KR20240024082A

KR20240024082A - 모델 기반 뉴럴 네트워크들을 통한 채널 특징 추출

Info

Publication number: KR20240024082A
Application number: KR1020237043110A
Authority: KR
Inventors: 태상 유; 키르티 프라바카르 베둘라; 파반 쿠마르 비탈라데부니; 준 남궁; 스리니바스 예라말리; 하메드 페제쉬키
Original assignee: 퀄컴 인코포레이티드
Priority date: 2021-06-21
Filing date: 2022-06-14
Publication date: 2024-02-23
Also published as: CN117441323A; BR112023026161A2; US20220405602A1; EP4360266A1; WO2022271485A1; TW202308343A

Abstract

수신 디바이스에 의한 무선 통신을 위한 방법은, 송신 디바이스로부터 무선 신호에 대한 채널 시퀀스의 잠재 표현을 수신하는 단계를 포함한다. 디코더는 무선 신호에 대한 채널 시퀀스를 재구성하기 위해 잠재 표현에 물리적 전파 채널 모델을 적용한다.

Description

모델 기반 뉴럴 네트워크들을 통한 채널 특징 추출

[0001] 본 출원은 "CHANNEL FEATURE EXTRACTION VIA MODEL-BASED NEURAL NETWORKS"라는 명칭으로 2021년 6월 21일에 출원된 미국 특허 출원 제 17/352,922호에 대한 우선권을 주장하며, 상기 출원의 개시내용은 그 전체가 인용에 의해 명백하게 포함된다.

[0002] 본 개시내용의 양상들은 일반적으로 무선 통신들에 관한 것으로, 더 상세하게는 물리적 전파 채널 모델 기반 뉴럴 네트워크를 통한 채널 특징 추출을 위한 기법들 및 장치들에 관한 것이다.

[0003] 무선 통신 시스템들은 텔레포니, 비디오, 데이터, 메시징, 및 브로드캐스트들과 같은 다양한 통신 서비스들을 제공하도록 널리 배치된다. 통상적 무선 통신 시스템들은 이용 가능한 시스템 자원들(예컨대, 대역폭, 송신 전력 등)을 공유함으로써 다수의 사용자들과의 통신들을 지원할 수 있는 다중 액세스(multiple-access) 기술들을 사용할 수 있다. 그러한 다중 액세스 기술들의 예들은 CDMA(code division multiple access) 시스템들, TDMA(time division multiple access) 시스템들, FDMA(frequency-division multiple access) 시스템들, OFDMA(orthogonal frequency-division multiple access) 시스템들, SC-FDMA(single-carrier frequency-division multiple access) 시스템들, TD-SCDMA(time division synchronous code division multiple access) 시스템들 및 LTE(long term evolution)를 포함한다. LTE/LTE-A(LTE-Advanced)는 3GPP(Third Generation Partnership Project)에 의해 공표된 UMTS(universal mobile telecommunications system) 모바일 표준에 대한 향상들의 세트이다.

[0004] 무선 통신 네트워크는 다수의 UE(user equipment)들에 대한 통신들을 지원할 수 있는 다수의 BS(base station)들을 포함할 수 있다. UE(user equipment)는 다운링크 및 업링크를 통해 BS(base station)와 통신할 수 있다. 다운링크(또는 순방향 링크)는 BS로부터 UE로의 통신 링크를 지칭하고, 업링크(또는 역방향 링크)는 UE로부터 BS로의 통신 링크를 지칭한다. 더 상세하게 설명될 바와 같이, BS는 Node B, gNB, AP(access point), 라디오 헤드, TRP(transmit and receive point), NR(new radio) BS, 5G Node B 등으로 지칭될 수 있다.

[0005] 위의 다중 액세스 기술들은, 상이한 UE(user equipment)가 도시, 국가, 지역, 및 심지어 전지구적 수준으로 통신하는 것을 가능하게 하는 공통 프로토콜을 제공하기 위해 다양한 전기통신 표준들에서 채택되었다. 5G로 또한 지칭될 수 있는 NR(New Radio)은 3GPP(Third Generation Partnership Project)에 의해 공표된 LTE 모바일 표준에 대한 개선들의 세트이다. NR은, 다운링크(DL) 상에서 CP(cyclic prefix)를 갖는 OFDM(orthogonal frequency division multiplexing)(CP-OFDM)을 사용하고, 업링크(UL) 상에서 CP-OFDM 및/또는 SC-FDM(예컨대, DFT-s-OFDM(discrete Fourier transform spread OFDM)으로 또한 알려져 있음)을 사용할 뿐만 아니라, 빔형성(beamforming), MIMO(multiple-input multiple-output) 안테나 기술 및 캐리어 어그리게이션(carrier aggregation)을 지원하여, 스펙트럼 효율성을 개선하고, 비용들을 낮추고, 서비스들을 개선하고, 새로운 스펙트럼을 사용하고, 그리고 다른 공개 표준들과 더 양호하게 통합함으로써, 모바일 브로드밴드 인터넷 액세스를 더 양호하게 지원하도록 설계된다.

[0006] 인공 뉴럴 네트워크들은 상호 연결된 인공 뉴런 그룹(예컨대, 뉴런 모델들)을 포함할 수 있다. 인공 뉴럴 네트워크는 컴퓨팅 디바이스(computational device)일 수 있거나 컴퓨팅 디바이스에 의해 수행될 방법으로 표현될 수 있다. 심층 컨볼루션 뉴럴 네트워크(deep convolutional neural network)들과 같은 컨볼루션 뉴럴 네트워크들은 한 타입의 피드포워드(feed-forward) 인공 뉴럴 네트워크이다. 컨볼루션 뉴럴 네트워크들은 타일형 수용 필드에 구성될 수 있는 뉴런들의 계층들을 포함할 수 있다. 더 큰 효율성들을 달성하기 위해 무선 통신들에 뉴럴 네트워크 프로세싱을 적용하는 것이 바람직할 것이다.

[0007] 본 개시내용은 각각 독립 청구항들에 기재된다. 본 개시내용의 일부 양상들은 종속 청구항들에 설명된다.

[0008] 본 개시내용의 양상에서, 수신 디바이스에 의한 무선 통신을 위한 방법이 제공된다. 방법은 송신 디바이스로부터 무선 신호에 대한 채널 시퀀스의 잠재 표현(latent representation)을 수신하는 단계를 포함한다. 또한, 방법은 디코더를 통해, 무선 신호에 대한 채널 시퀀스를 재구성하기 위해 잠재 표현에 물리적 전파 채널 모델을 적용하는 단계를 포함한다.

[0009] 본 개시내용의 양상에서, 수신 디바이스에 의한 무선 통신을 위한 장치가 제공된다. 장치는 메모리 및 메모리에 커플링된 하나 이상의 프로세서들을 포함한다. 프로세서(들)는 송신 디바이스로부터 무선 신호에 대한 채널 시퀀스의 잠재 표현을 수신하도록 구성된다. 또한, 프로세서(들)는 디코더를 통해, 무선 신호에 대한 채널 시퀀스를 재구성하기 위해 잠재 표현에 물리적 전파 채널 모델을 적용하도록 구성된다.

[0010] 본 개시내용의 양상에서, 수신 디바이스에 의한 무선 통신을 위한 장치가 제공된다. 장치는 송신 디바이스로부터 무선 신호에 대한 채널 시퀀스의 잠재 표현을 수신하기 위한 수단을 포함한다. 또한, 장치는 디코더를 통해, 무선 신호에 대한 채널 시퀀스를 재구성하기 위해 잠재 표현에 물리적 전파 채널 모델을 적용하기 위한 수단을 포함한다.

[0011] 본 개시내용의 양상에서, 비일시적 컴퓨터 판독 가능 매체가 제공된다. 컴퓨터 판독 가능 매체에는 수신 디바이스에 의한 무선 통신을 위한 프로그램 코드가 인코딩된다. 프로그램 코드는 프로세서에 의해 실행되고, 송신 디바이스로부터 무선 신호에 대한 채널 시퀀스의 잠재 표현을 수신하기 위한 코드를 포함한다. 또한, 프로그램 코드는 디코더를 통해, 무선 신호에 대한 채널 시퀀스를 재구성하기 위해 잠재 표현에 물리적 전파 채널 모델을 적용하기 위한 코드를 포함한다.

[0012] 본 개시내용의 양상에서, 송신 디바이스에 의한 무선 통신을 위한 방법이 제공된다. 방법은 인코더를 통해, 무선 신호에 대한 채널 시퀀스를 포함하는 입력을 수신하는 단계를 포함한다. 또한, 방법은 인코더를 통해, 무선 신호에 대한 채널 시퀀스의 잠재 표현을 생성하기 위해 채널 시퀀스를 프로세싱하는 단계를 포함한다. 잠재 표현은 물리적 전파 채널 모델의 파라미터에 매핑되는 하나 이상의 엘리먼트들을 포함한다. 추가적으로, 방법은 잠재 표현을 수신 디바이스에 송신하는 단계를 포함한다.

[0013] 본 개시내용의 양상에서, 송신 디바이스에 의한 무선 통신을 위한 장치가 제공된다. 장치는 메모리 및 메모리에 커플링된 하나 이상의 프로세서들을 포함한다. 프로세서(들)는 인코더를 통해, 무선 신호에 대한 채널 시퀀스를 포함하는 입력을 수신하도록 구성된다. 또한, 프로세서(들)는 인코더를 통해, 무선 신호에 대한 채널 시퀀스의 잠재 표현을 생성하기 위해 채널 시퀀스를 프로세싱하도록 구성된다. 잠재 표현은 물리적 전파 채널 모델의 파라미터에 매핑되는 하나 이상의 엘리먼트들을 포함한다. 또한, 프로세서(들)는 잠재 표현을 수신 디바이스에 송신하도록 구성된다.

[0014] 본 개시내용의 양상에서, 송신 디바이스에 의한 무선 통신을 위한 장치가 제공된다. 장치는 인코더를 통해, 무선 신호에 대한 채널 시퀀스를 포함하는 입력을 수신하기 위한 수단을 포함한다. 또한, 장치는 인코더를 통해, 무선 신호에 대한 채널 시퀀스의 잠재 표현을 생성하기 위해 채널 시퀀스를 프로세싱하기 위한 수단을 포함한다. 잠재 표현은 물리적 전파 채널 모델의 파라미터에 매핑되는 하나 이상의 엘리먼트들을 포함한다. 추가적으로, 장치는 잠재 표현을 수신 디바이스에 송신하기 위한 수단을 포함한다.

[0015] 본 개시내용의 양상에서, 비일시적 컴퓨터 판독 가능 매체가 제공된다. 컴퓨터 판독 가능 매체에는 송신 디바이스에 의한 무선 통신을 위한 프로그램 코드가 인코딩된다. 프로그램 코드는 프로세서에 의해 실행되고, 인코더를 통해, 무선 신호에 대한 채널 시퀀스를 포함하는 입력을 수신하기 위한 코드를 포함한다. 또한, 프로그램 코드는 인코더를 통해, 무선 신호에 대한 채널 시퀀스의 잠재 표현을 생성하기 위해 채널 시퀀스를 프로세싱하기 위한 코드를 포함한다. 잠재 표현은 물리적 전파 채널 모델의 파라미터에 매핑되는 하나 이상의 엘리먼트들을 포함한다. 추가적으로, 프로그램 코드는 잠재 표현을 수신 디바이스에 송신하기 위한 코드를 포함한다.

[0016] 양상들은 일반적으로 첨부한 도면들 및 명세서에 의해 예시되고 그리고 이들을 참조하여 실질적으로 설명된 방법, 장치, 시스템, 컴퓨터 프로그램 제품, 비일시적 컴퓨터 판독 가능 매체, 사용자 장비, 기지국, 무선 통신 디바이스, 및 프로세싱 시스템을 포함한다.

[0017] 위의 내용은 다음의 상세한 설명이 더 양호하게 이해될 수 있도록, 본 개시내용에 따른 예들의 특징들 및 기술적 이점들을 보다 광범위하게 요약하였다. 추가 특징들 및 이점들이 설명될 것이다. 개시된 개념 및 특정 예들은 본 개시내용의 동일한 목적들을 수행하기 위해 다른 구조들을 수정하거나 또는 설계하기 위한 기초로서 용이하게 활용될 수 있다. 그러한 동등한 구성들은 첨부된 청구항들의 범위로부터 벗어나지 않는다. 개시된 개념들의 특성들, 그들의 구조 및 동작 방법 둘 모두는 연관된 이점들과 함께, 첨부한 도면들과 관련하여 고려되는 경우 다음의 설명으로부터 더 양호하게 이해될 것이다. 도면들 각각은 예시 및 설명을 목적으로 제공되며, 청구항들의 제한들의 정의로서 제공되는 것은 아니다.

