WO2024122694A1 - 무선 통신 시스템에서 수신기에 대한 학습을 수행하기 위한 장치 및 방법 - Google Patents

무선 통신 시스템에서 수신기에 대한 학습을 수행하기 위한 장치 및 방법 Download PDF

Info

Publication number
WO2024122694A1
WO2024122694A1 PCT/KR2022/020042 KR2022020042W WO2024122694A1 WO 2024122694 A1 WO2024122694 A1 WO 2024122694A1 KR 2022020042 W KR2022020042 W KR 2022020042W WO 2024122694 A1 WO2024122694 A1 WO 2024122694A1
Authority
WO
WIPO (PCT)
Prior art keywords
reference signals
information
model
information related
learning
Prior art date
Application number
PCT/KR2022/020042
Other languages
English (en)
French (fr)
Inventor
이경호
이상림
김영준
Original Assignee
엘지전자 주식회사
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 엘지전자 주식회사 filed Critical 엘지전자 주식회사
Priority to PCT/KR2022/020042 priority Critical patent/WO2024122694A1/ko
Publication of WO2024122694A1 publication Critical patent/WO2024122694A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L5/00—Arrangements affording multiple use of the transmission path
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/10—Scheduling measurement reports ; Arrangements for measurement reports
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W8/00—Network data management
    • H04W8/22—Processing or transfer of terminal data, e.g. status or physical capabilities
    • H04W8/24—Transfer of terminal data

Definitions

  • the following description relates to a wireless communication system and to an apparatus and method for performing learning on a receiver in a wireless communication system.
  • the present disclosure can provide an apparatus and method for performing training on a receiver based on artificial intelligence or machine learning model in a wireless communication system.
  • the present disclosure can provide an apparatus and method for performing learning on a receiver based on a Gaussian process (GP) model in a wireless communication system.
  • GP Gaussian process
  • the present disclosure can provide an apparatus and method for performing online learning for a GP model-based receiver in a wireless communication system.
  • the present disclosure can provide an apparatus and method for performing active learning for a GP model-based receiver in a wireless communication system.
  • a method of operating a base station in a wireless communication system includes receiving capability information from a user equipment (UE), transmitting configuration information related to reference signals, and operating based on the configuration information. This may include transmitting the reference signals, and receiving feedback information corresponding to the reference signals from the UE.
  • the configuration information may include information related to a receiver model for reception operations of the UE and information related to at least one kernel function related to the receiver model.
  • a non-transitory computer-readable medium storing at least one instruction includes the at least one instruction executable by a processor. It includes, wherein the at least one command causes the device to transmit capability information to a base station, receive configuration information related to reference signals from the base station, and receive the reference signals based on the configuration information. and control to transmit feedback information corresponding to the reference signals, wherein the configuration information includes information related to a receiver model for a reception operation of the UE and information related to at least one kernel function related to the receiver model. can do.
  • an artificial intelligence or machine learning model-based receiver can be learned effectively.
  • FIG 5 shows an example of a vehicle or autonomous vehicle applicable to the present disclosure.
  • Figure 6 shows an example of AI (Artificial Intelligence) applicable to the present disclosure.
  • Figure 7 shows a method of processing a transmission signal applicable to the present disclosure.
  • Figure 8 shows an example of a communication structure that can be provided in a 6G system applicable to the present disclosure.
  • Figure 10 shows a THz communication method applicable to the present disclosure.
  • Figure 11 shows the structure of a perceptron included in an artificial neural network applicable to the present disclosure.
  • Figure 12 shows an artificial neural network structure applicable to the present disclosure.
  • 13 shows a deep neural network applicable to this disclosure.
  • 15 shows a filter operation of a convolutional neural network applicable to this disclosure.
  • Figure 16 shows a neural network structure with a cyclic loop applicable to the present disclosure.
  • Figure 17 shows the operational structure of a recurrent neural network applicable to the present disclosure.
  • Figure 18 shows sampling methods for active learning according to an embodiment of the present disclosure.
  • 19A to 19C show examples of results of active learning and passive learning according to an embodiment of the present disclosure.
  • Figure 20 shows functional structures of devices supporting active learning according to an embodiment of the present disclosure.
  • Figure 21 shows an example of a procedure for performing learning on a transmitter model or receiver model according to an embodiment of the present disclosure.
  • Figure 22 shows an example of a procedure supporting learning of a transmitter model or receiver model according to an embodiment of the present disclosure.
  • Figure 23 shows an example of a procedure for providing competency information for active learning according to an embodiment of the present invention.
  • Figure 24 shows an example of a procedure for setting information for active learning according to an embodiment of the present invention.
  • Figure 25 shows an example of a procedure for performing active learning according to an embodiment of the present invention.
  • Figure 26 shows an example of operational timing of active reference signal transmission and channel estimation according to an embodiment of the present disclosure.
  • Figure 27 shows an example of a procedure for reporting the results of active learning according to an embodiment of the present invention.
  • Figure 28 shows an example of a procedure for terminating active learning according to an embodiment of the present invention.
  • Figure 29 shows examples of reference signal patterns for active learning according to an embodiment of the present invention.
  • 30A and 30B show examples of uncertainty evaluation results for a GP model according to an embodiment of the present invention.
  • each component or feature may be considered optional unless explicitly stated otherwise.
  • Each component or feature may be implemented in a form that is not combined with other components or features. Additionally, some components and/or features may be combined to configure an embodiment of the present disclosure. The order of operations described in embodiments of the present disclosure may be changed. Some features or features of one embodiment may be included in another embodiment or may be replaced with corresponding features or features of another embodiment.
  • the base station is meant as a terminal node of the network that directly communicates with the mobile station. Certain operations described in this document as being performed by the base station may, in some cases, be performed by an upper node of the base station.
  • 'base station' refers to terms such as fixed station, Node B, eNB (eNode B), gNB (gNode B), ng-eNB, advanced base station (ABS), or access point. It can be replaced by .
  • a terminal may include a user equipment (UE), a mobile station (MS), a subscriber station (SS), a mobile subscriber station (MSS), It can be replaced with terms such as 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 transmitting end refers to a fixed and/or mobile node that provides a data service or a voice service
  • the receiving end refers to a fixed and/or mobile node that receives a data service or a voice service. Therefore, in the case of uplink, the mobile station can be the transmitting end and the base station can be the receiving end. Likewise, in the case of downlink, the mobile station can be the receiving end and the base station can be the transmitting end.
  • Embodiments of the present disclosure include wireless access systems such as the IEEE 802.xx system, 3GPP (3rd Generation Partnership Project) system, 3GPP LTE (Long Term Evolution) system, 3GPP 5G (5th generation) NR (New Radio) system, and 3GPP2 system. It may be supported by at least one standard document disclosed in one, and in particular, embodiments of the present disclosure are supported by the 3GPP TS (technical specification) 38.211, 3GPP TS 38.212, 3GPP TS 38.213, 3GPP TS 38.321 and 3GPP TS 38.331 documents. It can be.
  • 3GPP TS technical specification
  • embodiments of the present disclosure can be applied to other wireless access systems and are not limited to the above-described system. As an example, it may be applicable to systems applied after the 3GPP 5G NR system and is 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 is 3GPP TS 36.xxx Release 8 and later.
  • 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 mean technology after TS 38.xxx Release 15, and “xxx” may mean technology after TS Release 17 and/or Release 18.
  • LTE/NR/6G can be collectively referred to as a 3GPP system.
  • FIG. 1 is a diagram illustrating an example of a communication system applied to the present disclosure.
  • the communication system 100 applied to the present disclosure includes a wireless device, a base station, and a network.
  • a wireless device refers to a device that performs communication using wireless access technology (e.g., 5G NR, LTE) and may be referred to as a communication/wireless/5G device.
  • wireless devices include robots (100a), vehicles (100b-1, 100b-2), extended reality (XR) devices (100c), hand-held devices (100d), and home appliances (100d).
  • appliance) (100e), IoT (Internet of Thing) device (100f), and AI (artificial intelligence) device/server (100g).
  • vehicles may include vehicles equipped with wireless communication functions, autonomous vehicles, vehicles capable of inter-vehicle communication, etc.
  • the vehicles 100b-1 and 100b-2 may include an unmanned aerial vehicle (UAV) (eg, a drone).
