WO2025110271A1 - 무선 통신 시스템에서 시맨틱 통신을 수행하기 위한 장치 및 방법 - Google Patents

무선 통신 시스템에서 시맨틱 통신을 수행하기 위한 장치 및 방법 Download PDF

Info

Publication number
WO2025110271A1
WO2025110271A1 PCT/KR2023/018847 KR2023018847W WO2025110271A1 WO 2025110271 A1 WO2025110271 A1 WO 2025110271A1 KR 2023018847 W KR2023018847 W KR 2023018847W WO 2025110271 A1 WO2025110271 A1 WO 2025110271A1
Authority
WO
WIPO (PCT)
Prior art keywords
background knowledge
base station
terminal
information
semantic
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
PCT/KR2023/018847
Other languages
English (en)
French (fr)
Inventor
이태현
이상림
정익주
권순희
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
LG Electronics Inc
Original Assignee
LG Electronics Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by LG Electronics Inc filed Critical LG Electronics Inc
Priority to PCT/KR2023/018847 priority Critical patent/WO2025110271A1/ko
Publication of WO2025110271A1 publication Critical patent/WO2025110271A1/ko
Anticipated expiration legal-status Critical
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L1/00—Arrangements for detecting or preventing errors in the information received

Definitions

  • the following description relates to a wireless communication system, and to a device and method for performing semantic communication in a wireless communication system.
  • Wireless access systems are being widely deployed to provide various types of communication services such as voice and data.
  • wireless access systems are multiple access systems that can support communication with multiple users by sharing available system resources (bandwidth, transmission power, etc.).
  • multiple access systems include CDMA (code division multiple access) systems, FDMA (frequency division multiple access) systems, TDMA (time division multiple access) systems, OFDMA (orthogonal frequency division multiple access) systems, and SC-FDMA (single carrier frequency division multiple access) systems.
  • enhanced mobile broadband (eMBB) communication technology is being proposed compared to the existing radio access technology (RAT).
  • RAT radio access technology
  • a communication system that considers reliability and latency-sensitive services/UE (user equipment) as well as mMTC (massive machine type communications) that connects a large number of devices and objects to provide various services anytime and anywhere is being proposed.
  • Various technology configurations are being proposed for this.
  • the present disclosure can provide a device and method for effectively transmitting and receiving semantic information of a message in a wireless communication system.
  • the present disclosure may provide a device and method for synchronizing background knowledge for semantic communication in a wireless communication system.
  • the present disclosure may provide a device and method for dividing background knowledge into a plurality of partial background knowledge in a wireless communication system.
  • the present disclosure may provide a device and method for changing at least one partial background knowledge based on feedback information in a wireless communication system.
  • the present disclosure may provide a device and method for reducing at least one partial background knowledge based on feedback information in a wireless communication system.
  • the present disclosure can provide a device and method for transmitting semantic information based on a semantic diversity technique in a wireless communication system.
  • the present disclosure may provide a device and method for generating a plurality of semantic features for source data based on background knowledge synchronized with background knowledge of a destination in a wireless communication system.
  • the present disclosure can provide a device and method for generating a synthetic semantic feature by combining a plurality of semantic features based on feedback information in a wireless communication system.
  • the present disclosure may provide a device and method for determining a coupling ratio for a plurality of semantic features in a wireless communication system.
  • the present disclosure may provide a device and method for determining a combining ratio for a plurality of semantic features based on the size of an intersection of each of partial background knowledge of a source and background knowledge of a destination in a wireless communication system.
  • a method performed by a terminal in a wireless communication system includes the steps of receiving first control information from a base station, receiving a first data signal from the base station based on the first control information, transmitting feedback information regarding the first data signal to the base station, receiving second control information from the base station, and receiving a second data signal from the base station based on the second control information, wherein the feedback information includes information used to determine similarities between each of the partial background knowledges derived from background knowledge information of the base station and background knowledge possessed by the terminal based on a plurality of semantic features generated based on the partial background knowledges, and the second data signal may include a synthetic semantic feature that combines the plurality of semantic features based on the feedback information.
  • a method performed by a base station in a wireless communication system includes the steps of transmitting first control information to a terminal, transmitting a first data signal to the terminal based on the first control information, receiving feedback information on the first data signal from the terminal, transmitting second control information to the terminal, and transmitting a second data signal from the terminal based on the second control information, wherein the feedback information includes information used to determine similarities between each of the partial background knowledges derived from background knowledge information of the base station and background knowledge possessed by the terminal based on a plurality of semantic features generated based on the partial background knowledges, and the second data signal may include a synthetic semantic feature that combines the plurality of semantic features based on the feedback information.
  • a terminal in a wireless communication system, includes a transceiver, and a processor connected to the transceiver, wherein the processor controls to receive first control information from a base station, receive a first data signal from the base station based on the first control information, transmit feedback information for the first data signal to the base station, receive second control information from the base station, and receive a second data signal from the base station based on the second control information, wherein the feedback information includes information used to determine similarities between each of the partial background knowledges derived from background knowledge information of the base station and background knowledge possessed by the terminal based on a plurality of semantic features generated based on the partial background knowledges, and the second data signal may include a synthetic semantic feature that combines the plurality of semantic features based on the feedback information.
  • a base station in a wireless communication system, includes a transceiver, and a processor connected to the transceiver, wherein the processor transmits first control information to a terminal, transmits a first data signal to the terminal based on the first control information, receives feedback information on the first data signal from the terminal, transmits second control information to the terminal, and controls the terminal to transmit a second data signal based on the second control information, wherein the feedback information includes information used to determine similarities between each of the partial background knowledges derived from background knowledge information of the base station and background knowledge possessed by the terminal based on a plurality of semantic features generated based on the partial background knowledges, and the second data signal may include a synthetic semantic feature that combines the plurality of semantic features based on the feedback information.
  • a communication device includes at least one processor, and at least one computer memory coupled to the at least one processor and storing instructions that, when executed by the at least one processor, direct operations, the operations including: receiving first control information from a base station, receiving a first data signal from the base station based on the first control information, transmitting feedback information for the first data signal to the base station, receiving second control information from the base station, and receiving a second data signal from the base station based on the second control information, wherein the feedback information includes information used to determine similarities between each of the partial background knowledges derived from background knowledge information of the base station and background knowledge possessed by the communication device based on a plurality of semantic features generated based on the partial background knowledges, and the second data signal may include a synthetic semantic feature that combines the plurality of semantic features based on the feedback information.
  • a non-transitory computer-readable medium storing at least one instruction includes the at least one instruction executable by a processor, the at least one instruction controlling a device to receive a first data signal from the base station based on first control information, transmit feedback information for the first data signal to the base station, receive second control information from the base station, and receive a second data signal from the base station based on the second control information, wherein the feedback information includes information used to determine similarities between each of the partial background knowledges derived from background knowledge information of the base station and background knowledge possessed by a terminal based on a plurality of semantic features generated based on partial background knowledges, and the second data signal may include a synthetic semantic feature that combines the plurality of semantic features based on the feedback information.
  • the performance of semantic communication can be improved.
  • Figure 1 illustrates an example of a communication system applicable to the present disclosure.
  • FIG. 2 illustrates an example of a wireless device applicable to the present disclosure.
  • FIG. 3 illustrates a method for processing a transmission signal applicable to the present disclosure.
  • Figure 4 illustrates a communication procedure between a terminal and a base station applicable to the present disclosure.
  • FIG. 5 illustrates an example of a communication structure that can be provided in a 6G (6th generation) system applicable to the present disclosure.
  • Figure 6 illustrates an electromagnetic spectrum applicable to the present disclosure.
  • FIG. 7 illustrates a THz wireless communication transceiver applicable to the present disclosure.
  • FIG. 8 illustrates a THz signal generation method applicable to the present disclosure.
  • FIG. 9 illustrates a wireless communication transceiver applicable to the present disclosure.
  • FIG. 10 illustrates a transmitter structure applicable to the present disclosure.
  • Figure 11 illustrates a modulator structure applicable to the present disclosure.
  • Figure 12 illustrates the structure of a perceptron included in an artificial neural network applicable to the present disclosure.
  • Figure 13 illustrates an artificial neural network structure applicable to the present disclosure.
  • Figure 14 illustrates an example of a functional framework for application of artificial intelligence technology applicable to the present disclosure.
  • Figure 15 illustrates an example of a procedure for utilizing an artificial intelligence model applicable to the present disclosure.
  • FIG. 16 illustrates another example of a procedure for utilizing an artificial intelligence model applicable to the present disclosure.
  • FIG. 17 illustrates another example of a procedure for utilizing an artificial intelligence model applicable to the present disclosure.
  • Figure 18 illustrates a communication procedure based on AI technology applicable to the present disclosure.
  • Figure 19 illustrates a communication model applicable to the present disclosure.
  • Figure 20 illustrates an example of a semantic communication framework applicable to the present disclosure.
  • FIG. 21 illustrates an example of a process of background knowledge synchronization for semantic communication according to one embodiment of the present disclosure.
  • FIG. 22 illustrates an example of a semantic diversity technique based on multi-feature transmission according to one embodiment of the present disclosure.
  • FIG. 23 illustrates an example of a partial background knowledge-based semantic diversity technique according to one embodiment of the present disclosure.
  • FIG. 24 illustrates an example of a contextualizing encoder structure according to one embodiment of the present disclosure.
  • FIG. 25 illustrates an example of determining whether there is an intersection between background knowledge sets according to one embodiment of the present disclosure.
  • FIG. 26 illustrates an example of a feedback injection encoder structure according to one embodiment of the present disclosure.
  • FIG. 27 illustrates an example of a semantic diversity technique based on a feedback injection encoder according to one embodiment of the present disclosure.
  • FIG. 28 illustrates an example of a combination ratio control considering a downstream task according to one embodiment of the present disclosure.
  • FIG. 29 illustrates an example of a procedure for receiving a data signal for semantic communication according to one embodiment of the present disclosure.
  • FIG. 30 illustrates an example of a procedure for transmitting a data signal for semantic communication according to one embodiment of the present disclosure.
  • FIG. 31 illustrates an example of a synchronization and coupling ratio control procedure for background knowledge according to one embodiment of the present disclosure.
  • FIG. 32 illustrates an example of a synchronization and coupling ratio control procedure for background knowledge according to one embodiment of the present disclosure.
  • FIG. 33 illustrates an example of a synchronization and coupling ratio control procedure for background knowledge according to one embodiment of the present disclosure.
  • FIG. 34 illustrates an example of a synchronization and coupling ratio control procedure for background knowledge according to one embodiment of the present disclosure.
  • FIG. 35 illustrates an example of a background knowledge synchronization and semantic communication procedure based on synchronized background knowledge according to one embodiment of the present disclosure.
  • the base station is meant as a terminal node of a network that directly communicates with a mobile station.
  • a specific operation described as being performed by the base station in this document may in some cases be performed by an upper node of the base station.
  • the 'base station' may be replaced by terms such as a fixed station, a Node B, an eNode B (eNB), a gNode B (gNB), an ng-eNB, an advanced base station (ABS), or an access point.
  • eNB eNode B
  • gNB gNode B
  • ABS advanced base station
  • the term terminal may be replaced with terms such as user equipment (UE), mobile station (MS), subscriber station (SS), mobile subscriber station (MSS), mobile terminal, or advanced mobile station (AMS).
  • UE user equipment
  • MS mobile station
  • SS subscriber station
  • MSS mobile subscriber station
  • AMS advanced mobile station
  • the transmitter refers to a fixed and/or mobile node that provides data service or voice service
  • the receiver refers to a fixed and/or mobile node that receives data service or voice service.
  • a mobile station in the case of uplink, can be a transmitter and a base station can be a receiver.
  • a mobile station in the case of downlink, can be a receiver and a base station can be a transmitter.
  • Embodiments of the present disclosure may be supported by standard documents disclosed in at least one of wireless access systems, namely IEEE 802.xx system, 3rd Generation Partnership Project (3GPP) system, 3GPP Long Term Evolution (LTE) system, 3GPP 5G (5th generation) NR (New Radio) system and 3GPP2 system, and in particular, embodiments of the present disclosure may be supported by 3GPP TS (technical specification) 38.211, 3GPP TS 38.212, 3GPP TS 38.213, 3GPP TS 38.321 and 3GPP TS 38.331 documents.
  • 3GPP TS technical specification
  • the embodiments of the present disclosure may be applied to other wireless access systems and are not limited to the above-described system.
  • they may be applied to a system applied after the 3GPP 5G NR system and are not limited to a specific system.
  • CDMA code division multiple access
  • FDMA frequency division multiple access
  • TDMA time division multiple access
  • OFDMA orthogonal frequency division multiple access
  • SC-FDMA single carrier frequency division multiple access
  • LTE may refer to technology after 3GPP TS 36.xxx Release 8.
  • LTE technology after 3GPP TS 36.xxx Release 10 may be referred to as LTE-A
  • LTE technology after 3GPP TS 36.xxx Release 13 may be referred to as LTE-A pro.
  • 3GPP NR may refer to technology after TS 38.xxx Release 15.
  • 3GPP 6G may refer to technology after TS Release 17 and/or Release 18. “xxx” refers to a standard document detail number.
  • LTE/NR/6G may be collectively referred to as a 3GPP system.
  • Figure 1 illustrates an example of a communication system applied to the present disclosure.
  • a communication system (100) applied to the present disclosure includes a wireless device, a base station, and a network.
  • the wireless device means a device that performs communication using a wireless access technology (e.g., LTE, LTE-A, LTE-A pro, NR, 5G, 5G-A, 6G) and may be referred to as a communication/wireless/5G device.
  • a wireless access technology e.g., LTE, LTE-A, LTE-A pro, NR, 5G, 5G-A, 6G
  • the wireless device may include a robot (100a), a vehicle (100b-1, 100b-2), an XR (extended reality) device (100c), a hand-held device (100d), a home appliance (100e), an IoT (Internet of Thing) device (100f), and an AI (artificial intelligence) device/server (100g).
  • the vehicle may include a vehicle equipped with a wireless communication function, an autonomous vehicle, a vehicle capable of performing vehicle-to-vehicle communication, etc.
  • the vehicles (100b-1, 100b-2) may include unmanned aerial vehicles (UAVs) (e.g., drones).
  • UAVs unmanned aerial vehicles
  • the XR device (100c) includes augmented reality (AR)/virtual reality (VR)/mixed reality (MR) devices, and may be implemented in the form of a head-mounted device (HMD), a head-up display (HUD) equipped in a vehicle, a television, a smartphone, a computer, a wearable device, a home appliance device, digital signage, a vehicle, a robot, etc.
  • the portable device (100d) may include a smartphone, a smart pad, a wearable device (e.g., a smart watch, smart glasses), a computer (e.g., a laptop, etc.), etc.
  • the home appliance (100e) may include a TV, a refrigerator, a washing machine, etc.
  • the IoT device (100f) may include a sensor, a smart meter, etc.
  • the base station (120) and network (130) may also be implemented as wireless devices, and a specific wireless device (120a) may act as a base station/network node to other wireless devices.
  • the wireless devices (100a to 100f) can be connected to a network (130) via a base station (120).
  • AI technology can be applied to the wireless devices (100a to 100f), and the wireless devices (100a to 100f) can be connected to an AI server (100g) via the network (130).
  • the network (130) can be configured using a 3G network, a 4G (e.g., LTE) network, a 5G (e.g., NR), or a 6G network.
  • the wireless devices (100a to 100f) can communicate with each other via the base station (120)/network (130), but can also communicate directly (e.g., sidelink communication) without going through the base station (120)/network (130).
  • vehicles can communicate directly (e.g., V2V (vehicle to vehicle)/V2X (vehicle to everything) communication).
  • an IoT device (100f) (e.g., a sensor) can communicate directly with another IoT device (e.g., a sensor) or another wireless device (100a to 100f).
  • Wireless communication/connection (150a, 150b, 150c) can be established between wireless devices (100a to 100f)/base stations (120), base stations (120)/base stations (120).
  • the wireless communication/connection can be established through various wireless access technologies such as uplink/downlink communication (150a), sidelink communication (150b) (or, D2D communication), and communication between base stations (150c) (e.g., relay, IAB (integrated access backhaul)).
  • the wireless device and base station/wireless device, and the base station and base station can transmit/receive wireless signals to each other.
  • the wireless communication/connection (150a, 150b, 150c) can transmit/receive signals through various physical channels.
  • various signal processing processes e.g., channel encoding/decoding, modulation/demodulation, resource mapping/demapping, etc.
  • resource allocation processes etc.
  • FIG. 2 illustrates an example of a wireless device that can be applied to the present disclosure.
  • the wireless device (200) can transmit and receive wireless signals via various wireless access technologies (e.g., LTE, LTE-A, LTE-A pro, NR, 5G, 5G-A, 6G).
  • the wireless device (200) includes at least one processor (202) and at least one memory (204), and may additionally include at least one transceiver (206) and/or at least one antenna (208).
  • the processor (202) controls the memory (204) and/or the transceiver (206), and may be configured to implement the descriptions, functions, procedures, suggestions, methods, and/or operational flowcharts disclosed in this document.
  • the processor (202) may process information in the memory (204) to generate first information/signal, and then transmit a wireless signal including the first information/signal via the transceiver (206).
  • the processor (202) may receive a wireless signal including second information/signal via the transceiver (206), and then store information obtained from signal processing of the second information/signal in the memory (204).
  • the memory (204) may be connected to the processor (202) and may store various information related to the operation of the processor (202).
  • the memory (204) may store software code including instructions for performing some or all of the processes controlled by the processor (202), or for performing the descriptions, functions, procedures, suggestions, methods, and/or operational flowcharts disclosed herein.
  • the processor (202) and the memory (204) may be part of a communication modem/circuit/chip designed to implement wireless communication technology.
  • the transceiver (206) may be coupled to the processor (202) and may transmit and/or receive wireless signals via at least one antenna (208).
  • the transceiver (206) may include a transmitter and/or a receiver.
  • the transceiver (206) may be used interchangeably with an RF (radio frequency) unit.
  • a wireless device may also mean a communication modem/circuit/chip.
  • At least one protocol layer may be implemented by at least one processor (202).
  • at least one processor (202) may implement at least one layer (e.g., functional layers such as physical (PHY), media access control (MAC), radio link control (RLC), packet data convergence protocol (PDCP), radio resource control (RRC), and service data adaptation protocol (SDAP)).
  • At least one processor (202) may generate at least one Protocol Data Unit (PDU) and/or at least one Service Data Unit (SDU) according to the descriptions, functions, procedures, proposals, methods, and/or operational flowcharts disclosed in this document.
  • PDU Protocol Data Unit
  • SDU Service Data Unit
  • At least one processor (202) can receive a signal (e.g., a baseband signal) from at least one transceiver (206) and obtain a PDU, an SDU, a message, control information, data or information according to the descriptions, functions, procedures, proposals, methods and/or operational flowcharts disclosed in this document.
  • a signal e.g., a baseband signal
  • At least one processor (202) may be referred to as a controller, a microcontroller, a microprocessor, or a microcomputer.
  • the at least one processor (202) may be implemented by hardware, firmware, software, or a combination thereof.
  • ASIC application specific integrated circuit
  • DSP digital signal processor
  • DSPD digital signal processing device
  • PLD programmable logic device
  • FPGA field programmable gate array
  • the descriptions, functions, procedures, suggestions, methods, and/or operational flowcharts disclosed in this document may be implemented by firmware or software configured to be included in the at least one processor (202), or may be stored in at least one memory (204) and driven by the at least one processor (202).
  • the descriptions, functions, procedures, suggestions, methods and/or flow charts disclosed in this document may be implemented using firmware or software in the form of code, instructions and/or sets of instructions.
  • At least one memory (204) can be coupled to at least one processor (202) and can store various forms of data, signals, messages, information, programs, codes, instructions and/or commands.
  • the at least one memory (204) can be comprised of a read only memory (ROM), a random access memory (RAM), an erasable programmable read only memo2ry (EPROM), a flash memory, a hard drive, a register, a cache memory, a computer readable storage medium and/or a combination thereof.
  • the at least one memory (204) can be located internally and/or externally to the at least one processor (202). Additionally, the at least one memory (204) can be coupled to the at least one processor (202) via various technologies, such as a wired or wireless connection.
  • At least one transceiver (206) can transmit user data, control information, wireless signals/channels, etc., mentioned in the methods and/or flowcharts of this document to at least one other device. At least one transceiver (206) can receive user data, control information, wireless signals/channels, etc. mentioned in the descriptions, functions, procedures, proposals, methods and/or flowcharts disclosed in this document from at least one other device. For example, at least one transceiver (206) can be coupled to at least one processor (202) and can transmit and receive wireless signals. For example, at least one processor (202) can control at least one transceiver (206) to transmit user data, control information, or wireless signals to at least one other device.
  • At least one processor (202) can control at least one transceiver (206) to receive user data, control information, or wireless signals from at least one other device.
  • at least one transceiver (206) can be connected to at least one antenna (208), and at least one transceiver (206) can be configured to transmit and receive user data, control information, wireless signals/channels, etc. mentioned in the description, function, procedure, proposal, method and/or operation flowchart disclosed in this document through at least one antenna (208).
  • at least one antenna can be a plurality of physical antennas or a plurality of logical antennas (e.g., antenna ports).
  • At least one transceiver (206) can convert the received wireless signals/channels, etc.
  • At least one transceiver (206) can convert the processed user data, control information, wireless signals/channels, etc. from baseband signals to RF band signals using at least one processor (202).
  • at least one transceiver (206) may include an (analog) oscillator and/or filter.
  • the processor (202) may be referred to as a control unit
  • the transceiver (206) may be referred to as a communication unit
  • the memory (204) may be referred to as a storage unit.
  • the communication unit may be used to mean including at least a part of the processor (202) and the transceiver (206).
  • the structure of the wireless device described with reference to FIG. 2 can be understood as the structure of at least a part of various devices.
  • the structure of the wireless device illustrated in FIG. 2 can be at least a part of various devices described with reference to FIG. 1 (e.g., a robot (100a), a vehicle (100b-1, 100b-2), an XR device (100c), a portable device (100d), a home appliance (100e), an IoT device (100f), an AI device/server (100g)).
  • the device may further include other components in addition to the components illustrated in FIG. 2.
  • the device may be a portable device such as a smart phone, a smart pad, a wearable device (e.g., a smart watch, smart glasses), or a portable computer (e.g., a laptop, etc.).
  • the device may further include a power supply unit that supplies power and includes a wired/wireless charging circuit, a battery, etc., an interface unit that includes at least one port (e.g., an audio input/output port, a video input/output port) for connection with another device, and an input/output unit for inputting and outputting image information/signals, audio information/signals, data, and/or information input from a user.
  • a power supply unit that supplies power and includes a wired/wireless charging circuit, a battery, etc.
  • an interface unit that includes at least one port (e.g., an audio input/output port, a video input/output port) for connection with another device, and an input/output unit for inputting and outputting image information/signals, audio
  • the device may be a mobile device such as a mobile robot, a vehicle, a train, an aerial vehicle (AV), a ship, or the like.
  • the device may further include a driving unit including at least one of an engine, a motor, a power train, wheels, brakes, and a steering device of the device; a power supply unit that supplies power and includes a wired/wireless charging circuit, a battery, and the like; a sensor unit that senses status information, environmental information, and user information of the device or the surroundings of the device; an autonomous driving unit that performs functions such as path maintenance, speed control, and destination setting; and at least one of a position measurement unit that obtains location information of the mobile device through a global positioning system (GPS) and various sensors.
  • GPS global positioning system
  • the device may be an XR device such as an HMD, a head-up display (HUD) equipped in a vehicle, a television, a smartphone, a computer, a wearable device, a home appliance, digital signage, a vehicle, a robot, etc.
  • the device may further include at least one of a power supply unit that supplies power and includes a wired/wireless charging circuit, a battery, etc., an input/output unit that obtains control information, data, etc. from the outside and outputs the generated XR object, and a sensor unit that senses status information, environmental information, and user information of the device or the surroundings of the device.
  • a power supply unit that supplies power and includes a wired/wireless charging circuit, a battery, etc.
  • an input/output unit that obtains control information, data, etc. from the outside and outputs the generated XR object
  • a sensor unit that senses status information, environmental information, and user information of the device or the surroundings of the device.
  • the device may be a robot that can be classified as industrial, medical, household, military, etc. depending on the purpose or field of use.
  • the device may further include at least one of a sensor unit that senses status information, environmental information, and user information of the device or its surroundings, and a driving unit that performs various physical operations such as moving robot joints.
  • the device may be an AI device such as a TV, a projector, a smartphone, a PC, a laptop, a digital broadcasting terminal, a tablet PC, a wearable device, a set-top box (STB), a radio, a washing machine, a refrigerator, digital signage, a robot, a vehicle, etc.
  • the device may further include at least one of an input unit that obtains various types of data from the outside, an output unit that generates output related to vision, hearing, or touch, a sensor unit that senses status information, environmental information, and user information of the device or the surroundings of the device, and a training unit that learns a model composed of an artificial neural network using learning data.
  • the structure of the wireless device illustrated in FIG. 2 may be understood as a part of a RAN node (e.g., a base station, DU, RU, RRH, etc.). That is, the device illustrated in FIG. 2 may be a RAN node. In this case, the device may further include a wired transceiver for front haul and/or back haul communications. However, if the front haul and/or back haul communications are based on wireless communications, at least one transceiver (206) illustrated in FIG. 2 may be used for front haul and/or back haul communications, and the wired transceiver may not be included.
  • a RAN node e.g., a base station, DU, RU, RRH, etc.
  • FIG. 3 illustrates a method for processing a transmission signal applied to the present disclosure.
  • the transmission signal may be processed by a signal processing circuit.
  • the signal processing circuit (300) may include a scrambler (310), a modulator (320), a layer mapper (330), a precoder (340), a resource mapper (350), and a signal generator (360).
  • the operation/function of FIG. 3 may be performed in the processor (202) and/or the transceiver (206) of FIG. 2.
  • the hardware elements of FIG. 3 may be implemented in the processor (202) and/or the transceiver (206) of FIG. 2.
  • blocks 310 to 360 may be implemented in the processor (202) of FIG. 2.
  • blocks 310 to 350 may be implemented in the processor (202) of FIG. 2
  • block 360 may be implemented in the transceiver (206) of FIG. 2, and are not limited to the above-described embodiment.
  • the codeword can be converted into a wireless signal through the signal processing circuit (300) of FIG. 3.
  • the codeword is an encoded bit sequence of an information block.
  • the information block can include a transport block (e.g., a UL-SCH transport block, a DL-SCH transport block).
  • the wireless signal can be transmitted through various physical channels (e.g., a PUSCH, a PDSCH).
  • the codeword can be converted into a bit sequence scrambled by a scrambler (310).
  • the scramble sequence used for scrambling is generated based on an initialization value, and the initialization value can include ID information of a wireless device, etc.
  • the scrambled bit sequence can be modulated into a modulation symbol sequence by a modulator (320).
  • the modulation scheme can include pi/2-BPSK (pi/2-binary phase shift keying), m-PSK (m-phase shift keying), m-QAM (m-quadrature amplitude modulation), etc
  • the complex modulation symbol sequence can be mapped to at least one transmission layer by the layer mapper (330).
  • the modulation symbols of each transmission layer can be mapped to the corresponding antenna port(s) by the precoder (340).
  • the output z of the precoder (340) can be obtained by multiplying the output y of the layer mapper (330) by a precoding matrix W of N ⁇ M, where N is the number of antenna ports and M is the number of transmission layers.
  • the precoder (340) can perform precoding after performing transform precoding (e.g., discrete Fourier transform (DFT) transform) on the complex modulation symbols. Additionally, the precoder (340) can perform precoding without performing transform precoding.
  • transform precoding e.g., discrete Fourier transform (DFT) transform
  • the resource mapper (350) can map modulation symbols of each antenna port to time-frequency resources.
  • the time-frequency resources can include a plurality of symbols (e.g., CP-OFDMA symbols, DFT-s-OFDMA symbols) in the time domain and a plurality of subcarriers in the frequency domain.
  • the signal generator (360) generates a wireless signal from the mapped modulation symbols, and the generated wireless signal can be transmitted to another device through each antenna.
  • the signal generator (360) can include an inverse fast fourier transform (IFFT) module, a cyclic prefix (CP) inserter, a digital-to-analog converter (DAC), a frequency uplink converter, etc.
  • IFFT inverse fast fourier transform
  • CP cyclic prefix
  • DAC digital-to-analog converter
  • the signal processing process for the reception signal in the wireless device can be configured in reverse order of the signal processing process (310 to 360) of FIG. 3.
  • the wireless device e.g., 200 of FIG. 2
  • the received wireless signal can be converted into a baseband signal through a signal restorer.
  • the signal restorer can include a frequency downlink converter, an analog-to-digital converter (ADC), a CP remover, and a fast Fourier transform (FFT) module.
  • ADC analog-to-digital converter
  • FFT fast Fourier transform
  • the baseband signal can be restored into a codeword through a resource demapper process, a postcoding process, a demodulation process, and a descrambling process.
  • the signal processing circuit (not shown) for the reception signal can include a signal restorer, a resource demapper, a postcoder, a demodulator, a descrambler, and a decoder.
  • Figure 4 illustrates a communication procedure between a terminal and a base station applicable to the present disclosure.
  • Figure 4 illustrates operations of a terminal (410) and a base station (420) transmitting and/or receiving data and operations performed prior thereto.
  • the terminal (410) and the base station (420) perform synchronization.
  • the terminal (410) performs an initial cell search operation.
  • the terminal (410) can detect at least one synchronization signal transmitted from the base station (420) according to a predefined rule.
  • the synchronization signal can include a plurality of synchronization signals (e.g., a primary synchronization signal, a secondary synchronization signal) classified according to a structure or purpose.
  • the terminal (410) can check the boundary of the frame, subframe, slot, and/or symbol of the base station (420) and obtain information (e.g., a cell identifier) about the base station (420).
  • the terminal (410) obtains system information transmitted from the base station (420).
  • the system information is information related to the properties, characteristics, and/or capabilities of the base station (420) required to access the base station (420) and use the service, and may be classified according to the content (e.g., whether it is essential for access), transmission structure (e.g., the channel used, whether it is provided on-demand), etc., and may be classified into, for example, a master information block (MIB) and a system information block (SIB).
  • MIB master information block
  • SIB system information block
  • the terminal (410) may transmit a signal requesting system information before receiving the system information. However, the request and provision of the system information may be performed after a random access procedure described below.
  • the terminal (410) and the base station (420) perform a random access procedure.
  • the terminal (410) may transmit and/or receive at least one message (e.g., a random access preamble, a random access response (RAR) message, etc.) for the random access procedure based on information related to a random access channel of the base station (420) obtained through system information (e.g., a channel location, a channel structure, a structure of a supported preamble, etc.).
  • a message e.g., a random access preamble, a random access response (RAR) message, etc.
  • the terminal (410) may transmit a preamble (e.g., MSG1) through the random access channel, receive an RAR message (e.g., MSG2), transmit a message (e.g., MSG3) including information related to the terminal (410) (e.g., identification information) to the base station (420) using scheduling information included in the RAR message, and receive a message (e.g., MSG4) for contention resolution and/or connection establishment.
  • MSG1 and MSG3 may be sent and received as one message, or MSG2 and MSG4 may be sent and received as one message.
  • the terminal (410) and the base station (420) perform signaling of control information.
  • the control information may be defined in various layers, such as a layer that controls a connection (e.g., an RRC (radio resource control) layer), a layer that handles mapping between logical channels and transport channels (e.g., a MAC (media access control) layer), a layer that handles physical channels (e.g., a PHY (physical) layer), etc.
  • the terminal (410) and the base station (420) may perform at least one of signaling for establishing a connection, signaling for determining settings related to communication, and signaling for indicating allocated resources.
  • the terminal (410) and the base station (420) transmit and/or receive data.
  • the terminal (410) and the base station (420) can process, transmit and/or receive data based on signaling of the control information.
  • the terminal (410) or the base station (420) can perform at least one of channel encoding, rate matching, scrambling, constellation mapping, layer mapping, waveform modulation, antenna mapping, and resource mapping on the information bits.
  • the terminal (410) or the base station (420) can perform at least one of signal extraction from resources, waveform demodulation per antenna, signal arrangement considering layer mapping, constellation demapping, descrambling, and channel decoding.
  • the 5G system defines various operating bands within the FR1 (frequency range 1) including 410 MHz to 7,125 MHz and the FR2 (frequency range 2) including 24,250 MHz to 71,000 MHz.
  • FR1 frequency range 1
  • FR2 frequency range 2
  • THz terahertz
  • the THz frequency band is a band that has both the transparency of radio waves and the straightness of light waves, and communications using the THz frequency band are expected to play a transitional role from existing radio-centered communications to lightwave-based communications.
  • the 6G system utilizing the THz frequency band has the following goals: i) very high data rates per device, ii) a very large number of connected devices, iii) global connectivity, iv) very low latency, v) reduced energy consumption of battery-free IoT devices, vi) ultra-reliable connectivity, and vii) connected intelligence with machine learning capabilities.
  • the vision of the 6G system can be divided into four aspects: “intelligent connectivity,” “deep connectivity,” “holographic connectivity,” and “ubiquitous connectivity,” and the 6G system can be designed to satisfy the requirements as shown in [Table 1] below.
  • FIG. 5 illustrates an example of a communication structure that can be provided in a 6G system applicable to the present disclosure.
  • eMBB enhanced mobile broadband
  • URLLC ultra-reliable low latency communications
  • mMTC massive machine type communications
  • AI integrated communication tactile internet, high throughput, high network capacity, high energy efficiency, low backhaul and access network congestion, and enhanced data security.
  • FIG. 5 illustrates an example of a communication structure that can be provided in a 6G system applicable to the present disclosure.
  • URLLC a key feature of 5G, is expected to become a more mainstream technology in 6G communications by providing end-to-end delays of less than 1ms.
  • 6G systems will have much better volumetric spectral efficiency than the frequently used area spectral efficiency.
  • 6G systems can provide very long battery life and advanced battery technologies for energy harvesting, so that mobile devices in 6G systems may not need to be charged separately.
  • technologies such as artificial intelligence (AI), THz (Terahertz) communication, optical wireless technology, FSO backhaul network, massive MIMO technology, blockchain, 3D networking, quantum communication, unmanned aerial vehicles, cell-free communication, wireless information and energy transfer (WIET), integration of sensing and communication, integration of access backhaul networks, holographic beamforming, big data analysis, and LIS (large intelligent surface) can be adopted.
  • AI artificial intelligence
  • THz Terhertz
  • FSO backhaul network massive MIMO technology
  • blockchain 3D networking
  • quantum communication unmanned aerial vehicles
  • cell-free communication cell-free communication
  • WIET wireless information and energy transfer
  • integration of sensing and communication integration of access backhaul networks
  • holographic beamforming big data analysis
  • LIS large intelligent surface
  • THz communication is a communication that uses a spectrum in a frequency band between 0.1 THz and 10 THz with a corresponding wavelength in the range of 0.03 mm to 3 mm as in Fig. 6, and can be implemented using circuit elements having a structure as in Fig. 7.
  • optical wireless technology is a technology that generates and modulates THz signals using optical elements, and can be implemented based on devices having structures as in Figs. 8, 9, 10, and 11.
  • AI can be implemented based on various models such as neural networks and machine learning (machine models).
  • an AI model of a neural network structure can be based on the structure of a perceptron as in Fig. 12.
  • an artificial neural network can be composed of multiple perceptrons.
  • each component is multiplied by a weight ⁇ W1, W2, ..., Wd ⁇ , and all the results are added, and then an activation function ⁇ ( ⁇ ) is applied.
  • a large artificial neural network structure can be expanded by extending the simplified perceptron structure illustrated in Fig. 12, and the input vector can be applied to perceptrons of different dimensions.
  • a neural network having an input layer, a hidden layer, and an output layer as in Fig. 13 can be configured.
  • FIG. 14 illustrates an example of a functional framework for application of AI technology applicable to the present disclosure.
  • the data collection block (1410) performs data preparation on input data collected from objects (e.g., UE, RAN node, network node, etc.) to generate training data (1411) and/or inference data (1411) including processed input data.
  • the model training block (1420) performs training on an AI model using the training data (1411) and provides information on the trained model to the model inference block (1430).
  • the model inference block (1430) generates output (1416) by performing inference and/or prediction using the inference data (1411).
  • model inference block (1430) can provide model performance feedback (1414) to the model training block (1420).
  • output (1416) means the inference output of the AI model generated by the model inference block (1430), and the details of the inference output may vary depending on the use case.
  • the actor block (1440) triggers or performs a specified task/action based on the output (1416).
  • the actor block (1440) can trigger a task/action for another object (e.g., at least one UE, at least one RAN node, at least one network node, etc.) or for itself. Any one of the functions exemplified in FIG. 14 described above may be performed by two or more entities among the RAN, the network node, the OAM of the network operator, or the UE through collaboration. This may be referred to as a split AI operation.
  • FIG. 15 illustrates an example of a procedure for utilizing an AI model applicable to the present disclosure.
  • FIG. 15 illustrates a case where a model training function (e.g., a function of a model training block (1420)) is included in a network node, and a model inference function (e.g., a function of a model inference block (1430)) is included in a RAN node.
  • a model training function e.g., a function of a model training block (1420)
  • a model inference function e.g., a function of a model inference block (1430)
  • RAN node 1 and RAN node 2 transmit input data (e.g., training data) for training an AI model to the network node.
  • RAN node 1 and RAN node 2 may transmit data collected from a UE (e.g., measurements of the UE related to RSRP, RSRQ, SINR of a serving cell and a neighboring cell, position, velocity of the UE, etc.) together to the network node.
  • the network node trains the AI model using the received training data.
  • the network node distributes/updates the AI model to RAN node 1 and/or RAN node 2.
  • RAN node 1 and/or RAN node 2 may continue model training based on the received AI model. In this procedure, it is assumed that the AI model is deployed/updated only to RAN node 1.
  • RAN node 1 receives input data for AI model inference (e.g., inference data) from UE and RAN node 2.
  • AI model inference e.g., inference data
  • RAN node 1 performs AI model-based inference using the received inference data to generate output data (e.g., prediction or decision).
  • output data e.g., prediction or decision
  • RAN node 1 may send model performance feedback to network nodes, if applicable.
  • RAN node 1 RAN node 2 and UE (or 'RAN node 1 and UE', or 'RAN node 1 and RAN node 2') perform actions based on the output data. For example, in case of load balancing operation, the UE may move from RAN node 1 to RAN node 2.
  • RAN node 1 and RAN node 2 transmit feedback information to the network nodes.
  • FIG. 16 illustrates another example of a procedure for utilizing an AI model applicable to the present disclosure.
  • FIG. 16 exemplifies a case where a model training function (e.g., a function of a model training block (1420)) and a model inference function (e.g., a function of a model inference block (1430)) are included in a RAN node.
  • a model training function e.g., a function of a model training block (1420)
  • a model inference function e.g., a function of a model inference block (1430)
  • step 1 a UE and a RAN node 2 transmit input data (e.g., training data) for training an AI model to a RAN node 1.
  • the RAN node 1 trains the AI model using the received training data.
  • the RAN node 1 receives input data (e.g., inference data) for AI model-based inference from the UE and RAN node 2.
  • the RAN node 1 performs AI model-based inference using the received inference data to generate output data (e.g., a prediction or decision).
  • output data e.g., a prediction or decision.
  • RAN node 1, RAN node 2 and UE (or 'RAN node 1 and UE', or 'RAN node 1 and RAN node 2') perform actions based on the output data. For example, in case of load balancing operation, the UE may move from RAN node 1 to RAN node 2.
  • RAN node 2 transmits feedback information to RAN node 1.
  • FIG. 17 illustrates another example of a procedure for utilizing an AI model applicable to the present disclosure.
  • FIG. 17 illustrates a case where a model training function (e.g., a function of a model training block (1420)) is included in a RAN node, and a model inference function (e.g., a function of a model inference block (1430)) is included in a UE.
  • a UE transmits input data (e.g., training data) for training an AI model to a RAN node.
  • the RAN node may collect data from various UEs and/or from other RAN nodes.
  • the RAN node trains an AI model using the received training data.
  • step 3 the RAN node distributes/updates the AI model to the UE.
  • the UE may continue to perform model training based on the received AI model.
  • input data e.g., inference data
  • the UE performs AI model-based inference using the received inference data to generate output data (e.g., prediction or decision).
  • the UE may transmit model performance feedback to the RAN node.
  • the UE and the RAN node perform actions based on the output data.
  • the UE transmits feedback information to the RAN node.
  • an AI model can be trained and utilized in a wireless communication system.
  • various data such as input data, training data, and inference data are introduced, and the specific contents of the data described above may vary depending on the task for which the AI model is utilized.
  • information used in various embodiments of the present disclosure described below may be included in the data described above.
  • FIG. 18 illustrates a communication procedure based on AI technology applicable to the present disclosure.
  • the detailed procedures illustrated in FIG. 18 can be combined with various embodiments of the present disclosure described below.
  • data generated according to various embodiments of the present disclosure can be used for operations (e.g., setting, training, inference, and/or data transmission/reception) in at least one of the detailed procedures illustrated in FIG. 18.
  • the result of the inference illustrated in FIG. 18 can be used to transmit and/or receive data according to various embodiments of the present disclosure.
  • step 1801 at least one of the UE (1810), the RAN node (1820), and the network node (1830) performs an initial access procedure. For example, in this step, at least one of an initial cell search operation, a system information acquisition operation, a random access operation, and a registration operation may be performed.
  • step 1803 at least one of the UE (1810), the RAN node (1820), and the network node (1830) performs a configuration procedure.
  • the configuration procedure may be performed based on information, states, and/or characteristics of an AI model used for subsequent training and inference.
  • At step 1805 at least one of the UE (1810), the RAN node (1820), and the network node (1830) performs a model training procedure.
  • At least one of the UE (1810), the RAN node (1820), and the network node (1830) can collect training data and perform learning using the training data.
  • the model training procedure can be performed as described with reference to FIG. 15, FIG. 16, or FIG. 17. If a model trained offline is used, this step can be omitted.
  • the task may be a procedure belonging to a communication protocol, a preparatory operation for subsequent data transmission and/or reception, or may be related to data transmission and/or reception, or may be related to data processing (e.g., encoding, decoding, etc.).
  • step 1809 at least one of the UE (1810), the RAN node (1820), and the network node (1830) transmits and/or receives data.
  • the result of the task performed at step 1807 may be used.
  • the task performed at step 1807 may include transmitting and/or receiving data, in which case this step may be omitted as it is part of step 1807.
  • the present disclosure relates to a technology for transmitting and receiving a semantic feature in a wireless communication system supporting semantic communication. Specifically, the present disclosure relates to a technology for synchronizing background knowledge of a source and background knowledge of a destination in a wireless communication system, and performing semantic communication based on the synchronized background knowledge.
  • the semantic feature may be referred to as a semantic representation.
  • the background knowledge means data sets required to generate and interpret a semantic representation for semantic communication.
  • the background knowledge adoptable in the present disclosure may be defined in various forms, and as an example, may be defined as at least one data set in the form of a graph representing a relationship between nodes.
  • Fig. 19 illustrates a communication model applicable to the present disclosure.
  • the problem of Level A (1910) is a technical problem related to how accurately symbols in communication can be conveyed
  • the problem of Level B (1920) is a semantic problem related to how accurately the conveyed symbols convey the desired meaning.
  • the problem of Level C (1930) is an effectiveness problem related to how effectively the received meaning affects the operation in the desired manner.
  • a source can generate semantic features based on given or collected raw data and transmit the generated semantic features to a destination.
  • the destination interprets and reasons the received semantic features in accordance with the intent of the source.
  • semantic communication requires an approach from the perspective of whether the downstream task, which is a task performed by the destination, operates in accordance with the intent of the source by utilizing the received semantic features, i.e., whether the interpretation and/or inference of the semantic features is done well, rather than the conventional purpose of reducing reconstruction errors that occur in the process of the destination restoring the received semantic expressions to the original raw data.
  • the destination uses the background knowledge it possesses when performing the inference operation, and it is desirable that the background knowledge included in the data transmitted from the source is reflected in the background knowledge of the destination so that the correct interpretation result can be obtained.
  • a task-oriented semantic communication system needs to be provided for semantic communication. This is to preserve task-relevant information while introducing useful invariances to downstream tasks.
  • Fig. 20 illustrates an example of a semantic communication framework applicable to the present disclosure. Referring to Fig. 20, the following definition can be applied to a message x transmitted from a source (2020) to a destination (2010).
  • Equation 1 is a world model As Shannon entropy for , it can be referred to as model entropy of semantic source. Also, represents the probability distribution for the model.
  • the probability distribution is It is called a set of interpretations, is the probability distribution for the model, The corresponding model for which x is "true" When a set of its models is called a message, logical probability of is expressed as mathematical expression 2.
  • [Mathematical Formula 2] is a message is the logical probability of, is a world model, Is The model that is "true” is a set of, means the probability distribution for the model. Here, stands for a general propositional satisfaction relation. is 'entailed'. It is also called 'model', which semantically means “entails the following result” or "is a stronger condition”. That is, reveals relevance from a semantic point of view.
  • conditional logical probability can be expressed as in [Equation 6], [Equation 7], and [Equation 8].
  • conditional logical probability is different from the a priori statistical probability, and in the new distribution, A and B are no longer logically independent. That is, am.
  • Equation 9 is the new distribution of the model set, is the probability distribution for the model. Also, stands for a general propositional satisfaction relation.
  • Equation 10 is the background knowledge World model in case of is the model entropy, is a new distribution for that model.
  • model entropy of the source is expressed as in [Mathematical Formula 11]
  • model entropy of the source is expressed as in [Mathematical Formula 12].
  • K) is the model entropy for the world model W when the background knowledge is K.
  • the shared background knowledge helps not to lose information when compressing a message to be transmitted from a source, and allows the destination to obtain as much information from the source as possible by only sending and receiving short messages.
  • communication at the semantic level considers background knowledge, it can provide performance improvement with respect to the existing technical level. That is, as described above, when generating and transmitting semantic features from a source to a destination by considering the downstream tasks of the destination, utilizing background knowledge can be considered to be consistent with the purpose of performing semantic communication.
  • a new layer called a semantic layer that governs overall operations on semantic data and messages can be added.
  • the semantic layer can be included in each of the source and destination when constructing a task-oriented semantic communication system.
  • a protocol which is a convention between the layers, and a definition of a series of operation processes are required.
  • the present disclosure proposes a synchronization method for background knowledge between the source and the destination.
  • FIG. 21 illustrates an example of a process of synchronization for background knowledge for semantic communication according to one embodiment of the present disclosure.