[0018] 본 개시내용의 특징들이 상세하게 이해될 수 있도록, 구체적인 설명이 양상들을 참조로 하여 이루어질 수 있는데, 이러한 양상들의 일부는 첨부된 도면들에 예시된다. 그러나, 첨부된 도면들이 본 개시내용의 특정 양상들만을 예시하는 것이므로, 본 개시내용의 범위를 제한하는 것으로 간주되지 않아야 한다는 점에 유의해야 하는데, 이는 설명이 다른 동등하게 유효한 양상들을 허용할 수 있기 때문이다. 상이한 도면들에서 동일한 참조 번호들은 동일하거나 유사한 엘리먼트들을 식별할 수 있다.
[0019] 도 1은 본 개시내용의 다양한 양상들에 따른, 무선 통신 네트워크의 예를 개념적으로 예시하는 블록 다이어그램이다.
[0020] 도 2는 본 개시내용의 다양한 양상들에 따른, 무선 통신 네트워크에서 UE(user equipment)와 통신하는 기지국의 예를 개념적으로 예시하는 블록 다이어그램이다.
[0021] 도 3은 본 개시내용의 특정 양상들에 따른, 범용 프로세서를 포함하는 SOC(system-on-a-chip)를 사용하여 뉴럴 네트워크를 설계하는 예시적인 구현을 예시한다.
[0022] 도 4a, 도 4b, 및 도 4c는 본 개시내용의 양상들에 따른, 뉴럴 네트워크를 예시하는 다이어그램들이다.
[0023] 도 4d는 본 개시내용의 양상들에 따른, 예시적인 DCN(deep convolutional network)을 예시하는 다이어그램이다.
[0024] 도 5는 본 개시내용의 양상들에 따른, 예시적인 DCN(deep convolutional network)을 예시하는 블록 다이어그램이다.
[0025] 도 6은 채널 시퀀스의 특징들을 추출하기 위한 종래의 아키텍처를 예시하는 블록 다이어그램이다.
[0026] 도 7은 본 개시내용의 양상들에 따른, 모델 기반 채널 특징 추출을 위한 예시적인 아키텍처를 예시하는 다이어그램이다.
[0027] 도 8은 본 개시내용의 다양한 양상들에 따른, 예컨대, 수신 디바이스에 의해 수행되는 예시적인 프로세스를 예시하는 흐름 다이어그램이다.
[0028] 도 9는 본 개시내용의 다양한 양상들에 따른, 예컨대, 송신 디바이스에 의해 수행되는 예시적인 프로세스를 예시하는 흐름 다이어그램이다.

[0029] 본 개시내용의 다양한 양상들은 첨부한 도면들을 참조하여 아래에서 더 충분히 설명된다. 그러나, 본 개시내용은 많은 상이한 형태들로 구현될 수 있고, 본 개시내용 전반에 걸쳐 제시된 임의의 특정 구조 또는 기능으로 제한되는 것으로 해석되지 않아야 한다. 오히려, 이러한 양상들은, 본 개시내용이 철저하고 완전해지도록 그리고 개시내용의 범위를 당업자들에게 충분히 전달하도록 제공된다. 교시들에 기초하여, 당업자는 개시내용의 범위가 개시내용의 임의의 다른 양상과 독립적으로 구현되든 또는 임의의 다른 양상과 조합하여 구현되든 간에, 개시내용의 임의의 양상을 커버하는 것으로 의도된다는 것을 인식해야 한다. 예컨대, 기술된 임의의 수의 양상들을 사용하여 장치가 구현될 수 있거나 또는 방법이 실시될 수 있다. 또한, 본 개시내용의 범위는 기술된 개시내용의 다양한 양상들에 추가로 또는 이 양상들 이외의 다른 구조, 기능, 또는 구조 및 기능을 사용하여 실시되는 그러한 장치 또는 방법을 커버하는 것으로 의도된다. 개시된 개시내용의 임의의 양상은 청구항의 하나 이상의 엘리먼트들에 의해 구현될 수 있다는 것을 이해해야 한다.

[0030] 전기 통신 시스템들의 몇몇 양상들은 다양한 장치들 및 기법들을 참조하여 이제 제시될 것이다. 이러한 장치들 및 기법들은 다음의 상세한 설명에 설명될 것이고, 첨부한 도면들에서 다양한 블록들, 모듈들, 컴포넌트들, 회로들, 단계들, 프로세스들, 알고리즘들 등(집합적으로 "엘리먼트들"로 지칭됨)에 의해 예시될 것이다. 이러한 엘리먼트들은 하드웨어, 소프트웨어, 또는 이들의 조합들을 사용하여 구현될 수 있다. 그러한 엘리먼트들이 하드웨어로서 구현되는지 아니면 소프트웨어로서 구현되는지는 전체 시스템 상에 부과되는 설계 제약들 및 특정 애플리케이션에 의존한다.

[0031] 5G 및 향후 무선 기술들과 공통으로 연관된 용어를 사용하여 양상들이 설명될 수 있지만, 본 개시내용의 양상들은 3G 및/또는 4G 기술들과 같은(그리고 이를 포함하는) 다른 세대 기반 통신 시스템들에 적용될 수 있다는 점에 유의해야 한다.

[0032] 관찰된 무선 전파 채널(예컨대, 다운링크, 업링크, 또는 사이드링크)은 고차원 데이터를 사용하여 (예컨대, Tx 안테나들, Rx 안테나들, 및 서브캐리어들을 통해 3 차원 텐서로) 채널을 설명한다. 고차원 채널 아래에 있는 채널의 더 낮은 차원 잠재 표현을 추출하는 것이 바람직하다. 예컨대, 압축 표현(compact representation)을 추출하는 것은 채널 예측, 채널 추론, 채널 압축, 및 채널 생성과 같이 애플리케이션들에 유용할 수 있다. 채널 예측은 페이딩(fading) 채널 뿐만 아니라 RSRP(reference signal received power)를 예측하는 데 유용할 수 있다. 또한, 압축 표현은 알려지지 않은 채널에 대한 추론들을 생성하는 데 유용할 수 있다. 예컨대, 채널은 제1 세트의 안테나들 상에서 관찰될 수 있고, 제2 세트의 안테나들, 빔들, 주파수들, 또는 로케이션들에 대한 채널의 추론을 제공할 수 있다. 추가로, 링크 및 시스템 시뮬레이션들을 위한 합성 채널 생성, 측정된 채널들의 증강, 및 미분 가능한 채널 모델링을 위해 채널 모델링이 개선될 수 있다.

[0033] 종래의 접근법들은 인공 뉴럴 네트워크들을 활용하여 압축 표현을 생성할 수 있다. 그러한 종래 접근법들에서, 인공 뉴럴 네트워크는 잠재 표현에 채널을 매핑하거나 그 반대 채널을 잠재 표현에 매핑하거나 그 반대로 매핑하기 위한 오토인코더로서 구현될 수 있다. 그렇게 하는 것은 다음과 같이 표현될 수 있는 비선형 프로세스이다:

(1)

(2)

여기서 h는 채널(고차원)이고, z는 잠재 표현(더 낮은 차원 벡터)이며, 및 는 각각 및 에 의해 파라미터화되는 복잡한 비선형 함수들(예컨대, 뉴럴 네트워크들)이다. 그러한 접근법들은 많은 양의 라벨링되지 않은 채널 데이터(예컨대, 채널 시퀀스)를 활용할 수 있지만, 종래의 접근법들은 잠재 벡터의 해석능력(interpretability) 또는 제어를 제공하지 않는다.

[0034] 이러한 그리고 다른 결함들을 해결하기 위해, 본 개시내용의 양상들은 물리적 전파 모델 기반 뉴럴 네트워크를 통한 채널 특징 추출에 관한 것이다.

[0035] 도 1은 본 개시내용의 양상들이 실시될 수 있는 네트워크(100)를 예시하는 다이어그램이다. 네트워크(100)는 5G 또는 NR 네트워크, 또는 LTE 네트워크와 같은 일부 다른 무선 네트워크일 수 있다. 무선 네트워크(100)는 다수의 BS들(110)(BS(110a), BS(110b), BS(110c) 및 BS(110d)로 도시됨) 및 다른 네트워크 엔티티들을 포함할 수 있다. BS는 UE(user equipment)들과 통신하는 엔티티이며, BS(base station), NR BS, Node B, gNB, 5G node B(NB), 액세스 포인트, TRP(transmit and receive point) 등으로 또한 지칭될 수 있다. 각각의 BS는 특정 지리적 영역에 대한 통신 커버리지를 제공할 수 있다. 3GPP에서, "셀"이라는 용어는 그 용어가 사용되는 맥락에 따라, BS의 커버리지 영역 및/또는 이러한 커버리지 영역을 서빙하는 BS 서브시스템을 지칭할 수 있다.

[0036] BS는 매크로 셀, 피코 셀, 펨토 셀, 및/또는 다른 타입의 셀에 대한 통신 커버리지를 제공할 수 있다. 매크로 셀은 비교적 넓은 지리적 영역(예컨대, 반경 수 킬로미터)을 커버할 수 있고, 서비스에 가입된 UE들에 의한 비제한적 액세스를 가능하게 할 수 있다. 피코 셀은 비교적 작은 지리적 영역을 커버할 수 있고, 서비스에 가입된 UE들에 의한 비제한적 액세스를 가능하게 할 수 있다. 펨토 셀은 비교적 작은 지리적 영역(예컨대, 홈(home))을 커버할 수 있고, 펨토 셀과의 연관성을 갖는 UE들(예컨대, CSG(closed subscriber group) 내의 UE들)에 의한 제한적 액세스를 가능하게 할 수 있다. 매크로 셀에 대한 BS는 매크로 BS로 지칭될 수 있다. 피코 셀에 대한 BS는 피코 BS로 지칭될 수 있다. 펨토 셀에 대한 BS는 펨토 BS 또는 홈 BS로 지칭될 수 있다. 도 1에 도시된 예에서, BS(110a)는 매크로 셀(102a)에 대한 매크로 BS일 수 있고, BS(110b)는 피코 셀(102b)에 대한 피코 BS일 수 있으며, BS(110c)는 펨토 셀(102c)에 대한 펨토 BS일 수 있다. BS는 하나 또는 다수(예컨대, 3 개)의 셀들을 지원할 수 있다. "eNB", "기지국", "NR BS", "gNB", "TRP", "AP", "node B", "5G NB", 및 "셀"이라는 용어들은 상호 교환 가능하게 사용될 수 있다.

[0037] 일부 양상들에서, 셀은 반드시 고정식일 필요는 없을 수 있으며, 셀의 지리적 영역은 모바일 BS의 로케이션에 따라 이동할 수 있다. 일부 양상들에서, BS들은 임의의 적합한 전송 네트워크를 사용하여, 직접 물리적 연결, 가상 네트워크 등과 같은 다양한 타입들의 백홀 인터페이스들을 통해 무선 네트워크(100)에서의 하나 이상의 다른 BS들 또는 네트워크 노드들(도시되지 않음)에 상호 연결되고 그리고/또는 서로 상호 연결될 수 있다.

[0038] 무선 네트워크(100)는 또한, 중계국들을 포함할 수 있다. 중계국은, 업스트림 스테이션(예컨대, BS 또는 UE)으로부터 데이터의 송신을 수신하고, 데이터의 송신을 다운스트림 스테이션(예컨대, UE 또는 BS)에 전송할 수 있는 엔티티이다. 또한, 중계국은 다른 UE들에 대한 송신들을 중계할 수 있는 UE일 수 있다. 도 1에 도시된 예에서, 중계국(110d)은 BS(110a)와 UE(120d) 사이의 통신들을 가능하게 하기 위해, 매크로 BS(110a) 및 UE(120d)와 통신할 수 있다. 또한, 중계국은 중계 BS, 중계 기지국, 중계기 등으로 지칭될 수 있다.

[0039] 무선 네트워크(100)는 상이한 타입들의 BS들, 예컨대, 매크로 BS들, 피코 BS들, 펨토 BS들, 중계 BS들 등을 포함하는 이종 네트워크일 수 있다. 이러한 상이한 타입들의 BS들은 상이한 송신 전력 레벨들, 상이한 커버리지 영역들, 및 무선 네트워크(100)에서의 간섭에 대한 상이한 영향을 가질 수 있다. 예컨대, 매크로 BS들은 높은 송신 전력 레벨(예컨대, 5 내지 40 와트)을 가질 수 있는 반면, 피코 BS들, 펨토 BS들, 및 중계 BS들은 더 낮은 송신 전력 레벨들(예컨대, 0.1 내지 2 와트)을 가질 수 있다.

[0040] 네트워크 제어기(130)는 BS들의 세트에 커플링될 수 있으며, 이러한 BS들을 위한 조정 및 제어를 제공할 수 있다. 네트워크 제어기(130)는 백홀을 통해 BS들과 통신할 수 있다. 또한, BS들은 예컨대, 무선 또는 유선 백홀을 통해 간접적으로 또는 직접적으로 서로 통신할 수 있다.

[0041] UE들(120)(예컨대, 120a, 120b, 120c)은 무선 네트워크(100) 전반에 걸쳐 산재될 수 있고, 각각의 UE는 고정식 또는 이동식일 수 있다. 또한, UE는 액세스 단말, 단말, 이동국, 가입자 유닛, 스테이션 등으로 지칭될 수 있다. UE는, 셀룰러 폰(예컨대, 스마트 폰), PDA(personal digital assistant), 무선 모뎀, 무선 통신 디바이스, 핸드헬드 디바이스, 랩탑 컴퓨터, 코드리스 폰(cordless phone), WLL(wireless local loop) 스테이션, 태블릿, 카메라, 게이밍 디바이스, 넷북, 스마트북, 울트라북, 의료 디바이스 또는 장비, 생체 인식 센서들/디바이스들, 웨어러블(wearable) 디바이스들(스마트 시계들, 스마트 의류, 스마트 안경, 스마트 손목 밴드들, 스마트 쥬얼리(예컨대, 스마트 반지, 스마트 팔찌)), 엔터테인먼트 디바이스(예컨대, 뮤직 또는 비디오 디바이스, 또는 위성 라디오), 차량 컴포넌트 또는 센서, 스마트 계량기들/센서들, 산업 제조 장비, 글로벌 포지셔닝 시스템 디바이스, 또는 무선 또는 유선 매체를 통해 통신하도록 구성되는 임의의 다른 적합한 디바이스일 수 있다.