  • UAV unmanned aerial vehicle
  • the XR device 100c includes augmented reality (AR)/virtual reality (VR)/mixed reality (MR) devices, including a head-mounted device (HMD), a head-up display (HUD) installed in a vehicle, a television, It can be implemented in the form of smartphones, computers, wearable devices, home appliances, digital signage, vehicles, robots, etc.
  • the mobile device 100d may include a smartphone, smart pad, wearable device (eg, smart watch, smart glasses), computer (eg, laptop, etc.), etc.
  • Home appliances 100e may include a TV, refrigerator, washing machine, etc.
  • IoT device 100f may include sensors, smart meters, etc.
  • the base station 120 and the network 130 may also be implemented as wireless devices, and a specific wireless device 120a may operate as a base station/network node for other wireless devices.
  • Wireless devices 100a to 100f may be connected to the network 130 through the base station 120.
  • AI technology may be applied to the wireless devices 100a to 100f, and the wireless devices 100a to 100f may be connected to the AI server 100g through the network 130.
  • the network 130 may be configured using a 3G network, 4G (eg, LTE) network, or 5G (eg, NR) network.
  • Wireless devices 100a to 100f may communicate with each other through the base station 120/network 130, but communicate directly (e.g., sidelink communication) without going through the base station 120/network 130. You may.
  • vehicles 100b-1 and 100b-2 may communicate directly (eg, vehicle to vehicle (V2V)/vehicle to everything (V2X) communication).
  • the IoT device 100f eg, sensor
  • the IoT device 100f may communicate directly with other IoT devices (eg, sensor) or other wireless devices 100a to 100f.
  • Wireless communication/connection may be established between wireless devices (100a to 100f)/base station (120) and base station (120)/base station (120).
  • wireless communication/connection includes various methods such as uplink/downlink communication (150a), sidelink communication (150b) (or D2D communication), and inter-base station communication (150c) (e.g., relay, integrated access backhaul (IAB)).
  • IAB integrated access backhaul
  • This can be achieved through wireless access technology (e.g. 5G NR).
  • wireless communication/connection 150a, 150b, 150c
  • a wireless device and a base station/wireless device, and a base station and a base station can transmit/receive wireless signals to each other.
  • wireless communication/connection 150a, 150b, and 150c may transmit/receive signals through various physical channels.
  • various configuration information setting processes for transmitting/receiving wireless signals various signal processing processes (e.g., channel encoding/decoding, modulation/demodulation, resource mapping/demapping, etc.) , at least some of the resource allocation process, etc. may be performed.
  • FIG. 2 is a diagram illustrating an example of a wireless device applicable to the present disclosure.
  • the first wireless device 200a and the second wireless device 200b can transmit and receive wireless signals through various wireless access technologies (eg, LTE, NR).
  • ⁇ first wireless device 200a, second wireless device 200b ⁇ refers to ⁇ wireless device 100x, base station 120 ⁇ and/or ⁇ wireless device 100x, wireless device 100x) in FIG. ⁇ can be responded to.
  • the first wireless device 200a includes one or more processors 202a and one or more memories 204a, and may further include one or more transceivers 206a and/or one or more antennas 208a.
  • Processor 202a controls memory 204a and/or transceiver 206a and may be configured to implement the descriptions, functions, procedures, suggestions, methods and/or operational flowcharts disclosed herein.
  • the processor 202a may process information in the memory 204a to generate first information/signal and then transmit a wireless signal including the first information/signal through the transceiver 206a.
  • the processor 202a may receive a wireless signal including the second information/signal through the transceiver 206a and then store information obtained from signal processing of the second information/signal in the memory 204a.
  • the memory 204a may be connected to the processor 202a and may store various information related to the operation of the processor 202a.
  • memory 204a may perform some or all of the processes controlled by processor 202a or instructions for performing the descriptions, functions, procedures, suggestions, methods and/or operational flowcharts disclosed herein.
  • Software code containing them can be stored.
  • the processor 202a and the memory 204a may be part of a communication modem/circuit/chip designed to implement wireless communication technology (eg, LTE, NR).
  • Transceiver 206a may be coupled to processor 202a and may transmit and/or receive wireless signals via one or more antennas 208a.
  • Transceiver 206a may include a transmitter and/or receiver.
  • the transceiver 206a may be used interchangeably with a radio frequency (RF) unit.
  • RF radio frequency
  • a wireless device may mean a communication modem/circuit/chip.
  • the second wireless device 200b includes one or more processors 202b, one or more memories 204b, and may further include one or more transceivers 206b and/or one or more antennas 208b.
  • Processor 202b controls memory 204b and/or transceiver 206b and may be configured to implement the descriptions, functions, procedures, suggestions, methods and/or operational flowcharts disclosed herein.
  • the processor 202b may process information in the memory 204b to generate third information/signal and then transmit a wireless signal including the third information/signal through the transceiver 206b.
  • the processor 202b may receive a wireless signal including the fourth information/signal through the transceiver 206b and then store information obtained from signal processing of the fourth information/signal in the memory 204b.
  • the memory 204b may be connected to the processor 202b and may store various information related to the operation of the processor 202b. For example, memory 204b may perform some or all of the processes controlled by processor 202b or instructions for performing the descriptions, functions, procedures, suggestions, methods and/or operational flowcharts disclosed herein. Software code containing them can be stored.
  • the processor 202b and the memory 204b may be part of a communication modem/circuit/chip designed to implement wireless communication technology (eg, LTE, NR).
  • Transceiver 206b may be coupled to processor 202b and may transmit and/or receive wireless signals via one or more antennas 208b.
  • the transceiver 206b may include a transmitter and/or a receiver.
  • the transceiver 206b may be used interchangeably with an RF unit.
  • a wireless device may mean a communication modem/circuit/chip.
  • one or more protocol layers may be implemented by one or more processors 202a and 202b.
  • one or more processors 202a and 202b may operate on one or more layers (e.g., physical (PHY), media access control (MAC), radio link control (RLC), packet data convergence protocol (PDCP), and radio resource (RRC). control) and functional layers such as SDAP (service data adaptation protocol) can be implemented.
  • layers e.g., physical (PHY), media access control (MAC), radio link control (RLC), packet data convergence protocol (PDCP), and radio resource (RRC). control
  • SDAP service data adaptation protocol
  • One or more processors 202a, 202b may generate one or more Protocol Data Units (PDUs) and/or one or more service data units (SDUs) according to the descriptions, functions, procedures, suggestions, methods, and/or operational flowcharts disclosed in this document. can be created.
  • One or more processors 202a and 202b may generate messages, control information, data or information according to the descriptions, functions, procedures, suggestions, methods and/or operational flowcharts disclosed in this document.
  • One or more processors 202a, 202b generate signals (e.g., baseband signals) containing PDUs, SDUs, messages, control information, data, or information according to the functions, procedures, proposals, and/or methods disclosed herein.
  • transceivers 206a, 206b can be provided to one or more transceivers (206a, 206b).
  • One or more processors 202a, 202b may receive signals (e.g., baseband signals) from one or more transceivers 206a, 206b, and the descriptions, functions, procedures, suggestions, methods, and/or operational flowcharts disclosed herein.
  • PDU, SDU, message, control information, data or information can be obtained.
  • One or more processors 202a, 202b may be referred to as a controller, microcontroller, microprocessor, or microcomputer.
  • One or more processors 202a and 202b may be implemented by hardware, firmware, software, or a combination thereof.
  • ASICs application specific integrated circuits
  • DSPs digital signal processors
  • DSPDs digital signal processing devices
  • PLDs programmable logic devices
  • FPGAs field programmable gate arrays
  • the descriptions, functions, procedures, suggestions, methods and/or operational flowcharts disclosed in this document may be implemented using firmware or software, and the firmware or software may be implemented to include modules, procedures, functions, etc.
  • Firmware or software configured to perform the descriptions, functions, procedures, suggestions, methods and/or operation flowcharts disclosed in this document may be included in one or more processors 202a and 202b or stored in one or more memories 204a and 204b. It may be driven by the above processors 202a and 202b.
  • the descriptions, functions, procedures, suggestions, methods and/or operational flowcharts disclosed in this document may be implemented using firmware or software in the form of codes, instructions and/or sets of instructions.
  • One or more memories 204a and 204b may be connected to one or more processors 202a and 202b and may store various types of data, signals, messages, information, programs, codes, instructions and/or commands.