  • each of a source (2120) and a destination (2110) possesses background knowledge.
  • the source (2120) may possess background knowledge of a large scale, and the destination (2110) may possess background knowledge of a small scale.
  • the background knowledge of the destination (2110) may correspond to a part of the background knowledge of the source (2120).
  • the source (2120) and the destination (2110) can synchronize the background knowledge to be used for semantic communication. Specifically, as in step 1 (2101), the source (2120) can estimate information about the background knowledge of the destination (2110) based on information obtained from the destination (2110). That is, the source (2120) can determine which part of the background knowledge possessed by the source (2120) is most similar to the background knowledge of the destination (2110). However, the part of the background knowledge of the source (2120) determined to be most similar to the background knowledge of the destination (2110) may not be identical to the actual background knowledge of the destination (2110). Therefore, as in step 2, the source (2120) can perform fine tuning on the background knowledge of the destination (2110) using additional information obtained from the destination (2110). That is, the source (2120) can perform a procedure to more accurately identify information about the background knowledge of the destination (2110) to improve the performance of semantic communication.
  • a source uses a semantic diversity scheme based on multiple feature transmission.
  • the semantic diversity scheme is an application of a channel diversity scheme used in a conventional wireless communication system to semantic communication.
  • the conventional channel diversity scheme is a technology for improving the reliability of a received signal by transmitting and receiving the same signal using different wireless channels.
  • the conventional channel diversity scheme can obtain a diversity gain by combining corresponding signals based on channel information at a transmitter or a receiver.
  • the diversity technique in semantic communication differs from the existing channel diversity technique in that it treats background knowledge (2222a, 2222b, 2222c) as channels between a source (2220) and a destination (2210), as illustrated in FIG. 22.
  • FIG. 22 illustrates an example of a semantic diversity technique based on multi-feature transmission according to an embodiment of the present disclosure.
  • a source (2220) can generate multiple semantic features for source data using a plurality of background knowledges (2222a, 2222b, 2222c) according to the semantic diversity technique, and transmit the generated multiple semantic features to the destination (2210).
  • the multiple semantic features can be referred to as a plurality of semantic features.
  • the operations of the source and destination according to the semantic diversity technique may vary depending on whether the source and destination share information about background knowledge. For example, if the source and destination share information about background knowledge, a closed-loop semantic diversity technique may be used to set a combining ratio for multiple semantic features and obtain semantic diversity gain for downstream tasks. On the other hand, if the source and destination do not share information about background knowledge, an open-loop semantic diversity technique may be used to select a single feature from multiple semantic features and perform partial operations for downstream tasks using the single feature.
  • the present disclosure assumes a situation where a source and a destination share information about background knowledge. Accordingly, the source and destination of the present disclosure propose a semantic diversity technique that includes a method of fine-tuning the information about the shared background knowledge at the time of initial connection for performing semantic communication, and combining the information about the fine-tuned background knowledge to improve the performance of semantic communication.
  • the synchronization process for background knowledge includes a feedback process for whether there is an intersection between partial background knowledge used to generate multiple semantic features in a semantic encoder of a source and background knowledge of a destination in order to fine-tune information about shared background knowledge, a process for reducing the partial background knowledge of the source to be used for generating multiple semantic features based on feedback information from the destination into an intersection portion with the background knowledge of the destination, and a process for improving the performance of a downstream task through combining ratio control for the multiple semantic features generated based on the reduced partial background knowledge.
  • a feedback injection encoder using feedback information from the destination can be used for reducing the partial background knowledge of the source.
  • the present disclosure proposes a semantic layer protocol and procedure required for the synchronization process for background knowledge of semantic communication as described above.
  • Background knowledge of a source and a destination may have a knowledge graph structure.
  • the background knowledge of the source may be divided into N knowledge partitions based on graph clustering.
  • the source may perform semantic communication using a semantic diversity technique based on the knowledge partitions. Specifically, the source generates multiple semantic features for a single source data using a plurality of contextual encoders that each use the knowledge partitions as attention, and transmits the generated multiple semantic features to the destination.
  • a knowledge partition may be referred to as partial knowledge, partial background knowledge, or other terms having equivalent technical meanings.
  • FIG. 23 illustrates an example of a partial background knowledge-based semantic diversity technique according to one embodiment of the present disclosure.
  • a source (2320) generates multiple semantic features for source data (2302) using multiple contextualizing encoders (2322-1, 2322-2, ..., 2322-N) and transmits the generated multiple semantic features to a destination (2310).
  • Each of the plurality of contextual encoders (2322-1, 2322-2, ..., 2322-N) generates a semantic feature corresponding to the input source data (2302) by using partial background knowledge as attention.
  • the partial background knowledge can be obtained by dividing the background knowledge of the source into multiple parts as described above. That is, the nth contextual encoder contextualizes the embedding (x i ) corresponding to the ith graph component of the graph representation of the source data (2302) by using the nth partial background knowledge.
  • the contextualized feature may be referred to as a semantic feature or a contextualized semantic feature.
  • the contextualized encoder #1 (2322-1) uses partial background knowledge #1 as attention to encode semantic features corresponding to the source data (2302).
  • (2304-1) generates a semantic feature corresponding to the source data (2302), and the contextual encoder #2 (2322-2) uses partial background knowledge #2 as attention.
  • (2304-2) generates a contextual encoder #N (2322-N) that uses partial background knowledge #N as attention to generate semantic features corresponding to the source data (2302). Create (2304-N).
  • Multiple semantic features generated using multiple contextual encoders may be transmitted to the destination (2310) at the same time or may be transmitted to the destination (2310) at different times. For example, each of the multiple semantic features may be transmitted to the destination (2310) sequentially.
  • FIG. 24 illustrates an example of a semantic encoder structure according to one embodiment of the present disclosure.
  • a semantic encoder (2400) includes a graph representation block (2410) and at least one contextualizing encoder (2420).
  • the graph representation block (2410) converts source data into input data having a graph structure and provides the converted input data to the contextualization encoder (2420).
  • the contextualizing encoder (2420) is a graph transformer-based encoder that utilizes background knowledge of a graph structure as attention, and in particular, generates contextualized features for input data by utilizing partial background knowledge as attention.
  • the contextualizing encoder (2420) may be configured to include L self-attention encoders (2422) and an additional attention encoder (2424).
  • Each of the L self-attention encoders (2422) includes a multi-head self-attention block (2422a), an addition and normalization block (2422b), a multi-layer perceptron (MLP) block (2422c), and an addition and normalization block (2422d).
  • the multi-head self-attention block (2422a) includes K attention heads, and uses a plurality of query vectors, key vectors, and value vectors to represent each input vector in a different representation space for each purpose, and obtains a self-attention value for each input vector.
  • the addition and normalization block (2422b) is a hierarchical normalization block that adds and normalizes the input and output of the multi-head self-attention block (2422a).
  • the MLP block (2422c) is a fully connected layer that performs detailed learning for each input value.
  • the summation and normalization block (2422d) is a layer normalization block that adds and normalizes the input and output of the MLP block (2422c) and outputs them.
  • the additional attention encoder (2424) includes a multi-head attention block (2424a), an addition and normalization (2424b), a multi-layer perceptron (MLP) block (2424c), and an addition and normalization block (2422d).
  • the multi-head attention block (2424a) receives the output of the self-attention encoder (2422) and the graph representation (2404) of partial background knowledge as input, performs multi-head attention, and outputs the result.
  • the addition and normalization block (2424b) is a layer normalization block that adds and normalizes the output of the graph representation block (2410) and the output of the multi-head attention block (2424a).
  • the MLP block (2424c) is a fully connected layer that performs detailed learning for each input value.
  • the summation and normalization block (2424d) is a hierarchical normalization block that adds and normalizes the input and output of the MLP block (2424c) and outputs them.
  • the contextual encoder (2420) utilizes a graph transformer structure that uses L self-attention encoders (2422) with K heads to generate semantic features based on self-attention. generates.
  • the self-attention-based semantic feature can be determined by operations such as determining the multi-head attention-based feature based on the similarity to the past self-attention-based features, normalizing the sum of the multi-head attention-based feature and the past self-attention-based feature, and collating the multi-head attention.
  • the self-attention-based semantic feature can be generated as in [Mathematical Formula 13] and [Mathematical Formula 14].
  • Equation 13 is the output feature of the multi-head attention block in the lth self-attention encoder in the tth assimilation process for the ith graph component, and K represents the head of the self-attention encoder (2622). It is a function that normalizes all input values to values between 0 and 1 and outputs them, and has the characteristic that the sum of the output values is always 1. is the attention function used in the kth attention head, which calculates the similarity between input factors.
  • Equation 14 is the final output feature of the l+1th self-attention encoder in the tth assimilation process for the jth graph element, is the layer normalization function, is the final output feature of the multi-head attention block in the l+1-th self-attention encoder in the t-th assimilation process for the j-th graph element, is the final output feature of the lth self-attention encoder in the tth assimilation process for the jth graph element, is a function that combines the results of multi-head attention.
  • Contextual encoder (2420) is a semantic feature based on self-attention Attention values between embedding vectors corresponding to partial background knowledge Determines the attention value can be determined based on the similarity between semantic features and embedding vectors based on self-attention. For example, the attention value can be calculated as shown in [Mathematical Formula 15] below.
  • the contextual encoder (2420) uses an additional attention encoder (2424) to represent the graph of the source data. For the contextualized feature, an assimilation process including the attention value is performed, and the result is used again as the input of the self-attention encoder (2422).
  • the contextualized encoder (2420) repeats the assimilation process using the additional attention encoder (2424) T times, and the contextualized feature Creates .
  • Equation 15 is the i-th attention value, is a function that normalizes all input values to values between 0 and 1 and outputs them.
  • Equation 16 is a semantic feature that goes into the initial input of the self-attention encoder again after going through the tth assimilation.
  • is the layer normalization function is the i-th attention value, is the i-th graph representation of the source data, is a function that combines the results of multi-head attention.
  • Equation 17 is a contextualized feature for the i-th source data, is a semantic feature generated through L self-attention encoding and T assimilation processes for the i-th graph component, and is the feature finally output from the contextual encoder.
  • the source generates multiple semantic features by utilizing a plurality of partial background knowledge as attention for a single source data, and transmits the generated multiple semantic features to the destination.
  • the multiple semantic features may be transmitted simultaneously or sequentially.
  • the destination receives multiple semantic features from the source and performs reasoning on the multiple semantic features based on the background knowledge that the destination possesses.
  • the attention value between the embedding vector of the background knowledge that the destination possesses and the multiple semantic features is determined based on the similarity between the multiple semantic features and the embedding vector. For example, the attention value is calculated as shown in [Mathematical Formula 18] below.
  • [Mathematical Formula 18] denotes the attention value for the nth multi-semantic feature of the i-th index, is an inner product-based attention function that can measure the similarity between input factors, means the nth multi-semantic feature of the i-th index, refers to a component whose index is c among the node embeddings of background knowledge held by the destination.
  • the attention value The process of calculating the may be referred to as an attention coefficient.
  • the attention coefficient is a value used for the classification of the ith index. If a component whose index is c among the components of the background knowledge possessed by the destination overlaps with the nth partial background knowledge of the source, the attention coefficient has a relatively large value. However, if a component whose index is c among the components of the background knowledge possessed by the destination does not overlap with the nth partial background knowledge of the source, the attention coefficient has a relatively small value. That is, the attention coefficient can be treated as information indicating the degree of agreement between the corresponding partial background knowledge of the source and the background knowledge possessed by the destination.
  • the calculated attention value is when there is an intersection between the background knowledge of the destination and the nth partial background knowledge of the source. Since is expressed as a weight sum for the node embedding of the corresponding intersection, it contains information about the background knowledge that the actual destination has in the nth partial background knowledge. On the other hand, if there is no intersection between the background knowledge that the destination has and the nth partial background knowledge of the source, the calculated attention value does not have a meaning for intersection. Therefore, the destination can calculate the attention coefficient as in Fig. 25, and determine whether there is an intersection between the background knowledge possessed by the destination and the nth background knowledge of the source based on the calculated attention coefficient.
  • FIG. 25 illustrates an example of determining whether there is an intersection of background knowledge according to one embodiment of the present disclosure.
  • a destination (2510) calculates an attention coefficient between multiple semantic features generated based on the first partial background knowledge (2522) and the second partial background knowledge (2524) of a source and an embedding vector of the background knowledge (2512) of the destination (2510).
  • the destination (2510) determines that there is an intersection (2532) between the background knowledge (2512) of the destination and the first partial background knowledge (2522) of the source used to generate the corresponding semantic feature.
  • the destination (2510) determines that there is no intersection (2534) between the background knowledge (2512) of the destination and the second partial background knowledge (2524) of the source used to generate the corresponding semantic feature, and reports to the source that there is no intersection with the second partial background knowledge (2524).
  • the source can adjust the contextualizing encoder that uses the second partial background knowledge (2524) as attention to use other partial background knowledge as attention, and transmit the multiple semantic features based on the other partial background knowledge. That is, the source can control the contextualizing encoder to use the second partial background knowledge and other partial background knowledge as attention, if it has previously used the second partial background knowledge as attention.
  • the partial background knowledge utilized in each of the contextual encoders of the source all has an intersection with the background knowledge possessed by the destination.
  • the source can generate multiple semantic features for the source data by using the contextual encoders that utilize the partial background knowledge having an intersection with the background knowledge possessed by the destination as attention, and transmit the generated multiple semantic features to the destination.
  • the destination calculates attention values between the node embeddings of the received multiple semantic features and the background knowledge possessed by the destination, and feeds back the calculated attention values to the source.
  • the source performs an assimilation process for the multiple semantic features based on the attention values fed back from the destination by using a feedback injection encoder as illustrated in FIG. 26.
  • FIG. 26 illustrates an example of a feedback injection encoder structure according to one embodiment of the present disclosure.
  • the source (2620) may additionally include a feedback injection encoder (2622).
  • the feedback injection encoder (2622) generates and outputs transmission features (2623) by performing encoding on contextualized features (2621) based on attention values (2612) fed back from the destination (2610).
  • the feedback injection encoder (2622) is configured to include L self-attention encoders (2622a), summation and normalization (2622b), MLP (2622c), and summation and normalization (2622c).
  • the L self-attention encoders (2622a) can be configured identically to the self-attention encoders (2622) of Fig. 24.
  • the summation and normalization (2622b) is a hierarchical normalization block, which receives the attention values (2612) from the destination (2610). ) and contextualized features (2621) ( ) and normalizes it to output it.
  • the MLP (2622c) is a fully connected layer and performs detailed learning on the input values from the summation and normalization (2622b).
  • the summation and normalization (2622c) is a layer normalization block and adds and normalizes the input and output of the MLP block (2622c), and then provides the result to L self-attention encoders (2622a).
  • the source (2622) can reduce the partial background knowledge used as attention when generating multiple semantic features to a portion that overlaps with the background knowledge possessed by the destination through the feedback injection encoder (2622) configured as described above.
  • the source (2620) and the destination (261) can set a feedback period for the attention value.
  • the feedback period of the attention value can be determined based on a performance metric according to the result of performing a downstream task at the destination (2620).
  • FIG. 27 illustrates an example of a semantic diversity technique based on a feedback injection encoder according to one embodiment of the present disclosure.
  • the source (2720) encodes the source data (2302) through contextualized encoders (2722-1, 2722-2, ..., 2722-N) that utilize different partial background knowledge as attention, thereby creating contextualized features. , , ... , Then, the source (2720) receives the attention values fed back from the destination (2710) through the feedback injection encoders (2724-1, 2724-2, ..., 2724-N). , , ... , Contextualized features based on , , ... , By performing encoding for , transmission features that have as attention the part of the source's partial background knowledge that overlaps with the destination's background knowledge , , ... , generates. The source (2720) generates transmission features , , ... , is transmitted to the destination (2710) as a multi-semantic feature.
  • a source has a transmission structure including a feedback injection encoder as described above, thereby performing semantic communication based on multi-feature transmission using N-partially divided partial background knowledge as attention.
  • Multi-feature transmission is a closed-loop semantic diversity technique in which a source and a destination have information about each other's background knowledge, and can improve the performance of a downstream task by setting a combining ratio for each of multiple semantic features.
  • a combining ratio control operation for multiple semantic features can be performed at the source. That is, the source controls the combining ratio according to the size of partial background knowledge used as attention to generate multiple semantic features.
  • the size of the partial background knowledge can be confirmed based on the difference in the attention values fed back from the destination. That is, if the difference in the attention values fed back from the destination at each feedback period for a specific semantic feature among the multiple semantic features is small, the source can determine that the size of the overlapping portion, i.e., the intersection, between the partial background knowledge corresponding to the specific semantic feature and the background knowledge possessed by the destination is large.
  • the source can determine that the intersection portion between the partial background knowledge corresponding to the corresponding attention value and the background knowledge possessed by the destination is small.
  • Equation 19 is the combined ratio for the semantic features generated based on the nth contextual encoder, is the attention value fed back at time t+1 for the semantic feature generated by the nth contextual encoder, is the attention value fed back at time t for the semantic feature generated by the nth contextual encoder.
  • a source can set a combining ratio for each of a plurality of semantic features, and transmit a synthetic semantic feature that combines the plurality of semantic features based on the set combining ratio to the destination.
  • the combining ratio control operation for multiple semantic features can be performed at the destination.
  • the destination generates an embedding for performing a downstream task by utilizing background knowledge of the destination for the plurality of semantic features.
  • the destination calculates a similarity between the task-specific embedding and a weighted sum of the plurality of semantic features, and measures an importance for each semantic feature based on the calculated similarity.
  • the destination can calculate a combining weight for each of the plurality of semantic features by normalizing the importance for each semantic feature. In this case, the combining weight is calculated as shown in [Mathematical Formula 20] below.
  • Equation 20 is the joint weight for the semantic feature generated by the nth contextual encoder, is the result of combining the weights for each of the multiple semantic features, is a function that generates an embedding for a task operation.
  • the destination feeds back the attention values for the diversity technique based on multi-feature transmission, and then first combines the weights of each feature for downstream task operation. , and use the randomly set combined weights to create the final feature, i.e., the synthetic semantic feature.
  • the embedding generation MLP and the combination ratio can be updated through learning according to the performance of the downstream task based on the synthetic semantic feature.
  • the destination can utilize the MLP and combination ratio learned through this process for the downstream task.
  • FIG. 28 illustrates an example of a combination ratio control considering a downstream task according to one embodiment of the present disclosure.
  • the destination (2810) may include a plurality of MLP blocks (2812-1 to 2812-N), a plurality of combined weight calculation blocks (2814-1 to 2814-N), a plurality of multipliers (2816-1 to 2816-N), and an adder (2818).
  • the destination (2810) performs fine learning on a plurality of semantic features received from a source using the plurality of ML blocks (2812-1 to 2812-N), and calculates a combined weight for each semantic feature using the plurality of combined weight calculation blocks (2814-1 to 2814-N).
  • the combined weight may be calculated as in [Mathematical Formula 20].
  • the destination (2810) can multiply the combined weights for each semantic feature calculated by the combined weight calculation blocks (2814-1 to 2814-N) by the respective semantic features using the multipliers (2816-1 to 2816-N), and perform a downstream task based on the final value obtained by adding the results from the multipliers (2816-1 to 2816-N) using the adder (2818).
  • the initial value of the weight can be set by receiving the weight calculated from the source or can be set to an arbitrary value.
  • the embedding generation MLP and the combined ratio can be updated through learning according to the results of performing the downstream task of the destination.
  • the source can receive a combination ratio for a plurality of semantic features from the destination, and adjust at least one partial background knowledge of the source based on the fed-back combination ratio.
  • the combination ratio fed back from the destination can include a combination weight calculated at the destination.
  • the source can calculate a difference between the combination ratio calculated at the source and the fed-back combination ratio, and if the calculated difference is greater than a threshold, can perform re-partitioning of the background knowledge or a change to at least one partial background knowledge.
  • the source can set a combination ratio suitable for a downstream task of the destination by performing a combination ratio control operation based on the re-partitioned partial background knowledge or the changed partial background knowledge.
  • FIG. 29 illustrates an example of a procedure for receiving a data signal for semantic communication according to one embodiment of the present disclosure.
  • FIG. 29 illustrates a method performed by a terminal operating as a destination.
  • the terminal receives configuration information from the base station.
  • the configuration information may include at least one of control information related to establishing a connection between the terminal and the base station, control information for determining a configuration related to communication, and information for indicating a resource for communication.
  • the terminal may receive control information for establishing a semantic communication connection, control information for determining a configuration related to semantic communication, or configuration information for indicating a resource for semantic communication.
  • the terminal receives a first data signal from the base station.
  • the first data signal includes a plurality of semantic features generated based on partial background knowledge derived from background knowledge information of the base station.
  • Each of the plurality of semantic features may be generated based on a plurality of contextual encoders that utilize at least a part of different partial background knowledge for source data as attention.
  • the terminal may receive first control information from the base station and receive the first data signal based on the first control information.
  • the first control information may include at least one of information related to resources allocated for the first data signal and information necessary for interpreting the first data signal.
  • the terminal transmits feedback information to the base station. That is, the terminal generates feedback information for the first data signal and transmits the generated feedback information to the base station.
  • the feedback information includes information used to determine similarities between each of the partial background knowledge and the background knowledge possessed by the terminal based on a plurality of semantic features generated based on partial background knowledge derived from background knowledge information of the base station.
  • the feedback information may include at least one of attention values between the plurality of semantic features received from the base station and the embedding vector of the background knowledge possessed by the terminal, attention coefficients calculated in the process of calculating the attention values, or background knowledge change request information generated based on the attention coefficients.
  • the attention values may be used to reduce the partial background knowledge used by the base station to an intersection portion with the background knowledge possessed by the terminal and to determine the size of the reduced intersection portion. Attention coefficients can be used to determine whether there is an intersection between the partial background knowledge used by the base station to generate a plurality of semantic features and the background knowledge of the terminal, or whether the partial background knowledge to be used for generating the semantic features needs to be changed.
  • the change in the partial background knowledge can include at least one of re-segmentation of the background knowledge of the base station, or a change in at least one partial background knowledge to be used for generating the semantic features.
  • the terminal receives a second data signal.
  • the second data signal includes a synthesized semantic feature that combines a plurality of semantic features based on feedback information. That is, the base station may calculate a combining ratio of each of the plurality of semantic features based on the attention values fed back by the terminal to the base station, and transmit a synthesized semantic feature that combines the plurality of semantic features to the terminal according to the calculated combining ratio.
  • the terminal may receive second control information from the base station and receive the second data signal based on the second control information.
  • the second control information may include at least one of information related to resources allocated for the second data signal and information necessary for interpreting the second data signal.
  • FIG. 30 illustrates an example of a procedure for transmitting a data signal for semantic communication according to one embodiment of the present disclosure.
  • FIG. 30 illustrates a method performed by a base station operating as a source.
  • the base station transmits configuration information to the terminal.
  • the configuration information may include at least one of control information related to establishing a connection between the terminal and the base station, control information for determining settings related to communication, and information for indicating resources for communication.
  • the base station may transmit control information for establishing a semantic communication connection, control information for determining settings related to semantic communication, or configuration information for indicating resources for semantic communication.
  • the base station transmits a first data signal to the terminal.
  • the data signal includes a plurality of semantic features generated based on partial background knowledge derived from background knowledge information of the base station. Each of the plurality of semantic features may be generated based on a plurality of contextual encoders that utilize at least a part of different partial background knowledge for source data as attention.
  • the terminal may receive first control information from the base station and receive the first data signal based on the first control information.
  • the first control information may include at least one of information related to resources allocated for the first data signal and information necessary for interpreting the first data signal.
  • the base station receives feedback information from the terminal. That is, the base station receives feedback information from the terminal in response to the data signal transmission.
  • the feedback information includes information used to determine similarities between each of the partial background knowledge and the background knowledge possessed by the terminal based on a plurality of semantic features generated based on partial background knowledge derived from the background knowledge information of the base station.
  • the feedback information may include at least one of attention values between the plurality of semantic features received from the base station and the embedding vector of the background knowledge possessed by the terminal, attention coefficients calculated in the process of calculating the attention values, or background knowledge change request information generated based on the attention coefficients.
  • the base station may reduce the partial background knowledge used in the generation of the plurality of semantic features to an intersection portion with the background knowledge possessed by the terminal based on the attention values, and determine the size of the reduced intersection portion.
  • the base station can determine whether there is an intersection between each of the partial background knowledge used for generating a plurality of semantic features and the background knowledge of the terminal based on the attention coefficients, or whether the partial background knowledge to be used for generating the semantic features needs to be changed.
  • the change in the partial background knowledge can include at least one of re-segmentation of the background knowledge of the base station, or a change in at least one partial background knowledge to be used for generating the semantic features.
  • the base station transmits a second data signal.
  • the second data signal includes a synthetic semantic feature that combines a plurality of semantic features based on feedback information. That is, the base station may calculate a combination ratio of each of the plurality of semantic features based on attention values fed back from the terminal, and transmit a synthetic semantic feature that combines the plurality of semantic features to the terminal according to the calculated combination ratio.
  • the base station may transmit second control information to the terminal, and transmit the second data signal based on the second control information.
  • the second control information may include at least one of information related to resources allocated for the second data signal and information necessary for interpreting the second data signal.
  • FIG. 31 illustrates an example of a synchronization and combination ratio control procedure for background knowledge according to one embodiment of the present disclosure.
  • FIG. 31 illustrates a method performed by a terminal operating as a destination. According to one embodiment, at least some of the operations of FIG. 31 can be understood as an example of steps S2903, S2905, and S2907 of FIG. 28.
  • the terminal receives a plurality of semantic features. That is, the terminal receives a plurality of semantic features corresponding to specific source data from the base station.
  • Each of the plurality of semantic features is generated using each of the contextual encoders that utilize the segmented partial background knowledge of the base station as attention.
  • the partial background knowledge used for attention in each of the contextual encoders may be at least partially different from each other.
  • the first partial background knowledge corresponding to the first contextual encoder and the second partial background knowledge corresponding to the second contextual encoder may be configured to have at least one different graph node.
  • step S3103 the terminal calculates attention coefficients. That is, the terminal calculates attention coefficients for determining whether there is an intersection between each of the partial background knowledges used to generate the plurality of semantic features and the background knowledge of the terminal.
  • the attention coefficients can be obtained in the process of calculating the attention value between the embedding vector of the background knowledge possessed by the terminal and the plurality of received semantic features, as in mathematical expression 18.
  • step S3105 the terminal checks whether an intersection exists. That is, the terminal checks whether an intersection exists between each of the partial background knowledge used to generate a plurality of semantic features and the background knowledge of the terminal based on the calculated attention coefficients. For example, if the attention coefficient is greater than the reference coefficient, the terminal can determine that an intersection exists between the partial background knowledge and the background knowledge of the terminal. On the other hand, if the attention coefficient is less than or equal to the reference coefficient, the terminal can determine that an intersection does not exist between the partial background knowledge and the background knowledge of the terminal.
  • step S3113 the terminal requests the base station to re-partition the background knowledge. That is, the terminal reports to the base station that there is no intersection between each of the partial background knowledges used to generate a plurality of semantic features in the base station and the background knowledge of the terminal, thereby requesting a change to at least one partial background knowledge among the partial background knowledges of the base station that does not have an intersection with the background knowledge of the terminal.
  • step S3107 the terminal feeds back attention values.
  • the attention values are values calculated based on the embedding vector of the received multiple semantic features and the background knowledge possessed by the terminal, and can be calculated as in mathematical expression 18.
  • step S3109 the terminal receives a synthetic semantic feature from the base station.
  • the synthetic semantic feature can be generated by combining multiple semantic features generated at the base station according to a combining ratio determined at the base station. At this time, the combining ratio can be determined based on the attention values fed back by the terminal.
  • the terminal performs a downstream task. That is, the terminal performs a downstream task based on the synthesized semantic features received from the base station.
  • FIG. 32 illustrates an example of a synchronization and coupling ratio control procedure for background knowledge according to one embodiment of the present disclosure.
  • FIG. 32 illustrates a method performed by a base station operating as a source. According to one embodiment, at least some of the operations of FIG. 32 may be understood as examples of steps S3003, S3005, and S3007 of FIG. 30.
  • the base station divides the background knowledge.
  • the base station divides the entire background knowledge possessed by the base station into multiple partial background knowledge, and sets all or some of the divided partial background knowledge as candidates for the background knowledge possessed by the terminal.
  • the entire background knowledge possessed by the base station can be divided into multiple partial background knowledge based on graph clustering.
  • the base station In step S3203, the base station generates and transmits a plurality of semantic features. That is, the base station performs encoding on the source data by using each of a plurality of encoders that utilize each of a plurality of partial background knowledge set as candidates as attention, thereby generating a plurality of semantic features.
  • the base station transmits the generated plurality of semantic features to the base station. At this time, the plurality of semantic features may be transmitted sequentially.
  • the base station may transmit first attention values generated in the process of generating semantic features to the terminal. The first attention values are not necessarily transmitted and may be omitted depending on the embodiment.
  • step S3205 the base station checks whether a request for background knowledge re-segmentation is received from the terminal. That is, the base station checks whether information indicating whether there is an intersection between each of the partial background knowledge used for generating a plurality of semantic features and the background knowledge of the terminal is received from the terminal. If information indicating a request for background knowledge re-segmentation is received from the terminal, or an attention coefficient smaller than or equal to a reference coefficient is received from the terminal, the base station can determine that a request for background knowledge re-segmentation has been received.
  • the base station can determine that a request for background knowledge re-segmentation has not been received.
  • the base station re-partitions the background knowledge. That is, the base station changes at least one partial background knowledge that does not have an intersection with the background knowledge possessed by the terminal. For example, the base station may change at least one partial background knowledge that does not have an intersection with the background knowledge possessed by the terminal into other partial background knowledge. As another example, the base station may re-partition the entire background knowledge possessed by the base station into a plurality of partial background knowledges, as in step S3201. Of course, the method of re-partitioning the background knowledges or the components used for re-partitioning the background knowledges may be different from step S3201.
  • the base station receives attention values from the terminal.
  • the attention values received from the terminal include attention values between a plurality of semantic features and an embedding vector of the background knowledge of the terminal.
  • the base station can receive the attention values generated by the terminal as feedback information for a plurality of semantic features.
  • the base station sets a combining ratio. That is, the base station sets a combining ratio for each of a plurality of semantic features based on the attention values received from the terminal for a semantic diversity technique based on multi-feature transmission.
  • the combining ratio can be set according to the size of the intersection of the partial background knowledge used for the transmission of the plurality of semantic features and the background knowledge possessed by the terminal. That is, the larger the size of the intersection, the larger the combining ratio for the corresponding semantic feature is set, and the smaller the size of the intersection, the smaller the combining ratio for the corresponding semantic feature is set.
  • the base station In step S3211, the base station generates and transmits a synthetic semantic feature based on the attention values and the combining ratio. That is, the base station can generate a plurality of semantic features by using a feedback injection encoder that uses the attention values fed back from the terminal, and can generate a synthetic semantic feature by combining the generated plurality of semantic features according to the combining ratio. At this time, since the feedback injection encoder uses the attention values fed back from the terminal, the attention for the plurality of semantic features can be reduced to an intersection portion with the background knowledge possessed by the terminal among the corresponding partial background knowledge.
  • FIG. 31 and FIG. 32 are examples of a case where a combining ratio control operation for a semantic diversity technique is performed at a source.
  • a combining ratio control operation for a semantic diversity technique may also be performed at a destination, as shown in FIG. 33 and FIG. 34 below.
  • FIG. 33 illustrates an example of a synchronization and combination ratio control procedure for background knowledge according to one embodiment of the present disclosure.
  • FIG. 33 illustrates a method performed by a terminal operating as a destination. According to one embodiment, at least some of the operations of FIG. 33 can be understood as an example of steps S2903, S2905, and S2907 of FIG. 28.
  • step S3301 the terminal receives a plurality of semantic features. That is, the terminal receives a plurality of semantic features corresponding to specific source data from the base station.
  • step S3303 the terminal calculates attention coefficients. That is, the terminal calculates attention coefficients for determining whether there is an intersection between each of the partial background knowledge used to generate multiple semantic features and the background knowledge of the terminal.
  • step S3305 the terminal checks whether there is an intersection. That is, the terminal checks whether there is an intersection between each of the partial background knowledge used to generate multiple semantic features and the background knowledge of the terminal based on the calculated attention coefficients.
  • step S3317 the terminal requests the base station to re-partition the background knowledge. That is, the terminal reports to the base station that there is no intersection between each of the partial background knowledges used to generate a plurality of semantic features in the base station and the background knowledge of the terminal, thereby requesting a change to at least one partial background knowledge among the partial background knowledges of the base station that does not have an intersection with the background knowledge of the terminal.
  • step S3307 the terminal feeds back attention values.
  • the attention values are values calculated based on the embedding vector of the received multiple semantic features and the background knowledge possessed by the terminal, and can be calculated as in mathematical expression 18.
  • the terminal receives a plurality of semantic features from the base station.
  • the plurality of semantic features can be generated by using a contextual encoder that uses partial background knowledge from the base station as attention and a feedback injection encoder that uses attention values fed back from the terminal.
  • the feedback injection encoder uses the attention values fed back from the terminal, the attention for the plurality of semantic features can be reduced to an intersection portion with the background knowledge possessed by the terminal among the corresponding partial background knowledge.
  • step S3311 the terminal calculates a combined weight for each of the plurality of semantic features. That is, the terminal generates an embedding for performing a downstream task by using background knowledge of the destination for the plurality of semantic features, and measures the importance of each of the plurality of semantic features based on the similarity between the generated embedding and the weighted sum of the plurality of semantic features.
  • the terminal calculates a combined weight for each of the plurality of semantic features by normalizing the importance of each of the plurality of semantic features. For example, the terminal can calculate a combined weight for each of the plurality of semantic features as in Equation 20.
  • step S3313 the terminal generates a synthetic semantic feature based on the combined weight. That is, the terminal applies a combined weight for each of multiple semantic features to each of multiple semantic features, and then adds the resulting values to which the combined weight is applied, thereby generating a synthetic semantic feature.
  • the terminal performs a downstream task. That is, the terminal performs a downstream task based on the synthetic semantic features generated at the terminal.
  • FIG. 34 illustrates an example of a synchronization and coupling ratio control procedure for background knowledge according to one embodiment of the present disclosure.
  • FIG. 34 illustrates a method performed by a base station operating as a source. According to one embodiment, at least some of the operations of FIG. 34 may be understood as examples of steps S3003, S3005, and S3007 of FIG. 30.
  • the base station divides the background knowledge.
  • the base station divides the entire background knowledge possessed by the base station into a plurality of partial background knowledges, and sets all or some of the divided partial background knowledges as candidates for the background knowledge possessed by the terminal.
  • the base station generates and transmits a plurality of semantic features. That is, the base station generates a plurality of semantic features by performing encoding on the source data using each of a plurality of encoders that utilize each of a plurality of partial background knowledge set as candidates as attention.
  • step S3405 the base station checks whether a request for background knowledge re-segmentation is received from the terminal. That is, the base station checks whether information indicating whether there is an intersection between each of the partial background knowledge used to generate a plurality of semantic features and the background knowledge of the terminal is received from the terminal.
  • the base station repartitions the background knowledge. That is, the base station can change at least one partial background knowledge that does not have an intersection with the background knowledge held by the terminal into another partial background knowledge.
  • the base station receives attention values from the terminal.
  • the attention values received from the terminal include attention values between a plurality of semantic features and an embedding vector of the background knowledge of the terminal.
  • the base station regenerates and transmits a plurality of semantic features based on the attention values. That is, the base station can regenerate a plurality of semantic features using a feedback injection encoder that uses the attention values fed back from the terminal, and transmit the generated plurality of semantic features to the terminal. At this time, since the feedback injection encoder uses the attention values fed back from the terminal, the attention for the plurality of semantic features can be reduced to an intersection portion with the background knowledge possessed by the terminal among the corresponding partial background knowledge.
  • FIG. 35 illustrates an example of a background knowledge synchronization and semantic communication procedure based on synchronized background knowledge according to one embodiment of the present disclosure.
  • FIG. 35 illustrates signaling between a base station and a terminal when the base station operates as a source and the terminal operates as a destination.
  • step S3501 the base station (3520) divides the background knowledge. That is, the base station (3520) divides the background knowledge into multiple partial background knowledge based on graph clustering.
  • step S3503 the base station (3520) generates first semantic features using encoders corresponding to each of the partial background knowledges. That is, the base station (3520) performs encoding on the i-th source data using N encoders that utilize different partial background knowledges as attention, thereby generating first semantic features for the source data. Creates.
  • the base station (3520) provides first semantic features is transmitted to the terminal (3510). At this time, the first semantic features can be transmitted sequentially to the terminal (3510).
  • step S3507 the terminal (3510) calculates an attention coefficient.
  • the attention coefficient indicates the similarity between the partial background knowledge of the base station used to generate the first semantic features and the background knowledge possessed by the terminal.
  • the attention coefficient is obtained in the process of calculating the attention values between the received first semantic features and the embedding vector of the background knowledge possessed by the terminal, as in mathematical expression 18. It could be valuable.
  • the terminal (3510) can perform an operation according to option A or an operation according to option B based on the calculated attention coefficient. Specifically, the terminal (3510) can determine whether there is an intersection between each of the partial background knowledge of the base station used to generate the first semantic features and the background knowledge of the terminal based on the calculated attention coefficient, and can perform an operation according to option A or an operation according to option B based on whether there is an intersection.
  • the terminal (3510) performs an operation according to option A. That is, in step S3509, the terminal (3510) requests background knowledge repartitioning. That is, the terminal (3510) reports to the base station (3520) that at least one partial background knowledge among the partial background knowledge used by the base station (3520) for semantic communication with the terminal (3510) does not have an intersection with the background knowledge of the terminal (3510).
  • step S3511 the base station (3520) re-partitions the background knowledge. That is, in response to a request for re-partitioning the background knowledge from the terminal, the base station (3520) may replace at least one of the partial background knowledges used for semantic communication with the terminal (3510) with other partial background knowledge, or re-partition the entire background knowledge of the base station (3520) into a plurality of partial background knowledges. Thereafter, the base station (3520) performs step S3503.
  • the terminal (3510) performs the operation according to option B. That is, in step S3513, the terminal (3510) uses the attention values transmits the first semantic features to the base station. That is, the terminal (3510) receives the first semantic features from the base station (3520). Attention values between the embedding vector of background knowledge held by the terminal (3510) and calculate the calculated attention values can be transmitted to the base station (3520).
  • step S3515 the base station (3520) performs feedback injection encoding based on the attention values. That is, the base station (3520) additionally encodes the first semantic features through a feedback injection encoder that uses the attention values fed back from the terminal (3510), thereby encoding the second semantic features. Generates second semantic features can be referred to as multiple transmission features. Second semantic features
  • the silver terminal (3510) can only have attention to background knowledge that overlaps with the background knowledge it possesses.
  • the base station (3520) provides second semantic features transmits to the terminal (3510).
  • the base station (3520) transmits the second semantic features
  • the base station (3520) can transmit the combined synthetic semantic features to the terminal (3510).
  • the base station (3520) can transmit the second semantic features based on the attention values fed back from the terminal (3510).
  • a synthetic semantic feature can be generated and transmitted.
  • the terminal (3510) can perform a downstream task based on the synthetic semantic feature.
  • the base station (3520) provides second semantic features can be transmitted to the terminal (3510) without combining the second semantic features.
  • the terminal (3510) can transmit the second semantic features Set the combined weights for the received second semantic features After applying the combined weights, a synthetic semantic feature can be generated by combining the results.
  • the terminal (3510) can perform a downstream task based on the synthetic semantic feature generated in the terminal.
  • the base station (3520) and the terminal (3510) can control the combining ratio. That is, the base station (3520) can receive combined weight information for each of the second semantic features from the terminal (3510) and perform re-segmentation of the background knowledge of the base station (3520) based on the fed-back combined weight information. Specifically, the base station (3520) can control the combining ratio for the second semantic features calculated at the base station (3520). and combined weights for the second semantic features obtained from the terminal (3510). The difference between the two can be calculated, and the combined ratio and/or combined weight can be maintained based on the calculated difference, or re-partitioning can be performed on the background knowledge.
  • the base station (3520) sets the combining ratio and combined weights Semantic communication with the terminal (3510) is performed based on the coupling ratio.
  • the base station (3520) can perform an appropriate combining ratio control operation for the downstream task of the terminal (3510) by re-partitioning the background knowledge and re-performing step S3503 and subsequent steps.
  • the base station operates as a source and the terminal operates as a destination.
  • the embodiments of the present disclosure are not limited thereto.
  • the terminal may operate as a source and another terminal to communicate with the terminal may operate as a destination.
  • the terminal may operate as a source and the base station may operate as a destination.
  • the proposed methods described above may be implemented independently, but may also be implemented in the form of a combination (or merge) of some proposed methods.
  • Information on whether the proposed methods are applicable may be defined by a rule so that the base station notifies the terminal through a predefined signal (e.g., a physical layer signal or a higher layer signal).
  • Embodiments of the present disclosure can be applied to various wireless access systems.
  • various wireless access systems there are 3GPP (3rd Generation Partnership Project) or 3GPP2 systems.
  • the embodiments of the present disclosure can be applied not only to the various wireless access systems described above, but also to all technical fields that apply the various wireless access systems described above. Furthermore, the proposed method can also be applied to mmWave and THz communication systems that utilize ultra-high frequency bands.
  • embodiments of the present disclosure can be applied to various applications such as free-roaming vehicles and drones.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Signal Processing (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