[0042] 일부 UE들은 MTC(machine-type communications) 또는 eMTC(evolved or enhanced machine-type communications) UE들로 간주될 수 있다. MTC 및 eMTC UE들은, 예컨대, BS(base station), 다른 디바이스(예컨대, 원격 디바이스) 또는 일부 다른 엔티티와 통신할 수 있는 로봇들, 원격 디바이스들, 센서들, 계량기들, 모니터들, 로케이션 태그들 등을 포함한다. 무선 노드는, 예컨대, 유선 또는 무선 통신 링크를 통해 네트워크(예컨대, 인터넷과 같은 광역 네트워크 또는 셀룰러 네트워크)에 대한 또는 이러한 네트워크로의 연결을 제공할 수 있다. 일부 UE들은 IoT(Internet-of-Things) 디바이스들로 간주될 수 있고 그리고/또는 NB-IoT(narrowband internet of things) 디바이스들로서 구현될 수 있다. 일부 UE들은 CPE(customer premises equipment)로 간주될 수 있다. UE(120)는 프로세서 컴포넌트들, 메모리 컴포넌트들 등과 같은, UE(120)의 컴포넌트들을 하우징(house)하는 하우징 내부에 포함될 수 있다.

[0043] 일반적으로, 임의의 수의 무선 네트워크들이 주어진 지리적 영역에 배치될 수 있다. 각각의 무선 네트워크는 특정 RAT를 지원할 수 있고, 하나 이상의 주파수들 상에서 동작할 수 있다. 또한, RAT는 라디오 기술, 에어 인터페이스 등으로 지칭될 수 있다. 또한, 주파수는 캐리어, 주파수 채널 등으로 지칭될 수 있다. 각각의 주파수는 상이한 RAT들의 무선 네트워크들 사이의 간섭을 회피하기 위해, 주어진 지리적 영역에서 단일 RAT를 지원할 수 있다. 일부 경우들에서, NR 또는 5G RAT 네트워크들이 배치될 수 있다.

[0044] 일부 양상들에서, 둘 이상의 UE들(120)(예컨대, UE(120a) 및 UE(120e)로 도시됨)은 (예컨대, 서로 통신하기 위해 기지국(110)을 중개자(intermediary)로서 사용하지 않고) 하나 이상의 사이드링크 채널들을 사용하여 직접 통신할 수 있다. 예컨대, UE들(120)은 P2P(peer-to-peer) 통신들, D2D(device-to-device) 통신들, V2X(vehicle-to-everything) 프로토콜(예컨대, 이는 V2V(vehicle-to-vehicle) 프로토콜, V2I(vehicle-to-infrastructure) 프로토콜 등을 포함할 수 있음), 메쉬 네트워크 등을 사용하여 통신할 수 있다. 이 경우, UE(120)는 기지국(110)에 의해 수행되는 것으로서 스케줄링 동작들, 자원 선택 동작들 및/또는 다른 곳에 설명된 다른 동작들을 수행할 수 있다. 예컨대, 기지국(110)은 DCI(downlink control information), RRC(radio resource control) 시그널링, MAC-CE(media access control-control element)를 통해 또는 시스템 정보(예컨대, SIB(system information block))를 통해 UE(120)를 구성할 수 있다.

[0045] 도 1을 다시 참조하면, 특정 양상들에서, UE(120)와 같은 UE는 채널 시퀀스의 특징들을 추출할 수 있다. UE(120)는 뉴럴 네트워크 프로세싱에 기초하여 채널 시퀀스의 특징들을 추출하도록 구성되는 특징 추출 컴포넌트(140)를 포함할 수 있다. 또한, 기지국(110)과 같은 기지국은 채널 시퀀스의 특징들을 추출할 수 있다. 기지국(110)은 뉴럴 네트워크 프로세싱에 기초하여 채널 시퀀스의 특징들을 추출하도록 구성되는 특징 추출 컴포넌트(150)를 포함할 수 있다.

[0046] 위에서 표시된 바와 같이, 도 1은 단순히 예로서만 제공된다. 다른 예들은 도 1과 관련하여 설명되는 것과 상이할 수 있다.

[0047] 도 2는 도 1에서의 기지국들 중 하나 및 UE들 중 하나일 수 있는 기지국(110) 및 UE(120)의 설계(200)의 블록 다이어그램을 도시한다. 기지국(110)에는 T 개의 안테나들(234a 내지 234t)이 장착될 수 있고, UE(120)에는 R 개의 안테나들(252a 내지 252r)이 장착될 수 있으며, 여기서, 일반적으로 T ≥ 1이고 R ≥ 1이다.

[0048] 기지국(110)에서, 송신 프로세서(220)는 하나 이상의 UE들에 대한 데이터를 데이터 소스(212)로부터 수신하고, UE로부터 수신된 CQI(channel quality indicator)들에 적어도 부분적으로 기초하여 각각의 UE에 대한 하나 이상의 MCS(modulation and coding scheme)들을 선택하고, UE에 대해 선택되는 MCS(들)에 적어도 부분적으로 기초하여 각각의 UE에 대한 데이터를 프로세싱(예컨대, 인코딩 및 변조)하고, 모든 UE들에 대한 데이터 심볼들을 제공할 수 있다. MCS를 감소시키는 것은 스루풋을 저하시키지만, 송신의 신뢰성을 증가시킨다. 송신 프로세서(220)는 또한, (예컨대, SRPI(semi-static resource partitioning information) 등에 대한) 시스템 정보 및 제어 정보(예컨대, CQI 요청들, 그랜트들, 상위 계층 시그널링 등)를 프로세싱할 수 있으며, 오버헤드 심볼들 및 제어 심볼들을 제공할 수 있다. 또한, 송신 프로세서(220)는 기준 신호들(예컨대, CRS(cell-specific reference signal)) 및 동기화 신호들(예컨대, PSS(primary synchronization signal) 및 SSS(secondary synchronization signal))에 대한 기준 심볼들을 생성할 수 있다. 송신(TX) MIMO(multiple-input multiple-output) 프로세서(230)는 적용 가능한 경우, 데이터 심볼들, 제어 심볼들, 오버헤드 심볼들 및/또는 기준 심볼들에 대한 공간 프로세싱(예컨대, 프리코딩)을 수행할 수 있으며, T 개의 출력 심볼 스트림들을 T 개의 MOD(modulator)들(232a 내지 232t)에 제공할 수 있다. 각각의 변조기(232)는 출력 샘플 스트림을 획득하기 위해 (예컨대, OFDM 등을 위한) 개개의 출력 심볼 스트림을 프로세싱할 수 있다. 각각의 변조기(232)는 다운링크 신호를 획득하기 위해, 출력 샘플 스트림을 추가로 프로세싱(예컨대, 아날로그로 변환, 증폭, 필터링, 및 상향변환)할 수 있다. 변조기들(232a 내지 232t)로부터의 T 개의 다운링크 신호들은 T 개의 안테나들(234a 내지 234t)을 통해 각각 송신될 수 있다. 아래에서 더 상세하게 설명되는 다양한 양상들에 따르면, 추가 정보를 전달하기 위해 로케이션 인코딩으로 동기화 신호들이 생성될 수 있다.

[0049] UE(120)에서, 안테나들(252a 내지 252r)은 기지국(110) 및/또는 다른 기지국들로부터 다운링크 신호들을 수신할 수 있으며, 수신된 신호들을 각각 복조기(DEMOD)들(254a 내지 254r)에 제공할 수 있다. 각각의 복조기(254)는 입력 샘플들을 획득하기 위해, 수신된 신호를 컨디셔닝(condition)(예컨대, 필터링, 증폭, 하향변환, 및 디지털화)할 수 있다. 각각의 복조기(254)는 수신된 심볼들을 획득하기 위해 (예컨대, OFDM 등을 위한) 입력 샘플들을 추가로 프로세싱할 수 있다. MIMO 검출기(256)는 모든 R 개의 복조기들(254a 내지 254r)로부터 수신된 심볼들을 획득하고, 적용 가능한 경우, 수신된 심볼들에 대해 MIMO 검출을 수행하고, 검출된 심볼들을 제공할 수 있다. 수신 프로세서(258)는 검출된 심볼들을 프로세싱(예컨대, 복조 및 디코딩)하고, UE(120)에 대해 디코딩된 데이터를 데이터 싱크(260)에 제공하고, 디코딩된 제어 정보 및 시스템 정보를 제어기/프로세서(280)에 제공할 수 있다. 채널 프로세서는 RSRP(reference signal received power), RSSI(received signal strength indicator), RSRQ(reference signal received quality), CQI(channel quality indicator) 등을 결정할 수 있다. 일부 양상들에서, UE(120)의 하나 이상의 컴포넌트들이 하우징에 포함될 수 있다.

[0050] 업링크 상에서는, UE(120)에서, 송신 프로세서(264)가 데이터 소스(262)로부터 데이터를, 그리고 제어기/프로세서(280)로부터 (예컨대, RSRP, RSSI, RSRQ, CQI 등을 포함하는 보고들에 대한) 제어 정보를 수신하여 프로세싱할 수 있다. 송신 프로세서(264)는 또한, 하나 이상의 기준 신호들에 대한 기준 심볼들을 생성할 수 있다. 송신 프로세서(264)로부터의 심볼들은 적용 가능한 경우, TX MIMO 프로세서(266)에 의해 프리코딩되고, (예컨대, DFT-s-OFDM, CP-OFDM 등을 위한) 변조기들(254a 내지 254r)에 의해 추가로 프로세싱되고, BS(base station)(110)에 송신될 수 있다. 기지국(110)에서는, UE(120)에 의해 전송된 디코딩된 데이터 및 제어 정보를 획득하기 위해, UE(120) 및 다른 UE들로부터의 업링크 신호들이 안테나들(234)에 의해 수신될 수 있고, 복조기들(254)에 의해 프로세싱될 수 있으며, 적용 가능한 경우 MIMO 검출기(236)에 의해 검출될 수 있고, 수신 프로세서(238)에 의해 추가로 프로세싱될 수 있다. 수신 프로세서(238)는 디코딩된 데이터를 데이터 싱크(239)에 제공하고, 디코딩된 제어 정보를 제어기/프로세서(240)에 제공할 수 있다. 기지국(110)은 통신 유닛(244)을 포함할 수 있으며, 통신 유닛(244)을 통해 네트워크 제어기(130)로 통신할 수 있다. 네트워크 제어기(130)는 통신 유닛(294), 제어기/프로세서(290), 및 메모리(292)를 포함할 수 있다.

[0051] 기지국(110)의 제어기/프로세서(240), UE(120)의 제어기/프로세서(280), 및/또는 도 2의 임의의 다른 컴포넌트(들)는, 다른 곳에서 더 상세하게 설명되는 바와 같이, 인공 뉴럴 네트워크를 사용하여 반복적 프로세스를 최적화하기 위한 기계 학습(machine learning)과 연관된 하나 이상의 기법들을 수행할 수 있다. 예컨대, 기지국(110)의 제어기/프로세서(240), UE(120)의 제어기/프로세서(280), 및/또는 도 2의 임의의 다른 컴포넌트(들)는, 예컨대, 도 6 내지 도 8의 프로세스들, 및/또는 설명된 바와 같은 다른 프로세스들의 동작들을 수행하거나 또는 지시할 수 있다. 메모리들(242 및 282)은 각각 기지국(110) 및 UE(120)에 대한 데이터 및 프로그램 코드들을 저장할 수 있다. 스케줄러(246)는 다운링크 및/또는 업링크 상에서의 데이터 송신을 위해 UE들을 스케줄링할 수 있다.

[0052] 일부 양상들에서, UE(120), 기지국(110), 또는 개시된 다른 네트워크들은 수신하기 위한 수단, 캡처하기 위한 수단, 훈련시키기 위한 수단, 및 적용하기 위한 수단을 포함할 수 있다. 그러한 수단은 도 2와 관련하여 설명된 UE(120) 또는 기지국(110)의 하나 이상의 컴포넌트들을 포함할 수 있다.

[0053] 위에서 표시된 바와 같이, 도 2는 단순히 예로서만 제공된다. 다른 예들은 도 2와 관련하여 설명되는 것과 상이할 수 있다.

[0054] 일부 경우들에서, 상이한 타입들의 애플리케이션들 및/또는 서비스들을 지원하는 상이한 타입들의 디바이스들은 셀에 공존할 수 있다. 상이한 타입들의 디바이스들의 예들은 UE 핸드셋들, CPE(customer premises equipment)들, 차량들, IoT(Internet of Things) 디바이스들 등을 포함한다. 상이한 타입들의 애플리케이션들의 예들은 URLLC(ultra-reliable low-latency communications) 애플리케이션들, mMTC(massive machine-type communications) 애플리케이션들, eMBB(enhanced mobile broadband) 애플리케이션들, V2X(vehicle-to-anything) 애플리케이션들 등을 포함한다. 게다가, 일부 경우들에서, 단일 디바이스는 상이한 애플리케이션들 또는 서비스들을 동시에 지원할 수 있다.

[0055] 도 3은 본 개시내용의 특정 양상들에 따른, SOC(system-on-a-chip)(300)의 예시적인 구현을 예시하고, 이는, 무선 전파 채널에 대한 채널 시퀀스의 재구성을 생성하도록 구성되는 CPU(central processing unit)(302) 또는 다중-코어 CPU를 포함할 수 있다. SOC(300)는 기지국(110) 또는 UE(120)에 포함될 수 있다. 변수들(예컨대, 뉴럴 신호들 및 시냅틱(synaptic) 가중치들), 컴퓨팅 디바이스와 연관된 시스템 파라미터들(예컨대, 가중치들을 갖는 뉴럴 네트워크), 지연들, 주파수 빈 정보, 및 작업 정보는 NPU(neural processing unit)(308)와 연관된 메모리 블록에, CPU(302)와 연관된 메모리 블록에, GPU(graphics processing unit)(304)와 연관된 메모리 블록에, DSP(digital signal processor)(306)와 연관된 메모리 블록에, 메모리 블록(318)에 저장될 수 있거나, 또는 다수의 블록들에 걸쳐 분산될 수 있다. CPU(302)에서 실행되는 명령들은 CPU(302)와 연관된 프로그램 메모리로부터 로드될 수 있거나 \또는 메모리 블록(318)으로부터 로드될 수 있다.

