리(예를 들어, ROM 또는 플래시 메모리) 또는 MEMS(Microelectromechanical Systems) 기반 저장 매체를 포함할 수 있지만 이에 한정되지 않는다. 컴퓨터 판독 가능 저장 매체는 컴퓨팅 시스템(예를 들어, 시스템 RAM 또는 ROM)에 내장되거나, 컴퓨팅 시스템(예를 들어, 자기 하드 드라이브)에 고정적으로 부착되거나, 컴퓨팅 시스템(예를 들어, 광 디스크 또는 USB(Universal Serial Bus) 기반 플래시 메모리)에 제거 가능하게 부착되거나, 유선 또는 무선 네트워크(예를 들어, NAS(Network Accessible Storage))를 통해 컴퓨터 시스템에 연결될 수 있다.

일반적인 설명으로 위에서 설명한 모든 활동 또는 요소가 필요한 것은 아니며, 특정 활동 또는 장치의 일부가 필요하지 않을 수도 있고, 설명된 것 외에 하나 이상의 추가 활동이 수행되거나 요소가 포함될 수 있다. 또한, 동작들이 나열되는 순서가 반드시 수행 순서는 아니다. 또한, 개념들이 구체적인 실시예를 참조하여 설명되었다. 그러나, 당업자라면 아래의 청구범위에 기재된 바와같이 본 발명의 범위를 벗어나지 않고 다양한 수정 및 변경이 이루어질 수 있음을 이해할 것이다. 따라서, 명세서 및 도면은 제한적인 의미가 아니라 예시적인 것으로 간주되어야 하며, 이러한 모든 변형은 본 개시의 범위 내에 포함되도록 의도된다.

이점, 다른 장점 및 문제에 대한 해결책은 특정 실시예와 관련하여 위에서 설명되었다. 그러나, 이점, 장점, 문제에 대한 해결책 및 그 이점, 장점 또는 솔루션이 발생하거나 더욱 두드러질 수 있는 기능은 청구범위의 일부 또는 전부의 중요하거나 필수이거나 필수적인 특징으로 해석되어서는 안 된다. 더욱이, 위에 개시된 특정 실시예는 단지 예시일 뿐이며, 개시된 주제는 본 명세서의 교시의 이점을 갖는 당업자에게 명백하지만 상이하지만 동등한 방식으로 수정되고 실시될 수 있다. 아래 청구범위에 설명된 것 외에 본 명세서에 표시된 구성 또는 설계의 세부 사항에는 제한이 없다. 따라서 위에 개시된 특정 실시예는 변경되거나 수정될 수 있으며 이러한 모든 변형은 개시된 주제의 범위 내에서 고려된다는 것이 명백하다. 따라서, 본 명세서에서 추구하는 보호는 아래 청구범위에 기술된 바와 같다.

Claims (19)

1. 제1 장치(device)의 컴퓨터 구현 방법으로서,
   제1 장치의 적어도 하나의 성능(capability)을 나타내는 성능 정보를 인프라 컴포넌트에 제공하는 것에 응답하여 신경망 아키텍처 구성의 표시를 수신하는 단계와;
   제1 장치의 송신 신경망에서 신경망 아키텍처 구성을 구현하는 단계와;
   송신 신경망에 대한 입력으로서 채널 상태 정보(CSI) 추정치의 표현을 수신하는 단계와;
   송신 신경망에서, CSI 추정치의 표현에 기초하여 제1 출력을 생성하는 단계와, 상기 제1 출력은 미래 시점에 대한 CSI 추정치의 예측 표현의 압축 버전을 나타내고; 그리고
   제2 장치에 의한 수신을 위해 제1 출력을 나타내는 제1 RF 신호를 전송하도록 제1 장치의 무선 주파수(RF) 안테나 인터페이스를 제어하는 단계를 포함하는, 제1 장치의 컴퓨터 구현 방법.