본 개시는 무선 통신 시스템에서 시맨틱 통신을 수행하기 위한 것으로, 단말에 의해 수행되는 방법은, 기지국으로부터 제1 제어 정보를 수신하는 단계, 상기 기지국으로부터 제1 제어 정보에 기반하여 제1 데이터 신호를 수신하는 단계, 상기 기지국에게 제1 데이터 신호에 대한 피드백 정보를 송신하는 단계, 상기 기지국으로부터 제2 제어 정보를 수신하는 단계, 및 상기 기지국으로부터 제2 제어 정보에 기반하여 제2 데이터 신호를 수신하는 단계를 포함할 수 있다.

Description

무선 통신 시스템에서 시맨틱 통신을 수행하기 위한 장치 및 방법
이하의 설명은 무선 통신 시스템에 대한 것으로, 무선 통신 시스템에서 시맨틱(semantic) 통신을 수행하기 위한 장치 및 방법에 관한 것이다.
무선 접속 시스템이 음성이나 데이터 등과 같은 다양한 종류의 통신 서비스를 제공하기 위해 광범위하게 전개되고 있다. 일반적으로 무선 접속 시스템은 가용한 시스템 자원(대역폭, 전송 전력 등)을 공유하여 다중 사용자와의 통신을 지원할 수 있는 다중 접속(multiple access) 시스템이다. 다중 접속 시스템의 예들로는 CDMA(code division multiple access) 시스템, FDMA(frequency division multiple access) 시스템, TDMA(time division multiple access) 시스템, OFDMA(orthogonal frequency division multiple access) 시스템, SC-FDMA(single carrier frequency division multiple access) 시스템 등이 있다.
특히, 많은 통신 장치들이 큰 통신 용량을 요구하게 됨에 따라 기존 RAT(radio access technology)에 비해 향상된 모바일 브로드밴드(enhanced mobile broadband, eMBB) 통신 기술이 제안되고 있다. 또한 다수의 장치 및 사물들을 연결하여 언제 어디서나 다양한 서비스를 제공하는 mMTC(massive machine type communications) 뿐만 아니라 신뢰성(reliability) 및 지연(latency) 민감한 서비스/UE(user equipment)를 고려한 통신 시스템이 제안되고 있다. 이를 위한 다양한 기술 구성들이 제안되고 있다.
본 개시는 무선 통신 시스템에서 메시지의 시맨틱(semantic) 정보를 효과적으로 송수신하기 위한 장치 및 방법을 제공할 수 있다.
본 개시는 무선 통신 시스템에서 시맨틱 통신을 위한 배경 지식(background knowledge)을 동기화하기 위한 장치 및 방법을 제공할 수 있다.
본 개시는 무선 통신 시스템에서 배경 지식을 복수의 부분적 배경 지식들로 분할하기 위한 장치 및 방법을 제공할 수 있다.
본 개시는 무선 통신 시스템에서 피드백 정보에 기반하여 적어도 하나의 부분적 배경 지식을 변경하기 위한 장치 및 방법을 제공할 수 있다.
본 개시는 무선 통신 시스템에서 피드백 정보에 기반하여 적어도 하나의 부분적 배경 지식을 축소시키기 위한 장치 및 방법을 제공할 수 있다.
본 개시는 무선 통신 시스템에서 시맨틱 다이버시티 기법을 기반으로 시맨틱 정보를 송신하기 위한 장치 및 방법을 제공할 수 있다.
본 개시는 무선 통신 시스템에서 목적지의 배경 지식에 동기화된 배경 지식을 기반으로 소스 데이터에 대한 복수의 시맨틱 피처들을 생성하기 위한 장치 및 방법을 제공할 수 있다.
본 개시는 무선 통신 시스템에서 피드백 정보에 기반하여 복수의 시맨틱 피처들을 결합한 합성 시맨틱 피처를 생성하기 위한 장치 및 방법을 제공할 수 있다.
본 개시는 무선 통신 시스템에서 복수의 시맨틱 피처들에 대한 결합 비율을 결정하기 위한 장치 및 방법을 제공할 수 있다.
본 개시는 무선 통신 시스템에서 소스의 부분적 배경 지식들 각각과 목적지의 배경 지식의 교집합의 크기에 기반하여 복수의 시맨틱 피처들에 대한 결합 비율을 결정하기 위한 장치 및 방법을 제공할 수 있다.
본 개시에서 이루고자 하는 기술적 목적들은 이상에서 언급한 사항들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 이하 설명할 본 개시의 실시예들로부터 본 개시의 기술 구성이 적용되는 기술분야에서 통상의 지식을 가진 자에 의해 고려될 수 있다.
본 개시의 일 예로서, 무선 통신 시스템에서 단말에 의해 수행되는 방법은, 기지국으로부터 제1 제어 정보를 수신하는 단계, 상기 기지국으로부터 제1 제어 정보에 기반하여 제1 데이터 신호를 수신하는 단계, 상기 기지국에게 제1 데이터 신호에 대한 피드백 정보를 송신하는 단계, 상기 기지국으로부터 제2 제어 정보를 수신하는 단계, 및 상기 기지국으로부터 제2 제어 정보에 기반하여 제2 데이터 신호를 수신하는 단계를 포함하며, 상기 피드백 정보는, 상기 기지국의 배경 지식 정보로부터 도출되는 부분적 배경 지식들에 기반하여 생성된 복수의 시맨틱 피처들에 기반하여, 상기 부분적 배경 지식들 각각 및 상기 단말이 보유한 배경 지식 간 유사도들을 판단하기 위해 이용되는 정보를 포함하며, 상기 제2 데이터 신호는, 상기 피드백 정보에 기반하여 복수의 시맨틱 피처들을 결합한 합성 시맨틱 피처를 포함할 수 있다.
본 개시의 일 예로서, 무선 통신 시스템에서 기지국에 의해 수행되는 방법은, 단말에게 제1 제어 정보를 송신하는 단계, 상기 단말에게 상기 제1 제어 정보에 기반하여 제1 데이터 신호를 송신하는 단계, 상기 단말로부터 상기 제1 데이터 신호에 대한 피드백 정보를 수신하는 단계, 상기 단말에게 제2 제어 정보를 송신하는 단계, 및 상기 단말부터 상기 제2 제어 정보에 기반하여 제2 데이터 신호를 송신하는 단계를 포함하며, 상기 피드백 정보는, 상기 기지국의 배경 지식 정보로부터 도출되는 부분적 배경 지식들에 기반하여 생성된 복수의 시맨틱 피처들에 기반하여, 상기 부분적 배경 지식들 각각 및 상기 단말이 보유한 배경 지식 간 유사도들을 판단하기 위해 이용되는 정보를 포함하며, 상기 제2 데이터 신호는, 상기 피드백 정보에 기반하여 복수의 시맨틱 피처들을 결합한 합성 시맨틱 피처를 포함할 수 있다.
본 개시의 일 예로서, 무선 통신 시스템에서 단말은, 송수신기, 및 상기 송수신기와 연결된 프로세서를 포함하며, 상기 프로세서는, 기지국으로부터 제1 제어 정보를 수신하고, 상기 기지국으로부터 제1 제어 정보에 기반하여 제1 데이터 신호를 수신하고, 상기 기지국에게 제1 데이터 신호에 대한 피드백 정보를 송신하고, 상기 기지국으로부터 제2 제어 정보를 수신하고, 상기 기지국으로부터 제2 제어 정보에 기반하여 제2 데이터 신호를 수신하도록 제어하며, 상기 피드백 정보는, 상기 기지국의 배경 지식 정보로부터 도출되는 부분적 배경 지식들에 기반하여 생성된 복수의 시맨틱 피처들에 기반하여, 상기 부분적 배경 지식들 각각 및 상기 단말이 보유한 배경 지식 간 유사도들을 판단하기 위해 이용되는 정보를 포함하며, 상기 제2 데이터 신호는, 상기 피드백 정보에 기반하여 복수의 시맨틱 피처들을 결합한 합성 시맨틱 피처를 포함할 수 있다.
본 개시의 일 예로서, 무선 통신 시스템에서 기지국은, 송수신기, 및 상기 송수신기와 연결된 프로세서를 포함하며, 상기 프로세서는, 단말에게 제1 제어 정보를 송신하고, 상기 단말에게 상기 제1 제어 정보에 기반하여 제1 데이터 신호를 송신하고, 상기 단말로부터 상기 제1 데이터 신호에 대한 피드백 정보를 수신하고, 상기 단말에게 제2 제어 정보를 송신하고, 상기 단말부터 상기 제2 제어 정보에 기반하여 제2 데이터 신호를 송신하도록 제어하며, 상기 피드백 정보는, 상기 기지국의 배경 지식 정보로부터 도출되는 부분적 배경 지식들에 기반하여 생성된 복수의 시맨틱 피처들에 기반하여, 상기 부분적 배경 지식들 각각 및 상기 단말이 보유한 배경 지식 간 유사도들을 판단하기 위해 이용되는 정보를 포함하며, 상기 제2 데이터 신호는, 상기 피드백 정보에 기반하여 복수의 시맨틱 피처들을 결합한 합성 시맨틱 피처를 포함할 수 있다.
본 개시의 일 예로서, 통신 장치는, 적어도 하나의 프로세서, 상기 적어도 하나의 프로세서와 연결되며, 상기 적어도 하나의 프로세서에 의해 실행됨에 따라 동작들을 지시하는 명령어를 저장하는 적어도 하나의 컴퓨터 메모리를 포함하며, 상기 동작들은, 기지국으로부터 제1 제어 정보를 수신하는 단계, 상기 기지국으로부터 제1 제어 정보에 기반하여 제1 데이터 신호를 수신하는 단계, 상기 기지국에게 제1 데이터 신호에 대한 피드백 정보를 송신하는 단계, 상기 기지국으로부터 제2 제어 정보를 수신하는 단계, 및 상기 기지국으로부터 제2 제어 정보에 기반하여 제2 데이터 신호를 수신하는 단계를 포함하며, 상기 피드백 정보는, 상기 기지국의 배경 지식 정보로부터 도출되는 부분적 배경 지식들에 기반하여 생성된 복수의 시맨틱 피처들에 기반하여, 상기 부분적 배경 지식들 각각 및 상기 통신 장치가 보유한 배경 지식 간 유사도들을 판단하기 위해 이용되는 정보를 포함하며, 상기 제2 데이터 신호는, 상기 피드백 정보에 기반하여 복수의 시맨틱 피처들을 결합한 합성 시맨틱 피처를 포함할 수 있다.
본 개시의 일 예로서, 적어도 하나의 명령어(instructions)을 저장하는 비-일시적인(non-transitory) 컴퓨터 판독 가능 매체(computer-readable medium)는, 프로세서에 의해 실행 가능한(executable) 상기 적어도 하나의 명령어를 포함하며, 상기 적어도 하나의 명령어는, 장치가, 상기 기지국으로부터 제1 제어 정보에 기반하여 제1 데이터 신호를 수신하고, 상기 기지국에게 제1 데이터 신호에 대한 피드백 정보를 송신하고, 상기 기지국으로부터 제2 제어 정보를 수신하고, 상기 기지국으로부터 제2 제어 정보에 기반하여 제2 데이터 신호를 수신하도록 제어하며, 상기 피드백 정보는, 상기 기지국의 배경 지식 정보로부터 도출되는 부분적 배경 지식들에 기반하여 생성된 복수의 시맨틱 피처들에 기반하여, 상기 부분적 배경 지식들 각각 및 단말이 보유한 배경 지식 간 유사도들을 판단하기 위해 이용되는 정보를 포함하며, 상기 제2 데이터 신호는, 상기 피드백 정보에 기반하여 복수의 시맨틱 피처들을 결합한 합성 시맨틱 피처를 포함할 수 있다.
상술한 본 개시의 양태들은 본 개시의 바람직한 실시예들 중 일부에 불과하며, 본 개시의 기술적 특징들이 반영된 다양한 실시예들이 당해 기술분야의 통상적인 지식을 가진 자에 의해 이하 상술할 본 개시의 상세한 설명을 기반으로 도출되고 이해될 수 있다.
본 개시에 기초한 실시예들에 의해 하기와 같은 효과가 있을 수 있다.
본 개시에 따르면, 시맨틱 통신의 성능을 향상시킬 수 있다.
본 개시의 실시예들에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 이하의 본 개시의 실시예들에 대한 기재로부터 본 개시의 기술 구성이 적용되는 기술분야에서 통상의 지식을 가진 자에게 명확하게 도출되고 이해될 수 있다. 즉, 본 개시에서 서술하는 구성을 실시함에 따른 의도하지 않은 효과들 역시 본 개시의 실시예들로부터 당해 기술분야의 통상의 지식을 가진 자에 의해 도출될 수 있다.
이하에 첨부되는 도면들은 본 개시에 관한 이해를 돕기 위한 것으로, 상세한 설명과 함께 본 개시에 대한 실시예들을 제공할 수 있다. 다만, 본 개시의 기술적 특징이 특정 도면에 한정되는 것은 아니며, 각 도면에서 개시하는 특징들은 서로 조합되어 새로운 실시예로 구성될 수 있다. 각 도면에서의 참조 번호(reference numerals)들은 구조적 구성요소(structural elements)를 의미할 수 있다.
도 1은 본 개시에 적용 가능한 통신 시스템 예를 도시한다.
도 2는 본 개시에 적용 가능한 무선 장치의 예를 도시한다.
도 3은 본 개시에 적용 가능한 전송 신호를 처리하는 방법을 도시한다.
도 4는 본 개시에 적용 가능한 단말 및 기지국 간 통신 절차를 도시한다.
도 5는 본 개시에 적용 가능한 6G(6th generation) 시스템에서 제공 가능한 통신 구조의 일례를 도시한다.
도 6은 본 개시에 적용 가능한 전자기 스펙트럼을 도시한다.
도 7은 본 개시에 적용 가능한 THz 무선 통신 송수신기를 도시한다.
도 8은 본 개시에 적용 가능한 THz 신호 생성 방법을 도시한다.
도 9는 본 개시에 적용 가능한 무선 통신 송수신기를 도시한다.
도 10은 본 개시에 적용 가능한 송신기 구조를 도시한다.
도 11은 본 개시에 적용 가능한 변조기 구조를 도시한다.
도 12는 본 개시에 적용 가능한 인공 신경망에 포함되는 퍼셉트론(perceptron)의 구조를 도시한다.
도 13은 본 개시에 적용 가능한 인공 신경망 구조를 도시한다.
도 14는 본 개시에 적용 가능한 인공지능 기술의 적용을 위한 기능적 프레임워크의 예를 도시한다.
도 15는 본 개시에 적용 가능한 인공지능 모델을 활용하기 위한 절차의 예를 도시한다.
도 16은 본 개시에 적용 가능한 인공지능 모델을 활용하기 위한 절차의 다른 예를 도시한다.
도 17은 본 개시에 적용 가능한 인공지능 모델을 활용하기 위한 절차의 또 다른 예를 도시한다.
도 18은 본 개시에 적용 가능한 AI 기술 기반의 통신 절차를 도시한다.
도 19는 본 개시에 적용 가능한 통신 모델을 도시한다.
도 20은 본 개시에 적용 가능한 시맨틱 통신 프레임워크의 예를 도시한다.
도 21은 본 개시의 일 실시예에 따른 시맨틱 통신을 위한 배경 지식 동기화의 과정의 예를 도시한다.
도 22는 본 개시의 일 실시예에 따른 다중 피처 송신 기반의 시맨틱 다이버시티 기법의 예를 도시한다.
도 23은 본 개시의 일 실시예에 따른 부분적 배경 지식 기반의 시맨틱 다이버시티 기법의 예를 도시한다.
도 24는 본 개시의 일 실시예에 따른 문맥화 인코더(contextualizing encoder) 구조의 예를 도시한다.
도 25는 본 개시의 일 실시예에 따른 배경 지식들에 대한 교집합 유무 판단의 예를 도시한다.
도 26은 본 개시의 일 실시예에 따른 피드백 인젝션 인코더(feedback injection encoder) 구조의 예를 도시한다.
도 27은 본 개시의 일 실시예에 따른 피드백 인젝션 인코더 기반의 시맨틱 다이버시티 기법의 예를 도시한다.
도 28은 본 개시의 일 실시예에 따른 다운스트림 태스크를 고려한 결합 비율 제어의 예를 도시한다.
도 29는 본 개시의 일 실시예에 따른 시맨틱 통신을 위한 데이터 신호를 수신하는 절차의 예를 도시한다.
도 30은 본 개시의 일 실시예에 따른 시맨틱 통신을 위한 데이터 신호를 송신하는 절차의 예를 도시한다.
도 31은 본 개시의 일 실시예에 따른 배경 지식에 대한 동기화 및 결합 비율 제어 절차의 예를 도시한다.
도 32는 본 개시의 일 실시예에 따른 배경 지식에 대한 동기화 및 결합 비율 제어 절차의 예를 도시한다.
도 33은 본 개시의 일 실시예에 따른 배경 지식에 대한 동기화 및 결합 비율 제어 절차의 예를 도시한다.
도 34는 본 개시의 일 실시예에 따른 배경 지식에 대한 동기화 및 결합 비율 제어 절차의 예를 도시한다.
도 35는 본 개시의 일 실시예에 따른 배경 지식 동기화 및 동기화된 배경 지식에 기반한 시맨틱 통신 절차의 예를 도시한다.
이하의 실시예들은 본 개시의 구성요소들과 특징들을 소정 형태로 결합한 것들이다. 각 구성요소 또는 특징은 별도의 명시적 언급이 없는 한 선택적인 것으로 고려될 수 있다. 각 구성요소 또는 특징은 다른 구성요소나 특징과 결합되지 않은 형태로 실시될 수 있다. 또한, 일부 구성요소들 및/또는 특징들을 결합하여 본 개시의 실시예를 구성할 수도 있다. 본 개시의 실시예들에서 설명되는 동작들의 순서는 변경될 수 있다. 어느 실시예의 일부 구성이나 특징은 다른 실시예에 포함될 수 있고, 또는 다른 실시예의 대응하는 구성 또는 특징과 교체될 수 있다.
도면에 대한 설명에서, 본 개시의 요지를 흐릴 수 있는 절차 또는 단계 등은 기술하지 않았으며, 당업자의 수준에서 이해할 수 있을 정도의 절차 또는 단계는 또한 기술하지 아니하였다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함(comprising 또는 including)"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "…부", "…기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 또한, "일(a 또는 an)", "하나(one)", "그(the)" 및 유사 관련어는 본 개시를 기술하는 문맥에 있어서(특히, 이하의 청구항의 문맥에서) 본 명세서에 달리 지시되거나 문맥에 의해 분명하게 반박되지 않는 한, 단수 및 복수 모두를 포함하는 의미로 사용될 수 있다.
본 명세서에서 본 개시의 실시예들은 기지국과 이동국 간의 데이터 송수신 관계를 중심으로 설명되었다. 여기서, 기지국은 이동국과 직접적으로 통신을 수행하는 네트워크의 종단 노드(terminal node)로서의 의미가 있다. 본 문서에서 기지국에 의해 수행되는 것으로 설명된 특정 동작은 경우에 따라서는 기지국의 상위 노드(upper node)에 의해 수행될 수도 있다.
즉, 기지국을 포함하는 다수의 네트워크 노드들(network nodes)로 이루어지는 네트워크에서 이동국과의 통신을 위해 수행되는 다양한 동작들은 기지국 또는 기지국 이외의 다른 네트워크 노드들에 의해 수행될 수 있다. 이때, '기지국'은 고정국(fixed station), Node B, eNB(eNode B), gNB(gNode B), ng-eNB, 발전된 기지국(advanced base station, ABS) 또는 억세스 포인트(access point) 등의 용어에 의해 대체될 수 있다.
또한, 본 개시의 실시예들에서 단말(terminal)은 사용자 장비(user equipment, UE), 이동국(mobile station, MS), 가입자국(subscriber station, SS), 이동 가입자 단말(mobile subscriber station, MSS), 이동 단말(mobile terminal) 또는 발전된 이동 단말(advanced mobile station, AMS) 등의 용어로 대체될 수 있다.
또한, 송신단은 데이터 서비스 또는 음성 서비스를 제공하는 고정 및/또는 이동 노드를 말하고, 수신단은 데이터 서비스 또는 음성 서비스를 수신하는 고정 및/또는 이동 노드를 의미한다. 따라서, 상향링크의 경우, 이동국이 송신단이 되고, 기지국이 수신단이 될 수 있다. 마찬가지로, 하향링크의 경우, 이동국이 수신단이 되고, 기지국이 송신단이 될 수 있다.
본 개시의 실시예들은 무선 접속 시스템들인 IEEE 802.xx 시스템, 3GPP(3rd Generation Partnership Project) 시스템, 3GPP LTE(Long Term Evolution) 시스템, 3GPP 5G(5th generation) NR(New Radio) 시스템 및 3GPP2 시스템 중 적어도 하나에 개시된 표준 문서들에 의해 뒷받침될 수 있으며, 특히, 본 개시의 실시예들은 3GPP TS(technical specification) 38.211, 3GPP TS 38.212, 3GPP TS 38.213, 3GPP TS 38.321 및 3GPP TS 38.331 문서들에 의해 뒷받침될 수 있다.
또한, 본 개시의 실시예들은 다른 무선 접속 시스템에도 적용될 수 있으며, 상술한 시스템으로 한정되는 것은 아니다. 일 예로, 3GPP 5G NR 시스템 이후에 적용되는 시스템에 대해서도 적용 가능할 수 있으며, 특정 시스템에 한정되지 않는다.
즉, 본 개시의 실시예들 중 설명하지 않은 자명한 단계들 또는 부분들은 상기 문서들을 참조하여 설명될 수 있다. 또한, 본 문서에서 개시하고 있는 모든 용어들은 상기 표준 문서에 의해 설명될 수 있다.
이하, 본 개시에 따른 바람직한 실시 형태를 첨부된 도면을 참조하여 상세하게 설명한다. 첨부된 도면과 함께 이하에 개시될 상세한 설명은 본 개시의 예시적인 실시 형태를 설명하고자 하는 것이며, 본 개시의 기술 구성이 실시될 수 있는 유일한 실시형태를 나타내고자 하는 것이 아니다.
또한, 본 개시의 실시예들에서 사용되는 특정 용어들은 본 개시의 이해를 돕기 위해서 제공된 것이며, 이러한 특정 용어의 사용은 본 개시의 기술적 사상을 벗어나지 않는 범위에서 다른 형태로 변경될 수 있다.
이하의 기술은 CDMA(code division multiple access), FDMA(frequency division multiple access), TDMA(time division multiple access), OFDMA(orthogonal frequency division multiple access), SC-FDMA(single carrier frequency division multiple access) 등과 같은 다양한 무선 접속 시스템에 적용될 수 있다.
이하 설명을 명확하게 하기 위해, 3GPP 통신 시스템(예: LTE, NR 등)을 기반으로 설명하지만 본 개시의 기술적 사상이 이에 제한되는 것은 아니다. LTE는 3GPP TS 36.xxx Release 8 이후의 기술을 의미할 수 있다. 세부적으로, 3GPP TS 36.xxx Release 10 이후의 LTE 기술은 LTE-A로 지칭되고, 3GPP TS 36.xxx Release 13 이후의 LTE 기술은 LTE-A pro로 지칭될 수 있다. 3GPP NR은 TS 38.xxx Release 15 이후의 기술을 의미할 수 있다. 3GPP 6G는 TS Release 17 및/또는 Release 18 이후의 기술을 의미할 수 있다. "xxx"는 표준 문서 세부 번호를 의미한다. LTE/NR/6G는 3GPP 시스템으로 통칭될 수 있다.
본 개시에 사용된 배경기술, 용어, 약어 등에 관해서는 본 개시 이전에 공개된 표준 문서에 기재된 사항을 참조할 수 있다. 일 예로, 36.xxx 및 38.xxx 표준 문서를 참조할 수 있다.
본 개시에 적용 가능한 통신 시스템
이로 제한되는 것은 아니지만, 본 문서에 개시된 본 개시의 다양한 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들은 장치들 간에 무선 통신/연결(예: 5G)을 필요로 하는 다양한 분야에 적용될 수 있다.
이하, 도면을 참조하여 보다 구체적으로 예시한다. 이하의 도면/설명에서 동일한 도면 부호는 다르게 기술하지 않는 한, 동일하거나 대응되는 하드웨어 블록, 소프트웨어 블록 또는 기능 블록을 예시할 수 있다.
도 1은 본 개시에 적용되는 통신 시스템 예를 도시한다.
도 1을 참고하면, 본 개시에 적용되는 통신 시스템(100)은 무선 장치, 기지국 및 네트워크를 포함한다. 여기서, 무선 장치는 무선 접속 기술(예: LTE, LTE-A, LTE-A pro, NR, 5G, 5G-A, 6G)을 이용하여 통신을 수행하는 장치를 의미하며, 통신/무선/5G 장치로 지칭될 수 있다. 이로 제한되는 것은 아니지만, 무선 장치는 로봇(100a), 차량(100b-1, 100b-2), XR(extended reality) 장치(100c), 휴대 장치(hand-held device)(100d), 가전(home appliance)(100e), IoT(Internet of Thing) 장치(100f), AI(artificial intelligence) 장치/서버(100g)를 포함할 수 있다. 예를 들어, 차량은 무선 통신 기능이 구비된 차량, 자율 주행 차량, 차량간 통신을 수행할 수 있는 차량 등을 포함할 수 있다. 여기서, 차량(100b-1, 100b-2)은 UAV(unmanned aerial vehicle)(예: 드론)를 포함할 수 있다. XR 장치(100c)는 AR(augmented reality)/VR(virtual reality)/MR(mixed reality) 장치를 포함하며, HMD(head-mounted device), 차량에 구비된 HUD(head-up display), 텔레비전, 스마트폰, 컴퓨터, 웨어러블 디바이스, 가전 장치, 디지털 사이니지(signage), 차량, 로봇 등의 형태로 구현될 수 있다. 휴대 장치(100d)는 스마트폰, 스마트패드, 웨어러블 장치(예: 스마트워치, 스마트글래스), 컴퓨터(예: 노트북 등) 등을 포함할 수 있다. 가전(100e)은 TV, 냉장고, 세탁기 등을 포함할 수 있다. IoT 장치(100f)는 센서, 스마트 미터 등을 포함할 수 있다. 예를 들어, 기지국(120), 네트워크(130)는 무선 장치로도 구현될 수 있으며, 특정 무선 장치(120a)는 다른 무선 장치에게 기지국/네트워크 노드로 동작할 수도 있다.
무선 장치(100a 내지 100f)는 기지국(120)을 통해 네트워크(130)와 연결될 수 있다. 무선 장치(100a 내지 100f)에 AI 기술이 적용될 수 있으며, 무선 장치(100a 내지 100f)는 네트워크(130)를 통해 AI 서버(100g)와 연결될 수 있다. 네트워크(130)는 3G 네트워크, 4G(예: LTE) 네트워크, 5G(예: NR) 또는 6G 네트워크 등을 이용하여 구성될 수 있다. 무선 장치(100a 내지 100f)는 기지국(120)/네트워크(130)를 통해 서로 통신할 수도 있지만, 기지국(120)/네트워크(130)를 통하지 않고 직접 통신(예: 사이드링크 통신(sidelink communication))할 수도 있다. 예를 들어, 차량들(100b-1, 100b-2)은 직접 통신(예: V2V(vehicle to vehicle)/V2X(vehicle to everything) communication)을 할 수 있다. 또한, IoT 장치(100f)(예: 센서)는 다른 IoT 장치(예: 센서) 또는 다른 무선 장치(100a 내지 100f)와 직접 통신을 할 수 있다.
무선 장치(100a 내지 100f)/기지국(120), 기지국(120)/기지국(120) 간에는 무선 통신/연결(150a, 150b, 150c)이 이뤄질 수 있다. 여기서, 무선 통신/연결은 상향/하향링크 통신(150a)과 사이드링크 통신(150b)(또는, D2D 통신), 기지국간 통신(150c)(예: 릴레이(relay), IAB(integrated access backhaul))과 같은 다양한 무선 접속 기술을 통해 이뤄질 수 있다. 무선 통신/연결(150a, 150b, 150c)을 통해 무선 장치와 기지국/무선 장치, 기지국과 기지국은 서로 무선 신호를 송신/수신할 수 있다. 예를 들어, 무선 통신/연결(150a, 150b, 150c)은 다양한 물리 채널을 통해 신호를 송신/수신할 수 있다. 이를 위해, 본 개시의 다양한 제안들에 기반하여, 무선 신호의 송신/수신을 위한 다양한 구성정보 설정 과정, 다양한 신호 처리 과정(예: 채널 인코딩/디코딩, 변조/복조, 자원 매핑/디매핑 등), 자원 할당 과정 등 중 적어도 일부가 수행될 수 있다.
본 개시에 적용 가능한 장치
도 2는 본 개시에 적용될 수 있는 무선 장치의 예를 도시한다.
도 2를 참고하면, 무선 장치(200)는 다양한 무선 접속 기술(예: LTE, LTE-A, LTE-A pro, NR, 5G, 5G-A, 6G)을 통해 무선 신호를 송수신할 수 있다. 무선 장치(200)는 적어도 하나의 프로세서(202) 및 적어도 하나의 메모리(204)를 포함하며, 추가적으로 적어도 하나의 송수신기(206) 및/또는 적어도 하나의 안테나(208)을 더 포함할 수 있다.
프로세서(202)는 메모리(204) 및/또는 송수신기(206)를 제어하며, 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들을 구현하도록 구성될 수 있다. 예를 들어, 프로세서(202)는 메모리(204) 내의 정보를 처리하여 제1 정보/신호를 생성한 뒤, 송수신기(206)을 통해 제1 정보/신호를 포함하는 무선 신호를 전송할 수 있다. 또한, 프로세서(202)는 송수신기(206)를 통해 제2 정보/신호를 포함하는 무선 신호를 수신한 뒤, 제2 정보/신호의 신호 처리로부터 얻은 정보를 메모리(204)에 저장할 수 있다. 메모리(204)는 프로세서(202)와 연결될 수 있고, 프로세서(202)의 동작과 관련한 다양한 정보를 저장할 수 있다. 예를 들어, 메모리(204)는 프로세서(202)에 의해 제어되는 프로세스들 중 일부 또는 전부를 수행하거나, 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들을 수행하기 위한 명령들을 포함하는 소프트웨어 코드를 저장할 수 있다. 여기서, 프로세서(202)와 메모리(204)는 무선 통신 기술을 구현하도록 설계된 통신 모뎀/회로/칩의 일부일 수 있다. 송수신기(206)는 프로세서(202)와 연결될 수 있고, 적어도 하나의 안테나(208)를 통해 무선 신호를 송신 및/또는 수신할 수 있다. 송수신기(206)는 송신기 및/또는 수신기를 포함할 수 있다. 송수신기(206)는 RF(radio frequency) 유닛과 혼용될 수 있다. 본 개시에서 무선 장치는 통신 모뎀/회로/칩을 의미할 수도 있다.