[0056] 또한, SOC(300)는 5G(fifth generation) 연결성, 4G LTE(fourth generation long term evolution) 연결성, 비면허 Wi-Fi 연결성, USB 연결성, 블루투스 연결성 등을 포함할 수 있는 GPU(304), DSP(306), 연결성 블록(310), 및 예컨대, 제스처(gesture)들을 검출 및 인식할 수 있는 멀티미디어 프로세서(312)와 같은 특정 기능들에 맞게 조정된 추가 프로세싱 블록들을 포함할 수 있다. 일 구현에서, NPU는 CPU, DSP, 및/또는 GPU에서 구현된다. 또한, SOC(300)는 센서 프로세서(314), ISP(image signal processor)들(316), 및/또는 글로벌 포지셔닝 시스템을 포함할 수 있는 내비게이션 모듈(320)을 포함할 수 있다.

[0057] SOC(300)는 ARM 명령 세트에 기반할 수 있다. 본 개시내용의 양상에서, 범용 프로세서(302)에 로드된 명령들은 송신 디바이스로부터 무선 신호에 대한 채널 시퀀스의 잠재 표현을 수신하기 위한 코드를 포함할 수 있다. 또한, 범용 프로세서(302)에 로드된 명령들은 디코더를 통해, 무선 신호에 대한 채널 시퀀스를 재구성하기 위해 잠재 표현에 물리적 전파 채널 모델을 적용하기 위한 코드를 포함할 수 있다.

[0058] 심층 학습 아키텍처들은 각각의 계층에서 연속적 상위 추상화 레벨들로 입력들을 표현하는 것을 학습함으로써 오브젝트(object) 인식 태스크를 수행할 수 있으며, 그에 의해 입력 데이터의 유용한 특징 표현을 구축할 수 있다. 이러한 방식으로, 심층 학습은 종래의 기계 학습의 주요 병목 현상을 해결한다. 심층 학습의 출현 이전에, 오브젝트 인식 문제에 대한 기계 학습 접근법은 아마도 얕은 분류기와 결합하여, 인간 공학(human engineered) 특징들에 크게 의존했을 수 있다. 얕은 분류기는 2-클래스 선형 분류기일 수 있으며, 여기서 예컨대, 특징 벡터 컴포넌트들의 가중된 합이 임계치와 비교되어 입력이 어떤 클래스에 속하는지를 예측할 수 있다. 인간 공학 특징들은 도메인 전문 지식을 갖는 엔지니어들이 특정 문제 도메인에 맞게 조정한 템플릿들 또는 커널들일 수 있다. 대조적으로, 심층 학습 아키텍처들은 훈련을 통해, 인간 엔지니어가 설계할 수 있는 것과 유사한 특징들을 표현하는 것을 학습할 수 있다. 게다가, 심층 네트워크는 인간이 고려하지 않았을 수 있는 새로운 타입들의 특징들을 표현 및 인식하는 것을 학습할 수 있다.

[0059] 심층 학습 아키텍처는 특징들의 계층구조를 학습할 수 있다. 예컨대, 시각적 데이터가 제시되는 경우, 제1 계층은 입력 스트림에서 에지(edge)들과 같은 비교적 단순한 특징들을 인식하는 것을 학습할 수 있다. 다른 예에서, 청각적 데이터가 제시되는 경우, 제1 계층은 특정 주파수들에서 스펙트럼 전력을 인식하는 것을 학습할 수 있다. 제1 계층의 출력을 입력으로 취하는 제2 계층은 시각적 데이터에 대한 단순한 형상들 또는 청각적 데이터에 대한 사운드들의 조합들과 같은 특징들의 조합들을 인식하는 것을 학습할 수 있다. 예컨대, 상위 계층들은 시각적 데이터의 복잡한 형상들 또는 청각적 데이터의 단어들을 표현하는 것을 학습할 수 있다. 상위 계층들은 일반적인 시각적 오브젝트들 또는 발성된 어구(spoken phrase)들을 인식하는 것을 학습할 수 있다.

[0060] 심층 학습 아키텍처들은 특히, 자연적인 계층적 구조를 갖는 문제들에 적용될 때 잘 수행될 수 있다. 예컨대, 자동차들의 분류는 바퀴들, 앞유리들, 및 다른 특징들을 인식하기 위한 첫 번째 학습으로부터 이점을 얻을 수 있다. 이러한 특징들은, 자동차들, 트럭들, 및/또는 비행기들을 인식하기 위해 상이한 방식들로 상위 계층들에서 조합될 수 있다.

[0061] 뉴럴 네트워크들은 다양한 연결성 패턴들로 설계될 수 있다. 피드포워드 네트워크들에서, 정보는 하위 계층으로부터 상위 계층에 전달되며, 주어진 계층의 각각의 뉴런은 상위 계층들의 뉴런들과 통신한다. 계층적 표현은 위에서 설명된 바와 같이, 피드포워드 네트워크의 연속적 계층들에 구축될 수 있다. 또한, 뉴럴 네트워크들은 순환(recurrent) 또는 피드백(하향식(top-down)이라 또한 칭해짐) 연결들을 가질 수 있다. 순환 연결에서, 주어진 계층의 뉴런으로부터의 출력은 동일한 계층의 다른 뉴런에 전달될 수 있다. 순환 아키텍처는 시퀀스에서 뉴럴 네트워크에 전달되는 입력 데이터 청크들 중 하나 초과에 걸쳐 있는 패턴들을 인식하는 데 도움이 될 수 있다. 주어진 계층의 뉴런으로부터 하위 계층의 뉴런으로의 연결은 피드백(또는 하향식) 연결이라 칭해진다. 많은 피드백 연결들이 있는 네트워크는 하이-레벨(high-level) 개념의 인식이 입력의 특정 로우-레벨 특징들을 구별하는 것을 도울 수 있을 때 도움이 될 수 있다.

[0062] 뉴럴 네트워크의 계층들 사이의 연결들은 완전히(fully) 연결되거나 또는 국부적으로(locally) 연결될 수 있다. 도 4a는 완전히 연결된 뉴럴 네트워크(402)의 예를 예시한다. 완전히 연결된 뉴럴 네트워크(402)에서, 제1 계층의 뉴런은 자신의 출력을 제2 계층의 모든 각각의 뉴런으로 전달할 수 있으므로, 제2 계층의 각각의 뉴런은 제1 계층의 모든 각각의 뉴런으로부터 입력을 수신할 것이다. 도 4b는 국부적으로 연결된 뉴럴 네트워크(404)의 예를 예시한다. 국부적으로 연결된 뉴럴 네트워크(404)에서, 제1 계층의 뉴런은 제2 계층의 제한된 수의 뉴런들에 연결될 수 있다. 더 일반적으로, 국부적으로 연결된 뉴럴 네트워크(404)의 국부적으로 연결된 계층은, 계층의 각각의 뉴런이 동일한 또는 유사한 연결성 패턴을 갖지만 상이한 값들(예컨대, 410, 412, 414, 및 416)을 가질 수 있는 연결 강도들을 갖도록 구성될 수 있다. 국부적으로 연결된 연결성 패턴은, 주어진 영역의 상위 계층 뉴런들이 네트워크에 대한 총 입력의 제한된 부분의 속성들에 대한 훈련을 통해 튜닝된 입력들을 수신할 수 있기 때문에, 상위 계층에서 공간적으로 별개의 수용 필드들을 생성할 수 있다.

[0063] 국부적으로 연결된 뉴럴 네트워크의 일 예는 컨볼루션 뉴럴 네트워크이다. 도 4c는 컨볼루션 뉴럴 네트워크(406)의 예를 예시한다. 컨볼루션 뉴럴 네트워크(406)는 제2 계층의 각각의 뉴런에 대한 입력들과 연관된 연결 강도들이 공유되도록 구성될 수 있다(예컨대, 408). 컨볼루션 뉴럴 네트워크들은 입력들의 공간적 로케이션이 의미있는 문제들에 적합할 수 있다.

[0064] 컨볼루션 뉴럴 네트워크의 한 타입은 DCN(deep convolutional network)이다. 도 4d는 승용차-장착 카메라와 같은 이미지 캡처링 디바이스(430)로부터 입력된 이미지(426)로부터 시각적 특징들을 인식하도록 설계된 DCN(400)의 상세한 예를 예시한다. 현재 예의 DCN(400)은 교통 표지판들 및 교통 표지판 상에 제공된 숫자를 식별하도록 훈련될 수 있다. 물론, DCN(400)은 차선 마킹(lane marking)들의 식별 또는 신호등들의 식별과 같은 다른 태스크들을 위해 훈련될 수 있다.

[0065] DCN(400)은 지도 학습(supervised learning)으로 훈련될 수 있다. 훈련 동안, DCN(400)에는 속도 제한 표지판의 이미지(426)와 같은 이미지가 제시될 수 있고, 그런 다음, 출력(422)을 생성하기 위해 순방향 패스(forward pass)가 컴퓨팅될 수 있다. DCN(400)은 특징 추출 섹션 및 분류 섹션을 포함할 수 있다. 이미지(426)를 수신할 시, 컨볼루션 계층(432)은 이미지(426)에 컨볼루션 커널들(도시되지 않음)을 적용하여 제1 세트의 특징 맵들(418)을 생성할 수 있다. 일 예로서, 컨볼루션 계층(432)에 대한 컨볼루션 커널은 28x28 특징 맵들을 생성하는 5x5 커널일 수 있다. 본 예에서, 제1 세트의 특징 맵들(418)에서 4 개의 상이한 특징 맵들이 생성되었기 때문에, 4 개의 상이한 컨볼루션 커널들이 컨볼루션 계층(432)에서의 이미지(426)에 적용되었다. 또한, 컨볼루션 커널들은 필터들 또는 컨볼루션 필터들로 지칭될 수 있다.

[0066] 제1 세트의 특징 맵들(418)은 제2 세트의 특징 맵들(420)을 생성하기 위해 최대 풀링 계층(max pooling layer)(도시되지 않음)에 의해 서브샘플링될 수 있다. 최대 풀링 계층은 제1 세트의 특징 맵들(418)의 사이즈를 감소시킨다. 즉, 14x14와 같은 제2 세트의 특징 맵들(420)의 사이즈는 28x28과 같은 제1 세트의 특징 맵들(418)의 사이즈 미만이다. 감소된 사이즈는 메모리 소비를 감소시키면서 후속 계층에 유사한 정보를 제공한다. 제2 세트의 특징 맵들(420)은 하나 이상의 후속 세트들의 특징 맵들(도시되지 않음)을 생성하기 위해 하나 이상의 후속 컨볼루션 계층들(도시되지 않음)을 통해 추가로 컨볼브(convolve)될 수 있다.

[0067] 도 4d의 예에서, 제2 세트의 특징 맵들(420)은 제1 특징 벡터(424)를 생성하기 위해 컨볼브된다. 게다가, 제1 특징 벡터(424)는 제2 특징 벡터(428)를 생성하기 위해 추가로 컨볼브된다. 제2 특징 벡터(428)의 각각의 특징은 "표지판", "60", "100"과 같이 이미지(426)의 가능한 특징에 대응하는 숫자를 포함할 수 있다. 소프트맥스 함수(도시되지 않음)는 제2 특징 벡터(428)의 숫자들을 확률로 변환할 수 있다. 따라서, DCN(400)의 출력(422)은 하나 이상의 특징들을 포함하는 이미지(426)의 확률이다.

[0068] 본 예에서, "표지판" 및 "60"에 대한 출력(422)의 확률들은 "30", "40", "50", "70", "80," "90," 및 "100"과 같이 출력(422)의 다른 것들의 확률들보다 높다. 훈련 이전에, DCN(400)에 의해 생성된 출력(422)은 정확하지 않을 가능성이 있다. 따라서, 출력(422)과 타깃 출력 사이에 오차가 계산될 수 있다. 타깃 출력은 이미지(426)의 GT(ground truth)(예컨대, "표지판" 및 "60")이다. 그런 다음, DCN(400)의 가중치들은 DCN(400)의 출력(422)이 타깃 출력과 더 가깝게 정렬되도록 조정될 수 있다.

[0069] 가중치들을 조정하기 위해, 학습 알고리즘 또는 프로세스는 가중치들에 대한 기울기 벡터를 컴퓨팅할 수 있다. 기울기는 가중치가 조정된 경우 오차가 증가하거나 감소할 것인 양을 표시할 수 있다. 최상위 계층에서, 기울기는 끝에서 두 번째 계층 내의 활성화된 뉴런 및 출력 계층 내의 뉴런을 연결시키는 가중치 값에 직접적으로 대응할 수 있다. 하위 계층들에서, 기울기는 가중치들의 값 및 상위 계층들의 컴퓨팅된 오차 기울기들에 의존할 수 있다. 그런 다음, 가중치들은 오차를 감소시키도록 조정될 수 있다. 가중치들을 조정하는 이러한 방식은 뉴럴 네트워크를 통한 "역방향 패스(backward pass)"를 포함하므로 "역 전파(back propagation)"로 지칭될 수 있다.

[0070] 실제로, 가중치들의 오차 기울기는 작은 수의 예들을 통해 계산될 수 있으므로, 계산된 기울기는 실제 오차 기울기에 근사화된다. 이러한 근사화 방법은 확률적 경사하강법(stochastic Gradient Descent)으로 지칭될 수 있다. 전체 시스템의 달성 가능한 오차 레이트가 감소하는 것을 중단할 때까지 또는 오차 레이트가 타깃 레벨에 도달할 때까지 확률적 경사하강법이 반복될 수 있다. 학습 이후에, DCN에는 새로운 이미지들(예컨대, 이미지(426)의 속도 제한 표지판)이 제시될 수 있고, 네트워크를 통한 순방향 패스는 DCN의 추론 또는 예측으로 간주될 수 있는 출력(422)을 산출할 수 있다.