  • One or more memories 204a, 204b may include read only memory (ROM), random access memory (RAM), erasable programmable read only memory (EPROM), flash memory, hard drives, registers, cache memory, computer readable storage media, and/or It may be composed of a combination of these.
  • One or more memories 204a and 204b may be located internal to and/or external to one or more processors 202a and 202b. Additionally, one or more memories 204a and 204b may be connected to one or more processors 202a and 202b through various technologies, such as wired or wireless connections.
  • One or more transceivers may transmit user data, control information, wireless signals/channels, etc. mentioned in the methods and/or operation flowcharts of this document to one or more other devices.
  • One or more transceivers 206a, 206b may receive user data, control information, wireless signals/channels, etc. referred to in the descriptions, functions, procedures, suggestions, methods and/or operational flow charts, etc. disclosed herein from one or more other devices.
  • one or more transceivers 206a and 206b may be connected to one or more processors 202a and 202b and may transmit and receive wireless signals.
  • one or more processors 202a and 202b may control one or more transceivers 206a and 206b to transmit user data, control information, or wireless signals to one or more other devices. Additionally, one or more processors 202a and 202b may control one or more transceivers 206a and 206b to receive user data, control information, or wireless signals from one or more other devices. In addition, one or more transceivers (206a, 206b) may be connected to one or more antennas (208a, 208b), and one or more transceivers (206a, 206b) may be connected to the description and functions disclosed in this document through one or more antennas (208a, 208b).
  • one or more antennas may be multiple physical antennas or multiple logical antennas (eg, antenna ports).
  • One or more transceivers (206a, 206b) process the received user data, control information, wireless signals/channels, etc. using one or more processors (202a, 202b), and convert the received wireless signals/channels, etc. from the RF band signal. It can be converted to a baseband signal.
  • One or more transceivers (206a, 206b) may convert user data, control information, wireless signals/channels, etc. processed using one or more processors (202a, 202b) from a baseband signal to an RF band signal.
  • one or more transceivers 206a, 206b may include (analog) oscillators and/or filters.
  • FIG. 3 is a diagram illustrating another example of a wireless device applied to the present disclosure.
  • the wireless device 300 corresponds to the wireless devices 200a and 200b of FIG. 2 and includes various elements, components, units/units, and/or modules. ) can be composed of.
  • the wireless device 300 may include a communication unit 310, a control unit 320, a memory unit 330, and an additional element 340.
  • the communication unit may include communication circuitry 312 and transceiver(s) 314.
  • communication circuitry 312 may include one or more processors 202a and 202b and/or one or more memories 204a and 204b of FIG. 2 .
  • transceiver(s) 314 may include one or more transceivers 206a, 206b and/or one or more antennas 208a, 208b of FIG. 2.
  • the control unit 320 is electrically connected to the communication unit 310, the memory unit 330, and the additional element 340 and controls overall operations of the wireless device.
  • the control unit 320 may control the electrical/mechanical operation of the wireless device based on the program/code/command/information stored in the memory unit 330.
  • the control unit 320 transmits the information stored in the memory unit 330 to the outside (e.g., another communication device) through the communication unit 310 through a wireless/wired interface, or to the outside (e.g., to another communication device) through the communication unit 310.
  • Information received through a wireless/wired interface from another communication device can be stored in the memory unit 330.
  • the additional element 340 may be configured in various ways depending on the type of wireless device.
  • the additional element 340 may include at least one of a power unit/battery, an input/output unit, a driving unit, and a computing unit.
  • the wireless device 300 includes robots (FIG. 1, 100a), vehicles (FIG. 1, 100b-1, 100b-2), XR devices (FIG. 1, 100c), and portable devices (FIG. 1, 100d).
  • FIG. 1, 100e home appliances
  • IoT devices Figure 1, 100f
  • digital broadcasting terminals hologram devices
  • public safety devices MTC devices
  • medical devices fintech devices (or financial devices)
  • security devices climate/ It can be implemented in the form of an environmental device, AI server/device (FIG. 1, 140), base station (FIG. 1, 120), network node, etc.
  • Wireless devices can be mobile or used in fixed locations depending on the usage/service.
  • various elements, components, units/parts, and/or modules within the wireless device 300 may be entirely interconnected through a wired interface, or at least some of them may be wirelessly connected through the communication unit 310.
  • the control unit 320 and the communication unit 310 are connected by wire, and the control unit 320 and the first unit (e.g., 130, 140) are connected wirelessly through the communication unit 310.
  • each element, component, unit/part, and/or module within the wireless device 300 may further include one or more elements.
  • the control unit 320 may be comprised of one or more processor sets.
  • control unit 320 may be comprised of a communication control processor, an application processor, an electronic control unit (ECU), a graphics processing processor, a memory control processor, etc.
  • memory unit 330 may be comprised of RAM, dynamic RAM (DRAM), ROM, flash memory, volatile memory, non-volatile memory, and/or a combination thereof. It can be configured.
  • FIG. 4 is a diagram illustrating an example of a portable device to which the present disclosure is applied.
  • FIG 4 illustrates a portable device to which the present disclosure is applied.
  • Portable devices may include smartphones, smart pads, wearable devices (e.g., smart watches, smart glasses), and portable computers (e.g., laptops, etc.).
  • a mobile device may be referred to as a mobile station (MS), user terminal (UT), mobile subscriber station (MSS), subscriber station (SS), advanced mobile station (AMS), or wireless terminal (WT).
  • MS mobile station
  • UT user terminal
  • MSS mobile subscriber station
  • SS subscriber station
  • AMS advanced mobile station
  • WT wireless terminal
  • the portable device 400 includes an antenna unit 408, a communication unit 410, a control unit 420, a memory unit 430, a power supply unit 440a, an interface unit 440b, and an input/output unit 440c. ) may include.
  • the antenna unit 408 may be configured as part of the communication unit 410.
  • Blocks 410 to 430/440a to 440c correspond to blocks 310 to 330/340 in FIG. 3, respectively.
  • the communication unit 410 can transmit and receive signals (eg, data, control signals, etc.) with other wireless devices and base stations.
  • the control unit 420 can control the components of the portable device 400 to perform various operations.
  • the control unit 420 may include an application processor (AP).
  • the memory unit 430 may store data/parameters/programs/codes/commands necessary for driving the portable device 400. Additionally, the memory unit 430 can store input/output data/information, etc.
  • the power supply unit 440a supplies power to the portable device 400 and may include a wired/wireless charging circuit, a battery, etc.
  • the interface unit 440b may support connection between the mobile device 400 and other external devices.
  • the interface unit 440b may include various ports (eg, audio input/output ports, video input/output ports) for connection to external devices.
  • the input/output unit 440c may input or output video information/signals, audio information/signals, data, and/or information input from the user.
  • the input/output unit 440c may include a camera, a microphone, a user input unit, a display unit 440d, a speaker, and/or a haptic module.
  • the input/output unit 440c acquires information/signals (e.g., touch, text, voice, image, video) input from the user, and the obtained information/signals are stored in the memory unit 430. It can be saved.
  • the communication unit 410 may convert the information/signal stored in the memory into a wireless signal and transmit the converted wireless signal directly to another wireless device or to a base station. Additionally, the communication unit 410 may receive a wireless signal from another wireless device or a base station and then restore the received wireless signal to the original information/signal.
  • the restored information/signal may be stored in the memory unit 430 and then output in various forms (eg, text, voice, image, video, haptic) through the input/output unit 440c.
  • FIG. 5 is a diagram illustrating an example of a vehicle or autonomous vehicle applied to the present disclosure.
  • a vehicle or autonomous vehicle can be implemented as a mobile robot, vehicle, train, aerial vehicle (AV), ship, etc., and is not limited to the form of a vehicle.
  • AV aerial vehicle
  • the vehicle or autonomous vehicle 500 includes an antenna unit 508, a communication unit 510, a control unit 520, a driving unit 540a, a power supply unit 540b, a sensor unit 540c, and an autonomous driving unit. It may include a portion 540d.
  • the antenna unit 550 may be configured as part of the communication unit 510. Blocks 510/530/540a to 540d correspond to blocks 410/430/440 in FIG. 4, respectively.
  • the communication unit 510 may transmit and receive signals (e.g., data, control signals, etc.) with external devices such as other vehicles, base stations (e.g., base stations, road side units, etc.), and servers.
  • the control unit 520 may control elements of the vehicle or autonomous vehicle 500 to perform various operations.
  • the control unit 520 may include an electronic control unit (ECU).