이하, 무선 장치(200)의 하드웨어 요소에 대해 보다 구체적으로 설명한다. 이로 제한되는 것은 아니지만, 적어도 하나의 프로토콜 계층이 적어도 하나의 프로세서(202)에 의해 구현될 수 있다. 예를 들어, 적어도 하나의 프로세서(202)는 적어도 하나의 계층(예: PHY(physical), MAC(media access control), RLC(radio link control), PDCP(packet data convergence protocol), RRC(radio resource control), SDAP(service data adaptation protocol)와 같은 기능적 계층)을 구현할 수 있다. 적어도 하나의 프로세서(202)는 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들에 따라 적어도 하나의 PDU(Protocol Data Unit) 및/또는 적어도 하나의 SDU(service data unit)를 생성할 수 있다. 적어도 하나의 프로세서(202)는 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들에 따라 메시지, 제어정보, 데이터 또는 정보를 생성할 수 있다. 적어도 하나의 프로세서(202)는 본 문서에 개시된 기능, 절차, 제안 및/또는 방법에 따라 PDU, SDU, 메시지, 제어정보, 데이터 또는 정보를 포함하는 신호(예: 베이스밴드 신호)를 생성하여, 적어도 하나의 송수신기(206)에게 제공할 수 있다. 적어도 하나의 프로세서(202)는 적어도 하나의 송수신기(206)로부터 신호(예: 베이스밴드 신호)를 수신할 수 있고, 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들에 따라 PDU, SDU, 메시지, 제어정보, 데이터 또는 정보를 획득할 수 있다.
적어도 하나의 프로세서(202)는 컨트롤러, 마이크로 컨트롤러, 마이크로 프로세서 또는 마이크로 컴퓨터로 지칭될 수 있다. 적어도 하나의 프로세서(202)는 하드웨어, 펌웨어, 소프트웨어, 또는 이들의 조합에 의해 구현될 수 있다. 일 예로, 적어도 하나의 ASIC(application specific integrated circuit), 적어도 하나의 DSP(digital signal processor), 적어도 하나의 DSPD(digital signal processing device), 적어도 하나의 PLD(programmable logic device) 또는 적어도 하나의 FPGA(field programmable gate arrays)가 적어도 하나의 프로세서(202)에 포함될 수 있다. 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들은 펌웨어 또는 소프트웨어를 사용하여 구현될 수 있고, 펌웨어 또는 소프트웨어는 모듈, 절차, 기능 등을 포함하도록 구현될 수 있다. 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들은 수행하도록 설정된 펌웨어 또는 소프트웨어는 적어도 하나의 프로세서(202)에 포함되거나, 적어도 하나의 메모리(204)에 저장되어 적어도 하나의 프로세서(202)에 의해 구동될 수 있다. 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들은 코드, 명령어 및/또는 명령어의 집합 형태로 펌웨어 또는 소프트웨어를 사용하여 구현될 수 있다.
적어도 하나의 메모리(204)는 적어도 하나의 프로세서(202)와 연결될 수 있고, 다양한 형태의 데이터, 신호, 메시지, 정보, 프로그램, 코드, 지시 및/또는 명령을 저장할 수 있다. 적어도 하나의 메모리(204)는 ROM(read only memory), RAM(random access memory), EPROM(erasable programmable read only memo2ry), 플래시 메모리, 하드 드라이브, 레지스터, 캐쉬 메모리, 컴퓨터 판독 저장 매체 및/또는 이들의 조합으로 구성될 수 있다. 적어도 하나의 메모리(204)는 적어도 하나의 프로세서(202)의 내부 및/또는 외부에 위치할 수 있다. 또한, 적어도 하나의 메모리(204)는 유선 또는 무선 연결과 같은 다양한 기술을 통해 적어도 하나의 프로세서(202)와 연결될 수 있다.
적어도 하나의 송수신기(206)는 적어도 하나의 다른 장치에게 본 문서의 방법들 및/또는 동작 순서도 등에서 언급되는 사용자 데이터, 제어 정보, 무선 신호/채널 등을 전송할 수 있다. 적어도 하나의 송수신기(206)는 적어도 하나의 다른 장치로부터 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도 등에서 언급되는 사용자 데이터, 제어 정보, 무선 신호/채널 등을 수신할 수 있다. 예를 들어, 적어도 하나의 송수신기(206)는 적어도 하나의 프로세서(202)와 연결될 수 있고, 무선 신호를 송수신할 수 있다. 예를 들어, 적어도 하나의 프로세서(202)는 적어도 하나의 송수신기(206)가 적어도 하나의 다른 장치에게 사용자 데이터, 제어 정보 또는 무선 신호를 전송하도록 제어할 수 있다. 또한, 적어도 하나의 프로세서(202)는 적어도 하나의 송수신기(206)가 적어도 하나의 다른 장치로부터 사용자 데이터, 제어 정보 또는 무선 신호를 수신하도록 제어할 수 있다. 또한, 적어도 하나의 송수신기(206)는 적어도 하나의 안테나(208)와 연결될 수 있고, 적어도 하나의 송수신기(206)는 적어도 하나의 안테나(208)를 통해 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도 등에서 언급되는 사용자 데이터, 제어 정보, 무선 신호/채널 등을 송수신하도록 설정될 수 있다. 본 문서에서, 적어도 하나의 안테나는 복수의 물리 안테나이거나, 복수의 논리 안테나(예: 안테나 포트)일 수 있다. 적어도 하나의 송수신기(206)는 수신된 사용자 데이터, 제어 정보, 무선 신호/채널 등을 적어도 하나의 프로세서(202)를 이용하여 처리하기 위해, 수신된 무선 신호/채널 등을 RF 밴드 신호에서 베이스밴드 신호로 변환(convert)할 수 있다. 적어도 하나의 송수신기(206)는 적어도 하나의 프로세서(202)를 이용하여 처리된 사용자 데이터, 제어 정보, 무선 신호/채널 등을 베이스밴드 신호에서 RF 밴드 신호로 변환할 수 있다. 이를 위하여, 적어도 하나의 송수신기(206)는 (아날로그) 오실레이터 및/또는 필터를 포함할 수 있다.
도 2를 참고하여 설명한 무선 장치의 구성요소들은 기능적인 측면에서 다른 용어로 지칭될 수 있다. 예를 들어, 프로세서(202)는 제어부, 송수신기(206)는 통신부, 메모리(204)는 저장부로 지칭될 수 있다. 경우에 따라, 통신부는 프로세서202)의 적어도 일부 및 송수신기(206)를 포함하는 의미로 사용될 수 있다.
도 2를 참고하여 설명한 무선 장치의 구조는 다양한 장치의 적어도 일부의 구조로 이해될 수 있다. 예를 들어, 도 2에 예시된 무선 장치의 구조는, 도 1을 참고하여 설명한 다양한 장치들(예: 로봇(100a), 차량(100b-1, 100b-2), XR 장치(100c), 휴대 장치(100d), 가전(100e), IoT 장치(100f), AI 장치/서버(100g))의 적어도 일부일 수 있다. 나아가, 다양한 실시예들에 따라, 도 2에 예시된 구성요소들 외, 장치는 다른 구성요소들을 더 포함할 수 있다.
예를 들어, 장치는 스마트폰, 스마트패드, 웨어러블 장치(예: 스마트 워치, 스마트 글래스), 휴대용 컴퓨터(예: 노트북 등)와 같은 휴대 장치일 수 있다. 이 경우, 장치는 전원을 공급하며, 유/무선 충전 회로, 배터리 등을 포함하는 전원공급부, 다른 장치와의 연결을 위한 적어도 하나의 포트(예: 오디오 입/출력 포트, 비디오 입/출력 포트)를 포함하는 인터페이스부, 영상 정보/신호, 오디오 정보/신호, 데이터, 및/또는 사용자로부터 입력되는 정보를 입력 및 출력하기 위한 입출력부 중 적어도 하나를 더 포함할 수 있다.
예를 들어, 장치는 이동형 로봇, 차량, 기차, 유/무인 비행체(aerial vehicle, AV), 선박 등과 같은 이동 장치일 수 있다. 이 경우, 장치는 장치의 엔진, 모터, 파워 트레인, 바퀴, 브레이크, 조향 장치 중 적어도 하나를 포함하는 구동부, 전원을 공급하며, 유/무선 충전 회로, 배터리 등을 포함하는 전원공급부, 장치 또는 장치 주변의 상태 정보, 환경 정보, 사용자 정보를 센싱하는 센서부, 경로 유지, 속도 조절, 목적지 설정 등의 기능을 수행하는 자율 주행부, GPS(global positioning system) 및 다양한 센서를 통하여 이동체 위치 정보를 획득하는 위치 측정부 중 적어도 하나를 더 포함할 수 있다.
예를 들어, 장치는 HMD, 차량에 구비된 HUD(head-up display), 텔레비전, 스마트폰, 컴퓨터, 웨어러블 디바이스, 가전 장치, 디지털 사이니지(signage), 차량, 로봇 등과 같은 XR 장치일 수 있다. 이 경우, 장치는, 전원을 공급하며, 유/무선 충전 회로, 배터리 등을 포함하는 전원공급부, 외부로부터 제어 정보, 데이터 등을 획득하며, 생성된 XR 오브젝트를 출력하는 입출력부, 장치 또는 장치 주변의 상태 정보, 환경 정보, 사용자 정보를 센싱하는 센서부 중 적어도 하나를 더 포함할 수 있다.
예를 들어, 장치는 사용 목적이나 분야에 따라 산업용, 의료용, 가정용, 군사용 등으로 분류 가능한 로봇일 수 있다. 이 경우, 장치는 장치 또는 장치 주변의 상태 정보, 환경 정보, 사용자 정보를 센싱하는 센서부, 로봇 관절을 움직이는 등의 다양한 물리적 동작을 수행하는 구동부 중 적어도 하나를 더 포함할 수 있다.
예를 들어, 장치는 TV, 프로젝터, 스마트폰, PC, 노트북, 디지털방송용 단말기, 태블릿 PC, 웨어러블 장치, 셋톱박스(STB), 라디오, 세탁기, 냉장고, 디지털 사이니지, 로봇, 차량 등과 같은 AI 장치일 수 있다. 이 경우, 장치는 외부로부터 다양한 종류의 데이터를 획득하는 입력부, 시각, 청각 또는 촉각 등과 관련된 출력을 생성하는 출력부, 장치 또는 장치 주변의 상태 정보, 환경 정보, 사용자 정보를 센싱하는 센서부, 학습 데이터를 이용하여 인공 신경망으로 구성된 모델을 학습하는 훈련부(training unit) 중 적어도 하나를 더 포함할 수 있다.
도 2에 예시된 무선 장치의 구조는, RAN 노드(예: 기지국, DU, RU, RRH 등)의 일부로 이해될 수 있다. 즉, 도 2에 예시된 장치는 RAN 노드일 수 있다. 이 경우, 장치는 프론트 홀(front haul) 및/또는 백홀(back haul) 통신을 위한 유선 송수신기를 더 포함할 수 있다. 다만, 프론트 홀 및/또는 백홀 통신이 무선 통신에 기반하면, 도 2에 예시된 적어도 하나의 송수신기(206)가 프론트 홀 및/또는 백홀 통신을 위해 사용되고, 유선 송수신기는 포함되지 아니할 수 있다.
도 3은 본 개시에 적용되는 전송 신호를 처리하는 방법을 도시한다. 일 예로, 전송 신호는 신호 처리 회로에 의해 처리될 수 있다. 이때, 신호 처리 회로(300)는 스크램블러(310), 변조기(320), 레이어 매퍼(330), 프리코더(340), 자원 매퍼(350), 신호 생성기(360)를 포함할 수 있다. 이때, 일 예로, 도 3의 동작/기능은 도 2의 프로세서(202) 및/또는 송수신기(206)에서 수행될 수 있다. 또한, 일 예로, 도 3의 하드웨어 요소는 도 2의 프로세서(202) 및/또는 송수신기(206)에서 구현될 수 있다. 일 예로, 블록 310 내지 360은 도 2의 프로세서(202)에서 구현될 수 있다. 또한, 블록 310 내지 350은 도 2의 프로세서(202)에서 구현되고, 블록 360은 도 2의 송수신기(206)에서 구현될 수 있으며, 상술한 실시예로 한정되지 않는다.
코드워드는 도 3의 신호 처리 회로(300)를 거쳐 무선 신호로 변환될 수 있다. 여기서, 코드워드는 정보블록의 부호화된 비트 시퀀스이다. 정보블록은 전송블록(예: UL-SCH 전송블록, DL-SCH 전송블록)을 포함할 수 있다. 무선 신호는 다양한 물리 채널(예: PUSCH, PDSCH)을 통해 전송될 수 있다. 구체적으로, 코드워드는 스크램블러(310)에 의해 스크램블된 비트 시퀀스로 변환될 수 있다. 스크램블에 사용되는 스크램블 시퀀스는 초기화 값에 기반하여 생성되며, 초기화 값은 무선 장치의 ID 정보 등이 포함될 수 있다. 스크램블된 비트 시퀀스는 변조기(320)에 의해 변조 심볼 시퀀스로 변조될 수 있다. 변조 방식은 pi/2-BPSK(pi/2-binary phase shift keying), m-PSK(m-phase shift keying), m-QAM(m-quadrature amplitude modulation) 등을 포함할 수 있다.
복소 변조 심볼 시퀀스는 레이어 매퍼(330)에 의해 적어도 하나의 전송 레이어로 매핑될 수 있다. 각 전송 레이어의 변조 심볼들은 프리코더(340)에 의해 해당 안테나 포트(들)로 매핑될 수 있다. 프리코더(340)의 출력 z는 레이어 매퍼(330)의 출력 y를 NХM의 프리코딩 행렬 W와 곱함으로써 얻어질 수 있다. 여기서, N은 안테나 포트의 개수, M은 전송 레이어의 개수이다. 여기서, 프리코더(340)는 복소 변조 심볼들에 대한 트랜스폼(transform) 프리코딩(예: DFT(discrete fourier transform) 변환)을 수행한 이후에 프리코딩을 수행할 수 있다. 또한, 프리코더(340)는 트랜스폼 프리코딩을 수행하지 않고 프리코딩을 수행할 수 있다.
자원 매퍼(350)는 각 안테나 포트의 변조 심볼들을 시간-주파수 자원에 매핑할 수 있다. 시간-주파수 자원은 시간 도메인에서 복수의 심볼(예: CP-OFDMA 심볼, DFT-s-OFDMA 심볼)을 포함하고, 주파수 도메인에서 복수의 부반송파를 포함할 수 있다. 신호 생성기(360)는 매핑된 변조 심볼들로부터 무선 신호를 생성하며, 생성된 무선 신호는 각 안테나를 통해 다른 장치로 전송될 수 있다. 이를 위해, 신호 생성기(360)는 IFFT(inverse fast fourier transform) 모듈 및 CP(cyclic prefix) 삽입기, DAC(digital-to-analog converter), 주파수 상향 변환기(frequency uplink converter) 등을 포함할 수 있다.
무선 장치에서 수신 신호를 위한 신호 처리 과정은 도 3의 신호 처리 과정(310 내지 360)의 역으로 구성될 수 있다. 일 예로, 무선 장치(예: 도 2의 200)는 안테나 포트/송수신기를 통해 외부로부터 무선 신호를 수신할 수 있다. 수신된 무선 신호는 신호 복원기를 통해 베이스밴드 신호로 변환될 수 있다. 이를 위해, 신호 복원기는 주파수 하향 변환기(frequency downlink converter), ADC(analog-to-digital converter), CP 제거기, FFT(fast fourier transform) 모듈을 포함할 수 있다. 이후, 베이스밴드 신호는 자원 디-매퍼 과정, 포스트코딩(postcoding) 과정, 복조 과정 및 디-스크램블 과정을 거쳐 코드워드로 복원될 수 있다. 코드워드는 복호(decoding)를 거쳐 원래의 정보블록으로 복원될 수 있다. 따라서, 수신 신호를 위한 신호 처리 회로(미도시)는 신호 복원기, 자원 디-매퍼, 포스트코더, 복조기, 디-스크램블러 및 복호기를 포함할 수 있다.
도 4는 본 개시에 적용 가능한 단말 및 기지국 간 통신 절차를 도시한다. 도 4는 단말(410) 및 기지국(420)이 데이터를 송신 및/또는 수신하는 동작 및 이에 앞서 수행되는 동작들을 예시한다.
도 4를 참고하면, 401 단계에서, 단말(410) 및 기지국(420)은 동기화를 수행한다. 예를 들어, 단말(410)은 초기 셀 탐색(initial cell search) 동작을 수행한다. 구체적으로, 단말(410)은 기지국(420)에서 미리 정의된 규칙에 따라 송신되는 적어도 하나의 동기 신호를 검출할 수 있다. 여기서, 동기 신호는 구조 또는 용도에 따라 분류되는 복수의 동기 신호들(예: 프라이머리 동기 신호, 세컨더리 동기 신호)을 포함할 수 있다. 이를 통해, 단말(410)은 기지국(420)의 프레임, 서브프레임, 슬롯 및/또는 심볼의 경계(boundary)를 확인하고, 기지국(420)에 대한 정보(예: 셀 식별자)를 획득할 수 있다.
403 단계에서, 단말(410)은 기지국(420)에서 송신되는 시스템 정보를 획득한다. 시스템 정보는 기지국(420)에 접속하고, 서비스를 이용하기 위해 필요한 기지국(420)의 속성, 특성, 및/또는 능력에 관련된 정보로서, 내용(예: 접속을 위해 필수적으로 필요한지 여부), 송신 구조(예: 사용되는 채널, 요구에 따라(on-demand) 제공되는지 여부) 등에 따라 분류될 수 있으며, 예를 들어, MIB(master information block) 및 SIB(system information block)로 분류될 수 있다. 필요에 따라, 단말(410)은 시스템 정보를 수신하기에 앞서 시스템 정보를 요청하는 신호를 송신할 수 있다. 다만, 시스템 정보의 요청 및 제공은 후술되는 랜덤 액세스(random access) 절차 이후에 수행될 수 있다.
405 단계에서, 단말(410) 및 기지국(420)은 랜덤 액세스 절차를 수행한다. 단말(410)은 시스템 정보를 통해 획득된 기지국(420)의 랜덤 액세스 채널에 관련된 정보(예: 채널 위치, 채널 구조, 지원되는 프리앰블의 구조 등)에 기반하여 랜덤 액세스 절차를 위한 적어도 하나의 메시지(예: 랜덤 액세스 프리앰블, RAR(random access response) 메시지 등)을 송신 및/또는 수신할 수 있다. 예를 들어, 단말(410)은 랜덤 액세스 채널을 통해 프리앰블(예: MSG1)을 송신하고, RAR 메시지(예: MSG2)를 수신하고, RAR 메시지에 포함되는 스케줄링 정보를 이용하여 단말(410)에 관련된 정보(예: 식별 정보)를 포함하는 메시지(예: MSG3)를 기지국(420)에게 송신하고, 경쟁 해소(contention resolution) 및/또는 연결 설정을 위한 메시지(예: MSG4)를 수신할 수 있다. 다른 예로, MSG1 및 MSG3이 하나의 메시지로서, 또는 MSG2 및 MSG4가 하나의 메시지로서 송신 및 수신될 수 있다.
407 단계에서, 단말(410) 및 기지국(420)은 제어 정보의 시그널링을 수행한다. 여기서, 제어 정보는 제어 정보는 연결을 제어하는 계층(예: RRC(radio resource control) 계층), 논리 채널 및 전송 채널 간 매핑을 처리하는 계층(예: MAC(media access control) 계층), 물리 채널을 처리하는 계층(예: PHY(physical) 계층) 등 다양한 계층들에서 정의될 수 있다. 예를 들어, 단말(410) 및 기지국(420)은 연결을 수립하기 위한 시그널링, 통신과 관련된 설정을 결정하기 위한 시그널링, 할당된 자원을 지시하기 위한 시그널링 중 적어도 하나를 수행할 수 있다.
409 단계에서, 단말(410) 및 기지국(420)은 데이터를 송신 및/또는 수신한다. 다시 말해, 단말(410) 및 기지국(420)은 제어 정보의 시그널링에 기반하여 데이터를 처리하고, 송신 및/또는 수신할 수 있다. 예를 들어, 데이터를 송신하는 경우, 단말(410) 또는 기지국(420)은 정보 비트들에 대하여 채널 인코딩, 레이트 매칭(rate matching), 스크램블링, 성상도 맵핑, 레이어 맵핑, 파형(waveform) 변조, 안테나 맵핑, 자원 맵핑 중 적어도 하나를 수행할 수 있다. 반대로, 데이터를 수신하는 경우, 단말(410) 또는 기지국(420)은 자원에서 신호 추출, 안테나 별 파형 복조, 레이어 맵핑을 고려한 신호 배치, 성상도 디매핑, 디스크램블링, 채널 디코딩 중 적어도 하나를 수행할 수 있다.
6G 통신 시스템 및 6G 시스템의 핵심 구현 기술
5G 시스템은 410MHz 내지 7125MHz를 포함하는 FR1(frequency range 1) 및 24,250MHz 내지 71,000MHz를 포함하는 FR2(frequency range 2) 내에서 다양한 동작 대역들을 정의한다. 이후의 6G 시스템의 동작 대역들로서 다양한 주파수들이 논의되고 있는데, 더 넓은 대역폭 및 더 높은 전송 속도를 위해 5G 시스템보다 높은 주파수의 사용도 고려되고 있다. 그중 하나로서, 약 100GHz 내지 10THz를 포함하며 THz(Terahertz) 주파수 대역의 사용이 논의되고 있다. THz 주파수 대역은 전파의 투과성 및 광파의 직진성을 모두 가진 대역이며, THz 주파수 대역을 이용한 통신은 기존의 전파 중심의 통신에서 광파 기반의 통신으로의 과도기적 역할을 수행할 것으로 기대되기도 한다.
이와 같이 THz 주파수 대역을 활용하는 6G 시스템은 ⅰ)디바이스 당 매우 높은 데이터 속도, ⅱ)매우 많은 수의 연결된 디바이스들, ⅲ)글로벌 연결성(global connectivity), ⅳ)매우 낮은 지연, ⅴ)배터리-프리(battery-free) IoT 디바이스들의 에너지 소비를 낮추고, ⅵ)초고신뢰성 연결, ⅶ)머신 러닝 능력을 가지는 연결된 지능 등에 목적이 있다. 6G 시스템의 비젼은 "intelligent connectivity", "deep connectivity", "holographic connectivity", "ubiquitous connectivity"와 같은 4가지 측면일 수 있으며, 6G 시스템은 하기 [표 1]과 같은 요구 사항을 만족시키도록 설계될 수 있다.
Per device peak data rate 1 Tbps
E2E latency 1 ms
Maximum spectral efficiency 100 bps/Hz
Mobility support up to 1000 km/hr
Satellite integration Fully
AI Fully
Autonomous vehicle Fully
XR Fully
Haptic Communication Fully
이때, 6G 시스템은 향상된 모바일 브로드밴드(enhanced mobile broadband, eMBB), 초-저지연 통신(ultra-reliable low latency communications, URLLC), mMTC (massive machine type communications), AI 통합 통신(AI integrated communication), 촉각 인터넷(tactile internet), 높은 스루풋(high throughput), 높은 네트워크 능력(high network capacity), 높은 에너지 효율(high energy efficiency), 낮은 백홀 및 접근 네트워크 혼잡(low backhaul and access network congestion) 및 향상된 데이터 보안(enhanced data security)과 같은 핵심 요소(key factor)들을 가질 수 있다.도 5는 본 개시에 적용 가능한 6G 시스템에서 제공 가능한 통신 구조의 일례를 도시한다. 도 5를 참고하면, 6G 시스템은 5G 무선통신 시스템보다 50배 더 높은 동시 무선통신 연결성을 가질 것으로 예상된다. 5G의 핵심 요소(key feature)인 URLLC는 6G 통신에서 1ms보다 적은 단-대-단(end-to-end) 지연을 제공함으로써 보다 더 주요한 기술이 될 것으로 예상된다. 이때, 6G 시스템은 자주 사용되는 영역 스펙트럼 효율과 달리 체적 스펙트럼 효율이 훨씬 우수할 것이다. 6G 시스템은 매우 긴 배터리 수명과 에너지 수확을 위한 고급 배터리 기술을 제공할 수 있어, 6G 시스템에서 모바일 디바이스들은 별도로 충전될 필요가 없을 수 있다.
6G 시스템의 핵심 구현 기술로서, 인공 지능(artificial Intelligence, AI), THz(Terahertz) 통신, 광 무선 기술(optical wireless technology), FSO 백홀 네트워크, 대규모 MIMO 기술, 블록 체인, 3D 네트워킹, 양자 커뮤니케이션, 무인 항공기, 셀-프리 통신(cell-free communication), 무선 정보 및 에너지 전송(wireless information and energy transfer, WIET), 센싱과 커뮤니케이션의 통합, 액세스 백홀 네트워크의 통합, 홀로그램 빔포밍, 빅 데이터 분석, LIS(large intelligent surface) 등의 기술들이 채택될 수 있다.
예를 들어, THz 통신은, 도 6과 같은 0.03mm-3mm 범위의 해당 파장을 가진 0.1THz 및 10THz 사이의 주파수 대역의 스펙트럼을 이용하는 통신으로서, 도 7과 같은 구조의 회로 소자들을 이용하여 구현될 수 있다. 또한, 광 무선 기술은 광소자를 이용하여 THz 신호를 발생 및 변조하는 기술로서, 도 8, 도 9, 도 10, 도 11과 같은 구조의 장치에 기반하여 구현될 수 있다.
또한, AI는 신경망, 기계학습(machine model) 등 다양한 모델에 기반하여 구현될 수 있다. 예를 들어, 신경망 구조의 AI 모델은 도 12와 같은 퍼셉트론의 구조에 기반할 수 있다. 도 12를 참고하면, 인공 신경망은 여러 개의 퍼셉트론들로 구성될 수 있다. 퍼셉트론의 구조에 따라, 입력 벡터 x={x1, x2, …, xd}가 입력되면, 각 성분에 가중치 {W1, W2, …, Wd}가 곱해지고, 그 결과가 모두 합산된 후, 활성함수 σ(·)가 적용된다. 거대한 인공 신경망 구조는 도 12에 도시한 단순화된 퍼셉트론 구조를 확장하면, 입력벡터는 서로 다른 다 차원의 퍼셉트론에 적용될 수 있다. 퍼셉트론들이 적층되면, 도 13과 같은 입력층, 은닉층, 출력층을 가지는 신경망이 구성될 수 있다.
전술한 바와 같은 신경망의 구조를 활용하는 AI 기술은 이하 도 14와 같은 기능적 프레임워크(functional framework)에 기반하여 운용될 수 있다. 도 14는 본 개시에 적용 가능한 AI 기술의 적용을 위한 기능적 프레임워크의 예를 도시한다. 먼저, 데이터 수집 블록(1410)은 객체들(예: UE, RAN 노드, 네트워크 노드 등)로부터 수집된 입력 데이터에 대하여 데이터 준비(data preparation)를 수행함으로써 가공된 입력 데이터를 포함하는 훈련 데이터(1411) 및/또는 추론 데이터(1411)를 생성한다. 모델 훈련 블록(1420)은 훈련 데이터(1411)를 이용하여 AI 모델에 대한 훈련을 수행하며, 모델 추론 블록(1430)에게 훈련된 모델에 대한 정보를 제공한다. 모델 추론 블록(1430)은 추론 데이터(1411)를 이용하여 추론 및/또는 예측을 수행함으로써 출력 (1416)을 생성한다. 또한, 모델 추론 블록(1430)은 모델 훈련 블록(1420)에게 모델 성능 피드백(1414)을 제공할 수 있다. 여기서, 출력(1416)은 모델 추론 블록(1430)에 의해 생성된 AI 모델의 추론 출력을 의미하며, 추론 출력의 세부 정보는 사용 사례에 따라 다를 수 있다. 액터(actor) 블록(1440)은 출력(1416)에 기반하여 지정된 작업/동작을 트리거 또는 수행한다. 액터 블록(1440)은 다른 객체 (예: 적어도 하나의 UE, 적어도 하나의 RAN 노드, 적어도 하나의 네트워크 노드 등) 또는 자신에 대한 작업/동작을 트리거할 수 있다. 전술한 도 14에 예시된 기능들 중 어느 하나의 기능을 RAN, 네트워크 노드, 네트워크 사업자의 OAM 또는 UE 중 2개 이상의 개체가 협력(collaboration)하여 수행할 수도 있다. 이는 분할 AI 동작(split AI operation)으로 지칭될 수 있다.
도 15는 본 개시에 적용 가능한 AI 모델을 활용하기 위한 절차의 예를 도시한다. 도 15는 모델 훈련 기능(예: 모델 훈련 블록(1420)의 기능)이 네트워크 노드에, 모델 추론 기능(예: 모델 추론 블록(1430)의 기능)이 RAN 노드에 포함되는 경우를 예시한다. 도 15를 참고하면, 단계 1에서, RAN 노드 1 및 RAN 노드 2는 AI 모델에 대한 훈련을 위한 입력 데이터(예: 훈련 데이터)를 네트워크 노드에게 송신한다. 여기서, RAN 노드 1 및 RAN 노드 2는 UE로부터 수집한 데이터(예: 서빙 셀과 이웃 셀의 RSRP, RSRQ, SINR과 관련된 UE의 측정, UE의 위치, 속도 등)를 함께 네트워크 노드에게 송신할 수 있다. 단계 2에서, 네트워크 노드는 수신한 훈련 데이터를 이용하여 AI 모델을 훈련한다. 단계 3에서, 네트워크 노드는 RAN 노드 1 및/또는 RAN 노드 2에게 AI 모델을 배포/업데이트한다. RAN 노드 1 및/또는 RAN 노드 2는 수신된 AI 모델에 기반하여 모델 훈련을 계속 수행할 수도 있다. 본 절차에서, RAN 노드 1에게만 AI 모델이 배포/업데이트됨이 가정된다. 단계 4에서, RAN 노드 1은 UE와 RAN 노드 2로부터 AI 모델 추론을 위한 입력 데이터(예: 추론 데이터)를 수신한다. 단계 5에서, RAN 노드 1은 수신된 추론 데이터를 이용하여 AI 모델 기반의 추론을 수행함으로써 출력 데이터(예: 예측 또는 결정)을 생성한다. 단계 6에서, 적용가능한 경우, RAN 노드 1은 네트워크 노드에게 모델 성능 피드백을 송신할 수 있다. 단계 7에서, RAN 노드 1, RAN 노드 2 및 UE(또는 'RAN 노드 1과 UE', 또는 'RAN 노드 1 및 RAN 노드 2')는 출력 데이터에 기반한 동작(action)을 수행한다. 예를 들어, 로드 밸런싱(load balancing) 동작의 경우, UE가 RAN 노드 1에서 RAN 노드 2로 이동할 수도 있다. 단계 8에서, RAN 노드 1 및 RAN 노드 2는 네트워크 노드에게 피드백 정보를 송신한다.
도 16은 본 개시에 적용 가능한 AI 모델을 활용하기 위한 절차의 다른 예를 도시한다. 도 16은 모델 훈련 기능(예: 모델 훈련 블록(1420)의 기능) 및 모델 추론 기능(예: 모델 추론 블록(1430)의 기능)이 RAN 노드에 포함되는 경우를 예시한다. 도 16을 참고하면, 단계 1에서, UE와 RAN 노드 2는 AI 모델에 대한 훈련을 위한 입력 데이터(예: 훈련 데이터)를 RAN 노드 1에게 송신한다. 단계 2에서, RAN 노드 1은 수신된 훈련 데이터를 이용하여 AI 모델을 훈련한다. 단계 3에서, RAN 노드 1은 UE와 RAN 노드 2로부터 AI 모델 기반의 추론을 위한 입력 데이터(예: 추론 데이터)를 수신한다. 단계 4에서, RAN 노드 1은 수신된 추론 데이터를 이용하여 AI 모델 기반의 추론을 수행함으로써 출력 데이터(예: 예측 또는 결정)을 생성한다. 단계 5에서, RAN 노드 1, RAN 노드 2 및 UE(또는 'RAN 노드 1과 UE', 또는 'RAN 노드 1 및 RAN 노드 2')는 출력 데이터에 기반한 동작을 수행한다. 예를 들어, 로드 밸런싱 동작인 경우, UE가 RAN 노드 1에서 RAN 노드 2로 이동할 수도 있다. 단계 6에서, RAN 노드 2는 RAN 노드 1에게 피드백 정보를 송신한다.