[0071] DBN(deep belief network)들은 은닉 노드들의 다수의 계층들을 포함하는 확률 모델(probabilistic model)들이다. DBN들은 훈련 데이터 세트들의 계층적 표현을 추출하는 데 사용될 수 있다. DBN은 RBM(Restricted Boltzmann Machines)들의 계층들을 적층함으로써 획득될 수 있다. RBM은 입력들의 세트에 대한 확률 분포를 학습할 수 있는 한 타입의 인공 뉴럴 네트워크이다. RBM들이 각각의 입력이 분류되어야 하는 클래스에 관한 정보가 없을 때 확률 분포를 학습할 수 있기 때문에, RBM들은 비감독 학습(unsupervised learning)에서 자주 사용된다. 하이브리드 비감독 및 감독 패러다임을 사용하여, DBN의 하부 RBM들은 비감독 방식으로 훈련될 수 있고, 특징 추출기들로서 역할을 할 수 있으며, 상부 RBM은 감독 방식으로 (이전 계층 및 타깃 클래스들로부터의 입력들의 공동 분포에 대해) 훈련될 수 있고, 분류기로서 역할을 할 수 있다.

[0072] DCN(deep convolutional network)들은 부가적인 풀링 및 정규화 계층들로 구성되는 컨볼루션 네트워크들의 네트워크들이다. DCN들은 많은 태스크들에서 최신(state-of-the-art) 성능을 달성했다. DCN들은 입력 및 출력 타깃들 모두가 많은 예시들에 대해 알려져 있고 경사하강법들을 사용함으로써 네트워크의 가중치들을 수정하는 데 사용되는 지도 학습을 사용하여 훈련될 수 있다.

[0073] DCN들은 피드포워드 네트워크들일 수 있다. 또한, 위에서 설명된 바와 같이, DCN의 제1 계층의 뉴런으로부터 다음 상위 계층의 뉴런들의 그룹으로의 연결들은 제1 계층의 뉴런들에 걸쳐 공유된다. DCN들의 피드포워드 및 공유 연결들은 신속한 프로세싱을 위해 활용될 수 있다. DCN의 컴퓨팅 부담은, 예컨대, 순환 또는 피드백 연결들을 포함하는 유사하게 사이즈가 정해진 뉴럴 네트워크의 컴퓨팅 부담보다 훨씬 더 적을 수 있다.

[0074] 컨볼루션 네트워크의 각각의 계층의 프로세싱은 공간적으로 불변인 템플릿 또는 기본 투영으로 간주될 수 있다. 입력이 먼저 컬러 이미지의 빨간색, 녹색, 파란색 채널들과 같은 다수의 채널들로 분해되면, 그 입력에 대해 훈련된 컨볼루션 네트워크는 이미지 축들을 따라 2 개의 공간 차원들 및 컬러 정보를 캡처하는 제3 차원을 갖는 3 차원으로 간주될 수 있다. 컨볼루션 연결들의 출력들은 후속 계층에서 특징 맵을 형성하는 것으로 간주될 수 있으며, 특징 맵(예컨대, 220)의 각각의 엘리먼트는 이전 계층(예컨대, 특징 맵들(218))에서의 다양한 뉴런들로부터 그리고 다수의 채널들 각각으로부터 입력을 수신한다. 특징 맵에서의 값들은 정류(rectification) max(0, x)와 같은 비선형성을 통해 추가로 프로세싱될 수 있다. 다운 샘플링에 대응하는 인접한 뉴런들로부터의 값들은 추가로 풀링될 수 있고, 추가적인 국부적 불변성 및 차원 감소를 제공할 수 있다. 또한, 화이트닝(whitening)에 대응하는 정규화는 특징 맵에서의 뉴런들 사이의 측면 억제를 통해 적용될 수 있다.

[0075] 더 많은 라벨링된 데이터 포인트들이 이용 가능해짐에 따라 또는 컴퓨팅 능력이 증가함에 따라 심층 학습 아키텍처들의 성능이 증가할 수 있다. 최신 심층 뉴럴 네트워크들은 단지 15 년 전에 통상적인 연구자가 이용 가능한 것보다 수천 배 더 많은 컴퓨팅 자원들을 이용하여 정기적으로 훈련된다. 새로운 아키텍처들 및 훈련 패러다임들은 심층 학습의 성능을 추가로 부스팅할 수 있다. 정류된 선형 유닛들은 소실되는 기울기(vanishing gradient)들로 알려진 훈련 문제를 감소시킬 수 있다. 새로운 훈련 기법들은 과대적합(over-fitting)을 감소시키고, 그에 따라 더 큰 모델들이 더 양호한 일반화를 달성하는 것을 가능하게 할 수 있다. 캡슐화 기법들은 주어진 수용 필드에서 데이터를 추상화하고, 전체 성능을 추가로 부스팅할 수 있다.

[0076] 도 5는 심층 컨볼루션 네트워크(550)를 예시하는 블록 다이어그램이다. 심층 컨볼루션 네트워크(550)는 연결성 및 가중치 공유에 기초하는 다수의 상이한 타입들의 계층들을 포함할 수 있다. 도 5에 도시된 바와 같이, 심층 컨볼루션 네트워크(550)는 컨볼루션 블록들(554A, 554B)을 포함한다. 컨볼루션 블록들(554A, 554B) 각각은 컨볼루션 계층(CONV)(356), 정규화 계층(LNorm)(558), 및 최대 풀링 계층(MAX POOL)(560)으로 구성될 수 있다.

[0077] 컨볼루션 계층(556)은 특징 맵을 생성하기 위해 입력 데이터에 적용될 수 있는 하나 이상의 컨볼루션 필터들을 포함할 수 있다. 컨볼루션 블록들(554A, 554B) 중 단지 2 개가 도시되지만, 본 개시내용은 그렇게 제한적이지 않고, 대신에 설계 선호도에 따라 임의의 수의 컨볼루션 블록들(554A, 554B)이 심층 컨볼루션 네트워크(550)에 포함될 수 있다. 정규화 계층(558)은 컨볼루션 필터들의 출력을 정규화할 수 있다. 예컨대, 정규화 계층(558)은 화이트닝 또는 측면 억제를 제공할 수 있다. 최대 풀링 계층(560)은 국부적 불변성 및 차원 감소를 위해 공간에 대한 다운 샘플링 어그리게이션을 제공할 수 있다.

[0078] 예컨대, 심층 컨볼루션 네트워크의 병렬 필터 뱅크들은 고성능 및 저전력 소비를 달성하기 위해 SOC(300)의 CPU(302) 또는 GPU(304) 상에 로드될 수 있다. 대안적인 실시예들에서, 병렬 필터 뱅크들은 SOC(300)의 DSP(306) 또는 ISP(316) 상에 로드될 수 있다. 또한, 심층 컨볼루션 네트워크(550)는 각각 센서들 및 내비게이션 전용인, 센서 프로세서(314) 및 내비게이션 모듈(320)과 같이 SOC(300) 상에 존재할 수 있는 다른 프로세싱 블록들에 액세스할 수 있다.

[0079] 또한, 심층 컨볼루션 네트워크(550)는 하나 이상의 완전히 연결된 계층들(562)(FC1 및 FC2)을 포함할 수 있다. 심층 컨볼루션 네트워크(550)는 LR(logistic regression) 계층(564)을 더 포함할 수 있다. 심층 컨볼루션 네트워크(550)의 각각의 계층(556, 558, 560, 562, 564) 사이에 업데이트될 가중치들(도시되지 않음)이 있다. 계층들(예컨대, 556, 558, 560, 562, 564) 각각의 출력은 컨볼루션 블록들(554A) 중 제1 블록에서 공급된 입력 데이터(552)(예컨대, 이미지들, 오디오, 비디오, 센서 데이터, 및/또는 다른 입력 데이터)로부터의 계층적 특징 표현들을 학습하기 위해 심층 컨볼루션 네트워크(550)에서 계층들(예컨대, 556, 558, 560, 562, 564) 중 후속 계층의 입력으로서 역할을 할 수 있다. 심층 컨볼루션 네트워크(550)의 출력은 입력 데이터(552)에 대한 분류 스코어(566)이다. 분류 스코어(566)는 확률들의 세트일 수 있으며, 여기서 각각의 확률은 특징들의 세트로부터의 특징을 포함하는 입력 데이터의 확률이다.

[0080] 위에서 표시된 바와 같이, 도 3-도 5는 예들로서 제공된다. 다른 예들은 도 3-도 5와 관련하여 설명된 것과 상이할 수 있다.

[0081] 도 6은 채널 특징 추출을 위한 종래의 아키텍처(600)를 예시하는 블록 다이어그램이다. 도 6을 참조하면, 예시적인 아키텍처(600)는 인코더(602)(예컨대, 추론 뉴럴 네트워크) 및 디코더(604)(예컨대, 생성 뉴럴 네트워크)를 포함하는 오토인코더일 수 있다.

[0082] 무선 전파 채널의 채널 시퀀스(예컨대, 고차원 표현)는 인코더(602)에 대한 입력으로서 수신될 수 있다. 인코더(602)는 채널 시퀀스를 프로세싱하고, 무선 전파 채널의 잠재 채널 표현(예컨대, 저차원 표현)을 생성할 수 있다. 잠재 채널 표현은 디코더(604)에 공급될 수 있다. 디코더(604)는 잠재 채널 표현을 프로세싱하여 채널 시퀀스의 재구성(고차원 표현)을 생성한다. 이러한 종래의 아키텍처(600)는 라벨링되지 않은 대량의 채널 데이터를 유익하게 활용할 수 있다. 그러나 논의된 바와 같이, 종래의 아키텍처(600)에는 잠재 벡터의 해석능력 및 제어가 부족하다.

[0083] 도 7은 본 개시내용의 양상들에 따른, 모델 기반 채널 특징 추출을 위한 예시적인 아키텍처(700)를 예시하는 다이어그램이다. 도 7에 도시된 바와 같이, 아키텍처(700)는 인코더(702)(예컨대, 인코더(602)와 유사함) 및 디코더(704)를 포함한다. 인코더(702)는 다수의 컨볼루션 필터들의 계층들(예컨대, 도 5에 도시된 컨볼루션 계층(556)), 완전히 연결된 계층들, 또는 임의의 다른 타입들의 뉴럴 네트워크 계층들을 포함할 수 있다. 인코더(702)는 입력으로서 제1 계층에서의 채널 시퀀스(고차원 표현) 를 수신할 수 있다. 채널 시퀀스 는 인코더(702)의 컨볼루션 필터들의 연속적인 계층들을 통해 프로세싱될 수 있다. 인코더(702)의 각각의 계층은 잠재 채널 표현 를 생성하기 위해 채널 시퀀스 의 특징들을 추출할 수 있다.

[0084] 예시적인 아키텍처(700)는 디코더(704)를 포함한다. 인코더(702)로서 뉴럴 네트워크를 사용하기보다는, 송신기(예컨대, 기지국(110))와 수신기(예컨대, UE(120)) 사이의 물리적 전파 채널 모델이 잠재 표현을 디코딩할 수 있다. 즉, 입력 채널 시퀀스의 재구성을 생성하기 위해 잠재 표현과 채널 사이의 물리학 기반 관계가 적용될 수 있다. 일 예에서, 물리적 전파 채널 모델은 3GPP TR 38.901에 제시되고 다음과 같이 주어진 것과 같은 NLOS(non-line of sight) 임펄스 응답 을 포함할 수 있다:

,

여기서 는 각각의 클러스터 n의 각각의 광선 m에 대한 초기 페이즈들이고, 및 는 수신 안테나 엘리먼트 요소 u의 필드 패턴들이고, 구형 기본 벡터들, 및 각각의 방향에서, 및 는 구형(spherical) 기반 벡터들, 및 각각의 방향에서 송신 안테나 엘리먼트 s의 필드 패턴들이다. 파라미터 은 다음과 같이 주어진, 방위 도착각 및 고도 도착각 를 갖는 구형 단위 벡터이다:

,

여기서 n은 클러스터를 나타내고, m은 클러스터 n 내의 광선을 나타낸다. 파라미터 은 다음과 같이 주어진, 방위 출발각 및 고도 출발각 를 갖는 구형 단위 벡터이며:

,

여기서 는 수신 안테나 엘리먼트 u의 로케이션 벡터이고, 는 송신 안테나 엘리먼트 s의 로케이션 벡터이다. 파라미터 k _n,m 은 선형 스케일의 교차 편파 전력 비이고, 는 캐리어 주파수의 파장이다.

[0085] 물리적 전파 채널 모델 기반 디코더(예컨대, 704)를 사용하여 잠재 표현을 디코딩하여 입력의 재구성을 생성함으로써, 잠재 표현은 예컨대, 지연 및 도착각과 같은 물리적 파라미터들을 따르도록 강제될 수 있다. 또한, 이는, 디코더(704)를 훈련시키는 것과 대조적으로 인코더(702)만이 훈련되기 때문에 더 효율적인 훈련을 가능하게 할 수 있다. 추가적으로, 물리적 전파 채널 모델 기반 디코더(704)는, 디코더(704)가 물리적 전파 채널의 양상들에 잠재 표현 의 부분들을 매핑할 수 있기 때문에 해석능력을 허용한다. 예컨대, 잠재 표현 의 제1 엘리먼트는 도착각에 대응하도록 정의될 수 있다. 더욱이, 예시적인 아키텍처(700)는 물리적 전파 채널 모델에 기초하여 동적 모델링(예컨대, 칼만 필터링, 광선 추적)을 허용할 수 있다. 잠재 표현 는 해석 가능하기 때문에, 예측 가능성이 개선될 수 있다.

[0086] 일부 양상들에서, 알려진 물리적 모델이 완전히 알려지지 않았다. 즉, 모델의 일부 파라미터 값들(이를테면, 수신기(Rx) 어레이 응답)은 알지 못할 수 있다. 이러한 양상들에서, 네트워크는 알려지지 않은 특징들을 추정할 수 있다. 이러한 접근법은 하이브리드 접근법으로 지칭될 수 있다.