2. 제1항에 있어서,
   제2 장치로부터 수신된 하나 이상의 RF 신호에 기초하여 CSI 추정치를 알고리즘적으로 결정하는 단계를 더 포함하는, 제1 장치의 컴퓨터 구현 방법.
3. 제1항에 있어서,
   제1 출력을 생성하는 단계는,
   송신 신경망에 대한 입력으로 제공된 제2 장치의 다중 입력 다중 출력(MIMO) 프로세스의 스케줄링 대기시간(latency)의 표현에 더 기초하여 송신 신경망에서 제1 출력을 생성하는 단계를 더 포함하는, 제1 장치의 컴퓨터 구현 방법.
4. 제3항에 있어서,
   신경망 아키텍처 구성은,
   스케줄링 대기시간에 기초하여 복수의 후보 신경망 아키텍처 구성으로부터 송신 신경망에 대해 선택되는, 제1 장치의 컴퓨터 구현 방법.
5. 제1항 내지 제4항 중 어느 한 항에 있어서,
   제1 출력을 생성하는 단계는,
   제1 장치의 하나 이상의 센서로부터 송신 신경망에 입력되는 센서 데이터에 더 기초하여 송신 신경망에서 제1 출력을 생성하는 단계를 포함하는, 제1 장치의 컴퓨터 구현 방법.
6. 제1항 내지 제5항 중 어느 한 항에 있어서,
   제1 장치의 수신 신경망의 입력으로서 CSI 파일럿 신호의 표현을 수신하는 단계와; 그리고
   수신 신경망에서, CSI 파일럿 신호의 표현에 기초하여, 제2 출력을 생성하는 단계를 더 포함하고, 상기 제2 출력은 CSI 추정치의 표현을 포함하는, 제1 장치의 컴퓨터 구현 방법.
7. 제6항에 있어서,
   제2 출력을 생성하는 단계는,
   제1 장치의 하나 이상의 센서로부터의 센서 데이터 또는 CSI 추정치와 연관된 채널의 반송파 주파수 중 적어도 하나에 기초하여 수신 신경망에서 제2 출력을 생성하는 단계를 더 포함하는, 제1 장치의 컴퓨터 구현 방법.
8. 제1 장치의 컴퓨터 구현 방법으로서,
   제1 장치의 적어도 하나의 성능을 나타내는 성능 정보를 인프라 컴포넌트에 제공하는 것에 응답하여 신경망 아키텍처 구성의 표시를 수신하는 단계와;
   제1 장치의 수신 신경망에서 신경망 아키텍처 구성을 구현하는 단계와;
   제1 장치의 무선 주파수(RF) 안테나 인터페이스에서, 제2 장치로부터 제1 RF 신호를 수신하는 단계와, 상기 제1 RF 신호는 예측된 미래 채널 상태 정보(CSI) 추정치의 압축된 표현을 나타내고;
   수신 신경망에 대한 입력으로서 제1 RF 신호의 표현을 제공하는 단계와;
   수신 신경망에서, 수신 신경망에 대한 입력에 기초하여 예측된 미래 CSI 추정치를 생성하는 단계와; 그리고
   예측된 미래 CSI 추정에 기초하여 제1 장치에서 적어도 하나의 다중 입력 다중 출력(MIMO) 프로세스를 관리하는 단계를 포함하는, 제1 장치의 컴퓨터 구현 방법.
9. 제8항에 있어서,
   예측된 미래 CSI 추정치를 생성하는 단계는,
   수신 신경망에 대한 입력으로 제공된 제1 장치의 다중 입력 다중 출력(MIMO) 프로세스의 스케줄링 대기시간의 표현에 더 기초하여 수신 신경망에서 예측된 미래 CSI 추정치를 생성하는 단계를 더 포함하는, 제1 장치의 컴퓨터 구현 방법.
10. 제9항에 있어서,
    신경망 아키텍처 구성은,
    스케줄링 대기시간에 기초하여 복수의 후보 신경망 아키텍처 구성으로부터 수신 신경망에 대해 선택되는, 제1 장치의 컴퓨터 구현 방법.