도 17은 본 개시에 적용 가능한 AI 모델을 활용하기 위한 절차의 또 다른 예를 도시한다. 도 17는 모델 훈련 기능(예: 모델 훈련 블록(1420)의 기능)이 RAN 노드에, 모델 추론 기능(예: 모델 추론 블록(1430)의 기능)이 UE에 포함되는 경우를 예시한다. 도 17을 참고하면, 단계 1에서, UE는 AI 모델에 대한 훈련을 위한 입력 데이터(예: 훈련 데이터)를 RAN 노드에게 송신한다. 여기서, RAN 노드는 다양한 UE들로부터 및/또는 다른 RAN 노드로부터 데이터를 수집할 수 있다. 단계 2에서, RAN 노드는 수신된 훈련 데이터를 이용하여 AI 모델을 훈련한다. 단계 3에서, RAN 노드는 AI 모델을 UE에게 배포/업데이트한다. UE는 수신된 AI 모델에 기반하여 모델 훈련을 계속 수행할 수도 있다. 단계 4에서, UE와 RAN 노드 및/또는 다른 UE로부터 AI 모델 기반의 추론을 위한 입력 데이터(예: 추론 데이터)를 수신한다. 단계 5에서, UE는 수신된 추론 데이터를 이용하여 AI 모델 기반의 추론을 수행함으로써 출력 데이터(예: 예측 또는 결정)를 생성한다. 단계 6에서, 적용가능한 경우, UE는 RAN 노드에게 모델 성능 피드백을 송신할 수 있다. 단계 7에서, UE와 RAN 노드는 출력 데이터에 기반한 동작을 수행한다. 단계 8에서, UE는 RAN 노드에게 피드백 정보를 송신한다.
전술한 프레임워크 및 절차에 따라, 무선 통신 시스템에서, AI 모델이 훈련되고, 활용될 수 있다. 전술한 프레임워크 및 절차에서, 입력 데이터, 훈련 데이터, 추론 데이터 등 다양한 데이터가 소개되었으며, 전술한 데이터의 구체적인 내용은 AI 모델이 활용되는 태스크(task)에 따라 달라질 수 있다. 예를 들어, 후술되는 본 개시의 다양한 실시예들에서 사용되는 정보가 전술한 데이터에 포함될 수 있다.
도 18은 본 개시에 적용 가능한 AI 기술 기반의 통신 절차를 도시한다. 도 18에 예시된 세부 절차들은 후술되는 본 개시의 다양한 실시예들과 결합될 수 있다. 예를 들어, 본 개시의 다양한 실시예들에 따라 생성되는 데이터가 도 18에 예시된 세부 절차들 중 적어도 하나에서의 동작(예: 설정, 훈련, 추론 및/또는 데이터 송수신)을 위해 사용될 수 있다. 다른 예로, 본 개시의 다양한 실시예들에 따라 데이터를 송신 및/또는 수신하기 위해 도 18에 예시된 추론의 결과가 사용될 수 있다.
도 18을 참고하면, 1801 단계에서, UE(1810), RAN 노드(1820), 네트워크 노드(1830) 중 적어도 하나는 초기 접속 절차를 수행한다. 예를 들어, 본 단계에서, 초기 셀 탐색 동작, 시스템 정보 획득 동작, 랜덤 액세스 동작, 등록 동작 중 적어도 하나가 수행될 수 있다. 1803 단계에서, UE(1810), RAN 노드(1820), 네트워크 노드(1830) 중 적어도 하나는 설정(configuration) 절차를 수행한다. 설정 절차를 통해, UE(1810) 및 RAN 노드(1820) 간 계층들 및/또는 UE(1810) 및 네트워크 노드(1830) 간 적어도 하나의 계층에서 이후의 절차들을 수행하기 위해 필요한 파라미터, 자원, 연결 및/또는 엔티티가 결정 및/또는 생성될 수 있다. 이때, 설정 절차는 이후 훈련 및 추론을 위해 사용되는 AI 모델에 대한 정보, 상태 및/또는 특성에 기반하여 수행될 수 있다.
1805 단계에서, UE(1810), RAN 노드(1820), 네트워크 노드(1830) 중 적어도 하나는 모델 훈련 절차를 수행한다. UE(1810), RAN 노드(1820), 네트워크 노드(1830) 중 적어도 하나는 훈련 데이터를 수집하고, 훈련 데이터를 이용하여 학습을 수행할 수 있다. 예를 들어, 모델 훈련 절차는 도 15, 도 16 또는 도 17을 참고하여 설명된 바와 같이 수행될 수 있다. 만일, 오프라인에서 훈련된 모델이 사용되는 경우, 본 단계는 생략될 수 있다.
1807 단계에서, UE(1810), RAN 노드(1820), 네트워크 노드(1830) 중 적어도 하나는 훈련된 모델을 이용하여 태스크를 수행한다. 즉, 훈련된 모델을 이용한 추론 및/또는 예측의 결과에 의해 태스크가 수행될 수 있다. 예를 들어, 태스크는 통신 프로토콜에 속하는 절차로서, 이후의 데이터 송신 및/또는 수신을 위한 사전적 동작이거나, 데이터 송신 및/또는 수신에 관련되거나, 또는 데이터의 처리(예: 인코딩, 디코딩 등)에 관련될 수 있다.
1809 단계에서, UE(1810), RAN 노드(1820), 네트워크 노드(1830) 중 적어도 하나는 데이터를 송신 및/또는 수신한다. 이때, 1807 단계에서 수행된 태스크의 결과가 사용될 수 있다. 경우에 따라, 1807 단계에서 수행된 태스크가 데이터의 송신 및/또는 수신을 포함할 수 있으며, 이 경우, 본 단계는 1807 단계의 일무이므로 생략될 수 있다.
본 발명의 구체적인 실시예
본 개시는 시맨틱 통신을 지원하는 무선 통신 시스템에서 시맨틱 피처(semantic feature)를 송신 및 수신하는 기술에 관한 것이다. 구체적으로, 본 개시는 무선 통신 시스템에서 목적지에 대한 소스의 배경 지식과 목적지의 배경 지식을 동기화하고, 동기화된 배경 지식에 기반하여 시맨틱 통신을 수행하는 기술에 관한 것이다. 여기서, 시맨틱 피처는 시맨틱 표현(semantic representation)으로 지칭될 수 있다. 또한, 배경 지식은 시맨틱 통신을 위한 시맨틱 표현을 생성 및 해석하기 위해 필요한 데이터 세트들을 의미한다. 본 개시에서 채택 가능한 배경 지식은 다양한 형태로 정의될 수 있으며, 일 예로, 노드들 간의 관계(relation)를 나타내는 그래프 형태의 적어도 하나의 데이터 세트로 정의될 수 있다.
통신에 관련된 문제는 샤논(shannon)과 위버(weaver)의 철학에 따라 도 19에 도시된 바와 같은 3개의 레벨로 구분될 수 있다. 도 19는 본 개시에 적용 가능한 통신 모델을 도시한다. 레벨 A(1910)의 문제는 통신에서의 심볼들이 얼마나 정확하게 전달될 수 있는가에 관련된 기술적(technical) 문제이고, 레벨 B(1920)의 문제는 전달된 심볼들이 얼마나 정확하게 원하는 의미를 전달하는가에 관련된 시맨틱(semantic) 문제이다. 레벨 C(1930)의 문제는 수신된 의미가 원하는 방식대로 동작에 얼마나 효과적으로 영향을 미치는가에 관련된 유효성(effectiveness) 문제이다.
샤논의 정보 이론은 레벨 A(1910)의 기술적 문제에만 초점을 맞추고 시맨틱 관점에서의 통신은 고려하지 아니한다. 그러나, 위버는 샤논의 통신 모델에 시맨틱 송신기, 시맨틱 수신기, 및 시맨틱 잡음 등을 추가하는 경우, 샤논의 정보 이론이 레벨 B(1920) 및 레벨 C(1930)의 문제를 고려할 수 있을 정도로 충분이 일반적이라고 설명한다.
한편, 6G 통신의 다양한 목표들 중 하나는 사람과 기계를 상호 연결하는 다양한 새로운 서비스를 가능하게 하는 것이다. 따라서, 통신 시스템에서 레벨 A(1910)의 기술적 문제만을 고려하는 것에서 나아가 레벨 B(1920)의 시맨틱 문제가 고려된 시맨틱 통신 방식이 제공될 필요가 있다.
일반적으로, 사람들 간의 정보를 교환하는 의사소통 시, 각 단어의 정보는 해당되는 "의미(meaning)"와 관련이 있다. 이를 도 19의 통신 모델과 연관지어 살펴보면, 소스(source)에서 보내는 메시지에 관련된 개념(concept)이 목적지(destination)에서 정확하게 해석되는 경우, 올바른 시맨틱 통신이 수행되었다고 볼 수 있다.
시맨틱 통신을 위해, 소스는 주어진 또는 수집된 로우 데이터(raw data)를 기반으로 시맨틱 피처를 생성하고, 생성된 시맨틱 피처를 목적지로 전달할 수 있다. 목적지는 수신된 시맨틱 피처를 소스의 의도에 맞게 해석 및 추론(reasoning)한다. 이때, 시맨틱 통신은, 목적지가 수신된 시맨틱 표현을 원래의 로우 데이터(raw data)로 복원하는 과정에서 발생하는 복원 오류(reconstruction error)을 줄이는 기존의 목적이 아니라, 목적지에서 수행하는 태스크(task)인 다운스트림 태스크(downstream task)가 수신된 시맨틱 피처를 이용하여 소스의 의도에 따라 동작되는지의 관점, 즉, 시맨틱 피처에 대한 해석 및/또는 추론이 잘 되어었는지에 대한 관점에서의 접근을 요구한다. 따라서, 목적지는 추론 동작을 수행함에 있어서 목적지가 보유한 배경 지식을 이용하며, 올바른 해석 결과를 얻을 수 있도록 소스에서 전달한 데이터에 포함된 배경 지식이 목적지의 배경 지식에 반영되는 것이 바람직하다.
전술한 바와 같이, 소스에서 생성되고 목적지로 전달되는 시맨틱 피처는 목적지에서 동작할 다운스트림 태스크를 고려하여 생성되어야 한다. 따라서, 시맨틱 통신을 위해 태스크-지향적 통신 시스템(task-oriented semantic communication system)이 제공될 필요가 있다. 이는, 다운스트림 태스크에 유용한 불변성(invariance)를 도입하면서, 태스크-관련(task-relevant) 정보를 보존할 수 있도록 하기 위함이다.
도 19의 레벨 B의 시맨틱 통신의 특징은 도 20과 같이 표현될 수 있다. 도 20은 본 개시에 적용 가능한 시맨틱 통신 프레임워크의 예를 도시한다. 도 20을 참고하면, 소스(2020)에서 목적지(2010)로 전달되는 메시지 x에 대해, 아래와 같은 정의가 적용될 수 있다.
월드 모델(world model)
Figure PCTKR2023018847-appb-img-000001
의 샤논 엔트로피(shannon entropy) H(W)는 아래 [수학식 1]과 같이 표현된다.
Figure PCTKR2023018847-appb-img-000002
[수학식 1]에서,
Figure PCTKR2023018847-appb-img-000003
는 월드 모델
Figure PCTKR2023018847-appb-img-000004
에 대한 샤논 엔트로피로서, 시맨틱 소스의 모델 엔트로피(model entropy)로 지칭될 수 있다. 또한,
Figure PCTKR2023018847-appb-img-000005
는 해당 모델에 대한 확률 분포를 의미한다.
월드 모델
Figure PCTKR2023018847-appb-img-000006
를 확률 분포가
Figure PCTKR2023018847-appb-img-000007
인 해석 집합(set of interpretation)이라고 하고,
Figure PCTKR2023018847-appb-img-000008
는 해당 모델에 대한 확률 분포라 하고,
Figure PCTKR2023018847-appb-img-000009
를 x가 "참(true)"인 해당 모델
Figure PCTKR2023018847-appb-img-000010
에 대한 집합(set of its models)이라고 할 때, 메시지
Figure PCTKR2023018847-appb-img-000011
의 논리적 확률(logical probability)
Figure PCTKR2023018847-appb-img-000012
는 수학식 2와 같이 표현된다.
Figure PCTKR2023018847-appb-img-000013
[수학식 2]에서,
Figure PCTKR2023018847-appb-img-000014
는 메시지
Figure PCTKR2023018847-appb-img-000015
의 논리적 확률이고,
Figure PCTKR2023018847-appb-img-000016
는 월드 모델,
Figure PCTKR2023018847-appb-img-000017
는
Figure PCTKR2023018847-appb-img-000018
가 "참"인 해당 모델
Figure PCTKR2023018847-appb-img-000019
에 대한 집합이고,
Figure PCTKR2023018847-appb-img-000020
는 해당 모델에 대한 확률 분포를 의미한다. 여기서,
Figure PCTKR2023018847-appb-img-000021
는 일반적인 명제 만족도 관계(propositional satisfaction relation)을 의미한다.
Figure PCTKR2023018847-appb-img-000022
는 '수반하다'. '모델이다'라고도 하며, 이는 의미론적으로 "다음 결과를 수반한다", 또는 "더 강한 조건이다"임을 의미한다. 즉,
Figure PCTKR2023018847-appb-img-000023
는 의미론적 관점에서 연관성을 드러낸다.
메시지
Figure PCTKR2023018847-appb-img-000024
의 시맨틱 엔트로피
Figure PCTKR2023018847-appb-img-000025
는 [수학식 3]과 같이 정의된다.
Figure PCTKR2023018847-appb-img-000026
[수학식 3]에서,
Figure PCTKR2023018847-appb-img-000027
는 메시지
Figure PCTKR2023018847-appb-img-000028
의 시맨틱 엔트로피이고,
Figure PCTKR2023018847-appb-img-000029
는 메시지
Figure PCTKR2023018847-appb-img-000030
의 논리적 확률이다.
이때, 배경 지식 K를 고려하는 경우, [수학식 2] 및 [수학식 3]의 가능한 월드 집합(set of possible worlds)은
Figure PCTKR2023018847-appb-img-000031
와 호환되는 세트(set)로 제한된다. 따라서, [수학식 2] 및 [수학식 3]의 가능한 월드 집합은 [수학식 4] 및 [수학식 5]과 같은 조건부 논리적 확률로 표현된다.
Figure PCTKR2023018847-appb-img-000032
[수학식 4]에서,
Figure PCTKR2023018847-appb-img-000033
는 배경 지식이
Figure PCTKR2023018847-appb-img-000034
인 경우의 메시지
Figure PCTKR2023018847-appb-img-000035
의 조건부 논리적 확률을 의미하고,
Figure PCTKR2023018847-appb-img-000036
는 월드 모델,
Figure PCTKR2023018847-appb-img-000037
는
Figure PCTKR2023018847-appb-img-000038
가 "참"인 해당 모델
Figure PCTKR2023018847-appb-img-000039
에 대한 집합이고,
Figure PCTKR2023018847-appb-img-000040
는 해당 모델에 대한 확률 분포를 의미한다. 여기서,
Figure PCTKR2023018847-appb-img-000041
는 일반적인 명제 만족도 관계를 의미한다.
Figure PCTKR2023018847-appb-img-000042
[수학식 5]에서,
Figure PCTKR2023018847-appb-img-000043
는 배경 지식이 K인 경우의 메시지
Figure PCTKR2023018847-appb-img-000044
의 시맨틱 엔트로피이고,
Figure PCTKR2023018847-appb-img-000045
는 배경 지식이
Figure PCTKR2023018847-appb-img-000046
인 경우의 메시지
Figure PCTKR2023018847-appb-img-000047
의 조건부 논리적 확률을 의미한다.
예를 들어, 통계적 확률(statistical probabilities)이 p이고, 배경 지식이 K인 진리표(truth table)가 아래의 [표 2]과 같이 주어진 경우를 가정한다.
[표 2]는 p(A)=p(B)=0.5 및 K={A→B}인 진리표이다.
# A B A→B probability
1 0 0 1 0.25
2 0 1 1 0.25
3 1 0 0 0.25
4 1 1 1 0.25
이때, 가능한 월드는 A → B가 참(True)인 일련의 진리 할당문(truth assignment)으로 축소된다. 즉, 가능한 월드는 A → B가 참인 Case 1, Case 2, 및 Case 4로 축소될 수 있다.
따라서, 조건부 논리적 확률은 [수학식 6], [수학식 7], 및 [수학식 8]과 같이 표현될 수 있다.
Figure PCTKR2023018847-appb-img-000048
Figure PCTKR2023018847-appb-img-000049
Figure PCTKR2023018847-appb-img-000050
여기서, 배경 지식
Figure PCTKR2023018847-appb-img-000051
가 존재하므로, 조건부 논리적 확률은 사전 통계적 확률(priori statistical probabilities)와 다르며, 새로운 분포에서 A와 B는 더이상 논리적으로 독립하지(logically independent) 아니한다. 즉,
Figure PCTKR2023018847-appb-img-000052
이다.
배경 지식 K가 존재할 때, 모델 세트에 대한 새로운 분포는 [수학식 9] 및 [수학식 10]과 같이 표현될 수 있다.
Figure PCTKR2023018847-appb-img-000053
[수학식 9]에서,
Figure PCTKR2023018847-appb-img-000054
는 모델 세트의 새로운 분포이고,
Figure PCTKR2023018847-appb-img-000055
는 해당 모델에 대한 확률 분포이다. 또한,
Figure PCTKR2023018847-appb-img-000056
는 일반적인 명제 만족도 관계를 의미한다.
Figure PCTKR2023018847-appb-img-000057
[수학식 10]에서,
Figure PCTKR2023018847-appb-img-000058
는 배경 지식이
Figure PCTKR2023018847-appb-img-000059
인 경우에 월드 모델
Figure PCTKR2023018847-appb-img-000060
의 모델 엔트로피이고,
Figure PCTKR2023018847-appb-img-000061
는 해당 모델에 대한 새로운 분포이다.
배경 지식을 고려하지 아니하는 경우에 소스의 모델 엔트로피는 [수학식 11]과 같이 표현되고, 배경 지식을 고려한 경우에 소스의 모델 엔트로피는 [수학식 12]와 같이 표현된다.
Figure PCTKR2023018847-appb-img-000062
[수학식 11]에서,
Figure PCTKR2023018847-appb-img-000063
는 배경 지식을 고려하지 아니한 경우의 월드 모델
Figure PCTKR2023018847-appb-img-000064
에 대한 모델 엔트로피이다.
Figure PCTKR2023018847-appb-img-000065
[수학식 12]에서, H(W|K)는 배경 지식이 K인 경우의 월드 모델 W에 대한 모델 엔트로피이다.
[수학식 11] 및 [수학식 12]에 나타낸 바와 같이, 공유된 배경 지식은 소스에서 전달하고자 하는 메시지의 압축 시에 정보를 잃지 아니하게 돕고, 짧은 메시지의 송수신만으로 목적지에서 소스의 정보를 최대한으로 얻을 수 있도록 함을 보여준다. 이와 같이, 시맨틱 레벨(semantic level)에서의 통신은 배경 지식을 고려하기 때문에, 기존의 기술 레벨(technical level)과 관련하여 성능 향상을 제공할 수 있다. 즉, 전술한 바와 같이 소스에서 목적지의 다운스트림 태스크를 고려하여 시맨틱 피처를 생성 및 전달할 때, 배경 지식을 활용하는 것은 시맨틱 통신을 수행하는 목적과 일치한다고 볼 수 있다.
전술한 구성요소들을 모두 포함하는 시맨틱 통신을 수행하기 위해, 시맨틱 데이터 및 메시지에 대한 전반적인 동작을 관장하는 시맨틱 계층(semantic layer)이라는 새로운 계층이 추가될 수 있다. 시맨틱 계층은 태스크-지향적(task-oriented) 시맨틱 통신 시스템 구축 시에 소스 및 목적지 각각에 포함될 수 있다. 소스 및 목적지의 시맨틱 계층들 간의 통신을 위해, 계층들 간의 규약인 프로토콜 및 일련의 동작 과정에 대한 정의가 필요하다.
즉, 새롭게 정의될 시맨틱 계층의 시맨틱 통신에서 정확한 표현(representation) 및 추론(reasoning)을 수행하기 위해, 소스 및 목적지의 배경 지식 정보에 대한 합의 과정이 요구된다. 특히, 소스가 목적지의 배경 지식에 관련된 정보를 보유하고 있는 상황에서, 시맨틱 통신을 수행하기 위해서는 배경 지식에 대한 미세 조정(fine tuning) 과정이 필요하다. 따라서, 본 개시는 소스 및 목적지 사이의 배경 지식에 대한 동기화 방안을 제안한다.
도 21은 본 개시의 일 실시예에 따른 시맨틱 통신을 위한 배경 지식에 대한 동기화의 과정의 예를 도시한다. 도 21을 참고하면, 소스(2120)와 목적지(2110) 각각은 배경 지식을 보유한다. 소스(2120)는 규모가 큰 배경 지식을 보유할 수 있고, 목적지(2110)는 규모가 작은 배경 지식을 보유할 수 있다. 특히, 목적지(2110)의 배경 지식은 소스(2120)의 배경 지식의 일부분에 해당할 수 있다.
소스(2120)와 목적지(2110)는 시맨틱 통신에 사용될 배경 지식을 동기화할 수 있다. 구체적으로, 스텝 1(step 1)(2101)과 같이, 소스(2120)는 목적지(2110)로부터 획득되는 정보를 기반으로 목적지(2110)의 배경 지식에 대한 정보를 추정할 수 있다. 즉, 소스(2120)는 소스(2120)가 보유하고 있는 배경 지식 중 어느 부분이 목적지(2110)의 배경 지식과 가장 유사한지 파악할 수 있다. 그러나, 소스(2120)의 배경 지식 중 목적지(2110)의 배경 지식과 가장 유사한 것으로 파악된 부분은 실제 목적지(2110)의 배경 지식과 동일하지 아니할 수 있다. 따라서, 스텝 2(step 2)와 같이, 소스(2120)는 목적지(2110)로부터 획득되는 추가적인 정보를 이용하여 목적지(2110)의 배경 지식에 대한 미세 조정(fine tuning)을 수행할 수 있다. 즉, 소스(2120)는 시맨틱 통신의 성능을 향상시키기 위해, 목적지(2110)의 배경 지식에 대한 정보를 보다 정확하게 파악하는 절차를 수행할 수 있다.
전술한 바와 같이, 본 개시는 소스와 목적지 사이의 배경 지식에 대한 동기화 방안을 제안하며, 구체적으로, 소스에서 목적지의 배경 지식에 대한 정보를 미세 조정하기 위한 방안을 제안한다. 이를 위해, 본 개시의 실시예에 따른 소스는 다중 피처 전송(multiple feature transmission) 기반의 시맨틱 다이버시티 기법(semantic diversity scheme)을 이용한다. 시맨틱 다이버시티 기법은, 기존 무선 통신 시스템에서 이용되는 채널 다이버시티 기법(channel diversity scheme)을 시맨틱 통신에 적용한 것이다. 기존 채널 다이버시티 기법은 서로 다른 무선 채널들을 이용하여 동일한 신호를 송수신함으로써, 수신 신호에 대한 신뢰도(reliability)를 향상시키는 기술이다. 기존 채널 다이버시티 기법은 송신기 또는 수신기에서 채널 정보를 기반으로 해당 신호들을 결합(combining)함으로써, 다이버시티 이득을 획득할 수 있다. 반면, 시맨틱 통신에서의 다이버시티 기법은 도 22에 도시된 바와 같은 배경 지식들(2222a, 2222b, 2222c)을 소스(2220) 및 목적지(2210) 사이의 채널들로 취급한다는 점에서, 기존 채널 다이버시티 기법과 차이가 있다. 도 22는 본 개시의 일 실시예에 따른 다중 피처 송신 기반의 시맨틱 다이버시티 기법의 예를 도시한다. 도 22를 참고하면, 소스(2220)는 시맨틱 다이버시티 기법에 따라 복수의 배경 지식들(2222a, 2222b, 2222c)을 이용하여 소스 데이터에 대한 다중 시맨틱 피처들을 생성하고, 생성된 다중 시맨틱 피처들을 목적지(2210)로 송신할 수 있다. 다중 시맨틱 피처들은, 복수의 시맨틱 피처들로 지칭될 수 있다.
시맨틱 다이버시티 기법에 따른 소스 및 목적지의 동작은, 소스 및 목적지가 배경 지식에 대한 정보를 공유하고 있는지 여부에 따라 달라질 수 있다. 예를 들어, 소스 및 목적지가 배경 지식에 대한 정보를 공유하고 있는 경우, 다중 시맨틱 피처들에 대한 결합 비율을 설정하고, 다운스트림 태스크에 대한 시맨틱 다이버시티 이득(semantic diversity gain)을 획득할 수 폐루프(closed-loop) 시맨틱 다이버시티 기법이 이용될 수 있다. 반면, 소스 및 목적지가 배경 지식에 대한 정보를 공유하지 아니한 경우, 다중 시맨틱 피처들 중에서 단일 피처를 선택하고, 단일 피처를 이용하여 다운스트림 태스크에 대한 부분적인 동작을 수행하는 개루프(open-loop) 시맨틱 다이버시티 기법이 이용될 수 있다.
이하 본 개시는 소스 및 목적지가 배경 지식에 대한 정보를 공유하는 상황을 가정한다. 따라서, 본 개시의 소스 및 목적지는 시맨틱 통신을 수행하기 위한 초기 접속 시에 공유된 배경 지식에 대한 정보를 미세 조정하고, 및 미세 조정된 배경 지식에 대한 정보를 기반으로 시맨틱 통신의 성능을 향상시키기 위한 결합(combining) 방식을 포함하는 시맨틱 다이버시티 기법을 제안한다.
구체적으로, 본 개시의 다양한 실시예들에 따른 배경 지식에 대한 동기화 과정은, 공유된 배경 지식에 대한 정보를 미세 조정하기 위해, 소스의 시맨틱 인코더에서 다중 시맨틱 피처들을 생성하기 위해 이용되는 부분적 배경 지식 및 목적지의 배경 지식 사이의 교집합 존재 여부에 대한 피드백 과정, 소스가 목적지로부터의 피드백 정보를 기반으로 다중 시맨틱 피처들의 생성에 이용될 소스의 부분적 배경 지식을 목적지의 배경 지식과의 교집합 부분으로 축소하는 과정, 및 축소된 부분적 배경 지식에 기반하여 생성된 다중 시맨틱 특징에 대한 결합 비율 제어(combining ratio control)를 통해 다운스트림 태스크의 성능을 향상시키는 과정을 포함한다. 여기서, 소스의 부분적 배경 지식 축소를 위해, 목적지로부터의 피드백 정보를 이용하는 피드백 인젝션 인코더(feedback injection encoder)가 이용될 수 있다. 이하 본 개시는 전술한 바와 같은 시맨틱 통신의 배경 지식에 대한 동기화 과정에 필요한 시맨틱 계층 프로토콜 및 절차에 대해 제안한다.
소스 및 목적지의 배경 지식은 지식 그래프(knowledge graph) 구조를 가질 수 있다. 소스의 배경 지식은 그래프 클러스터링(graph clustering)에 기반하여 N개의 지식 부분(knowledge partition)들로 분할될 수 있다. 소스는 지식 부분들을 기반으로 시맨틱 다이버시티 기법을 이용하여 시맨틱 통신을 수행할 수 있다. 구체적으로, 소스는 지식 부분들 각각을 어텐션으로 이용하는 다수의 문맥화 인코더들을 이용하여 단일 소스 데이터(single source data)에 대한 다중 시맨틱 피처들을 생성하고, 생성된 다중 시맨틱 피처들을 목적지에게 송신한다. 본 개시에서, 지식 부분은 부분적 지식(partial knowledge), 부분적 배경 지식(partial background knowledge) 또는 이와 동등한 기술적 의미를 가지는 다른 용어로 지칭될 수 있다.
도 23은 본 개시의 일 실시예에 따른 부분적 배경 지식 기반의 시맨틱 다이버시티 기법의 예를 도시한다.
도 23을 참고하면, 소스(2320)는 복수의 문맥화 인코더들(contextualizing encoder)(2322-1, 2322-2, …, 2322-N)을 이용하여 소스 데이터(2302)에 대한 다중 시맨틱 피처들을 생성하고, 생성된 다중 시맨틱 피처들을 목적지(2310)에게 송신한다.
복수의 문맥화 인코더들(2322-1, 2322-2, …, 2322-N) 각각은 부분적 배경 지식을 어텐션(attention)으로 이용하여 입력되는 소스 데이터(2302)에 대응되는 시맨틱 피처를 생성한다. 부분적 배경 지식은, 전술한 바와 같이 소스의 배경 지식을 복수개로 분할함으로써 획득될 수 있다. 즉, n번째 문맥화 인코더는 소스 데이터(2302)의 그래프 표현(graph representation)에 대하여 i번째 그래프 구성요소(graph component)에 해당하는 임베딩(xi)을 n번째 부분적 배경 지식을 활용하여 문맥화된 피처
Figure PCTKR2023018847-appb-img-000066
로 인코딩한다. 문맥화된 피처는 시맨틱 피처 또는 문맥화된 시맨틱 피처로 지칭될 수 있다. 예를 들어, 문맥화 인코더 #1(2322-1)은 부분적 배경 지식 #1을 어텐션으로 이용하여 소스 데이터(2302)에 대응되는 시맨틱 피처
Figure PCTKR2023018847-appb-img-000067
(2304-1)를 생성하고, 문맥화 인코더 #2(2322-2)는 부분적 배경 지식 #2를 어텐션으로 이용하여 소스 데이터(2302)에 대응되는 시맨틱 피처
Figure PCTKR2023018847-appb-img-000068
(2304-2)를 생성하고, 문맥화 인코더 #N(2322-N)은 부분적 배경 지식 #N을 어텐션으로 이용하여 소스 데이터(2302)에 대응되는 시맨틱 피처
Figure PCTKR2023018847-appb-img-000069
(2304-N)를 생성한다.
복수의 문맥화 인코더들(2322-1, 2322-2, …, 2322-N)을 이용하여 생성된 다중 시맨틱 피처들을 동일한 시점에 목적지(2310)에게 송신될 수도 있고, 서로 다른 시점에 목적지(2310)에게 송신될 수도 있다. 예를 들어, 다중 시맨틱 피처들 각각은 순차적으로 목적지(2310)에게 송신될 수 있다.