[0087] 일부 양상들에서, 물리적 전파 채널 모델은 다중 경로 컴포넌트(MPC)의 합산으로서 표현될 수 있다. 예컨대, 각각의 다중 경로 컴포넌트는 지연 및 복소 크기를 가질 수 있다. 또한, 각각의 다중 경로 컴포넌트는 연관된 송신기(Tx) 어레이 응답 및 수신기(Rx) 어레이 응답을 가질 수 있다. 일부 양상들에서, Tx 어레이 응답 및 Rx 어레이 응답은 각도 응답들의 학습 가능한 함수(예컨대, 뉴럴 네트워크 계층들)로써 표현될 수 있다. 게다가, 물리적 전파 채널 모델은 또한 Tx 및 Rx 체인들의 임펄스 응답들을 포함할 수 있다. 일부 예들에서, 물리적 전파 채널 모델은 다음과 같이 주어질 수 있다:

(3)

(4)

여기서 는 총 임펄스 응답이고, 는 전파 채널의 임펄스 응답이다. 추가적으로, 은 제n 다중 경로 컴포넌트의 스케일링된 복소 크기이고, 은 제n MPC의 스케일링된 지연이고, , -- 제n MPC의 Rx 및 Tx 각들(방위각, 천정각), 파라미터들 , 는 각각 훈련 가능한 뉴럴 네트워크(NN) 계층들에 의해 표현되는 Rx 및 Tx 어레이 응답이다. 게다가, 각각의 서브캐리어에 대해, 파라미터 -- 제m Rx 안테나에 대한 수신기 체인 주파수 응답 및 -- 제n Tx 안테나에 대한 송신기 체인 주파수 응답, 여기서

[0088] 일부 양상들에서, 예시적인 아키텍처(700)는 측정 채널 데이터에 기초하는 비지도 학습을 통해 훈련될 수 있다. 일단 훈련되면, NN의 인코더는 주어진 채널로부터 잠재 특징들을 추출하는 데 사용될 수 있다. NN의 디코더는 잠재 채널 특징들로부터의 새로운 채널 샘플들 및/또는 채널 샘플 시퀀스들을 생성할 수 있다. 또한, 훈련된 인코더/디코더 뉴럴 네트워크 쌍은 UE와 기지국(예컨대, gNB(gNodeB)) 사이의 채널 상태 피드백을 위해 구성되고 훈련될 수 있다.

[0089] 일부 양상들에서, 예시적인 아키텍처(700)는 대역폭 스티칭을 수행할 수 있다. 예컨대, 가드 대역에 의해 분리된 2 개의 주파수 대역들이 주어지면, 가드 대역에 알려지지 않은 채널이 추론되어 연속적인 채널 응답이 구성될 수 있다.

[0090] 일부 양상들에서, 송신 디바이스(예컨대, 기지국(110))는 인코더 및 디코더의 캐스케이드가 인코더에 입력으로서 주어진 원래 채널 시퀀스를 재구성하도록 인코더 및 디코더 쌍을 공동으로 훈련시킨다. 그러나, 인코더만이 사용되며, 디코더는 폐기될 수 있다. 즉, 송신 디바이스는 인코더 입력을 재구성하는 데 사용하기 위한 것이 아닌 인코더를 훈련시킬 목적으로만 디코더를 훈련시킬 수 있다. 대신에, 수신 디바이스는 송신 디바이스가 내부적으로 갖고 있는 디코더와 상이할 수 있는 (상이한) 디코더(예컨대, 물리적 전파 채널 모델을 사용할 수 있는 디코더(704))를 독립적으로 훈련시킬 수 있다. 이러한 방식으로, 송신 디바이스(예컨대, 기지국(110))는 자신의 인코더 설계를 수신 디바이스(예컨대, UE(120))에 드러내는 것을 모호하게 하고, 일부 양상들에서는 회피할 수 있다. 유사하게, 수신 디바이스(예컨대, UE(120))는 자신의 디코더 설계를 송신 디바이스(예컨대, 기지국(110))에 개시하는 것을 모호하게 하고, 일부 양상들에서는 회피할 수 있다. 더욱이, 일부 양상들에서, 송신 디바이스(예컨대, 기지국(110))도 수신 디바이스(예컨대, UE(120))도 특정 인코더 또는 디코더의 사용을 다른 디바이스에 부과하지 않는다.

[0091] 따라서, 본 개시내용의 양상들은 종래의 비물리적 전파 채널 기반 접근법들과 비교하여 더 효율적이고 해석 가능한 학습을 제공한다. 게다가, 개선된 해석능력은 gNB 및 UE에 걸쳐 뉴럴 네트워크 쌍들의 덜 복잡한 규격을 가능하게 한다. 잠재 표현은 해석 가능한 의미를 갖기 때문에, 인코더(예컨대, 702)는 독립형 구현으로서 남겨질 수 있다. 이는 호환 가능한 인코더 및 디코더 쌍의 공동 훈련 및 규격을 사용하는 종래의 자동 인코더 기반 뉴럴 네트워크와 반대된다.

[0092] 도 8은 본 개시내용의 다양한 양상들에 따른, 예컨대, 프로세서에 의해 수행되는 예시적인 프로세스(800)를 예시하는 흐름 다이어그램이다. 블록(802)에서, 프로세스(800)는, 송신 디바이스로부터 무선 신호에 대한 채널 특징들의 잠재 표현을 수신한다. 송신 디바이스는 인코더(예컨대, 도 7의 인코더(702))를 사용하여 채널 시퀀스를 잠재 표현으로 변환할 수 있다. 잠재 표현은 예컨대, 한 세트의 지연들, 복소 크기들, 출발각들, 및 도착각들 중 하나 이상을 포함할 수 있다. 일부 양상들에서, 잠재 표현은 채널 상태 피드백으로서 수신 디바이스에 전송될 수 있다.

[0093] 블록(804)에서, 프로세스(800)는 디코더를 통해, 무선 신호에 대한 채널 특징들을 재구성하기 위해 잠재 표현에 물리적 전파 채널 모델을 적용한다. 수신 디바이스는 디코더(예컨대, 도 7의 디코더(704))를 사용하여 잠재 표현으로부터 채널 특징들을 재구성할 수 있다.

[0094] 일부 양상들에서, 물리적 전파 채널 모델은 다중 경로 컴포넌트들의 합을 포함할 수 있다. 예컨대, 다중 경로 컴포넌트들 각각은 지연 및 복소 크기를 포함할 수 있다. 다른 예들에서, 각각의 다중 경로 컴포넌트는 송신기(Tx) 어레이 응답 및 수신기(Rx) 어레이 응답을 포함할 수 있다. 게다가, Tx 어레이 응답 및 Rx 어레이 응답은 각각 출발 천정각과 방위각 및 도착 천정각과 방위각의 학습 가능한 함수들로써 표현될 수 있다.

[0095] 일부 양상들에서, 추가 학습 가능한 뉴럴 네트워크 계층들을 통해 물리적 채널 모델에 의해 캡처되지 않은 무선 신호에 대한 추가 효과들이 캡처될 수 있다. 예컨대, 추가 효과들은 수신기(Rx) 체인 임펄스 응답 및 송신기(Tx) 체인 임펄스 응답을 포함할 수 있다.

[0096] 일부 양상들에서, 인코더는 제1 뉴럴 네트워크(예컨대, 도 7의 인코더(702))일 수 있고, 디코더는 물리적 전파 채널 모델(예컨대, 도 7의 디코더(704))에 기초하는 제2 뉴럴 네트워크이다. 디코더 및 인코더는 공동으로 또는 독립적으로 훈련될 수 있다.

[0097] 도 9는 본 개시내용의 다양한 양상들에 따른, 예컨대, 프로세서에 의해 수행되는 예시적인 프로세스(900)를 예시하는 흐름 다이어그램이다. 블록(902)에서, 프로세스(900)는, 무선 신호에 대한 채널 특징들을 포함하는 입력을 수신한다. 도 7에 도시된 바와 같이, 인코더(702)는 입력으로서 제1 계층에서의 채널 시퀀스(고차원 표현) 를 수신한다.

[0098] 블록(904)에서, 프로세스(900)는, 인코더를 통해, 무선 신호에 대한 채널 특징들의 잠재 표현을 생성하기 위해 채널 특징들을 프로세싱하며, 잠재 표현은 물리적 전파 채널의 파라미터에 매핑되는 적어도 하나의 엘리먼트들을 포함한다. 송신 디바이스는 인코더(예컨대, 도 7의 인코더(702))를 사용하여 채널 특징들을 잠재 표현으로 변환할 수 있다. 잠재 표현은 예컨대, 한 세트의 지연들, 복소 크기들, 출발각들, 및 도착각들 중 하나 이상을 포함할 수 있다. 일부 양상들에서, 잠재 표현은 채널 상태 피드백으로서 수신 디바이스에 전송될 수 있다.

[0099] 블록(904)에서, 프로세스(900)는 잠재 표현을 수신 디바이스에 송신한다. 도시된 바와 같이, 도 7에서, 인코더(702)는 채널 특징들의 잠재 표현을 디코더(704)에 전송한다.

[0100] 구현 예들이 다음의 넘버링(number)된 조항들에 제공된다:

조항 1. 수신 디바이스에 의한 무선 통신을 위한 방법으로서,

송신 디바이스로부터 무선 신호에 대한 채널 시퀀스의 잠재 표현을 수신하는 단계; 및

디코더를 통해, 무선 신호에 대한 채널 시퀀스를 재구성하기 위해 잠재 표현에 물리적 전파 채널 모델을 적용하는 단계를 포함하는, 방법.

조항 2. 조항 1에 있어서, 물리적 전파 채널 모델은 다중 경로 컴포넌트들의 합을 포함하는, 방법.

조항 3. 조항 1 또는 조항 2에 있어서, 다중 경로 컴포넌트들 각각은 지연 및 복소 크기를 갖는, 방법.

조항 4. 조항 1 내지 조항 3 중 어느 한 조항에 있어서, 다중 경로 컴포넌트들 각각은 송신기(Tx) 어레이 응답 및 수신기(Rx) 어레이 응답을 갖는, 방법.

조항 5. 조항 1 내지 조항 4 중 어느 한 조항에 있어서, Tx 어레이 응답 및 Rx 어레이 응답은 각각 출발 천정각과 방위각 및 도착 천정각과 방위각의 학습 가능한 함수들로써 표현되는, 방법.

조항 6. 조항 1 내지 조항 5 중 어느 한 조항에 있어서, 추가 학습 가능한 뉴럴 네트워크 계층들을 통해 물리적 전파 채널 모델에 의해 캡처되지 않은 무선 신호에 대한 추가 효과들을 캡처하는 단계를 더 포함하는, 방법.

조항 7. 조항 1 내지 조항 6 중 어느 한 조항에 있어서, 추가 효과들은 수신기(Rx) 체인 임펄스 응답 및 송신기(Tx) 체인 임펄스 응답을 포함하는, 방법.

조항 8. 조항 1 내지 조항 7 중 어느 한 조항에 있어서, 잠재 표현은 채널 상태 피드백으로서 수신 디바이스에 전송되는, 방법.

조항 9. 조항 1 내지 조항 8 중 어느 한 조항에 있어서, 재구성된 채널 시퀀스는 보호 대역에 의해 분리된 복수의 주파수 대역들에 걸친 연속적인 채널 응답을 포함하는, 방법.

조항 10. 조항 1 내지 조항 9 중 어느 한 조항에 있어서, 잠재 표현은 한 세트의 지연들, 복소 크기들, 출발각들, 및 도착각들 중 하나 이상을 포함하는, 방법.

조항 11. 조항 1 내지 조항 10 중 어느 한 조항에 있어서, 잠재 표현은 인코딩된 채널 시퀀스를 포함하고, 수신 디바이스는 디코더를 사용하여 잠재 표현으로부터의 채널 시퀀스를 재구성하는, 방법.

조항 12. 조항 1 내지 조항 11 중 어느 한 조항에 있어서, 디코더는 물리적 전파 채널 모델에 기초한 뉴럴 네트워크인, 방법.

조항 13. 조항 1 내지 조항 12 중 어느 한 조항에 있어서, 송신 디바이스에서의 인코더와 독립적으로 수신 디바이스에서의 디코더를 훈련시키는 단계를 더 포함하는, 방법.

조항 14. 송신 디바이스에 의한 무선 통신을 위한 방법으로서,

인코더를 통해, 무선 신호에 대한 채널 시퀀스를 포함하는 입력을 수신하는 단계;

인코더를 통해, 무선 신호에 대한 채널 시퀀스의 잠재 표현을 생성하기 위해 채널 시퀀스를 프로세싱하는 단계 ― 잠재 표현은 물리적 전파 채널 모델의 파라미터에 매핑되는 적어도 하나의 엘리먼트들을 포함함 ― ; 및

잠재 표현을 수신 디바이스에 송신하는 단계를 포함하는, 방법.

조항 15. 조항 14에 있어서, 물리적 전파 채널 모델은 다중 경로 컴포넌트들의 합을 포함하는, 방법.

조항 16. 조항 14 또는 조항 15에 있어서, 다중 경로 컴포넌트들 각각은 지연 및 복소 크기를 갖는, 방법.

조항 17. 조항 14 내지 조항 16 중 어느 한 조항에 있어서, 다중 경로 컴포넌트들 각각은 송신기(Tx) 어레이 응답 및 수신기(Rx) 어레이 응답을 갖는, 방법.

조항 18. 조항 14 내지 조항 17 중 어느 한 조항에 있어서, Tx 어레이 응답 및 Rx 어레이 응답은 각각 출발 천정각과 방위각 및 도착 천정각과 방위각의 학습 가능한 함수들로써 표현되는, 방법.

조항 19. 조항 14 내지 조항 18 중 어느 한 조항에 있어서, 잠재 표현은 채널 상태 피드백으로서 수신 디바이스에 송신되는, 방법.