  • ECU electronice control unit
  • FIG. 6 is a diagram showing an example of an AI device applied to the present disclosure.
  • AI devices include fixed devices such as TVs, projectors, smartphones, PCs, laptops, digital broadcasting terminals, tablet PCs, wearable devices, set-top boxes (STBs), radios, washing machines, refrigerators, digital signage, robots, vehicles, etc. It can be implemented as a device or a movable device.
  • the AI device 600 includes a communication unit 610, a control unit 620, a memory unit 630, an input/output unit (640a/640b), a learning processor unit 640c, and a sensor unit 640d. may include. Blocks 610 to 630/640a to 640d may correspond to blocks 310 to 330/340 of FIG. 3, respectively.
  • the communication unit 610 uses wired and wireless communication technology to communicate with wired and wireless signals (e.g., sensor information, user Input, learning model, control signal, etc.) can be transmitted and received. To this end, the communication unit 610 may transmit information in the memory unit 630 to an external device or transmit a signal received from an external device to the memory unit 630.
  • wired and wireless signals e.g., sensor information, user Input, learning model, control signal, etc.
  • the control unit 620 may determine at least one executable operation of the AI device 600 based on information determined or generated using a data analysis algorithm or a machine learning algorithm. And, the control unit 620 can control the components of the AI device 600 to perform the determined operation. For example, the control unit 620 may request, search, receive, or utilize data from the learning processor unit 640c or the memory unit 630, and may select at least one operation that is predicted or determined to be desirable among the executable operations. Components of the AI device 600 can be controlled to execute operations.
  • control unit 620 collects history information including the operation content of the AI device 600 or the user's feedback on the operation, and stores it in the memory unit 630 or the learning processor unit 640c, or the AI server ( It can be transmitted to an external device such as Figure 1, 140). The collected historical information can be used to update the learning model.
  • the memory unit 630 can store data supporting various functions of the AI device 600.
  • the memory unit 630 may store data obtained from the input unit 640a, data obtained from the communication unit 610, output data from the learning processor unit 640c, and data obtained from the sensing unit 640. Additionally, the memory unit 630 may store control information and/or software codes necessary for operation/execution of the control unit 620.
  • Figure 7 is a diagram illustrating a method of processing a transmission signal applied to the present disclosure.
  • the transmission signal may be processed by a signal processing circuit.
  • the signal processing circuit 700 may include a scrambler 710, a modulator 720, a layer mapper 730, a precoder 740, a resource mapper 750, and a signal generator 760.
  • the operation/function of FIG. 7 may be performed in the processors 202a and 202b and/or transceivers 206a and 206b of FIG. 2.
  • the hardware elements of FIG. 7 may be implemented in the processors 202a and 202b and/or transceivers 206a and 206b of FIG. 2.
  • the codeword can be converted into a wireless signal through the signal processing circuit 700 of FIG. 7.
  • a codeword is an encoded bit sequence of an information block.
  • the information block may include a transport block (eg, UL-SCH transport block, DL-SCH transport block).
  • Wireless signals may be transmitted through various physical channels (eg, PUSCH, PDSCH).
  • the codeword may be converted into a scrambled bit sequence by the scrambler 710.
  • the scramble sequence used for scrambling is generated based on an initialization value, and the initialization value may include ID information of the wireless device.
  • the scrambled bit sequence may be modulated into a modulation symbol sequence by the modulator 720.
  • Modulation methods may include pi/2-binary phase shift keying (pi/2-BPSK), m-phase shift keying (m-PSK), and m-quadrature amplitude modulation (m-QAM).
  • the signal processing process for the received signal in the wireless device may be configured as the reverse of the signal processing process (710 to 760) of FIG. 7.
  • a wireless device eg, 200a and 200b in FIG. 2
  • the received wireless signal can be converted into a baseband signal through a signal restorer.
  • the signal restorer may 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 to a codeword through a resource de-mapper process, postcoding process, demodulation process, and de-scramble process.
  • a signal processing circuit for a received signal may include a signal restorer, resource de-mapper, postcoder, demodulator, de-scrambler, and decoder.
  • 6G (wireless communications) systems require (i) very high data rates per device, (ii) very large number of connected devices, (iii) global connectivity, (iv) very low latency, (v) battery-
  • the goals are to reduce the 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 four aspects such as “intelligent connectivity”, “deep connectivity”, “holographic connectivity”, and “ubiquitous connectivity”, and the 6G system can satisfy the requirements as shown in Table 1 below.
  • Table 1 is a table showing the requirements of the 6G system.
  • the 6G system includes enhanced mobile broadband (eMBB), ultra-reliable low latency communications (URLLC), massive machine type communications (mMTC), AI integrated communication, and tactile communication.
  • eMBB enhanced mobile broadband
  • URLLC ultra-reliable low latency communications
  • mMTC massive machine type communications
  • AI integrated communication and tactile communication.
  • tactile internet high throughput, high network capacity, high energy efficiency, low backhaul and access network congestion, and improved data security. It can have key factors such as enhanced data security.
  • FIG. 10 is a diagram illustrating an example of a communication structure that can be provided in a 6G system applicable to the present disclosure.
  • the 6G system is expected to have simultaneous wireless communication connectivity 50 times higher than that of the 5G wireless communication system.
  • URLLC a key feature of 5G, is expected to become an even more mainstream technology in 6G communications by providing end-to-end delays of less than 1ms.
  • the 6G system will have much better volume spectrum efficiency, unlike the frequently used area spectrum efficiency.
  • 6G systems can provide very long battery life and advanced battery technologies for energy harvesting, so mobile devices in 6G systems may not need to be separately charged.
  • AI The most important and newly introduced technology in the 6G system is AI.
  • AI was not involved in the 4G system.
  • 5G systems will support partial or very limited AI.
  • 6G systems will be AI-enabled for full automation.
  • Advances in machine learning will create more intelligent networks for real-time communications in 6G.
  • Introducing AI in communications can simplify and improve real-time data transmission.
  • AI can use numerous analytics to determine how complex target tasks are performed. In other words, AI can increase efficiency and reduce processing delays.
  • AI can be performed instantly by using AI.
  • AI can also play an important role in M2M, machine-to-human and human-to-machine communications. Additionally, AI can enable rapid communication in BCI (brain computer interface).
  • BCI brain computer interface
  • AI-based communication systems can be supported by metamaterials, intelligent structures, intelligent networks, intelligent devices, intelligent cognitive radios, self-sustaining wireless networks, and machine learning.
  • AI-based physical layer transmission means applying signal processing and communication mechanisms based on AI drivers, rather than traditional communication frameworks, in terms of fundamental signal processing and communication mechanisms. For example, deep learning-based channel coding and decoding, deep learning-based signal estimation and detection, deep learning-based MIMO (multiple input multiple output) mechanism, It may include AI-based resource scheduling and allocation.
  • Machine learning can be used for channel estimation and channel tracking, and can be used for power allocation, interference cancellation, etc. in the physical layer of the DL (downlink). Machine learning can also be used for antenna selection, power control, and symbol detection in MIMO systems.
  • Deep learning-based AI algorithms require a large amount of training data to optimize training parameters.
  • a lot of training data is used offline. This means that static training on training data in a specific channel environment may result in a contradiction between the dynamic characteristics and diversity of the wireless channel.
  • signals of the physical layer of wireless communication are complex signals.
  • more research is needed on neural networks that detect complex domain signals.
  • Machine learning refers to a series of operations that train machines to create machines that can perform tasks that are difficult or difficult for humans to perform.
  • Machine learning requires data and a learning model.
  • data learning methods can be broadly divided into three types: supervised learning, unsupervised learning, and reinforcement learning.
  • Neural network learning is intended to minimize errors in output. Neural network learning repeatedly inputs learning data into the neural network, calculates the output of the neural network and the error of the target for the learning data, and backpropagates the error of the neural network from the output layer of the neural network to the input layer to reduce the error. ) is the process of updating the weight of each node in the neural network.
  • Supervised learning uses training data in which the correct answer is labeled, while unsupervised learning may not have the correct answer labeled in the learning data. That is, for example, in the case of supervised learning on data classification, the learning data may be data in which each training data is labeled with a category. Labeled learning data is input to a neural network, and error can be calculated by comparing the output (category) of the neural network with the label of the learning data. The calculated error is backpropagated in the reverse direction (i.e., from the output layer to the input layer) in the neural network, and the connection weight of each node in each layer of the neural network can be updated according to backpropagation. The amount of change in the connection weight of each updated node may be determined according to the learning rate.