도 24는 본 개시의 일 실시예에 따른 시맨틱 인코더 구조의 예를 도시한다.
도 24를 참고하면, 시맨틱 인코더(2400)는 그래프 표현(graph representation) 블록(2410) 및 적어도 하나의 문맥화 인코더(contextualizing encoder)(2420)를 포함한다.
그래프 표현 블록(2410)은 소스 데이터를 그래프 구조를 갖는 입력 데이터로 변환하고, 변환된 입력 데이터를 문맥화 인코더(2420)로 제공한다.
문맥화 인코더(2420)는 그래프 구조의 배경 지식을 어텐션으로 활용하는 그래프 트랜스포머 기반의 인코더로서, 특히, 부분적 배경 지식을 어텐션으로 이용하여 입력 데이터에 대한 문맥화된 피처(contextualized feature)를 생성한다. 이를 위해, 문맥화 인코더(2420)는 L개의 셀프-어텐션 인코더(2422) 및 추가 어텐션 인코더(2424)를 포함하도록 구성될 수 있다.
L개의 셀프 어텐션 인코더(2422) 각각은 멀티-헤드 셀프 어텐션 블록(2422a), 합산 및 정규화(addtion and normalization) 블록(2422b), MLP(Multi-Layer Perceptron) 블록(2422c), 및 합산 및 정규화 블록(2422d)을 포함한다. 멀티-헤드 셀프 어텐션 블록(2422a)은 K개의 어텐션 헤드를 포함하며, 복수의 쿼리(query) 벡터, 키(key) 벡터, 및 값(value) 벡터를 이용하여 각 목적에 맞게 각 입력 벡터들을 각각 다른 표현 공간으로 나타내고, 각 입력 벡터들에 대한 셀프 어텐션 값을 획득한다. 합산 및 정규화 블록(2422b)은 계층 정규화 블록으로, 멀티-헤드 셀프 어텐션 블록(2422a)의 입력과 출력을 더하고 정규화하여 출력한다. MLP 블록(2422c)은 완전 연결 계층(fully connected layer)으로서, 입력 값 각각에 대해 세밀한 학습을 수행한다. 합산 및 정규화 블록(2422d)은 계층 정규화 블록으로, MLP 블록(2422c)의 입력과 출력을 더하고 정규화하여 출력한다.
추가 어텐션 인코더(2424)는 멀티-헤드 어텐션 블록(2424a), 합산 및 정규화(addition and normalization)(2424b), MLP(Multi-Layer Perceptron) 블록(2424c), 및 합산 및 정규화 블록(2422d)을 포함한다. 멀티-헤드 어텐션 블록(2424a)은 셀프 어텐션 인코더(2422)의 출력 및 부분적 배경 지식의 그래프 표현(2404)을 입력받고, 멀티-헤드 어텐션을 수행하여 그 결과를 출력한다. 합산 및 정규화 블록(2424b)은 계층 정규화 블록으로 그래프 표현 블록(2410)의 출력 및 멀티 헤드 어텐션 블록(2424a)의 출력을 더하고 정규화하여 출력한다. MLP 블록(2424c)은 완전 연결 계층(fully connected layer)으로서, 입력 값 각각에 대해 세밀한 학습을 수행한다. 합산 및 정규화 블록(2424d)은 계층 정규화 블록으로, MLP 블록(2424c)의 입력과 출력을 더하고 정규화하여 출력한다.
전술한 바와 같이, 문맥화 인코더(2420)는 K개의 헤드를 갖는 셀프 어텐션 인코더(2422)를 L개 사용하는 그래프 트랜스포머 구조를 활용하여 셀프-어텐션 기반의 시맨틱 피처
Figure PCTKR2023018847-appb-img-000070
를 생성한다. 셀프-어텐션 기반의 시맨틱 피처는 과거의 셀프-어텐션 기반의 피처들에 대한 유사도에 기반하여 멀티-헤드 어텐션 기반의 피처를 결정하고, 멀티-헤드 어텐션 기반의 피처 및 과거의 셀프-어텐션 기반의 피처의 합에 대한 정규화, 다중-헤드 어텐션(multi-head attention)의 취합 등의 연산을 통해 결정될 수 있다. 예를 들어, 셀프-어텐션 기반의 시맨틱 피처는 [수학식 13] 및 [수학식 14]와 같이 생성될 수 있다.
Figure PCTKR2023018847-appb-img-000071
[수학식 13]에서,
Figure PCTKR2023018847-appb-img-000072
는 i번째 그래프 구성요소(graph component)에 대한 t번째 동화(assimilation) 과정에서 l번째 셀프 어텐션 인코더 내 멀티-헤드 어텐션 블록의 출력 피처이고, K는 셀프 어텐션 인코더(2622)의 헤드를 의미한다.
Figure PCTKR2023018847-appb-img-000073
는 입력받은 값을 0~1 사이의 값으로 모두 정규화하여 출력하고, 출력 값들의 총합이 항상 1이 되는 특성을 가진 함수이다.
Figure PCTKR2023018847-appb-img-000074
는 k번째 어텐션 헤드에서 이용되는 어텐션 함수로서, 입력 인자들 사이의 유사도를 계산한다.
Figure PCTKR2023018847-appb-img-000075
는 i번째 그래프 구성요소에 대한 t번째 동화 과정에서 l번째 셀프 어텐션 인코더의 최종 출력 피처이고,
Figure PCTKR2023018847-appb-img-000076
는 j번째 그래프 구성요소에 대한 t번째 동화 과정에서 l번째 셀프 어텐션 인코더의 최종 출력 피처이고,
Figure PCTKR2023018847-appb-img-000077
는 는 k번째 어텐션 헤드에서 사용하는 가중치 행렬(weight matrix)이다.
Figure PCTKR2023018847-appb-img-000078
[수학식 14]에서,
Figure PCTKR2023018847-appb-img-000079
는 j번째 그래프 구성요소에 대한 t번째 동화 과정에서 l+1번째 셀프 어텐션 인코더의 최종 출력 피처이고,
Figure PCTKR2023018847-appb-img-000080
은 계층 정규화(layer normalization) 함수이고,
Figure PCTKR2023018847-appb-img-000081
는 j번째 그래프 구성요소에 대한 t번째 동화 과정에서 l+1번째 셀프 어텐션 인코더 내 멀티-헤드 어텐션 블록의 최종 출력 피처이고,
Figure PCTKR2023018847-appb-img-000082
는 j번째 그래프 구성요소에 대한 t번째 동화 과정에서 l번째 셀프 어텐션 인코더의 최종 출력 피처이고,
Figure PCTKR2023018847-appb-img-000083
는 다중-헤드 어텐션(multi-head attention)의 결과들을 취합하는 함수이다.
Figure PCTKR2023018847-appb-img-000084
는 다중-레이어 피드 포워드 신경망(multi-layered feed forward neural network)으로 구현될 수 있다.
문맥화 인코더(2420)는 셀프-어텐션 기반의 시맨틱 피처
Figure PCTKR2023018847-appb-img-000085
및 부분적 배경 지식에 해당하는 임베딩 벡터 사이의 어텐션 값
Figure PCTKR2023018847-appb-img-000086
를 결정한다. 어텐션 값
Figure PCTKR2023018847-appb-img-000087
는 셀프-어텐션 기반의 시맨틱 피처 및 임베딩 벡터 간 유사도에 기반하여 결정될 수 있다. 예를 들어, 어텐션 값
Figure PCTKR2023018847-appb-img-000088
는 아래 [수학식 15]와 같이 계산될 수 있다. 문맥화 인코더(2420)는 추가 어텐션 인코더(2424)를 이용하여 소스 데이터의 그래프 표현
Figure PCTKR2023018847-appb-img-000089
에 대해, 어텐션 값을 포함하는 동화(assimilation) 과정을 수행하고, 그 결과를 다시 셀프-어텐션 인코더(2422)의 입력으로 이용한다. 문맥화 인코더(2420)는 추가 어텐션 인코더(2424)를 이용한 동화 과정을 T회 반복 수행하고, 문맥화된 피처
Figure PCTKR2023018847-appb-img-000090
를 생성한다.
Figure PCTKR2023018847-appb-img-000091
[수학식 15]에서,
Figure PCTKR2023018847-appb-img-000092
는 i번째 어텐션 값이고,
Figure PCTKR2023018847-appb-img-000093
는 입력받은 값을 0~1사이의 값으로 모두 정규화하여 출력하는 함수이고,
Figure PCTKR2023018847-appb-img-000094
는 입력 인자들 사이의 유사도를 측정할 수 있는 내적(inner product) 기반의 어텐션 함수이고,
Figure PCTKR2023018847-appb-img-000095
는 t번째 동화 과정에서 총 L개의 셀프 어텐션 인코더 계층(layer)을 통과한 i번째 그래프 구성요소에 대한 셀프 어텐션 피처이고,
Figure PCTKR2023018847-appb-img-000096
는 소스의 부분적 배경 지식의 그래프 구성요소들 중 인덱스가 c인 임베딩 벡터를 의미한다.
Figure PCTKR2023018847-appb-img-000097
[수학식 16]에서,
Figure PCTKR2023018847-appb-img-000098
은 t번째 동화(assimilation)를 거친 후 다시 셀프 어텐션 인코더의 최초 입력으로 들어가는 시맨틱 피처이고,
Figure PCTKR2023018847-appb-img-000099
은 계층 정규화(layer normalization) 함수이고,
Figure PCTKR2023018847-appb-img-000100
는 i번째 어텐션 값이고,
Figure PCTKR2023018847-appb-img-000101
는 소스 데이터의 i번째 그래프 표현이고,
Figure PCTKR2023018847-appb-img-000102
는 다중-헤드 어텐션(multi-head attention)의 결과들을 취합하는 함수이다.
Figure PCTKR2023018847-appb-img-000103
는 다중-레이어 피드 포워드 신경망(multi-layered feed forward neural network)으로 구현될 수 있다.
Figure PCTKR2023018847-appb-img-000104
[수학식 17]에서,
Figure PCTKR2023018847-appb-img-000105
는 i번째 소스 데이터에 대한 문맥화된 피처이고,
Figure PCTKR2023018847-appb-img-000106
는 i번째 그래프 구성요소에 대하여 L번의 셀프 어텐션 인코딩 및 T번의 동화 과정을 거쳐 생성된 시맨틱 피처로서, 문맥화 인코더에서 최종적으로 출력되는 피처이다.
전술한 바와 같은 과정을 통해, 소스는 단일 소스 데이터에 대하여 다수의 부분적 배경 지식을 어텐션으로 활용한 다중 시맨틱 피처들을 생성하고, 생성된 다중 시맨틱 피처들을 목적지에게 송신한다. 이때, 다중 시맨틱 피처들은 동시에 송신될 수도 있고, 순차적으로 송신될 수도 있다.
목적지는 소스로부터 다중 시맨틱 피처들을 수신하고, 목적지가 보유한 배경 지식을 기반으로 다중 시맨틱 피처들에 대한 추론(reasoning)을 수행한다. 이때, 목적지가 보유한 배경 지식의 임베딩 벡터 및 다중 시맨틱 피처들 사이의 어텐션 값은 다중 시맨틱 피쳐 및 임베딩 벡터 간 유사도에 기반하여 결정된다. 예를 들어, 어텐션 값
Figure PCTKR2023018847-appb-img-000107
은 아래 [수학식 18]과 같이 계산된다.
Figure PCTKR2023018847-appb-img-000108
[수학식 18]에서,
Figure PCTKR2023018847-appb-img-000109
은 i번째 인덱스의 n번째 다중 시맨틱 피처에 대한 어텐션 값을 의미하고,
Figure PCTKR2023018847-appb-img-000110
는 입력 인자들 사이의 유사도를 측정할 수 있는 내적(inner product) 기반의 어텐션 함수이고,
Figure PCTKR2023018847-appb-img-000111
은 i번째 인덱스의 n번째 다중 시맨틱 피처를 의미하고,
Figure PCTKR2023018847-appb-img-000112
는 목적지가 보유한 배경 지식의 노드 임베딩들 중 인덱스가 c인 구성요소를 의미한다.
[수학식 18]과 같이, 어텐션 값
Figure PCTKR2023018847-appb-img-000113
을 계산하는 과정에서 산출되는
Figure PCTKR2023018847-appb-img-000114
는 어텐션 계수(attention coefficient)로 지칭될 수 있다. 어텐션 계수는 i번째 인덱스의 분류(classification)에 사용되는 값이다. 목적지가 보유한 배경 지식의 구성요소들 중 인덱스가 c인 구성요소가 소스의 n번째 부분적 배경 지식과 중복되는 경우 해당 어텐션 계수는 상대적으로 큰 값을 갖는다. 그러나, 목적지가 보유한 배경 지식의 구성요소들 중 인덱스가 c인 구성요소가 소스의 n번째 부분적 배경 지식과 중복되지 아니하는 경우 해당 어텐션 계수는 상대적으로 작은 값을 갖는다. 즉, 어텐션 계수는 소스의 해당 부분적 배경 지식 및 목적지가 보유한 배경 지식의 일치 정도를 지시하는 정보로 취급될 수 있다.
목적지가 보유한 배경 지식과 소스의 n번째 부분적 배경 지식 사이의 교집합이 존재하는 경우, 계산된 어텐션 값
Figure PCTKR2023018847-appb-img-000115
은 해당 교집합의 노드 임베딩에 대한 가중치 합(weight sum)으로 표현되므로, n번째 부분적 배경 지식에서 실제 목적지가 보유한 배경 지식에 대한 정보를 포함한다. 반면, 목적지가 보유한 배경 지식과 소스의 n번째 부분적 배경 지식 사이의 교집합이 존재하지 아니하는 경우, 계산된 어텐션 값
Figure PCTKR2023018847-appb-img-000116
은 교집합에 대한 의미를 갖지 아니한다. 따라서, 목적지는 도 25와 같이, 어텐션 계수를 계산하고, 계산된 어텐션 계수를 기반으로 목적지가 보유한 배경 지식과 소스의 n번째 배경 지식 사이에 교집합이 존재하는지 여부를 판단할 수 있다.
도 25는 본 개시의 일 실시예에 따른 배경 지식들에 대한 교집합 유무 판단의 예를 도시한다. 도 25를 참고하면, 목적지(2510)는 소스의 제1 부분적 배경 지식(2522) 및 제2 부분적 배경 지식(2524)에 기반하여 생성된 다중 시맨틱 피처들과 목적지(2510)의 배경 지식(2512)의 임베딩 벡터 사이의 어텐션 계수(attention coefficient)를 계산한다. 이때, 다중 시맨틱 피처들 중 제1 시맨틱 피처와 목적지의 배경 지식의 구성요소 인덱스(component index)에 기반하여 계산된 어텐션 계수의 분산(variance)이 임계치보다 높은 경우, 목적지(2510)는 목적지의 배경 지식(2512)과 해당 시맨틱 특징 생성에 이용된 소스의 제1 부분적 배경 지식(2522)과의 교집합(2532)이 존재하는 것으로 판단한다. 반면, 다중 시맨틱 피처들 중 제2 시맨틱 피처와 목적지의 배경 지식의 구성요소 인덱스에 기반하여 계산된 어텐션 계수의 분산(variance)이 임계치보다 낮은 경우, 목적지(2510)는 목적지의 배경 지식(2512)과 해당 시맨틱 특징 생성에 이용된 소스의 제2 부분적 배경 지식(2524)의 교집합(2534)이 존재하지 아니한 것으로 판단하고, 제2 부분적 배경 지식(2524)과의 교집합이 존재하지 아니함을 소스에게 보고한다. 이 경우, 소스는 제2 부분적 배경 지식(2524)을 어텐션으로 이용하는 문맥화 인코더가 다른 부분적 배경 지식을 어텐션으로 이용하도록 조정하고, 다른 부분적 배경 지식을 기반으로 다중 시맨틱 피처를 송신할 수 있다. 즉, 소스는 해당 문맥화 인코더가 이전에 제2 부분적 배경 지식을 어텐션으로 이용한 경우, 제2 부분적 배경 지식과 다른 부분적 배경 지식을 어텐션으로 이용하도록 제어할 수 있다.
목적지 및 소스가 전술한 바와 같은 과정을 수행함으로써, 소스의 문맥화 인코더들 각각에서 이용되는 부분적 배경 지식은 모두 목적지가 보유한 배경 지식과 교집합을 보유하게 된다. 소스는 목적지가 보유한 배경 지식과 교집합을 갖는 부분적 배경 지식들을 어텐션으로 이용하는 문맥화 인코더들을 이용하여 소스 데이터에 대한 다중 시맨틱 피처를 생성하고, 생성된 다중 시맨틱 피처를 목적지에게 송신할 수 있다. 목적지는 수신되는 다중 시맨틱 피처들 및 목적지가 보유한 배경 지식의 노드 임베딩 사이의 어텐션 값들을 계산하고, 계산된 어텐션 값들을 소스에게 피드백한다. 소스는 도 26에 도시된 바와 같은 피드백 인젝션 인코더를 이용하여 목적지로부터 피드백받은 어텐션 값들을 기반으로 다중 시맨틱 피처들에 대한 동화(assimilation) 과정을 수행한다.
도 26은 본 개시의 일 실시예에 따른 피드백 인젝션 인코더(feedback injection encoder) 구조의 예를 도시한다.
도 26을 참고하면, 소스(2620)는 피드백 인젝션 인코더(2622)를 추가적으로 포함할 수 있다.
피드백 인젝션 인코더(2622)는 목적지(2610)로부터 피드백되는 어텐션 값(2612)을 기반으로 문맥화된 피처들(2621)에 대한 인코딩을 수행함으로써, 송신 피처들(2623)을 생성 및 출력한다. 이를 위해, 피드백 인젝션 인코더(2622)는 L개의 셀프-어텐션 인코더(2622a), 합산 및 정규화(2622b), MLP(2622c), 및 합산 및 정규화(2622c)를 포함하도록 구성된다.
L개의 셀프-어텐션 인코더(2622a)는 도 24의 셀프 어텐션 인코더(2622)와 동일하게 구성될 수 있다. 합산 및 정규화(2622b)은 계층 정규화 블록으로, 목적지(2610)로부터 수신되는 어텐션 값(2612)(
Figure PCTKR2023018847-appb-img-000117
) 및 문맥화된 피처들(2621)(
Figure PCTKR2023018847-appb-img-000118
)을 더하고 정규화하여 출력한다. MLP(2622c)는 완전 연결 계층(fully connected layer)으로서, 합산 및 정규화(2622b)으로부터의 입력 값에 대한 세밀한 학습을 수행한다. 합산 및 정규화(2622c)는 계층 정규화 블록으로, MLP 블록(2622c)의 입력과 출력을 더하고 정규화한 후, 그 결과값을 L개의 셀프-어텐션 인코더(2622a)에 제공한다.
소스(2622)는 전술한 바와 같이 구성된 피드백 인젝션 인코더(2622)를 통해 다중 시맨틱 피처 생성 시에 어텐션으로 이용되는 부분적 배경 지식을 목적지가 보유한 배경 지식과 중첩되는 부분으로 축소할 수 있다. 또한, 소스(2620) 및 목적지(261)는 어텐션 값에 대한 피드백 주기를 설정할 수 있다. 어텐션 값의 피드백 주기는 목적지(2620)에서의 다운스트림 태스크 수행 결과에 따른 성능 메트릭에 기반하여 결정될 수 있다.
도 27은 본 개시의 일 실시예에 따른 피드백 인젝션 인코더 기반의 시맨틱 다이버시티 기법의 예를 도시한다.
도 27을 참고하면, 소스(2720)는 서로 다른 부분적 배경 지식들을 어텐션으로 이용하는 문맥화된 인코더들(2722-1, 2722-2, …, 2722-N)을 통해 소스 데이터(2302)를 인코딩함으로써, 문맥화된 피처들
Figure PCTKR2023018847-appb-img-000119
,
Figure PCTKR2023018847-appb-img-000120
, …,
Figure PCTKR2023018847-appb-img-000121
를 생성한다. 이후, 소스(2720)는 피드백 인젝션 인코더들(2724-1, 2724-2, …, 2724-N)을 통해 목적지(2710)로부터 피드백된 어텐션 값들
Figure PCTKR2023018847-appb-img-000122
,
Figure PCTKR2023018847-appb-img-000123
, …,
Figure PCTKR2023018847-appb-img-000124
을 기반으로 문맥화된 피처들
Figure PCTKR2023018847-appb-img-000125
,
Figure PCTKR2023018847-appb-img-000126
, …,
Figure PCTKR2023018847-appb-img-000127
에 대한 인코딩을 수행함으로써, 소스의 부분적 배경 지식 중 목적지의 배경 지식과 중첩되는 부분을 어텐션으로 갖는 송신 피처들
Figure PCTKR2023018847-appb-img-000128
,
Figure PCTKR2023018847-appb-img-000129
, …,
Figure PCTKR2023018847-appb-img-000130
를 생성한다. 소스(2720)는 생성된 송신 피처들
Figure PCTKR2023018847-appb-img-000131
,
Figure PCTKR2023018847-appb-img-000132
, …,
Figure PCTKR2023018847-appb-img-000133
을 다중 시맨틱 피처로서 목적지(2710)에게 송신한다.
본 개시의 실시예에 따른 소스는 전술한 바와 같은 피드백 인젝션 인코더를 포함하는 송신 구조를 가짐으로써, N개로 분할된 부분적 배경 지식들을 어텐션으로 이용하는 다중 피처 전송 기반의 시맨틱 통신을 수행할 수 있다. 다중 피처 전송은 소스 및 목적지가 서로의 배경 지식에 대한 정보를 보유하는 폐-루프 시맨틱 다이버시티 기법으로, 다중 시맨틱 피처 각각에 대한 결합 비율(combining ratio)을 설정함으로써, 다운스트림 태스크의 성능을 향상시킬 수 있다.
일 실시예에 따르면, 다중 시맨틱 피처에 대한 결합 비율 제어(combining ratio control) 동작은 소스에서 수행될 수 있다. 즉, 소스는 복수의 시맨틱 피처들을 생성하기 위해 어텐션으로 이용되는 부분적 배경 지식의 크기에 따라 결합 비율을 제어한다. 부분적 배경 지식의 크기는 목적지로부터 피드백되는 어텐션 값의 차이에 기반하여 확인할 수 있다. 즉, 소스는 복수의 시맨틱 피처들 중 특정 시맨틱 피처에 대해 피드백 주기마다 목적지로부터 피드백되는 어텐션 값들의 차이가 작은 경우, 특정 시맨틱 피처에 대응되는 부분적 배경 지식과 목적지가 보유한 배경 지식의 중첩되는 부분, 즉, 교집합의 크기가 크다고 판단할 수 있다. 반면, 소스는 복수의 시맨틱 피처들 중 특정 시맨틱 피처에 대해 피드백 주기마다 목적지로부터 피드백되는 어텐션 값들의 차이가 큰 경우, 해당 어텐션 값에 대응되는 부분적 배경 지식과 목적지가 보유한 배경 지식의 교집합 부분이 작다고 판단할 수 있다.
복수의 시맨틱 피처들에 대한 결합 비율은 아래 [수학식 19]와 같이 설정된다.
Figure PCTKR2023018847-appb-img-000134
[수학식 19]에서,
Figure PCTKR2023018847-appb-img-000135
은 n번째 문맥화 인코더에 기반하여 생성된 시맨틱 피처에 대한 결합 비율이고,
Figure PCTKR2023018847-appb-img-000136
은 n번째 문맥화 인코더에 의해 생성된 시맨틱 피처에 대해 t+1 시점에 피드백된 어텐션 값이고,
Figure PCTKR2023018847-appb-img-000137
은 n번째 문맥화 인코더에 의해 생성된 시맨틱 피처에 대해 t 시점에 피드백된 어텐션 값이다.
전술한 바와 같이, 다중 피처 송신 기반의 시맨틱 다이버시티 기법을 위해, 소스는 복수의 시맨틱 피처들 각각에 대한 결합 비율(combining ratio)을 설정하고, 설정된 결합 비율에 기반하여 복수의 시맨틱 피처들을 결합한 합성 시맨틱 피처를 목적지에게 송신할 수 있다.
일 실시예에 따르면, 다중 시맨틱 피처에 대한 결합 비율 제어 동작은 목적지에서 수행될 수 있다. 목적지는 복수의 시맨틱 피처들에 목적지가 보유한 배경 지식을 이용하여 다운스트림 태스크를 수행하기 위한 임베딩을 생성한다. 목적지는 태스크-특정 임베딩 및 복수의 시맨틱 피처들의 가중치 합 사이의 유사도를 계산하고, 계산된 유사도에 기반하여 각 시맨틱 피처에 대한 중요도를 측정한다. 목적지는 각 시맨틱 피처에 대한 중요도를 정규화함으로써, 복수의 시맨틱 피처들 각각에 대한 결합 가중치(combining weight)를 계산할 수 있다. 이때, 결합 가중치는 아래 [수학식 20]과 같이 계산된다.
Figure PCTKR2023018847-appb-img-000138
[수학식 20]에서,
Figure PCTKR2023018847-appb-img-000139
은 n번째 문맥화 인코더에 의해 생성된 시맨틱 피처에 대한 결합 가중치이고,
Figure PCTKR2023018847-appb-img-000140
는 다수의 시맨틱 피처들 각각에 대한 가중치들을 합한 결과이고,
Figure PCTKR2023018847-appb-img-000141
는 태스크(task) 동작을 위한 임베딩(embedding)을 생성하는 함수이다.
즉, 목적지는 다중 피처 송신 기반의 다이버시티 기법을 위해, 어텐션 값들을 피드백하고, 이후 다운스트림 태스크 동작을 위해 먼저 각 피처들의 결합 가중치
Figure PCTKR2023018847-appb-img-000142
를 임의로 설정하고, 임의로 설정된 결합 가중치를 이용하여 최종 피처, 즉, 합성 시맨틱 피처
Figure PCTKR2023018847-appb-img-000143
를 생성한다. 이때, 합성 시맨틱 피처에 기반한 다운스트림 태스크의 성능에 따라 임베딩 생성 MLP 및 결합율이 학습을 통해 갱신될 수 있다. 목적지는 이와 같은 과정을 통해 학습된 MLP 및 결합 비율을 다운스트림 태스크에 활용할 수 있다.
도 28은 본 개시의 일 실시예에 따른 다운스트림 태스크를 고려한 결합 비율 제어의 예를 도시한다.
도 28을 참고하면, 목적지(2810)는 복수의 MLP 블록들(2812-1 내지 2812-N), 복수의 결합 가중치 계산 블록들(2814-1 내지 2814-N), 복수의 곱셈기들(2816-1 내지 2816-N), 및 가산기(2818)를 포함할 수 있다. 목적지(2810)는 복수의 ML 블록들(2812-1 내지 2812-N)을 이용하여 소스로부터 수신되는 복수의 시맨틱 피처들에 대한 세밀한 학습을 수행하고, 복수의 결합 가중치 계산 블록들(2814-1 내지 2814-N)을 이용하여 각 시맨틱 피처에 대한 결합 가중치를 계산한다. 이때, 결합 가중치는 [수학식 20]과 같이 계산될 수 있다. 목적지(2810)는 결합 가중치 계산 블록들(2814-1 내지 2814-N)에 의해 계산된 각 시맨틱 피처에 대한 결합 가중치를 곱셈기들(2816-1 내지 2816-N)을 이용하여 해당 시맨틱 피처들 각각에 곱하고, 가산기(2818)를 이용하여 곱셈기들(2816-1 내지 2816-N)로부터의 결과들을 더한 최종 값을 기반으로 다운스트림 태스크를 수행할 수 있다. 이때, 목적지의 결합 비율 계산 과정에서 가중치의 초기 값은 소스에서 계산된 가중치를 전달받아 설정되거나 임의의 값으로 설정될 수 있다. 또한, 임베딩 생성 MLP 및 결합 비율은 목적지의 다운스트림 태스크 수행 결과에 따른 학습을 통해 갱신될 수 있다.
일 실시예에 따르면, 소스는 목적지로부터 복수의 시맨틱 피처들에 대한 결합 비율을 피드백받고, 피드백된 결합 비율을 기반으로 소스의 적어도 하나의 부분적 배경 지식을 조정할 수 있다. 목적지로부터 피드백되는 결합 비율은 목적지에서 계산된 결합 가중치를 포함할 수 있다. 구체적으로, 소스는 소스에서 계산된 결합 비율과 피드백된 결합 비율의 차이를 계산하고, 계산된 차이가 임계치보다 큰 경우, 배경 지식에 대한 재분할(re-partitioning) 또는 적어도 하나의 부분적 배경 지식에 대한 변경을 수행할 수 있다. 소스는 재분할된 부분적 배경 지식 또는 변경된 부분적 배경 지식에 기반하여 결합 비율 제어 동작을 수행함으로써, 목적지의 다운스트림 태스크에 적합한 결합 비율을 설정할 수 있다.
도 29는 본 개시의 일 실시예에 따른 시맨틱 통신을 위한 데이터 신호를 수신하는 절차의 예를 도시한다. 도 29는 목적지로 동작하는 단말에 의해 수행되는 방법을 예시한다.
도 29를 참고하면, S2901 단계에서, 단말은 기지국으로부터 설정 정보를 수신한다. 설정 정보는, 단말과 기지국의 연결 수립에 관련된 제어 정보, 통신과 관련된 설정을 결정하기 위한 제어 정보, 통신을 위한 자원을 지시하기 위한 정보 중 적어도 하나를 포함할 수 있다. 예를 들어, 단말은 시맨틱 통신 연결을 수립하기 위한 제어 정보, 시맨틱 통신에 관련된 설정을 결정하기 위한 제어 정보, 또는 시맨틱 통신을 위한 자원을 지시하기 위한 설정 정보를 수신할 수 있다.
S2903 단계에서, 단말은 기지국으로부터 제1 데이터 신호를 수신한다. 이때, 제1 데이터 신호는, 기지국의 배경 지식 정보로부터 도출되는 부분적 배경 지식들에 기반하여 생성된 복수의 시맨틱 피처들을 포함한다. 복수의 시맨틱 피처들 각각은, 소스 데이터에 대해 적어도 일부분이 서로 다른 부분적 배경 지식을 어텐션으로 활용하는 복수의 문맥화 인코더들을 기반으로 생성될 수 있다. 이때, 도 29에 도시되지 아니하였으나, 단말은 기지국으로부터 제1 제어 정보를 수신하고, 제1 제어 정보에 기반하여 제1 데이터 신호를 수신할 수 있다. 제1 제어 정보는 제1 데이터 신호를 위해 할당된 자원에 관련된 정보, 제1 데이터 신호의 해석을 위해 필요한 정보 중 적어도 하나를 포함할 수 있다.