조항 20. 조항 14 내지 조항 19 중 어느 한 조항에 있어서, 인코더는 뉴럴 네트워크를 포함하는, 방법.

조항 21. 조항 14 내지 조항 20 중 어느 한 조항에 있어서, 송신 디바이스는, 인코더-디코더 쌍의 제2 디코더 및 인코더의 캐스케이드가 인코더에 입력된 채널 시퀀스를 재구성하도록 인코더-디코더 쌍을 공동으로 훈련시키는, 방법.

조항 22. 수신 디바이스에 의한 무선 통신을 위한 장치로서,

메모리; 및

메모리에 커플링된 적어도 하나의 프로세서를 포함하며, 적어도 하나의 프로세서는,

송신 디바이스로부터 무선 신호에 대한 채널 시퀀스의 잠재 표현을 수신하도록; 그리고

디코더를 통해, 무선 신호에 대한 채널 시퀀스를 재구성하기 위해 잠재 표현에 물리적 전파 채널 모델을 적용하도록 구성되는, 장치.

조항 23. 조항 22에 있어서, 물리적 전파 채널 모델은 다중 경로 컴포넌트들의 합을 포함하는, 장치.

조항 24. 조항 22 또는 조항 23에 있어서, 다중 경로 컴포넌트들 각각은 지연 및 복소 크기를 갖는, 장치.

조항 25. 조항 22 내지 조항 24 중 어느 한 조항에 있어서, 다중 경로 컴포넌트들 각각은 송신기(Tx) 어레이 응답 및 수신기(Rx) 어레이 응답을 갖는, 장치.

조항 26. 조항 22 내지 조항 25 중 어느 한 조항에 있어서, 적어도 하나의 프로세서는, Tx 어레이 응답 및 Rx 어레이 응답을 각각 출발 천정각과 방위각 및 도착 천정각과 방위각의 학습 가능한 함수들로써 표현하도록 추가로 구성되는, 장치.

조항 27. 조항 22 내지 조항 26 중 어느 한 조항에 있어서, 적어도 하나의 프로세서는, 추가 학습 가능한 뉴럴 네트워크 계층들을 통해 물리적 전파 채널 모델에 의해 캡처되지 않은 무선 신호에 대한 추가 효과들을 캡처하도록 추가로 구성되는, 장치.

조항 28. 조항 22 내지 조항 27 중 어느 한 조항에 있어서, 추가 효과들은 수신기(Rx) 체인 임펄스 응답 및 송신기(Tx) 체인 임펄스 응답을 포함하는, 장치.

조항 29. 조항 22 내지 조항 28 중 어느 한 조항에 있어서, 적어도 하나의 프로세서는, 수신 디바이스를 통해, 채널 상태 피드백으로서 잠재 표현을 수신하도록 추가로 구성되는, 장치.

조항 30. 조항 22 내지 조항 29 중 어느 한 조항에 있어서, 재구성된 채널 시퀀스는 보호 대역에 의해 분리된 복수의 주파수 대역들에 걸친 연속적인 채널 응답을 포함하는, 장치.

조항 31. 조항 22 내지 조항 30 중 어느 한 조항에 있어서, 잠재 표현은 한 세트의 지연들, 복소 크기들, 출발각들, 및 도착각들 중 하나 이상을 포함하는, 장치.

조항 32. 조항 22 내지 조항 31 중 어느 한 조항에 있어서, 잠재 표현은 인코딩된 채널 시퀀스를 포함하고, 수신 디바이스는 디코더를 사용하여 잠재 표현으로부터의 채널 시퀀스를 재구성하는, 장치.

조항 33. 조항 22 내지 조항 32 중 어느 한 조항에 있어서, 디코더는 물리적 전파 채널 모델에 기초한 뉴럴 네트워크인, 장치.

조항 34. 조항 22 내지 조항 33 중 어느 한 조항에 있어서, 적어도 하나의 프로세서는, 송신 디바이스에서의 인코더와 독립적으로 수신 디바이스에서의 디코더를 훈련시키도록 추가로 구성되는, 장치.

조항 35. 송신 디바이스에 의한 무선 통신을 위한 장치로서,

메모리; 및

인코더를 통해, 무선 신호에 대한 채널 시퀀스를 포함하는 입력을 수신하도록;

인코더를 통해, 무선 신호에 대한 채널 시퀀스의 잠재 표현을 생성하기 위해 채널 시퀀스를 프로세싱하도록 ― 잠재 표현은 물리적 전파 채널 모델의 파라미터에 매핑되는 적어도 하나의 엘리먼트들을 포함함 ― ; 그리고

잠재 표현을 수신 디바이스에 송신하도록 구성되는, 장치.

조항 36. 조항 35에 있어서, 물리적 전파 채널 모델은 다중 경로 컴포넌트들의 합을 포함하는, 장치.

조항 37. 조항 35 또는 조항 36에 있어서, 다중 경로 컴포넌트들 각각은 지연 및 복소 크기를 갖는, 장치.

조항 38. 조항 35 내지 조항 37 중 어느 한 조항에 있어서, 다중 경로 컴포넌트들 각각은 송신기(Tx) 어레이 응답 및 수신기(Rx) 어레이 응답을 갖는, 장치.

조항 39. 조항 35 내지 조항 38 중 어느 한 조항에 있어서, 적어도 하나의 프로세서는, Tx 어레이 응답 및 Rx 어레이 응답을 각각 출발 천정각과 방위각 및 도착 천정각과 방위각의 학습 가능한 함수들로써 표현하도록 추가로 구성되는, 장치.

조항 40. 조항 35 내지 조항 39 중 어느 한 조항에 있어서, 적어도 하나의 프로세서는, 채널 상태 피드백으로서 잠재 표현을 수신 디바이스에 송신하도록 추가로 구성되는, 장치.

조항 41. 조항 35 내지 조항 40 중 어느 한 조항에 있어서, 인코더는 뉴럴 네트워크를 포함하는, 장치.

조항 42. 조항 35 내지 조항 41 중 어느 한 조항에 있어서, 적어도 하나의 프로세서는, 송신 디바이스를 통해, 인코더-디코더 쌍의 제2 디코더 및 인코더의 캐스케이드가 인코더에 입력된 채널 시퀀스를 재구성하도록 인코더-디코더 쌍을 공동으로 훈련시키도록 추가로 구성되는, 장치.

조항 43. 수신 디바이스에 의한 무선 통신을 위한 장치로서,

송신 디바이스로부터 무선 신호에 대한 채널 시퀀스의 잠재 표현을 수신하기 위한 수단; 및

디코더를 통해, 무선 신호에 대한 채널 시퀀스를 재구성하기 위해 잠재 표현에 물리적 전파 채널 모델을 적용하기 위한 수단을 포함하는, 장치.

조항 44. 송신 디바이스에 의한 무선 통신을 위한 방법으로서,

무선 신호에 대한 채널 시퀀스를 포함하는 입력을 수신하기 위한 수단;

인코더를 통해, 무선 신호에 대한 채널 시퀀스의 잠재 표현을 생성하기 위해 채널 시퀀스를 프로세싱하기 위한 수단 ― 잠재 표현은 물리적 전파 채널의 파라미터에 매핑되는 적어도 하나의 엘리먼트들을 포함함 ― ; 및

잠재 표현을 수신 디바이스에 송신하기 위한 수단을 포함하는, 방법.

조항 45. 수신 디바이스에 의한 무선 통신을 위한 프로그램 코드가 인코딩된 비일시적 컴퓨터 판독 가능 매체로서, 프로그램 코드는, 프로세서에 의해 실행되고,

송신 디바이스로부터 무선 신호에 대한 채널 시퀀스의 잠재 표현을 수신하기 위한 프로그램 코드; 및

디코더를 통해, 무선 신호에 대한 채널 시퀀스를 재구성하기 위해 잠재 표현에 물리적 전파 채널 모델을 적용하기 위한 프로그램 코드를 포함하는, 비일시적 컴퓨터 판독 가능 매체.

조항 46. 송신 디바이스에 의한 무선 통신을 위한 프로그램 코드가 인코딩된 비일시적 컴퓨터 판독 가능 매체로서, 프로그램 코드는, 프로세서에 의해 실행되고,

무선 신호에 대한 채널 시퀀스를 포함하는 입력을 수신하기 위한 프로그램 코드;

인코더를 통해, 무선 신호에 대한 채널 시퀀스의 잠재 표현을 생성하기 위해 채널 시퀀스를 프로세싱하기 위한 프로그램 코드 ― 잠재 표현은 물리적 전파 채널의 파라미터에 매핑되는 적어도 하나의 엘리먼트들을 포함함 ― ; 및

잠재 표현을 수신 디바이스에 송신하기 위한 프로그램 코드를 포함하는, 비일시적 컴퓨터 판독 가능 매체.

[0101] 전술된 개시내용은 예시 및 설명을 제공하지만, 양상들을 개시된 바로 그 형태로 제한하거나 또는 양상들을 총망라한 것으로 의도되는 것은 아니다. 수정들 및 변형들은 위의 개시내용에 비추어 이루어질 수 있거나 또는 양상들의 실시로부터 포착될 수 있다.

[0102] 사용되는 바와 같이, "컴포넌트"라는 용어는 하드웨어, 펌웨어, 및/또는 하드웨어와 소프트웨어의 조합으로서 광범위하게 해석되는 것으로 의도된다. 본원에서 사용되는 바와 같이, 프로세서는 하드웨어, 펌웨어, 및/또는 하드웨어와 소프트웨어의 조합으로 구현된다.

[0103] 일부 양상들은 임계치들과 관련하여 설명된다. 사용되는 바와 같이, 임계치를 만족시키는 것은 맥락에 따라, 임계치 초과이거나, 임계치 이상이거나, 임계치 미만이거나, 임계치 이하이거나, 임계치와 동일하거나, 임계치와 동일하지 않은 등의 값을 나타낼 수 있다.

[0104] 설명된 시스템들 및/또는 방법들이 상이한 형태들의 하드웨어, 펌웨어, 및/또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다는 것이 명백할 것이다. 이러한 시스템들 및/또는 방법들을 구현하는 데 사용되는 실제 특수 제어 하드웨어 또는 소프트웨어 코드는 양상들에 제한적이지 않다. 따라서, 시스템들 및/또는 방법들의 동작 및 거동은 특정 소프트웨어 코드를 참조하지 않고 설명되었다 ― 소프트웨어 및 하드웨어는 설명에 적어도 부분적으로 기초하여 시스템들 및/또는 방법들을 구현하도록 설계될 수 있다는 것을 이해해야 한다.

[0105] 특징들의 특정 조합들이 청구항들에 기술되고 그리고/또는 명세서에 개시되지만, 이러한 조합들은 다양한 양상들의 개시내용을 제한하는 것으로 의도되는 것은 아니다. 실제로, 이러한 특징들 중 다수는 청구항들에서 구체적으로 언급되지 않고 그리고/또는 명세서에 개시되지 않은 방식들로 조합될 수 있다. 아래에 나열되는 각각의 종속항은 오직 하나의 청구항에만 직접적으로 의존할 수 있지만, 다양한 양상들의 개시내용은 청구항 세트의 모든 각각의 다른 청구항과 조합하여 각각의 종속항을 포함한다. 항목들의 목록 "중 적어도 하나"를 지칭하는 문구는 단일 멤버들을 포함하는 그러한 항목들의 임의의 조합을 지칭한다. 예로서, "a, b, 또는 c 중 적어도 하나"는 a, b, c, a-b, a-c, b-c 및 a-b-c뿐만 아니라 동일한 엘리먼트의 집합들(multiples)과의 임의의 조합(예컨대, a-a, a-a-a, a-a-b, a-a-c, a-b-b, a-c-c, b-b, b-b-b, b-b-c, c-c, 및 c-c-c 또는 a, b 및 c의 임의의 다른 순서)을 커버하는 것으로 의도된다.

[0106] 사용되는 엘리먼트, 동작, 또는 명령은 이와 같이 명시적으로 설명되지 않으면, 중대하거나 또는 필수적인 것으로 해석되지 않아야 한다. 또한, 본원에서 사용되는 바와 같이, 단수형 표현들은 하나 이상의 항목들을 포함하는 것으로 의도되며, "하나 이상"과 상호 교환 가능하게 사용될 수 있다. 게다가, 사용되는 바와 같이, "세트" 및 "그룹"이라는 용어들은 하나 이상의 항목들(예컨대, 관련된 항목들, 관련되지 않은 항목들, 관련된 항목들과 관련되지 않은 항목들의 조합 등)을 포함하는 것으로 의도되며, "하나 이상"과 상호 교환 가능하게 사용될 수 있다. 오직 하나의 항목이 의도될 경우, "오직 하나"라는 문구 또는 유사한 언어가 사용된다. 또한, 사용되는 바와 같이, "갖다", "갖고 있다", "갖는" 등의 용어들은 개방형 용어들인 것으로 의도된다. 추가로, "~에 기초하는"이라는 문구는, 달리 명시적으로 서술되지 않는 한, "~에 적어도 부분적으로 기초하는"을 의미하는 것으로 의도된다.