  • the neural network's calculation of input data and backpropagation of errors can constitute a learning cycle (epoch).
  • the learning rate may be applied differently depending on the number of repetitions of the learning cycle of the neural network. For example, in the early stages of neural network training, a high learning rate can be used to ensure that the neural network quickly achieves a certain level of performance to increase efficiency, and in the later stages of training, a low learning rate can be used to increase accuracy.
  • Learning methods may vary depending on the characteristics of the data. For example, in a communication system, when the goal is to accurately predict data transmitted from a transmitter at a receiver, it is preferable to perform learning using supervised learning rather than unsupervised learning or reinforcement learning.
  • the learning model corresponds to the human brain, and can be considered the most basic linear model.
  • deep learning is a machine learning paradigm that uses a highly complex neural network structure, such as artificial neural networks, as a learning model. ).
  • Neural network cores used as learning methods are broadly divided into deep neural networks (DNN), convolutional deep neural networks (CNN), and recurrent neural networks (recurrent boltzmann machine). And this learning model can be applied.
  • DNN deep neural networks
  • CNN convolutional deep neural networks
  • recurrent neural networks recurrent boltzmann machine
  • THz communication can be applied in the 6G system.
  • the data transfer rate can be increased by increasing the bandwidth. This can be accomplished by using sub-THz communications with wide bandwidth and applying advanced massive MIMO technology.
  • FIG. 9 is a diagram showing an electromagnetic spectrum applicable to the present disclosure.
  • THz waves also known as submillimeter radiation, typically represent a frequency band between 0.1 THz and 10 THz with a corresponding wavelength in the range of 0.03 mm-3 mm.
  • the 100GHz-300GHz band range (Sub THz band) is considered the main part of the THz band for cellular communications. Adding the Sub-THz band to the mmWave band increases 6G cellular communication capacity.
  • 300GHz-3THz is in the far infrared (IR) frequency band.
  • the 300GHz-3THz band is part of the wideband, but it is at the border of the wideband and immediately behind the RF band. Therefore, this 300 GHz-3 THz band shows similarities to RF.
  • THz communications Key characteristics of THz communications include (i) widely available bandwidth to support very high data rates, (ii) high path loss occurring at high frequencies (highly directional antennas are indispensable).
  • the narrow beamwidth produced by a highly directional antenna reduces interference.
  • the small wavelength of THz signals allows a much larger number of antenna elements to be integrated into devices and BSs operating in this band. This enables the use of advanced adaptive array techniques that can overcome range limitations.
  • THz Terahertz
  • FIG. 10 is a diagram illustrating a THz communication method applicable to the present disclosure.
  • THz waves are located between RF (Radio Frequency)/millimeter (mm) and infrared bands. (i) Compared to visible light/infrared, they penetrate non-metal/non-polarized materials better and have a shorter wavelength than RF/millimeter waves, so they have high straightness. Beam focusing may be possible.
  • Figure 11 shows the structure of a perceptron included in an artificial neural network applicable to the present disclosure. Additionally, Figure 12 shows an artificial neural network structure applicable to the present disclosure.
  • an artificial intelligence system can be applied in the 6G system.
  • the artificial intelligence system may operate based on a learning model corresponding to the human brain, as described above.
  • the machine learning paradigm that uses a highly complex neural network structure, such as artificial neural networks, as a learning model can be called deep learning.
  • the neural network core used as a learning method is largely divided into deep neural network (DNN), convolutional deep neural network (CNN), and recurrent neural network (RNN). There is a way.
  • the artificial neural network may be composed of several perceptrons.
  • the input vector x ⁇ x 1 , x 2 , ... , x d ⁇ , weights ⁇ W 1 , W 2 , ... are assigned to each component. , W d ⁇ are multiplied, the results are summed, and the entire process of applying the activation function ⁇ ( ⁇ ) can be called a perceptron. If the large artificial neural network structure expands the simplified perceptron structure shown in Figure 11, the input vector can be applied to different multi-dimensional perceptrons. For convenience of explanation, input or output values are referred to as nodes.
  • the perceptron structure shown in FIG. 11 can be described as consisting of a total of three layers based on input and output values.
  • An artificial neural network with H perceptrons of (d+1) dimension between the 1st layer and the 2nd layer, and K perceptrons of the (H+1) dimension between the 2nd layer and the 3rd layer can be expressed as shown in Figure 12. You can.
  • the layer where the input vector is located is called the input layer
  • the layer where the final output value is located is called the output layer
  • all layers located between the input layer and the output layer are called hidden layers.
  • three layers are shown in FIG. 12, but when counting the actual number of artificial neural network layers, the input layer is counted excluding the input layer, so the artificial neural network illustrated in FIG. 12 can be understood as having a total of two layers.
  • An artificial neural network is constructed by two-dimensionally connecting perceptrons of basic blocks.
  • the above-described input layer, hidden layer, and output layer can be jointly applied not only to the multi-layer perceptron, but also to various artificial neural network structures such as CNN and RNN, which will be described later.
  • CNN neural network
  • RNN deep neural network
  • 13 shows a deep neural network applicable to this disclosure.
  • the deep neural network may be a multi-layer perceptron consisting of 8 hidden layers and 8 output layers.
  • the multi-layer perceptron structure can be expressed as a fully-connected neural network.
  • a fully connected neural network no connection exists between nodes located on the same layer, and connections can only exist between nodes located on adjacent layers.
  • DNN has a fully connected neural network structure and is composed of a combination of multiple hidden layers and activation functions, so it can be usefully applied to identify correlation characteristics between input and output.
  • the correlation characteristic may mean the joint probability of input and output.
  • Figure 14 shows a convolutional neural network applicable to this disclosure. Additionally, Figure 15 shows a filter operation of a convolutional neural network applicable to this disclosure.
  • DNN various artificial neural network structures different from the above-described DNN can be formed.
  • nodes located inside one layer are arranged in a one-dimensional vertical direction.
  • the nodes are arranged two-dimensionally, with w nodes horizontally and h nodes vertically.
  • a weight is added for each connection in the connection process from one input node to the hidden layer, a total of h ⁇ w weights must be considered. Since there are h ⁇ w nodes in the input layer, a total of h 2 w 2 weights may be required between two adjacent layers.
  • the convolutional neural network of Figure 14 has a problem in that the number of weights increases exponentially depending on the number of connections, so instead of considering all mode connections between adjacent layers, it is assumed that a small filter exists. You can. For example, as shown in FIG. 15, weighted sum and activation function calculations can be performed on areas where filters overlap.
  • one filter has a weight corresponding to the number of filters, and the weight can be learned so that a specific feature in the image can be extracted and output as a factor.
  • a 3 ⁇ 3 filter is applied to the upper leftmost 3 ⁇ 3 area of the input layer, and the output value as a result of performing the weighted sum and activation function calculation for the corresponding node can be stored at z 22 .
  • the above-described filter scans the input layer and moves at regular intervals horizontally and vertically to perform weighted sum and activation function calculations, and the output value can be placed at the current filter position. Since this operation method is similar to the convolution operation on images in the field of computer vision, a deep neural network with this structure is called a convolutional neural network (CNN), and the The hidden layer may be called a convolutional layer. Additionally, a neural network with multiple convolutional layers may be referred to as a deep convolutional neural network (DCNN).
  • CNN convolutional neural network
  • the number of weights can be reduced by calculating a weighted sum from the node where the current filter is located, including only the nodes located in the area covered by the filter. Because of this, one filter can be used to focus on features for a local area. Accordingly, CNN can be effectively applied to image data processing in which the physical distance in a two-dimensional area is an important decision criterion. Meanwhile, CNN may have multiple filters applied immediately before the convolution layer, and may generate multiple output results through the convolution operation of each filter.
  • Figure 16 shows a neural network structure with a cyclic loop applicable to the present disclosure.
  • Figure 17 shows the operational structure of a recurrent neural network applicable to the present disclosure.
  • a recurrent neural network is a recurrent neural network (RNN) that uses elements of a certain line of sight t in a data sequence ⁇ x 1 (t) , x 2 (t) ,...
  • z H (t-1) ⁇ can be input together to have a structure that applies a weighted sum and activation function.
  • the reason for passing the hidden vector to the next time point like this is because the information in the input vector from previous time points is considered to be accumulated in the hidden vector at the current time point.