S2905 단계에서, 단말은 기지국에게 피드백 정보를 송신한다. 즉, 단말은 제1 데이터 신호에 대한 피드백 정보를 생성하고, 생성된 피드백 정보를 기지국에게 송신한다. 피드백 정보는, 기지국의 배경 지식 정보로부터 도출되는 부분적 배경 지식들에 기반하여 생성된 복수의 시맨틱 피처들에 기반하여, 부분적 배경 지식들 각각 및 단말이 보유한 배경 지식 간 유사도들을 판단하기 위해 이용되는 정보를 포함한다. 예를 들어, 피드백 정보는 기지국으로부터 수신된 복수의 시맨틱 피처들 및 단말이 보유 중인 배경 지식의 임베딩 벡터 사이의 어텐션 값들, 어텐션 값들의 계산 과정에서 산출되는 어텐션 계수들, 또는 어텐션 계수들에 기초하여 생성된 배경 지식 변경 요청 정보 중 적어도 하나를 포함할 수 있다. 어텐션 값들은 기지국이 복수의 시맨틱 피처들의 생성에 이용된 부분적 배경 지식들을 단말이 보유한 배경 지식과의 교집합 부분으로 축소시키고, 축소된 교집합 부분의 크기를 판단하는데 이용될 수 있다. 어텐션 계수들은 기지국이 복수의 시맨틱 피처들의 생성에 이용된 부분적 배경 지식들 각각과 단말의 배경 지식 간의 교집합이 존재하는지 여부 또는 시맨틱 피처들의 생성에 이용될 부분적 배경 지식의 변경이 필요한지 여부를 판단하는데 이용될 수 있다. 부분적 배경 지식의 변경은 기지국의 배경 지식에 대한 재분할, 또는 시맨틱 피처들의 생성에 이용될 적어도 하나의 부분적 배경 지식에 대한 변경 중 적어도 하나를 포함할 수 있다.
S2907 단계에서, 단말은 제2 데이터 신호를 수신한다. 제2 데이터 신호는 피드백 정보에 기반하여 복수의 시맨틱 피처들을 결합한 합성 시맨틱 피처를 포함한다. 즉, 기지국은 단말이 기지국에게 피드백한 어텐션 값들에 기반하여 복수의 시맨틱 피처들 각각의 결합 비율을 계산하고, 계산된 결합 비율에 따라 복수의 시맨틱 피처들을 결합한 합성 시맨틱 피처를 단말에게 송신할 수 있다. 이때, 도 29에 도시되지 아니하였으나, 단말은 기지국으로부터 제2 제어 정보를 수신하고, 제2 제어 정보에 기반하여 제2 데이터 신호를 수신할 수 있다. 제2 제어 정보는 제2 데이터 신호를 위해 할당된 자원에 관련된 정보, 제2 데이터 신호의 해석을 위해 필요한 정보 중 적어도 하나를 포함할 수 있다.
도 30은 본 개시의 일 실시예에 따른 시맨틱 통신을 위한 데이터 신호를 송신하는 절차의 예를 도시한다. 도 30은 소스로 동작하는 기지국에 의해 수행되는 방법을 예시한다.
도 30을 참고하면, S3001 단계에서, 기지국은 단말에게 설정 정보를 송신한다. 설정 정보는, 단말과 기지국의 연결 수립에 관련된 제어 정보, 통신과 관련된 설정을 결정하기 위한 제어 정보, 통신을 위한 자원을 지시하기 위한 정보 중 적어도 하나를 포함할 수 있다. 예를 들어, 기지국은 시맨틱 통신 연결을 수립하기 위한 제어 정보, 시맨틱 통신에 관련된 설정을 결정하기 위한 제어 정보, 또는 시맨틱 통신을 위한 자원을 지시하기 위한 설정 정보를 송신할 수 있다.
S3003 단계에서, 기지국은 단말에게 제1 데이터 신호를 송신한다. 데이터 신호는, 기지국의 배경 지식 정보로부터 도출되는 부분적 배경 지식들에 기반하여 생성된 복수의 시맨틱 피처들을 포함한다. 복수의 시맨틱 피처들 각각은, 소스 데이터에 대해 적어도 일부분이 서로 다른 부분적 배경 지식을 어텐션으로 활용하는 복수의 문맥화 인코더들을 기반으로 생성될 수 있다. 이때, 도 30에 도시되지 아니하였으나, 단말은 기지국으로부터 제1 제어 정보를 수신하고, 제1 제어 정보에 기반하여 제1 데이터 신호를 수신할 수 있다. 제1 제어 정보는 제1 데이터 신호를 위해 할당된 자원에 관련된 정보, 제1 데이터 신호의 해석을 위해 필요한 정보 중 적어도 하나를 포함할 수 있다.
S3005 단계에서, 기지국은 단말로부터 피드백 정보를 수신한다. 즉, 기지국은 데이터 신호 송신에 대한 응답으로, 단말로부터 피드백 정보를 수신한다. 피드백 정보는, 기지국의 배경 지식 정보로부터 도출되는 부분적 배경 지식들에 기반하여 생성된 복수의 시맨틱 피처들에 기반하여, 부분적 배경 지식들 각각 및 단말이 보유한 배경 지식 간 유사도들을 판단하기 위해 이용되는 정보를 포함한다. 예를 들어, 피드백 정보는 기지국으로부터 수신된 복수의 시맨틱 피처들 및 단말이 보유 중인 배경 지식의 임베딩 벡터 사이의 어텐션 값들, 어텐션 값들의 계산 과정에서 산출되는 어텐션 계수들, 또는 어텐션 계수들에 기초하여 생성된 배경 지식 변경 요청 정보 중 적어도 하나를 포함할 수 있다. 기지국은 어텐션 값들을 기반으로, 복수의 시맨틱 피처들의 생성에 이용된 부분적 배경 지식들을 단말이 보유한 배경 지식과의 교집합 부분으로 축소시키고, 축소된 교집합 부분의 크기를 판단할 수 있다. 기지국은 어텐션 계수들을 기반으로 복수의 시맨틱 피처들의 생성에 이용된 부분적 배경 지식들 각각과 단말의 배경 지식 간의 교집합이 존재하는지 여부 또는 시맨틱 피처들의 생성에 이용될 부분적 배경 지식의 변경이 필요한지 여부를 판단할 수 있다. 부분적 배경 지식의 변경은 기지국의 배경 지식에 대한 재분할, 또는 시맨틱 피처들의 생성에 이용될 적어도 하나의 부분적 배경 지식에 대한 변경 중 적어도 하나를 포함할 수 있다.
S3007 단계에서, 기지국은 제2 데이터 신호를 송신한다. 제2 데이터 신호는 피드백 정보에 기반하여 복수의 시맨틱 피처들을 결합한 합성 시맨틱 피처를 포함한다. 즉, 기지국은 단말로부터 피드백된 어텐션 값들에 기반하여 복수의 시맨틱 피처들 각각의 결합 비율을 계산하고, 계산된 결합 비율에 따라 복수의 시맨틱 피처들을 결합한 합성 시맨틱 피처를 단말에게 송신할 수 있다. 이때, 도 30에 도시되지 아니하였으나, 기지국은 단말에게 제2 제어 정보를 송신하고, 제2 제어 정보에 기반하여 제2 데이터 신호를 송신할 수 있다. 제2 제어 정보는 제2 데이터 신호를 위해 할당된 자원에 관련된 정보, 제2 데이터 신호의 해석을 위해 필요한 정보 중 적어도 하나를 포함할 수 있다.
도 31은 본 개시의 일 실시예에 따른 배경 지식에 대한 동기화 및 결합 비율 제어 절차의 예를 도시한다. 도 31은 목적지로 동작하는 단말에 의해 수행되는 방법을 예시한다. 일 실시예에 따르면, 도 31의 적어도 일부 동작은 도 28의 S2903 단계, S2905 단계, 및 S2907 단계의 일 예로서 이해될 수 있다.
도 31을 참고하면, S3101 단계에서, 단말은 복수의 시맨틱 피처들을 수신한다. 즉, 단말은 기지국으로부터 특정 소스 데이터에 대응되는 복수의 시맨틱 피처들을 수신한다. 복수의 시맨틱 피처들 각각은, 기지국의 분할된 부분적 배경 지식을 어텐션으로 활용하는 문맥화 인코더들 각각을 이용하여 생성된다. 문맥화 인코더들 각각에서 어텐션을 위해 이용되는 부분적 배경 지식들은 적어도 일부분이 서로 상이할 수 있다. 예를 들어, 제1 문맥화 인코더에 대응되는 제1 부분적 배경 지식과 제2 문맥화 인코더에 대응되는 제2 부분적 배경 지식은 적어도 하나의 서로 다른 그래프 노드를 가지도록 구성될 수 있다.
S3103 단계에서, 단말은 어텐션 계수들을 계산한다. 즉, 단말은 복수의 시맨틱 피처들의 생성에 이용된 부분적 배경 지식들 각각과 단말의 배경 지식 간의 교집합이 존재하는지 여부를 판단하기 위한 어텐션 계수들을 계산한다. 어텐션 계수들은 수학식 18과 같이, 수신된 복수의 시맨틱 피처들과 단말이 보유한 배경 지식의 임베딩 벡터 사이의 어텐션 값을 계산하는 과정에서 획득될 수 있다.
S3105 단계에서, 단말은 교집합이 존재하는지 여부를 확인한다. 즉, 단말은 계산된 어텐션 계수들을 기반으로, 복수의 시맨틱 피처들의 생성에 이용된 부분적 배경 지식들 각각과 단말의 배경 지식 간의 교집합이 존재하는지 여부를 확인한다. 예를 들어, 어텐션 계수가 기준 계수보다 큰 경우, 단말은 해당 부분적 배경 지식과 단말의 배경 지식 간의 교집합이 존재하는 것으로 판단할 수 있다. 반면, 어텐션 계수가 기준 계수보다 작거나 같은 경우, 단말은 해당 부분적 배경 지식과 단말의 배경 지식 간의 교집합이 존재하지 아니하는 것으로 판단할 수 있다.
교집합이 존재하지 아니하는 경우, S3113 단계에서, 단말은 기지국에게 배경 지식의 재분할을 요청한다. 즉, 단말은 기지국에서 복수의 시맨틱 피처들의 생성에 이용된 부분적 배경 지식들 각각과 단말의 배경 지식 간의 교집합이 존재하지 아니함을 기지국에게 보고함으로써, 기지국의 부분적 배경 지식들 중 단말의 배경 지식과의 교집합을 가지지 아니하는 적어도 하나의 부분적 배경 지식에 대한 변경을 요청한다.
교집합이 존재하는 경우, S3107 단계에서, 단말은 어텐션 값들을 피드백한다. 어텐션 값들은 수신된 복수의 시맨틱 피처들과 단말이 보유한 배경 지식의 임베딩 벡터에 기반하여 계산되는 값으로, 수학식 18과 같이 계산될 수 있다.
S3109 단계에서, 단말은 기지국으로부터 합성 시맨틱 피처를 수신한다. 합성 시맨틱 피처는, 기지국에서 생성된 복수의 시맨틱 피처들이 기지국에서 결정된 결합 비율에 따라 결합됨으로써 생성될 수 있다. 이때, 결합 비율은 단말이 피드백한 어텐션 값들에 기반하여 결정될 수 있다.
S3111 단계에서, 단말은 다운스트림 태스크를 수행한다. 즉, 단말은 기지국으로부터 수신된 합성 시맨틱 피처를 기반으로 다운스트림 태스크를 수행한다.
도 32는 본 개시의 일 실시예에 따른 배경 지식에 대한 동기화 및 결합 비율 제어 절차의 예를 도시한다. 도 32는 소스로 동작하는 기지국에 의해 수행되는 방법을 예시한다. 일 실시예에 따르면, 도 32의 적어도 일부 동작은 도 30의 S3003 단계, S3005 단계, 및 S3007 단계의 일 예로서 이해될 수 있다.
도 32를 참고하면, S3201 단계에서, 기지국은 배경 지식을 분할한다. 기지국은 기지국이 보유한 전체 배경 지식을 복수의 부분적 배경 지식들로 분할하고, 분할된 부분적 배경 지식들 전체 또는 일부 부분적 배경 지식들을 단말이 보유한 배경 지식의 후보들로서 설정한다. 이때, 기지국이 보유한 전체 배경 지식은 그래프 클러스터링(graph clustering)에 기반하여 복수의 부분적 배경 지식들로 분할될 수 있다.
S3203 단계에서, 기지국은 복수의 시맨틱 피처들을 생성 및 송신한다. 즉, 기지국은 후보로 설정된 복수의 부분적 배경 지식들 각각을 어텐션으로 활용하는 복수의 인코더들 각각을 이용하여 소스 데이터에 대한 인코딩을 수행함으로써, 복수의 시맨틱 피처들을 생성한다. 기지국은 생성된 복수의 시맨틱 피처들을 기지국에게 송신한다. 이때, 복수의 시맨틱 피처들은 순차적으로 송신될 수 있다. 일 실시예에 따르면, 기지국은 시맨틱 피처들을 생성하는 과정에서 생성된 제1 어텐션 값들을 단말에게 송신할 수 있다. 제1 어텐션 값들은 반드시 송신되는 것은 아니며, 실시예에 따라 생략될 수 있다.
S3205 단계에서, 기지국은 단말로부터 배경 지식 재분할 요청이 수신되는지 여부를 확인한다. 즉, 기지국은 복수의 시맨틱 피처들의 생성에 이용된 부분적 배경 지식들 각각과 단말의 배경 지식 간의 교집합이 존재하는지 여부를 지시하는 정보가 단말로부터 수신되는지 여부를 확인한다. 만일, 단말로부터 배경 지식 재분할 요청을 지시하는 정보가 수신되거나, 단말로부터 기준 계수보다 작거나 같은 어텐션 계수가 수신되는 경우, 기지국은 배경 지식 재분할 요청이 수신된 것으로 결정할 수 있다. 반면, 단말로부터 배경 지식 재분할 요청을 지시하는 정보가 수신되지 아니하거나, 단말로부터 기준 계수보다 큰 어텐션 계수가 수신되는 경우, 기지국은 배경 지식 재분할 요청이 수신되지 아니한 것으로 결정할 수 있다.
단말로부터 배경 지식 재분할 요청이 수신된 경우, S3213 단계에서, 기지국은 배경 지식을 재분할한다. 즉, 기지국은 단말이 보유한 배경 지식과의 교집합을 갖지 아니하는 적어도 하나의 부분적 배경 지식을 변경한다. 예를 들어, 기지국은 단말이 보유한 배경 지식과의 교집합을 갖지 아니하는 적어도 하나의 부분적 배경 지식을 다른 부분적 배경 지식으로 변경할 수 있다. 다른 예로, 기지국은 S3201 단계와 같이 기지국이 보유한 전체 배경 지식을 복수의 부분적 배경 지식들로 재분할할 수 있다. 물론, 이때 배경 지식들을 재분할하는 방식, 또는 배경 지식들의 재분할에 이용되는 구성요소들은 S3201단계와 상이할 수 있다.
단말로부터 배경 지식 재분할 요청이 수신되지 아니한 경우, S3207 단계에서, 기지국은 단말로부터 어텐션 값들을 수신한다. 단말로부터 수신되는 어텐션 값들은 복수의 시맨틱 피처들과 단말의 배경 지식의 임베딩 벡터 사이의 어텐션 값들을 포함한다. 기지국은 단말에서 생성된 어텐션 값들을 복수의 시맨틱 피처들에 대한 피드백 정보로서 수신할 수 있다.
S3209 단계에서, 기지국은 결합 비율을 설정한다. 즉, 기지국은 다중 피처 송신 기반의 시맨틱 다이버시티 기법을 위해, 단말로부터 수신된 어텐션 값들을 기반으로 복수의 시맨틱 피처들 각각에 대한 결합 비율을 설정한다. 결합 비율은, 복수의 시맨틱 피처들의 송신에 이용되는 부분적 배경 지식과 단말이 보유한 배경 지식의 교집합의 크기에 따라 설정될 수 있다. 즉, 교집합의 크기가 클 수록 해당 시맨틱 피처에 대한 결합 비율이 크게 설정되고, 교집합의 크기가 작을 수록 해당 시맨틱 피처에 대한 결합 비율이 작게 설정될 수 있다.
S3211 단계에서, 기지국은 어텐션 값들 및 결합 비율에 기반하여 합성 시맨틱 피처를 생성 및 송신한다. 즉, 기지국은 단말로부터 피드백된 어텐션 값들을 이용하는 피드백 인젝션 인코더를 이용하여 복수의 시맨틱 피처들을 생성하고, 생성된 복수의 시맨틱 피처들을 결합 비율에 따라 결합함으로써 합성 시맨틱 피처를 생성할 수 있다. 이때, 피드백 인젝션 인코더가 단말로부터 피드백된 어텐션 값들을 이용함으로써, 복수의 시맨틱 피처들에 대한 어텐션은 해당 부분적 배경 지식들 중 단말이 보유한 배경 지식과의 교집합 부분으로 축소될 수 있다.
도 31 및 도 32는 시맨틱 다이버시티 기법을 위한 결합 비율 제어 동작이 소스에서 수행되는 경우에 대한 예이다. 그러나, 전술한 바와 같이, 본 개시는 이에 제한되지 아니한다. 즉, 시맨틱 다이버시티 기법을 위한 결합 비율 제어 동작은 아래의 도 33 및 도 34와 같이 목적지에서 수행될 수도 있다.
도 33은 본 개시의 일 실시예에 따른 배경 지식에 대한 동기화 및 결합 비율 제어 절차의 예를 도시한다. 도 33은 목적지로 동작하는 단말에 의해 수행되는 방법을 예시한다. 일 실시예에 따르면, 도 33의 적어도 일부 동작은 도 28의 S2903 단계, S2905 단계, 및 S2907 단계의 일 예로서 이해될 수 있다.
도 33을 참고하면, S3301 단계에서, 단말은 복수의 시맨틱 피처들을 수신한다. 즉, 단말은 기지국으로부터 특정 소스 데이터에 대응되는 복수의 시맨틱 피처들을 수신한다.
S3303 단계에서, 단말은 어텐션 계수들을 계산한다. 즉, 단말은 복수의 시맨틱 피처들의 생성에 이용된 부분적 배경 지식들 각각과 단말의 배경 지식 간의 교집합이 존재하는지 여부를 판단하기 위한 어텐션 계수들을 계산한다.
S3305 단계에서, 단말은 교집합이 존재하는지 여부를 확인한다. 즉, 단말은 계산된 어텐션 계수들을 기반으로, 복수의 시맨틱 피처들의 생성에 이용된 부분적 배경 지식들 각각과 단말의 배경 지식 간의 교집합이 존재하는지 여부를 확인한다.
교집합이 존재하지 아니하는 경우, S3317 단계에서, 단말은 기지국에게 배경 지식의 재분할을 요청한다. 즉, 단말은 기지국에서 복수의 시맨틱 피처들의 생성에 이용된 부분적 배경 지식들 각각과 단말의 배경 지식 간의 교집합이 존재하지 아니함을 기지국에게 보고함으로써, 기지국의 부분적 배경 지식들 중 단말의 배경 지식과의 교집합을 가지지 아니하는 적어도 하나의 부분적 배경 지식에 대한 변경을 요청한다.
교집합이 존재하는 경우, S3307 단계에서, 단말은 어텐션 값들을 피드백한다. 어텐션 값들은 수신된 복수의 시맨틱 피처들과 단말이 보유한 배경 지식의 임베딩 벡터에 기반하여 계산되는 값으로, 수학식 18과 같이 계산될 수 있다.
S3309 단계에서, 단말은 기지국으로부터 복수의 시맨틱 피처들을 수신한다. 복수의 시맨틱 피처들은 기지국에서 부분적 배경 지식들을 어텐션으로 이용하는 문맥화 인코더 및 단말로부터 피드백된 어텐션 값을 이용하는 피드백 인젝션 인코더를 이용하여 생성될 수 있다. 여기서, 피드백 인젝션 인코더가 단말로부터 피드백된 어텐션 값들을 이용함으로써, 복수의 시맨틱 피처들에 대한 어텐션은 해당 부분적 배경 지식들 중 단말이 보유한 배경 지식과의 교집합 부분으로 축소될 수 있다.
S3311 단계에서, 단말은 복수의 시맨틱 피처별 결합 가중치를 계산한다. 즉, 단말은 복수의 시맨틱 피처들에 목적지가 보유한 배경 지식을 이용하여 다운스트림 태스크를 수행하기 위한 임베딩을 생성하고, 생성된 임베딩 및 복수의 시맨틱 피처들의 가중치 합 사이의 유사도에 기반하여 복수의 시맨틱 피처들 각각에 대한 중요도를 측정한다. 단말은 복수의 시맨틱 피처들 각각에 대한 중요도를 정규화함으로써, 복수의 시맨틱 피처들 각각에 대한 결합 가중치를 계산한다. 예를 들어, 단말은 수학식 20과 같이 복수의 시맨틱 피처별 결합 가중치를 계산할 수 있다.
S3313 단계에서, 단말은 결합 가중치에 기반하여 합성 시맨틱 피처를 생성한다. 즉, 단말은 복수의 시맨틱 피처별 결합 가중치를 복수의 시맨틱 피처들 각각에 적용한 후, 결합 가중치가 적용된 결과 값들을 더함으로써, 합성 시맨틱 피처를 생성한다.
S3315 단계에서, 단말은 다운스트림 태스크를 수행한다. 즉, 단말은 단말에서 생성된 합성 시맨틱 피처를 기반으로 다운스트림 태스크를 수행한다.
도 34는 본 개시의 일 실시예에 따른 배경 지식에 대한 동기화 및 결합 비율 제어 절차의 예를 도시한다. 도 34는 소스로 동작하는 기지국에 의해 수행되는 방법을 예시한다. 일 실시예에 따르면, 도 34의 적어도 일부 동작은 도 30의 S3003 단계, S3005 단계, 및 S3007 단계의 일 예로서 이해될 수 있다.
도 34를 참고하면, S3401 단계에서, 기지국은 배경 지식을 분할한다. 기지국은 기지국이 보유한 전체 배경 지식을 복수의 부분적 배경 지식들로 분할하고, 분할된 부분적 배경 지식들 전체 또는 일부 부분적 배경 지식들을 단말이 보유한 배경 지식의 후보들로서 설정한다.
S3403 단계에서, 기지국은 복수의 시맨틱 피처들을 생성 및 송신한다. 즉, 기지국은 후보로 설정된 복수의 부분적 배경 지식들 각각을 어텐션으로 활용하는 복수의 인코더들 각각을 이용하여 소스 데이터에 대한 인코딩을 수행함으로써, 복수의 시맨틱 피처들을 생성한다.
S3405 단계에서, 기지국은 단말로부터 배경 지식 재분할 요청이 수신되는지 여부를 확인한다. 즉, 기지국은 복수의 시맨틱 피처들의 생성에 이용된 부분적 배경 지식들 각각과 단말의 배경 지식 간의 교집합이 존재하는지 여부를 지시하는 정보가 단말로부터 수신되는지 여부를 확인한다.
단말로부터 배경 지식 재분할 요청이 수신된 경우, S3411 단계에서, 기지국은 배경 지식을 재분할한다. 즉, 기지국은 단말이 보유한 배경 지식과의 교집합을 갖지 아니하는 적어도 하나의 부분적 배경 지식을 다른 부분적 배경 지식으로 변경할 수 있다.
단말로부터 배경 지식 재분할 요청이 수신되지 아니한 경우, S3407 단계에서, 기지국은 단말로부터 어텐션 값들을 수신한다. 단말로부터 수신되는 어텐션 값들은 복수의 시맨틱 피처들과 단말의 배경 지식의 임베딩 벡터 사이의 어텐션 값들을 포함한다.
S3409 단계에서, 기지국은 어텐션 값들에 기반하여 복수의 시맨틱 피처들을 재생성 및 송신한다. 즉, 기지국은 단말로부터 피드백된 어텐션 값들을 이용하는 피드백 인젝션 인코더를 이용하여 복수의 시맨틱 피처들을 재생성하고, 생성된 복수의 시맨틱 피처들을 단말에게 송신할 수 있다. 이때, 피드백 인젝션 인코더가 단말로부터 피드백된 어텐션 값들을 이용함으로써, 복수의 시맨틱 피처들에 대한 어텐션은 해당 부분적 배경 지식들 중 단말이 보유한 배경 지식과의 교집합 부분으로 축소될 수 있다.
도 35는 본 개시의 일 실시예에 따른 배경 지식 동기화 및 동기화된 배경 지식에 기반한 시맨틱 통신 절차의 예를 도시한다. 도 35는 기지국이 소스로 동작하고, 단말이 목적지로 동작하는 경우에 대한 기지국과 단말 사이의 시그널링을 예시한다.
도 35를 참고하면, S3501 단계에서, 기지국(3520)은 배경 지식을 분할한다. 즉, 기지국(3520)은 그래프 클러스터링을 기반으로 배경 지식을 복수의 부분적 배경 지식들로 분할한다.
S3503 단계에서, 기지국(3520)은 부분적 배경 지식들 각각에 대응되는 인코더들을 이용하여 제1 시맨틱 피처들을 생성한다. 즉, 기지국(3520)은 서로 다른 부분적 배경 지식들을 어텐션으로 활용하는 N개의 인코더들을 이용하여 i번째 소스 데이터에 대한 인코딩을 수행함으로써, 소스 데이터에 대한 제1 시맨틱 피처들
Figure PCTKR2023018847-appb-img-000144
을 생성한다.
S3505 단계에서, 기지국(3520)은 제1 시맨틱 피처들
Figure PCTKR2023018847-appb-img-000145
을 단말(3510)에게 송신한다. 이때, 제1 시맨틱 피처들
Figure PCTKR2023018847-appb-img-000146
은 단말(3510)에게 순차적으로 송신될 수 있다.
S3507 단계에서, 단말(3510)은 어텐션 계수를 계산한다. 어텐션 계수는 제1 시맨틱 피처들의 생성에 이용된 기지국의 부분적 배경 지식과 단말이 보유한 배경 지식 간의 유사도를 지시한다. 어텐션 계수는 수학식 18과 같이, 수신된 제1 시맨틱 피처들과 단말이 보유한 배경 지식의 임베딩 벡터 사이의 어텐션 값들을 계산하는 과정에서 획득되는
Figure PCTKR2023018847-appb-img-000147
값일 수 있다.
단말(3510)은 계산된 어텐션 계수에 기반하여 옵션 A(option A)에 따른 동작 또는 옵션 B(option B)에 따른 동작을 수행할 수 있다. 구체적으로, 단말(3510)은 계산된 어텐션 계수를 기반으로 제1 시맨틱 피처들의 생성에 이용된 기지국의 부분적 배경 지식들 각각과 단말의 배경 지식 간의 교집합이 존재하는지 여부를 판단하고, 교집합의 존재 여부에 기반하여 옵션 A에 따른 동작 또는 옵션 B에 따른 동작을 수행할 수 있다.
만일, 기지국(3520)의 적어도 하나의 부분적 배경 지식과 단말의 배경 지식 간의 교집합이 존재하지 아니하는 경우, 단말(3510)은 옵션 A에 따른 동작을 수행한다. 즉, S3509 단계에서, 단말(3510)은 배경 지식 재분할을 요청한다. 즉, 단말(3510)은 단말(3510)과의 시맨틱 통신을 위해 기지국(3520)에서 이용되는 부분적 배경 지식들 중 적어도 하나의 부분적 배경 지식이 단말(3510)의 배경 지식과 교집합을 갖지 아니함을 기지국(3520)에게 보고한다.
S3511 단계에서, 기지국(3520)은 배경 지식을 재분할한다. 즉, 기지국(3520)은 단말의 배경 지식 재분할 요청에 따라, 단말(3510)과의 시맨틱 통신에 이용되는 부분적 배경 지식들 중 적어도 하나의 부분적 배경 지식을 다른 부분적 배경 지식으로 교체하거나, 기지국(3520)의 전체 배경 지식을 복수의 부분적 배경 지식들로 재분할할 수 있다. 이후, 기지국(3520)은 S3503 단계를 수행한다.
반면, 기지국(3520)의 복수의 부분적 배경 지식들 각각과 단말의 배경 지식 간의 교집합이 존재하는 경우, 단말(3510)은 옵션 B에 따른 동작을 수행한다. 즉, S3513 단계에서, 단말(3510)은 어텐션 값들
Figure PCTKR2023018847-appb-img-000148
을 기지국에게 송신한다. 즉, 단말(3510)은 기지국(3520)으로부터 수신된 제1 시맨틱 피처들
Figure PCTKR2023018847-appb-img-000149
과 단말(3510)이 보유한 배경 지식의 임베딩 벡터 사이의 어텐션 값들
Figure PCTKR2023018847-appb-img-000150
을 계산하고, 계산된 어텐션 값들
Figure PCTKR2023018847-appb-img-000151
을 기지국(3520)에게 송신할 수 있다.
S3515 단계에서, 기지국(3520)은 어텐션 값들에 기반하여 피드백 인젝션 인코딩을 수행한다. 즉, 기지국(3520)은 제1 시맨틱 피처들을 단말(3510)로부터 피드백된 어텐션 값들을 이용하는 피드백 인젝션 인코더를 통해 추가적으로 인코딩함으로써, 제2 시맨틱 피처들
Figure PCTKR2023018847-appb-img-000152
을 생성한다. 제2 시맨틱 피처들
Figure PCTKR2023018847-appb-img-000153
은 복수의 송신 피처들로 지칭될 수 있다. 제2 시맨틱 피처들
Figure PCTKR2023018847-appb-img-000154
은 단말(3510)이 보유한 배경 지식과 중첩되는 배경 지식만을 어텐션으로 가질 수 있다.
S3517 단계에서, 기지국(3520)은 제2 시맨틱 피처들
Figure PCTKR2023018847-appb-img-000155
을 단말(3510)에게 송신한다. 일 실시예에 따르면, 기지국(3520)은 제2 시맨틱 피처들
Figure PCTKR2023018847-appb-img-000156
을 결합한 합성 시맨틱 피처를 단말(3510)에게 송신할 수 있다. 구체적으로, 기지국(3520)은 단말(3510)로부터 피드백된 어텐션 값들을 기반으로 제2 시맨틱 피처들
Figure PCTKR2023018847-appb-img-000157
에 대한 결합 비율을 설정하고, 설정된 결합 비율에 따라 제2 시맨틱 피처들을 결합함으로써, 합성 시맨틱 피처를 생성 및 송신할 수 있다. 이 경우, 단말(3510)은 합성 시맨틱 피처를 기반으로 다운스트림 태스크를 수행할 수 있다.
일 실시예에 따르면, 기지국(3520)은 제2 시맨틱 피처들
Figure PCTKR2023018847-appb-img-000158
을 결합하지 아니하고, 단말(3510)에게 송신할 수 있다. 이 경우, 단말(3510)은 제2 시맨틱 피처들
Figure PCTKR2023018847-appb-img-000159
에 대한 결합 가중치를 설정하고, 수신된 제2 시맨틱 피처들
Figure PCTKR2023018847-appb-img-000160
에 결합 가중치를 적용한 후, 그 결과를 합한 합성 시맨틱 피처를 생성할 수 있다. 단말(3510)은 단말에서 생성된 합성 시맨틱 피처를 기반으로 다운스트림 태스크를 수행할 수 있다.
S3519 단계에서, 기지국(3520)과 단말(3510)은 결합 비율을 제어할 수 있다. 즉, 기지국(3520)은 단말(3510)로부터 제2 시맨틱 피처들 각각에 대한 결합 가중치 정보를 피드백받고, 피드백된 결합 가중치 정보에 기반하여 기지국(3520)의 배경 지식에 대한 재분할을 수행할 수 있다. 구체적으로, 기지국(3520)은 기지국(3520)에서 계산되는 제2 시맨틱 피처들에 대한 결합 비율
Figure PCTKR2023018847-appb-img-000161
과 단말(3510)로부터 획득된 제2 시맨틱 피처들에 대한 결합 가중치
Figure PCTKR2023018847-appb-img-000162
의 차이를 계산하고, 계산된 차이에 기반하여 결합 비율 및/또는 결합 가중치를 유지하거나, 배경 지식에 대한 재분할(re-partitioning)을 수행할 수 있다. 예를 들어, 결합 비율
Figure PCTKR2023018847-appb-img-000163
및 결합 가중치
Figure PCTKR2023018847-appb-img-000164
의 차이가 임계값보다 작거나 같은 경우, 기지국(3520)은 결합 비율
Figure PCTKR2023018847-appb-img-000165
및 결합 가중치
Figure PCTKR2023018847-appb-img-000166
을 기반으로 단말(3510)과의 시맨틱 통신을 수행한다. 반면, 결합 비율
Figure PCTKR2023018847-appb-img-000167
및 결합 가중치
Figure PCTKR2023018847-appb-img-000168
의 차이가 임계값보다 큰 경우, 기지국(3520)은 배경 지식을 재분할하고, S3503 단계 및 이후 단계들을 재수행함으로써, 단말(3510)의 다운스트림 태스크에 대해 적합한 결합 비율 제어 동작을 수행할 수 있다.
전술한 본 개시에서, 기지국이 소스로 동작하고, 단말이 목적지로 동작하는 것을 가정하여 설명하였다. 그러나, 본 개시의 실시예들은 이에 한정되지 아니한다. 예를 들어, 단말이 소스로 동작하고, 해당 단말과 통신할 다른 단말이 목적지로 동작할 수 있다. 또는, 단말이 소스로 동작하고, 기지국이 목적지로 동작할 수 있다.
상기 설명한 제안 방식들은 독립적으로 구현될 수도 있지만, 일부 제안 방식들의 조합 (또는 병합) 형태로 구현될 수도 있다. 상기 제안 방법들의 적용 여부 정보 (또는 상기 제안 방법들의 규칙들에 대한 정보)는 기지국이 단말에게 사전에 정의된 시그널 (예: 물리 계층 시그널 또는 상위 계층 시그널)을 통해서 알려주도록 규칙이 정의될 수 있다.
본 개시는 본 개시에서 서술하는 기술적 아이디어 및 필수적 특징을 벗어나지 않는 범위에서 다른 특정한 형태로 구체화될 수 있다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다. 본 개시의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 개시의 등가적 범위 내에서의 모든 변경은 본 개시의 범위에 포함된다. 또한, 특허청구범위에서 명시적인 인용 관계가 있지 않은 청구항들을 결합하여 실시예를 구성하거나 출원 후의 보정에 의해 새로운 청구항으로 포함할 수 있다.
본 개시의 실시예들은 다양한 무선접속 시스템에 적용될 수 있다. 다양한 무선접속 시스템들의 일례로서, 3GPP(3rd Generation Partnership Project) 또는 3GPP2 시스템 등이 있다.
본 개시의 실시예들은 상기 다양한 무선접속 시스템뿐 아니라, 상기 다양한 무선접속 시스템을 응용한 모든 기술 분야에 적용될 수 있다. 나아가, 제안한 방법은 초고주파 대역을 이용하는 mmWave, THz 통신 시스템에도 적용될 수 있다.
추가적으로, 본 개시의 실시예들은 자유 주행 차량, 드론 등 다양한 애플리케이션에도 적용될 수 있다.