Claims

수신 디바이스에 의한 무선 통신을 위한 방법으로서,
송신 디바이스로부터 무선 신호에 대한 채널 시퀀스의 잠재 표현(latent representation)을 수신하는 단계; 및
디코더를 통해, 상기 무선 신호에 대한 채널 시퀀스를 재구성하기 위해 상기 잠재 표현에 물리적 전파 채널 모델을 적용하는 단계를 포함하는, 수신 디바이스에 의한 무선 통신을 위한 방법.
제1 항에 있어서,
상기 물리적 전파 채널 모델은 다중 경로 컴포넌트들의 합을 포함하는, 수신 디바이스에 의한 무선 통신을 위한 방법.
제2 항에 있어서,
상기 다중 경로 컴포넌트들 각각은 지연 및 복소 크기를 갖는, 수신 디바이스에 의한 무선 통신을 위한 방법.
제2 항에 있어서,
상기 다중 경로 컴포넌트들 각각은 송신기(Tx) 어레이 응답 및 수신기(Rx) 어레이 응답을 갖는, 수신 디바이스에 의한 무선 통신을 위한 방법.
제4 항에 있어서,
상기 Tx 어레이 응답 및 상기 Rx 어레이 응답은 각각 출발 천정각과 방위각 및 도착 천정각과 방위각의 학습 가능한 함수들로써 표현되는, 수신 디바이스에 의한 무선 통신을 위한 방법.
제1 항에 있어서,
추가 학습 가능한 뉴럴 네트워크 계층들을 통해 상기 물리적 전파 채널 모델에 의해 캡처되지 않은 상기 무선 신호에 대한 추가 효과들을 캡처하는 단계를 더 포함하는, 수신 디바이스에 의한 무선 통신을 위한 방법.
제6 항에 있어서,
상기 추가 효과들은 수신기(Rx) 체인 임펄스 응답 및 송신기(Tx) 체인 임펄스 응답을 포함하는, 수신 디바이스에 의한 무선 통신을 위한 방법.
제1 항에 있어서,
상기 잠재 표현은 채널 상태 피드백으로서 상기 수신 디바이스에 전송되는, 수신 디바이스에 의한 무선 통신을 위한 방법.
제1 항에 있어서,
상기 재구성된 채널 시퀀스는 보호 대역에 의해 분리된 복수의 주파수 대역들에 걸친 연속적인 채널 응답을 포함하는, 수신 디바이스에 의한 무선 통신을 위한 방법.
제1 항에 있어서,
상기 잠재 표현은 한 세트의 지연들, 복소 크기들, 출발각들, 및 도착각들 중 하나 이상을 포함하는, 수신 디바이스에 의한 무선 통신을 위한 방법.
제1 항에 있어서,
상기 잠재 표현은 인코딩된 채널 시퀀스를 포함하고, 상기 수신 디바이스는 상기 디코더를 사용하여 상기 잠재 표현으로부터의 상기 채널 시퀀스를 재구성하는, 수신 디바이스에 의한 무선 통신을 위한 방법.
제11 항에 있어서,
상기 디코더는 상기 물리적 전파 채널 모델에 기초한 뉴럴 네트워크인, 수신 디바이스에 의한 무선 통신을 위한 방법.
제11 항에 있어서,
상기 송신 디바이스에서의 인코더와 독립적으로 상기 수신 디바이스에서의 디코더를 훈련시키는 단계를 더 포함하는, 수신 디바이스에 의한 무선 통신을 위한 방법.
송신 디바이스에 의한 무선 통신을 위한 방법으로서,
인코더를 통해, 무선 신호에 대한 채널 시퀀스를 포함하는 입력을 수신하는 단계;
상기 인코더를 통해, 상기 무선 신호에 대한 채널 시퀀스의 잠재 표현을 생성하기 위해 상기 채널 시퀀스를 프로세싱하는 단계 ― 상기 잠재 표현은 물리적 전파 채널 모델의 파라미터에 매핑되는 적어도 하나의 엘리먼트들을 포함함 ― ; 및
상기 잠재 표현을 수신 디바이스에 송신하는 단계를 포함하는, 송신 디바이스에 의한 무선 통신을 위한 방법.
제14 항에 있어서,
상기 물리적 전파 채널 모델은 다중 경로 컴포넌트들의 합을 포함하는, 송신 디바이스에 의한 무선 통신을 위한 방법.
제15 항에 있어서,
상기 다중 경로 컴포넌트들 각각은 지연 및 복소 크기를 갖는, 송신 디바이스에 의한 무선 통신을 위한 방법.
제16 항에 있어서,
상기 다중 경로 컴포넌트들 각각은 송신기(Tx) 어레이 응답 및 수신기(Rx) 어레이 응답을 갖는, 송신 디바이스에 의한 무선 통신을 위한 방법.
제17 항에 있어서,
상기 Tx 어레이 응답 및 상기 Rx 어레이 응답은 각각 출발 천정각과 방위각 및 도착 천정각과 방위각의 학습 가능한 함수들로써 표현되는, 송신 디바이스에 의한 무선 통신을 위한 방법.
제14 항에 있어서,
상기 잠재 표현은 채널 상태 피드백으로서 상기 수신 디바이스에 송신되는, 송신 디바이스에 의한 무선 통신을 위한 방법.
제14 항에 있어서,
상기 인코더는 뉴럴 네트워크를 포함하는, 송신 디바이스에 의한 무선 통신을 위한 방법.
제14 항에 있어서,
상기 송신 디바이스는, 인코더-디코더 쌍의 제2 디코더 및 상기 인코더의 캐스케이드가 상기 인코더에 입력된 상기 채널 시퀀스를 재구성하도록 상기 인코더-디코더 쌍을 공동으로 훈련시키는, 송신 디바이스에 의한 무선 통신을 위한 방법.
수신 디바이스에 의한 무선 통신을 위한 장치로서,
메모리; 및
상기 메모리에 커플링된 적어도 하나의 프로세서를 포함하며,
상기 적어도 하나의 프로세서는,
송신 디바이스로부터 무선 신호에 대한 채널 시퀀스의 잠재 표현을 수신하도록; 그리고
디코더를 통해, 상기 무선 신호에 대한 채널 시퀀스를 재구성하기 위해 상기 잠재 표현에 물리적 전파 채널 모델을 적용하도록 구성되는, 수신 디바이스에 의한 무선 통신을 위한 장치.
제22 항에 있어서,
상기 물리적 전파 채널 모델은 다중 경로 컴포넌트들의 합을 포함하는, 수신 디바이스에 의한 무선 통신을 위한 장치.
제23 항에 있어서,
상기 다중 경로 컴포넌트들 각각은 지연 및 복소 크기를 갖는, 수신 디바이스에 의한 무선 통신을 위한 장치.
제23 항에 있어서,
상기 다중 경로 컴포넌트들 각각은 송신기(Tx) 어레이 응답 및 수신기(Rx) 어레이 응답을 갖는, 수신 디바이스에 의한 무선 통신을 위한 장치.
제25 항에 있어서,
상기 적어도 하나의 프로세서는, 상기 Tx 어레이 응답 및 상기 Rx 어레이 응답을 각각 출발 천정각과 방위각 및 도착 천정각과 방위각의 학습 가능한 함수들로써 표현하도록 추가로 구성되는, 수신 디바이스에 의한 무선 통신을 위한 장치.
제22 항에 있어서,
상기 적어도 하나의 프로세서는, 추가 학습 가능한 뉴럴 네트워크 계층들을 통해 상기 물리적 전파 채널 모델에 의해 캡처되지 않은 상기 무선 신호에 대한 추가 효과들을 캡처하도록 추가로 구성되는, 수신 디바이스에 의한 무선 통신을 위한 장치.
제27 항에 있어서,
상기 추가 효과들은 수신기(Rx) 체인 임펄스 응답 및 송신기(Tx) 체인 임펄스 응답을 포함하는, 수신 디바이스에 의한 무선 통신을 위한 장치.
제22 항에 있어서,
상기 적어도 하나의 프로세서는, 상기 수신 디바이스를 통해, 채널 상태 피드백으로서 상기 잠재 표현을 수신하도록 추가로 구성되는, 수신 디바이스에 의한 무선 통신을 위한 장치.
제22 항에 있어서,
상기 재구성된 채널 시퀀스는 보호 대역에 의해 분리된 복수의 주파수 대역들에 걸친 연속적인 채널 응답을 포함하는, 수신 디바이스에 의한 무선 통신을 위한 장치.
제22 항에 있어서,
상기 잠재 표현은 한 세트의 지연들, 복소 크기들, 출발각들, 및 도착각들 중 하나 이상을 포함하는, 수신 디바이스에 의한 무선 통신을 위한 장치.
제22 항에 있어서,
상기 잠재 표현은 인코딩된 채널 시퀀스를 포함하고, 상기 수신 디바이스는 상기 디코더를 사용하여 상기 잠재 표현으로부터의 상기 채널 시퀀스를 재구성하는, 수신 디바이스에 의한 무선 통신을 위한 장치.
제32 항에 있어서,
상기 디코더는 상기 물리적 전파 채널 모델에 기초한 뉴럴 네트워크인, 수신 디바이스에 의한 무선 통신을 위한 장치.
제32 항에 있어서,
상기 적어도 하나의 프로세서는, 상기 송신 디바이스에서의 인코더와 독립적으로 상기 수신 디바이스에서의 디코더를 훈련시키도록 추가로 구성되는, 수신 디바이스에 의한 무선 통신을 위한 장치.
송신 디바이스에 의한 무선 통신을 위한 장치로서,
메모리; 및
상기 메모리에 커플링된 적어도 하나의 프로세서를 포함하며,
상기 적어도 하나의 프로세서는,
인코더를 통해, 무선 신호에 대한 채널 시퀀스를 포함하는 입력을 수신하도록;
상기 인코더를 통해, 상기 무선 신호에 대한 채널 시퀀스의 잠재 표현을 생성하기 위해 상기 채널 시퀀스를 프로세싱하도록 ― 상기 잠재 표현은 물리적 전파 채널 모델의 파라미터에 매핑되는 적어도 하나의 엘리먼트들을 포함함 ― ; 그리고
상기 잠재 표현을 수신 디바이스에 송신하도록 구성되는, 송신 디바이스에 의한 무선 통신을 위한 장치.
제35 항에 있어서,
상기 물리적 전파 채널 모델은 다중 경로 컴포넌트들의 합을 포함하는, 송신 디바이스에 의한 무선 통신을 위한 장치.
제36 항에 있어서,
상기 다중 경로 컴포넌트들 각각은 지연 및 복소 크기를 갖는, 송신 디바이스에 의한 무선 통신을 위한 장치.
제37 항에 있어서,
상기 다중 경로 컴포넌트들 각각은 송신기(Tx) 어레이 응답 및 수신기(Rx) 어레이 응답을 갖는, 송신 디바이스에 의한 무선 통신을 위한 장치.
제38 항에 있어서,
상기 적어도 하나의 프로세서는, 상기 Tx 어레이 응답 및 상기 Rx 어레이 응답을 각각 출발 천정각과 방위각 및 도착 천정각과 방위각의 학습 가능한 함수들로써 표현하도록 추가로 구성되는, 송신 디바이스에 의한 무선 통신을 위한 장치.
제35 항에 있어서,
상기 적어도 하나의 프로세서는, 채널 상태 피드백으로서 상기 잠재 표현을 상기 수신 디바이스에 송신하도록 추가로 구성되는, 송신 디바이스에 의한 무선 통신을 위한 장치.
제35 항에 있어서,
상기 인코더는 뉴럴 네트워크를 포함하는, 송신 디바이스에 의한 무선 통신을 위한 장치.
제35 항에 있어서,
상기 적어도 하나의 프로세서는, 상기 송신 디바이스를 통해, 인코더-디코더 쌍의 제2 디코더 및 상기 인코더의 캐스케이드가 상기 인코더에 입력된 상기 채널 시퀀스를 재구성하도록 상기 인코더-디코더 쌍을 공동으로 훈련시키도록 추가로 구성되는, 송신 디바이스에 의한 무선 통신을 위한 장치.
수신 디바이스에 의한 무선 통신을 위한 장치로서,
송신 디바이스로부터 무선 신호에 대한 채널 시퀀스의 잠재 표현을 수신하기 위한 수단; 및
디코더를 통해, 상기 무선 신호에 대한 채널 시퀀스를 재구성하기 위해 상기 잠재 표현에 물리적 전파 채널 모델을 적용하기 위한 수단을 포함하는, 수신 디바이스에 의한 무선 통신을 위한 장치.
송신 디바이스에 의한 무선 통신을 위한 방법으로서,
무선 신호에 대한 채널 시퀀스를 포함하는 입력을 수신하기 위한 수단;
인코더를 통해, 상기 무선 신호에 대한 채널 시퀀스의 잠재 표현을 생성하기 위해 상기 채널 시퀀스를 프로세싱하기 위한 수단 ― 상기 잠재 표현은 물리적 전파 채널의 파라미터에 매핑되는 적어도 하나의 엘리먼트들을 포함함 ― ; 및
상기 잠재 표현을 수신 디바이스에 송신하기 위한 수단을 포함하는, 송신 디바이스에 의한 무선 통신을 위한 방법.
수신 디바이스에 의한 무선 통신을 위한 프로그램 코드가 인코딩된 비일시적 컴퓨터 판독 가능 저장 매체로서,
상기 프로그램 코드는, 프로세서에 의해 실행되고,
송신 디바이스로부터 무선 신호에 대한 채널 시퀀스의 잠재 표현을 수신하기 위한 프로그램 코드; 및
디코더를 통해, 상기 무선 신호에 대한 채널 시퀀스를 재구성하기 위해 상기 잠재 표현에 물리적 전파 채널 모델을 적용하기 위한 프로그램 코드를 포함하는, 비일시적 컴퓨터 판독 가능 저장 매체.
송신 디바이스에 의한 무선 통신을 위한 프로그램 코드가 인코딩된 비일시적 컴퓨터 판독 가능 저장 매체로서,
상기 프로그램 코드는, 프로세서에 의해 실행되고,
무선 신호에 대한 채널 시퀀스를 포함하는 입력을 수신하기 위한 프로그램 코드;
인코더를 통해, 상기 무선 신호에 대한 채널 시퀀스의 잠재 표현을 생성하기 위해 상기 채널 시퀀스를 프로세싱하기 위한 프로그램 코드 ― 상기 잠재 표현은 물리적 전파 채널의 파라미터에 매핑되는 적어도 하나의 엘리먼트들을 포함함 ― ; 및
상기 잠재 표현을 수신 디바이스에 송신하기 위한 프로그램 코드를 포함하는, 비일시적 컴퓨터 판독 가능 저장 매체.