  • the recurrent neural network can operate in a predetermined time point order with respect to the input data sequence.
  • the input vector at time point 1 ⁇ x 1 (t) , x 2 (t) , ... , x d (t) ⁇ is the hidden vector when input to the recurrent neural network ⁇ z 1 (1) , z 2 (1) , ... , z H (1) ⁇ is the input vector at point 2 ⁇ x 1 (2) , x 2 (2) , ... , x d (2) ⁇ , and the vectors of the hidden layer ⁇ z 1 (2) , z 2 (2) , ... , z H (2) ⁇ is determined. This process progresses from time point 2, time point 3, ... , is performed repeatedly until time T.
  • Recurrent neural networks are designed to be useful for sequence data (e.g., natural language processing).
  • neural network core used as a learning method, in addition to DNN, CNN, and RNN, it includes restricted Boltzmann machine (RBM), deep belief networks (DBN), deep Q-Network, and It includes various deep learning techniques, and can be applied to fields such as computer vision, speech recognition, natural language processing, and voice/signal processing.
  • RBM restricted Boltzmann machine
  • DNN deep belief networks
  • Q-Network deep Q-Network
  • It includes various deep learning techniques, and can be applied to fields such as computer vision, speech recognition, natural language processing, and voice/signal processing.
  • AI-based physical layer transmission means applying signal processing and communication mechanisms based on AI drivers, rather than traditional communication frameworks, in terms of fundamental signal processing and communication mechanisms. For example, deep learning-based channel coding and decoding, deep learning-based signal estimation and detection, deep learning-based MIMO mechanism, AI-based resource scheduling ( It may include scheduling and allocation, etc.
  • This disclosure is for performing learning on a transceiver model in a wireless communication system and relates to a technology for applying active learning.
  • the present disclosure describes various embodiments for supporting and performing active learning for a transceiver based on artificial intelligence or machine learning model.
  • the artificial intelligence or machine learning model may be a Gaussian process (GP) model.
  • GP Gaussian process
  • a wireless communication system based on the GP model utilizes the characteristic of well approximating arbitrary functions or nonlinear functions using a nonlinear kernel basis function.
  • the kernel basis function is also referred to as a 'kernel function' and may be specified by the type of kernel function and the values of hyper parameters constituting the kernel function.
  • a common learning technique is to randomly select samples from the channel data distribution when an artificial intelligence or machine learning model acquires training data. In this case, because the current parameter situation of the model is not sufficiently considered, a lot of training data may be used or performance accuracy may be lowered. This can cause significant consumption of wireless resources for transmitting many reference signals during the online training process. In order to solve problems such as performance degradation and large consumption of wireless resources, a learning procedure for a transmitter model and/or a receiver model that efficiently uses reference signal resources is needed, taking into account the model situation.
  • this disclosure proposes the application of active learning technology.
  • Active learning is a learning technique that evaluates the uncertainty and diversity of data distribution and the model that interprets the data distribution, and samples data based on the evaluation results.
  • the present disclosure seeks to solve the problem of the disagreement between the two devices that occurs when evaluating uncertainty and diversity as a problem in the active learning process. That is, this disclosure proposes a communication system online learning technology using active learning to easily learn various channel propagation environments of Below 6GHz communication, mmWave, and THz communication.
  • Active learning is a type of machine learning, and is a technique that performs labeling of data for learning based on user interaction. Conversely, passive learning can be understood as supervised learning that uses already labeled training data.
  • Equation 1 x means data, y means label, D means data set, and p(D) means distribution of data set.
  • the labeling y for x in the data set D is added, and the samples (x, y) in the training data set D that follow the distribution p(D) can all be given in advance.
  • the labeling task in active learning is called 'annotation'.
  • the entity that provides information about label y may be referred to as 'user', 'oracle', 'annotator', etc.
  • Figure 18 shows sampling methods for active learning according to an embodiment of the present disclosure.
  • Figure 18 illustrates three representative methods of active learning.
  • the three methods involve sampling data x from an input distribution 1810.
  • the input distribution 1810 may be referred to as an instance space.
  • the model synthesizes samples x belonging to the input distribution 1810 for learning, and requests labeling y for the sample x from the oracle. That is, the model synthesizes the sample x and queries the oracle (1830).
  • Stream-based selective sampling (1820-2) selectively separates data x continuously extracted from the input distribution (1810) and sends the label y for the separated data x to the oracle (1830). request.
  • Pool-based sampling (1820-3) includes all data Request to the Oracle (1830). In this way, by actively participating in the data collection process, the model can reduce the number of samples required for training and improve performance.
  • Figures 19A to 19C show examples of results of active learning and passive learning according to an embodiment of the present disclosure.
  • Figure 19a illustrates the overall distribution of sampling data. As shown in Figure 19a, learning begins with all data acquired through pull-based learning.
  • Figure 19b illustrates the results of passive learning. Because random sampling is performed, input values are picked evenly from the entire distribution, and the boundary line is learned inaccurately.
  • Figure 19c illustrates the results of active learning sampling centered on an area with high uncertainty near the boundary line. Referring to Figure 19c, it is confirmed that good results are obtained even when using a small amount of samples. Active learning can be applied not only to the classification task illustrated in FIGS. 19A to 19C, but also to a regression task.
  • a Bayesian model that can quantify uncertainty can be used to evaluate uncertainty for samples in a model.
  • the parameters of the model that are subject to evaluation of the uncertainty of the transceiver model is not a deterministic value but a random variable.
  • Learning the Bayesian model aims to find the posterior probability for data as shown in [Equation 2] below.
  • Equation 2 is the model parameter, is the training data set, is the prior distribution of model parameters, which contains prior information about the model, is the data, is the output of the model, Is and Under the given conditions probability of, Is It means the prior distribution of .
  • the denominator is the probability of the training data and is called evidence. It's the same.
  • Equation 3 is the output of the new model, is new data, is the training data set, is the new data It means the predicted probability distribution for .
  • the mean and variance can be determined using the predicted probability distribution. Parameters of the model Since is a random variable, the uncertainty of the model is reflected. Additionally, using [Equation 3], the variance of the prediction can be determined. Variance can be used for uncertainty assessment.
  • the acquisition function for estimating uncertainty can also be obtained by applying Bayesian assumptions.
  • the acquisition function can be obtained by reflecting the model's prior distribution for several possible acquisition functions and then integrating.
  • the acquisition function is the Bayesian prediction distribution It is a functional that contains .
  • the acquisition function may be a functional function that performs marginalization of the prior distribution on the function.
  • Shannon entropy may be used. In this case, uncertainty can be evaluated based on the maximum entropy of the model estimate of a given reference signal.
  • Equation 4 is the output of the model, is the input of the model, is the training data, silver and In these given conditions It means the entropy of .
  • uncertainty may be evaluated based on the model's prediction and the mutual information amount of the model ⁇ , as shown in [Equation 5] below.
  • Equation 5 is the output of the model, is the input of the model, is the model parameter, is the training data, is the amount of mutual information given the inputs of the model, silver and In these given conditions entropy of, means the average entropy of the model posterior distribution.
  • uncertainty may be evaluated based on the variance ratio of the model output, as shown in Equation 6 below.
  • variation ratio is the variance ratio
  • is the random variable input means the maximum value of the conditional probability for the output variable when given.
  • sampling and labeling can be defined as transmission between a sender and a receiver.
  • transmitting a reference signal between a sender and a receiver it is desirable to minimize the use of radio resources in the task of estimating a channel using the reference signal.
  • Gaussian process has no infinite point , , , ... About function
  • the joint probability distribution of is defined as a Gaussian distribution.
  • a Gaussian process can be completely characterized by its mean and covariance. This disclosure seeks to solve the channel estimation problem as a regression problem through a Gaussian process.
  • Equation 7 the branch is the channel estimation regression function for , and is a Gaussian process.
  • Equation 7 is the branch
  • the channel estimation regression function for is the dispersion stands for reception noise.
  • Equation 8 m(x) is The average of is the branch
  • the channel estimation regression function for, ⁇ (x,x') is the points and It means inter-covariance.
  • Covariance ⁇ (x,x') can be expressed using any one of a plurality of kernel functions.
  • the Gaussian kernel can be given as in any one of [Equation 9] to [Equation 12] below.
  • ⁇ (x,x') is the points and inter-covariance, refers to the model parameter that determines the statistical similarity between samples of the Gaussian process.