Claims (15)

  1. 무선 통신 시스템에서 단말에 의해 수행되는 방법에 있어서,
    기지국으로부터 제1 제어 정보를 수신하는 단계;
    상기 기지국으로부터 제1 제어 정보에 기반하여 제1 데이터 신호를 수신하는 단계;
    상기 기지국에게 제1 데이터 신호에 대한 피드백 정보를 송신하는 단계;
    상기 기지국으로부터 제2 제어 정보를 수신하는 단계; 및
    상기 기지국으로부터 제2 제어 정보에 기반하여 제2 데이터 신호를 수신하는 단계를 포함하며,
    상기 피드백 정보는, 상기 기지국의 배경 지식 정보로부터 도출되는 부분적 배경 지식들에 기반하여 생성된 복수의 시맨틱 피처들에 기반하여, 상기 부분적 배경 지식들 각각 및 상기 단말이 보유한 배경 지식 간 유사도들을 판단하기 위해 이용되는 정보를 포함하며,
    상기 제2 데이터 신호는, 상기 피드백 정보에 기반하여 복수의 시맨틱 피처들을 결합한 합성 시맨틱 피처를 포함하는 방법.
  2. 청구항 1에 있어서,
    상기 제1 데이터 신호는, 상기 기지국의 배경 지식 정보로부터 도출되는 부분적 배경 지식들에 기반하여 생성된 복수의 시맨틱 피처들을 포함하는 방법.
  3. 청구항 2에 있어서,
    상기 복수의 시맨틱 피처들의 생성에 이용된 상기 부분적 배경 지식들 각각 및 상기 단말이 보유한 배경 지식의 교집합이 존재하는지 여부를 판단하는 단계; 및
    상기 교집합이 존재하지 아니하는 경우, 상기 부분적 배경 지식들 중 적어도 하나의 부분적 배경 지식에 대한 변경을 요청하는 단계를 더 포함하는 방법.
  4. 청구항 3에 있어서,
    상기 교집합이 존재하는 경우, 상기 부분적 배경 지식들 각각을 상기 단말이 보유한 배경 지식과의 교집합 부분으로 축소시키는데 이용될 정보를 상기 피드백 정보로서 송신하는 방법.
  5. 청구항 4에 있어서,
    상기 제2 데이터 신호는, 상기 피드백 정보에 기반하여 상기 교집합 부분으로 축소된 부분적 배경 지식들에 기반하여 생성되는 방법.
  6. 청구항 1에 있어서,
    상기 피드백 정보는, 상기 합성 시맨틱 피처를 기반으로 수행되는 다운스트림 태스크의 수행 결과에 대한 성능 메트릭에 기반하여 설정되는 주기에 따라 송신되는 방법.
  7. 무선 통신 시스템에서 기지국에 의해 수행되는 방법에 있어서,
    단말에게 제1 제어 정보를 송신하는 단계;
    상기 단말에게 상기 제1 제어 정보에 기반하여 제1 데이터 신호를 송신하는 단계;
    상기 단말로부터 상기 제1 데이터 신호에 대한 피드백 정보를 수신하는 단계;
    상기 단말에게 제2 제어 정보를 송신하는 단계; 및
    상기 단말부터 상기 제2 제어 정보에 기반하여 제2 데이터 신호를 송신하는 단계를 포함하며,
    상기 피드백 정보는, 상기 기지국의 배경 지식 정보로부터 도출되는 부분적 배경 지식들에 기반하여 생성된 복수의 시맨틱 피처들에 기반하여, 상기 부분적 배경 지식들 각각 및 상기 단말이 보유한 배경 지식 간 유사도들을 판단하기 위해 이용되는 정보를 포함하며,
    상기 제2 데이터 신호는, 상기 피드백 정보에 기반하여 복수의 시맨틱 피처들을 결합한 합성 시맨틱 피처를 포함하는 방법.
  8. 청구항 7에 있어서,
    상기 부분적 배경 지식들 각각을 어텐션으로 이용하는 복수의 인코더들 각각을 이용하여 상기 복수의 시맨틱 피처들을 포함하는 제1 데이터 신호를 생성하는 단계를 더 포함하는 방법.
  9. 청구항 7에 있어서,
    상기 피드백 정보에 기반하여, 상기 부분적 배경 지식들 중 적어도 하나의 부분적 배경 지식을 변경하는 단계를 더 포함하는 방법.
  10. 청구항 7에 있어서,
    상기 피드백 정보에 기반하여, 상기 부분적 배경 지식들 각각을 상기 단말이 보유한 배경 지식과의 교집합 부분으로 축소시키는 단계; 및
    상기 교집합 부분으로 축소된 부분적 배경 지식들을 이용하여 상기 합성 시맨틱 피처를 생성하는 단계를 더 포함하는 방법.
  11. 청구항 7에 있어서,
    상기 피드백 정보에 기반하여 상기 복수의 시맨틱 피처들에 대한 결합 비율을 결정하는 단계를 더 포함하며,
    상기 합성 시맨틱 피처는, 상기 복수의 시맨틱 피처들을 상기 결합 비율에 기반하여 결합함으로써 생성되는 방법.
  12. 무선 통신 시스템에서 단말에 있어서,
    송수신기; 및
    상기 송수신기와 연결된 프로세서를 포함하며,
    상기 프로세서는,
    기지국으로부터 제1 제어 정보를 수신하고,
    상기 기지국으로부터 제1 제어 정보에 기반하여 제1 데이터 신호를 수신하고,
    상기 기지국에게 제1 데이터 신호에 대한 피드백 정보를 송신하고,
    상기 기지국으로부터 제2 제어 정보를 수신하고,
    상기 기지국으로부터 제2 제어 정보에 기반하여 제2 데이터 신호를 수신하도록 제어하며,
    상기 피드백 정보는, 상기 기지국의 배경 지식 정보로부터 도출되는 부분적 배경 지식들에 기반하여 생성된 복수의 시맨틱 피처들에 기반하여, 상기 부분적 배경 지식들 각각 및 상기 단말이 보유한 배경 지식 간 유사도들을 판단하기 위해 이용되는 정보를 포함하며,
    상기 제2 데이터 신호는, 상기 피드백 정보에 기반하여 복수의 시맨틱 피처들을 결합한 합성 시맨틱 피처를 포함하는 단말.
  13. 무선 통신 시스템에서 기지국에 있어서,
    송수신기; 및
    상기 송수신기와 연결된 프로세서를 포함하며,
    상기 프로세서는,
    단말에게 제1 제어 정보를 송신하고,
    상기 단말에게 상기 제1 제어 정보에 기반하여 제1 데이터 신호를 송신하고,
    상기 단말로부터 상기 제1 데이터 신호에 대한 피드백 정보를 수신하고,
    상기 단말에게 제2 제어 정보를 송신하고,
    상기 단말부터 상기 제2 제어 정보에 기반하여 제2 데이터 신호를 송신하도록 제어하며,
    상기 피드백 정보는, 상기 기지국의 배경 지식 정보로부터 도출되는 부분적 배경 지식들에 기반하여 생성된 복수의 시맨틱 피처들에 기반하여, 상기 부분적 배경 지식들 각각 및 상기 단말이 보유한 배경 지식 간 유사도들을 판단하기 위해 이용되는 정보를 포함하며,
    상기 제2 데이터 신호는, 상기 피드백 정보에 기반하여 복수의 시맨틱 피처들을 결합한 합성 시맨틱 피처를 포함하는 기지국.
  14. 통신 장치에 있어서,
    적어도 하나의 프로세서;
    상기 적어도 하나의 프로세서와 연결되며, 상기 적어도 하나의 프로세서에 의해 실행됨에 따라 동작들을 지시하는 명령어를 저장하는 적어도 하나의 컴퓨터 메모리를 포함하며,
    상기 동작들은,
    기지국으로부터 제1 제어 정보를 수신하는 단계;
    상기 기지국으로부터 제1 제어 정보에 기반하여 제1 데이터 신호를 수신하는 단계;
    상기 기지국에게 제1 데이터 신호에 대한 피드백 정보를 송신하는 단계;
    상기 기지국으로부터 제2 제어 정보를 수신하는 단계; 및
    상기 기지국으로부터 제2 제어 정보에 기반하여 제2 데이터 신호를 수신하는 단계를 포함하며,
    상기 피드백 정보는, 상기 기지국의 배경 지식 정보로부터 도출되는 부분적 배경 지식들에 기반하여 생성된 복수의 시맨틱 피처들에 기반하여, 상기 부분적 배경 지식들 각각 및 상기 통신 장치가 보유한 배경 지식 간 유사도들을 판단하기 위해 이용되는 정보를 포함하며,
    상기 제2 데이터 신호는, 상기 피드백 정보에 기반하여 복수의 시맨틱 피처들을 결합한 합성 시맨틱 피처를 포함하는 통신 장치.
  15. 적어도 하나의 명령어(instructions)을 저장하는 비-일시적인(non-transitory) 컴퓨터 판독 가능 매체(computer-readable medium)에 있어서,
    프로세서에 의해 실행 가능한(executable) 상기 적어도 하나의 명령어를 포함하며,
    상기 적어도 하나의 명령어는, 장치가,
    상기 기지국으로부터 제1 제어 정보에 기반하여 제1 데이터 신호를 수신하고,
    상기 기지국에게 제1 데이터 신호에 대한 피드백 정보를 송신하고,
    상기 기지국으로부터 제2 제어 정보를 수신하고,
    상기 기지국으로부터 제2 제어 정보에 기반하여 제2 데이터 신호를 수신하도록 제어하며,
    상기 피드백 정보는, 상기 기지국의 배경 지식 정보로부터 도출되는 부분적 배경 지식들에 기반하여 생성된 복수의 시맨틱 피처들에 기반하여, 상기 부분적 배경 지식들 각각 및 단말이 보유한 배경 지식 간 유사도들을 판단하기 위해 이용되는 정보를 포함하며,
    상기 제2 데이터 신호는, 상기 피드백 정보에 기반하여 복수의 시맨틱 피처들을 결합한 합성 시맨틱 피처를 포함하는 비-일시적인 컴퓨터 판독 가능 매체.
PCT/KR2023/018847 2023-11-22 2023-11-22 무선 통신 시스템에서 시맨틱 통신을 수행하기 위한 장치 및 방법 Pending WO2025110271A1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/KR2023/018847 WO2025110271A1 (ko) 2023-11-22 2023-11-22 무선 통신 시스템에서 시맨틱 통신을 수행하기 위한 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/KR2023/018847 WO2025110271A1 (ko) 2023-11-22 2023-11-22 무선 통신 시스템에서 시맨틱 통신을 수행하기 위한 장치 및 방법

Publications (1)

Publication Number Publication Date
WO2025110271A1 true WO2025110271A1 (ko) 2025-05-30

Family

ID=95827127

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2023/018847 Pending WO2025110271A1 (ko) 2023-11-22 2023-11-22 무선 통신 시스템에서 시맨틱 통신을 수행하기 위한 장치 및 방법

Country Status (1)

Country Link
WO (1) WO2025110271A1 (ko)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113705245A (zh) * 2021-09-01 2021-11-26 北京邮电大学 语义通信方法、装置、系统、计算机设备及存储介质
WO2023113302A1 (ko) * 2021-12-13 2023-06-22 엘지전자 주식회사 시맨틱 통신에서 시맨틱 메시지 유형에 기반하여 우선 순위 설정 및 처리를 수행하기 위한 장치 및 방법
CN117057336A (zh) * 2023-08-28 2023-11-14 中国科学院计算技术研究所 一种知识图谱实体对齐系统构建方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113705245A (zh) * 2021-09-01 2021-11-26 北京邮电大学 语义通信方法、装置、系统、计算机设备及存储介质
WO2023113302A1 (ko) * 2021-12-13 2023-06-22 엘지전자 주식회사 시맨틱 통신에서 시맨틱 메시지 유형에 기반하여 우선 순위 설정 및 처리를 수행하기 위한 장치 및 방법
CN117057336A (zh) * 2023-08-28 2023-11-14 中国科学院计算技术研究所 一种知识图谱实体对齐系统构建方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
LIU YUDONG, CHEN WEN: "Recommendation Model Based on Semantic Features and a Knowledge Graph", WIRELESS COMMUNICATIONS AND MOBILE COMPUTING, vol. 2021, no. 1, 1 January 2021 (2021-01-01), pages 1 - 9, XP093317857, ISSN: 1530-8669, DOI: 10.1155/2021/2382892 *
ZHAOHUI YANG; MINGZHE CHEN; ZHAOYANG ZHANG; CHONGWEN HUANG: "Energy Efficient Semantic Communication over Wireless Networks with Rate Splitting", ARXIV.ORG, 5 January 2023 (2023-01-05), pages 1 - 12, XP091408470 *

Similar Documents

Publication Publication Date Title
WO2022250221A1 (ko) 무선 통신 시스템에서 신호 전송 방법 및 장치
WO2024090690A1 (ko) 무선 통신 시스템에서 시맨틱 통신을 위한 부호화 및 복호화를 수행하기 위한 장치 및 방법
WO2024071459A1 (ko) 무선 통신 시스템에서 신호 송수신 방법 및 장치
WO2024117275A1 (ko) 무선 통신 시스템에서 다양한 신호들을 이용하여 공동 통신 및 센싱 동작을 수행하기 위한 장치 및 방법
WO2023054778A1 (ko) 무선 통신 시스템에서 채널 상태 정보를 보고하기 위한 방법 및 이를 위한 장치
WO2023286884A1 (ko) 무선 통신 시스템에서 신호를 송수신하는 방법 및 장치
WO2025110271A1 (ko) 무선 통신 시스템에서 시맨틱 통신을 수행하기 위한 장치 및 방법
WO2024150861A1 (ko) 무선 통신 시스템에서 송수신기 모델에 대한 온라인 학습을 수행하기 위한 장치 및 방법
WO2025023338A1 (ko) 무선 통신 시스템에서 재구성 가능한 지능형 표면을 이용한 주파수 분할 이중화 통신 방법 및 장치
WO2025110254A1 (ko) 무선 통신 시스템에서 시맨틱 통신을 수행하기 위한 장치 및 방법
WO2023219192A1 (ko) 무선 통신 시스템에서 지능형 반사 평면에 관련된 채널을 추정하기 위한 장치 및 방법
WO2024096160A1 (ko) 무선 통신 시스템에서 채널 상태 정보에 대한 가변 전송률을 지원하도록 온라인 학습을 수행하기 위한 장치 및 방법
WO2024195920A1 (ko) 양자 통신 시스템에서 비국소 잡음 특성을 갖는 간섭 채널에 대한 채널 코딩을 수행하기 위한 장치 및 방법
WO2023022251A1 (ko) 무선 통신 시스템에서 신호 전송 방법 및 장치
WO2022071642A1 (ko) 무선 통신 시스템에서 단말 및 기지국의 채널 코딩 수행 방법 및 장치
WO2022270650A1 (ko) 무선 통신 시스템에서 연합 학습을 수행하기 위한 방법 및 이를 위한 장치
WO2026095087A1 (ko) 무선 통신 시스템에서 시맨틱 통신을 위해 코드북 정렬에 기반한 배경 지식 매칭을 위한 장치 및 방법
WO2025116057A1 (ko) 무선 통신 시스템에서 재구성가능한 지능형 표면을 이용하여 통신을 수행하기 위한 장치 및 방법
WO2025100559A1 (ko) 재구성 가능한 지능형 표면을 이용한 무선 통신 시스템에서 총 전송률을 향상시키기 위한 장치 및 방법
WO2025048006A1 (ko) 무선 통신 시스템에서 시맨틱 오류를 검출 및 정정하기 위한 장치 및 방법
WO2025013956A1 (ko) 무선 통신 시스템에서 시맨틱 통신을 수행하기 위한 장치 및 방법
WO2026095088A1 (ko) 무선 통신 시스템에서 시맨틱 통신을 위한 통합 코드북 시퀀스 설계를 위한 장치 및 방법
WO2025164829A1 (ko) 무선 통신 시스템에서 채널에 관련된 정보를 수집하기 위한 장치 및 방법
WO2026095101A1 (ko) 무선 통신 시스템에서 인공신경망을 이용하여 빔을 형성하기 위한 장치 및 방법
WO2023090615A1 (ko) 무선 통신 시스템에서 다중 사용자 프리코딩을 수행하기 위한 장치 및 방법

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 23959528

Country of ref document: EP

Kind code of ref document: A1