11. 제8항 내지 제10항 중 어느 한 항에 있어서,
    예측된 미래 CSI 추정치를 생성하는 단계는,
    제1 장치의 하나 이상의 센서로부터 수신 신경망에 입력된 센서 데이터에 더 기초하여 수신 신경망에서 예측된 미래 CSI 추정치를 생성하는 단계를 포함하는, 제1 장치의 컴퓨터 구현 방법.
12. 제1항 내지 제10항 중 어느 한 항에 있어서,
    신경망 아키텍처 구성은,
    제1 장치의 적어도 하나의 성능 또는 제1 장치의 현재 신호 전파 환경 중 적어도 하나에 기초하여 복수의 신경망 아키텍처 구성으로부터 선택되는, 제1 장치의 컴퓨터 구현 방법.
13. 제1항 내지 제10항 중 어느 한 항에 있어서,
    신경망 아키텍처 구성의 표시를 수신하는 단계는,
    제1 장치에 로컬로 저장된 복수의 후보 신경망 아키텍처 구성 중 하나와 연관된 식별자를 수신하는 단계; 또는
    신경망 아키텍처 구성의 파라미터를 나타내는 하나 이상의 데이터 구조를 수신하는 단계 중 적어도 하나를 포함하는, 제1 장치의 컴퓨터 구현 방법.
14. 제8항 내지 제13항 중 어느 한 항에 있어서,
    제1 장치의 송신 신경망에서 CSI 파일럿 신호를 생성하는 단계와; 그리고
    제2 장치에 의한 수신을 위해 CSI 파일럿 신호를 나타내는 제2 RF 신호를 전송하도록 제1 장치의 RF 안테나 인터페이스를 제어하는 단계를 포함하는, 제1 장치의 컴퓨터 구현 방법.
15. 제14항에 있어서,
    CSI 파일럿 신호를 생성하는 단계는,
    CSI 추정치와 연관된 채널의 반송파 주파수, 제1 장치의 RF 안테나 인터페이스에 대한 적어도 하나의 동작 파라미터, 또는 제1 장치의 하나 이상의 센서로부터의 센서 데이터, 또는 CSI 추정치와 연관된 채널의 반송파 주파수 중 적어도 하나에 더 기초하여 송신 신경망에서 CSI 파일럿 신호 생성하는 단계를 포함하는, 제1 장치의 컴퓨터 구현 방법.
16. 제8항 내지 제15항 중 어느 한 항에 있어서,
    예측된 미래 CSI 추정치를 생성하는 단계는,
    제1 장치의 하나 이상의 센서로부터의 센서 데이터 또는 예측된 미래 CSI 추정치와 연관된 채널의 반송파 주파수 중 적어도 하나에 기초하여 송신 신경망에서 예측된 미래 CSI 추정치를 생성하는 단계를 더 포함하는, 제1 장치의 컴퓨터 구현 방법.
17. 제8항 내지 제16항 중 어느 한 항에 있어서,
    적어도 하나의 MIMO 프로세스는,
    빔포밍 프로세스, 시공간 코딩 프로세스, 또는 다중 사용자 MIMO 프로세스 중 적어도 하나를 포함하는, 제1 장치의 컴퓨터 구현 방법.
18. 제1항 내지 제17항 중 어느 한 항에 있어서,
    적어도 하나의 성능은,
    처리 성능, 전원 성능, 또는 센서 성능 중 적어도 하나를 포함하는, 제1 장치의 컴퓨터 구현 방법.
19. 장치로서,
    무선 주파수(RF) 안테나 인터페이스;
    RF 안테나 인터페이스에 연결된 적어도 하나의 프로세서; 및
    실행 가능한 명령들을 저장하는 메모리를 포함하며, 상기 실행 가능한 명령들은 제1항 내지 제18항 중 어느 한 항의 방법을 수행하기 위해 적어도 하나의 프로세서를 조작하도록 구성되는 것을 특징으로 하는 장치.