  • the Ornstein-Uhlenbeck kernel can be given as [Equation 10] below.
  • ⁇ (x,x') is the points and inter-covariance, refers to the model parameter that determines the statistical similarity between samples of the Gaussian process.
  • Equation 12 ⁇ (x,x') is the covariance, means model parameters.
  • FIG. 20 shows functional structures of devices supporting active learning according to an embodiment of the present disclosure.
  • FIG. 20 illustrates a transmission and reception model in which the first device 2010 functions as a transmitter and the second device 2020 functions as a receiver among two devices 2010 and 2020 that perform communication according to an embodiment.
  • the first device 2010 can be understood as a base station and the second device 2020 can be understood as a UE.
  • the first device 2010 can be understood as a UE and the second device 2020 can be understood as a base station.
  • the transmit/receive model of FIG. 20 is the GP model parameters of the transmitter for the active learning reference signal set element k at a specific time. and GP model parameters of the receiver. Includes.
  • k is an index indicating one of the K operating reference signal types.
  • the second device 2020 includes a receive entity 2022, a receiver model 2024, and an evaluation unit 2026.
  • the receiving entity 2022 performs overall control and processing for data reception.
  • the transmitting entity 2012 may generate feedback information to be provided to the first device 2010.
  • the feedback information may include at least one of information related to a preferred active RS, active learning parameters, and loss.
  • the receiver model 2024 is a data processing block implemented as an artificial intelligence or machine learning model (e.g. GP model).
  • the receiver model 2022 can restore data from the data signal received from the first device 2010 and perform measurement on the reference signal.
  • the evaluation unit 2026 evaluates the signal received from the first device 2010.
  • the evaluation results may include information indicating the uncertainty used for uncertainty sampling.
  • Reference signal set for active learning is a vector generated based on at least one or a combination of frequency, time, antenna, and context information of the devices 2010 and 2020, and corresponds to the pattern of the reference signal allocated to the radio resource.
  • the pattern of the reference signal can be interpreted in various ways. For example, a pattern may indicate the distribution of a reference signal within a given resource area, or may indicate each unit resource (eg, RE) within the resource area.
  • the context information may include the terminal's location, acceleration, speed, and posture information of the terminal that affect channel data sampling. is the received signal.
  • the set of reference signals for active learning is the independent variable The efficiency of wireless resources is determined according to the density of the pattern.
  • reference signal points other than the reference signal estimate for is a data set It can be performed through the following predictive Gaussian probability distribution.
  • the prediction distribution is determined as a function of the covariance function and the variance of the noise.
  • Equation 15 is the acquisition function, is the point with the maximum value among the currently observed training samples, is the average of the Gaussian process, is the variance of the Gaussian process, is the cumulative distribution function, means the standard Gaussian distribution function.
  • the UE transmits capability information.
  • Capability information may include information related to capabilities related to communication of the UE.
  • the ability information may include information related to active learning.
  • information related to active learning may include information (e.g., identification information, parameter information) indicating at least one supportable artificial intelligence or machine learning model (e.g., GP model), and at least one supportable kernel function. It may include at least one of information indicating at least one acquisition function that can be supported.
  • the UE may receive a message requesting capability information from the base station.
  • the UE receives configuration information about reference signals.
  • the UE receives a message containing configuration information about reference signals transmitted by the base station.
  • the configuration information may include at least one of information related to resources allocated for reference signals, information related to operations required in response to reception of reference signals, and information related to items for which measurement or feedback is required.
  • the configuration information includes a request to perform active learning, information related to patterns of reference signals (e.g., identification information), and information related to an artificial intelligence or machine learning model (e.g., GP model) for active learning. (e.g. identifier, parameter information related to the GP model), information related to the kernel function (e.g. type, hyperparameters), information related to the acquisition function to evaluate uncertainty (e.g. type), indicating the preferred reference signal pattern. May include requests for feedback, etc.
  • the UE receives reference signals based on configuration information.
  • the UE receives reference signals through resources indicated by configuration information.
  • the reference signals may have at least one pattern.
  • the pattern is a distribution of reference signals belonging to a set, including the number of reference signals, density of reference signals, frequency axis interval of reference signals, time axis interval of reference signals, and RE assigned to the reference signals. (resource element) Can indicate at least one of the locations.
  • the pattern may indicate one of the REs to which the reference signal can be mapped.
  • the pattern is a configuration for a reference signal and may indicate at least one of transmission power, sequence, covering code, and slot period during which the reference signals are transmitted.
  • at least one pattern applied to the reference signals received in this step may include one of prearranged patterns, or may include at least one pattern specified by the UE.
  • FIG. 22 shows an example of a procedure supporting learning of a transmitter model or receiver model according to an embodiment of the present disclosure.
  • FIG. 22 illustrates a method of operating a base station, and the illustrated operations may be understood as operations of a receiver (eg, the first device 2010 of FIG. 20).
  • the base station receives capability information.
  • Capability information may include information related to capabilities related to communication of the UE.
  • the ability information may include information related to active learning.
  • information related to active learning may include information (e.g., identification information, parameter information) indicating at least one supportable artificial intelligence or machine learning model (e.g., GP model), and at least one supportable kernel function. It may include at least one of information indicating at least one acquisition function that can be supported.
  • the base station may receive a message requesting capability information from the UE.
  • the base station transmits configuration information about reference signals.
  • the base station transmits a message containing configuration information for reference signals to be transmitted later.
  • the configuration information may include at least one of information related to resources allocated for reference signals, information related to operations required in response to reception of reference signals, and information related to items for which measurement or feedback is required.
  • the configuration information includes a request to perform active learning, information related to patterns of reference signals (e.g., identification information), and information related to an artificial intelligence or machine learning model (e.g., GP model) for active learning. (e.g. identifier, parameter information related to the GP model), information related to the kernel function (e.g. type, hyperparameters), information related to the acquisition function to evaluate uncertainty (e.g. type), indicating the preferred reference signal pattern. May include requests for feedback, etc.
  • the base station transmits reference signals based on configuration information.
  • the base station transmits reference signals through resources indicated by configuration information.
  • the reference signals may have at least one pattern.
  • the pattern is a distribution of reference signals belonging to a set, including the number of reference signals, density of reference signals, frequency axis interval of reference signals, time axis interval of reference signals, and RE assigned to the reference signals. At least one of the locations can be indicated.
  • the pattern may indicate one of the REs to which the reference signal can be mapped.
  • the pattern is a configuration for a reference signal and may indicate at least one of transmission power, sequence, covering code, and slot period during which the reference signals are transmitted.
  • at least one pattern applied to the reference signals received in this step may include one of prearranged patterns, or may include at least one pattern specified by the UE.
  • the base station receives feedback information corresponding to the reference signals.
  • the feedback information may include at least one of a measurement result for the reference signal and a request for subsequent reference signal transmission.
  • the feedback information may include information related to at least one preferred reference signal pattern selected by the UE.
  • the feedback information may include a loss value for the prediction result in the UE or a value derived from the loss value as a measurement result for the reference signal.
  • the feedback information may include gradient information of loss values for input data to the UE's receiver model.
  • the base station supports determining at least one parameter for a reception operation. That is, the base station supports training for the UE's receiver model.
  • the base station may transmit reference signals for training a receiver model in the UE.
  • the transmitted reference signals may have at least one reference signal pattern requested by feedback information.
  • feedback of the UE's preferred reference signal pattern and transmission of the corresponding reference signal set may be repeatedly performed several times.
  • the base station may determine at least one parameter for a transmission operation. That is, the base station can perform training on the UE's transmitter model.
  • training on the receiver model may be performed. Additionally, training on the transmitter model used by the base station may also be performed. According to one embodiment, the UE transmits information related to the loss value for the prediction result to the base station, and the base station may perform training for the transmitter model based on the received information. Alternatively, according to another embodiment, after the UE performs training on the transmitter model, information on weights updated through training may be transmitted to the base station.
  • the embodiments described with reference to FIGS. 21 and 22 may be implemented for training a transceiver model for downlink communication. If a transceiver model for uplink communication is used, the transceiver model for uplink communication can also be trained through a similar procedure. In this case, since the base station has a receiver model and the UE has a transmitter model, the base station requests the UE for a preferred reference signal pattern, the UE transmits an uplink reference signal, and the base station performs training on the receiver model. You can.
  • the artificial intelligence or machine learning model is illustrated as a GP model.
  • Figure 23 shows an example of a procedure for providing competency information for active learning according to an embodiment of the present invention.
  • Figure 23 illustrates signaling for mutual support of initial active learning between the first device 2310 and the second device 2320.
  • the first device 2310 transmits an active learning capability request message to the second device 2320.
  • the active learning capability request message may be transmitted after the second device 2320 connects to the first device 2320, during the registration process, or after registration.
  • the active learning capability request message may be referred to as a capability inquiry message.
  • the second device 2320 transmits an active learning capability response message to the first device 2310.
  • the active learning capability response message includes information about capabilities supported by the second device 2320 for capability learning.
  • the active learning capability response message may include GP model information including a set of identifiers (IDs) associated with a supportable GP model.
  • the active learning capability response message may include information related to supportable kernel functions.
  • the active learning capability response message may include information related to supportable acquisition functions.
  • the active learning capability response message may be referred to as a capability information message.
  • the active learning ability response message may further include various ability information in addition to active learning.
  • capability information related to active learning of the second device 2320 may be provided.
  • capability information related to active learning of the first device 2310 may also be provided to the second device 2320 through an active learning capability request message.
  • the active learning capability response message may include capability information belonging to a range commonly supported by the first device 2310 and the second device 2320. Accordingly, information elements (IEs) or parameters included in the active learning capability request message and the active learning capability response message may include at least one of the items listed in Table 2 below.
  • Gaussian process model A set of IDs associated with a supportable Gaussian model.
  • ernel functions Set of supported kernel functions acquisition function Set of supported acquisition functions
  • FIG. 24 shows an example of a procedure for setting information for active learning according to an embodiment of the present invention.
  • FIG. 24 illustrates signaling for setting information for active learning between the first device 2410 and the second device 2420.
  • the first device 2410 transmits an active learning setup request message to the second device 2420.
  • the active learning setup request message may be referred to as an active learning reconfigure request message.
  • the first device 2410 may control the second device 2420 to process the related channel task by transmitting a pre-learned GP model and related model parameters for the channel context.
  • the first device 2410 allows the second device 2420 to use at least one currently available model It can be controlled to perform channel tasks.
  • the second device 2420 transmits an active learning setup confirm message to the first device 2410.
  • the active learning settings confirmation message may be referred to as an active learning reconfigure confirm message. That is, the second device transmits a response indicating acceptance of the active learning procedure. In other words, the second device 2420 transmits a response indicating that the information included in the active learning setting request message has been obtained or that the setting has been completed based on the information included in the active learning setting request message. Thereafter, for online learning, procedures for transmitting and receiving an active learning reference signal may be performed.
  • information necessary for the second device 2320 to perform active learning may be provided.
  • information elements or parameters included in the active learning setting request message and the active learning setting confirmation message may include at least one of the items listed in [Table 3] below.
  • Information element Description Gaussian process GP model or associated identifier for active learning set of RS ID and associated RS patterns An identifier (ID) associated with a set D ⁇ (x i ,y i ) of active learning reference signal patterns. D is a set of multiple patterns of reference signals with different densities or a related identifier.
  • Model parameters GP model related parameters. Model parameters Kernel function types and hyperparameters. Acquisition function Acquisition function type.
  • Figure 25 shows an example of a procedure for performing active learning according to an embodiment of the present invention.
  • Figure 25 illustrates signaling for performing active learning between the first device 2510 and the second device 2520.
  • the first device 2510 transmits initial reference signals to the second device 2520.
  • the initial reference signals may include reference signals according to a pattern selected from a predefined set of reference signal patterns for active learning.
  • the first device 2510 may transmit reference signals based on information delivered through the active learning setting request message.
  • step S2501 is expressed as one transmission, but according to another embodiment, the first device 2510 may transmit a plurality of reference signal sets using a plurality of patterns.
  • the second device 2520 measures uncertainty about the GP model and performs at least one channel task.
  • the channel task is at least one of tasks related to the reference signal, and may include, for example, any one of channel estimation, CSI feedback generation, phase error estimation, and position estimation.
  • the second device 2520 may train a receiver GP model. By measuring the uncertainty, the second device 2520 can determine which reference signal pattern is more necessary for subsequent training.
  • the second device 2520 reports information about the preferred active learning reference signal to the first device 2510.
  • the second device 2520 may transmit information indicating at least one preferred active learning reference signal pattern among candidate reference signal patterns.
  • the preferred active learning reference signal pattern includes at least one reference signal pattern with the highest gain function resultant value.
  • the first device 2510 transmits preferred active learning reference signals to the second device 2520.
  • the first device 2510 transmits reference signals according to the reference signal pattern requested by the second device 2520. If a plurality of reference signal patterns are reported in step S2505, the first device 2510 selects one reference signal pattern among the reference signal patterns reported according to a predefined rule, and selects a reference signal pattern according to the selected reference signal pattern. can be sent. At this time, preferred active learning reference signals may be transmitted through preset resources. Alternatively, the first device 2510 may first transmit resource information for the preferred active learning reference signals and then transmit the preferred active learning reference signals.
  • the second device 2520 searches for the next reference signal pattern to minimize model uncertainty of the GP model and confirms the related reference signal pattern. Specifically, the second device 2520 trains the receiver GP model using the active learning reference signals received in step S2507 and measures uncertainty. By measuring the uncertainty, the second device 2520 can determine which reference signal pattern is more necessary for subsequent training.
  • the second device 2520 reports information about the preferred active learning reference signal to the first device 2510.
  • the second device 2520 may transmit information indicating a preferred active learning reference signal pattern among candidate reference signal patterns.
  • the preferred active learning reference signal pattern may include at least one reference signal pattern with the highest gain function result value.
  • the first device 2510 transmits preferred active learning reference signals to the second device 2520.
  • the first device 2510 transmits reference signals according to the reference signal pattern requested by the second device 2520.
  • preferred active learning reference signals may be transmitted through preset resources.
  • the first device 2510 may first transmit resource information for the preferred active learning reference signals and then transmit the preferred active learning reference signals.
  • Equation 7 is the pattern of the preferred active learning reference signal, is the model In the state
  • the output of the acquisition function for is a set of reference signal patterns, means the reference signal pattern.
  • Figure 27 shows an example of a procedure for reporting the results of active learning according to an embodiment of the present invention.
  • 27 illustrates signaling for reporting the results of active learning between a first device 2710 and a second device 2720.
  • the first device 2710 transmits an active learning report request message to the second device 2720. That is, the first device 2710 requests information about at least one of the receiver GP model and the transmitter GP model determined by active learning from the second device 2720. As explained with reference to FIG. 25, since training for the GP model is performed by the second device 2720, a procedure for transmitting information about the GP model, for example, model parameters, to the first device 2710 need.
  • the second device 2720 transmits an active learning parameters report message to the first device 2710. That is, the second device 2720 transmits information about at least one of the receiver GP model and the transmitter GP model. Accordingly, the first device 2710 can obtain a transmitter GP model corresponding to the trained receiver GP model.
  • the second device 2720 can provide information related to the results of active learning.
  • information elements or parameters included in the active learning parameter reporting message may include at least one of the items listed in [Table 4] below.
  • Model parameters Model parameter value and loss function value of the kernel that minimizes the loss function of the current model Channel context ID Identifier for the current channel regression task.
  • the first device 2710 is a trained model can be obtained.
  • the first device 2710 determines the currently used transmitter model or precoding. can be reflected.
  • the receiver model of the second device 2720 may be set to an identity matrix.
  • this provides the advantage of lowering the training complexity of the terminal and allowing the base station to completely obtain channel state information.
  • a procedure such as that described above in FIG. 27 is necessary. That is, the initial transmitter model is the identity matrix or the previous channel state. Optimized precoding can be performed, and training for the transmitter model may not be performed separately. At this time, the training results of the receiver model can be reflected in the transmitter model through the procedure shown in FIG. 27.
  • Figure 28 shows an example of a procedure for terminating active learning according to an embodiment of the present invention.
  • Figure 28 illustrates signaling to end active learning between the first device 2810 and the second device 2820.
  • step S2801 the first device 2810 transmits an active learning release request message to the second device 2820. That is, the first device 2810 instructs the end of active learning.
  • step S2803 the second device 2820 transmits an active learning release confirmation message to the first device 2810. That is, the second device 2820 notifies that it has received an instruction to end active learning.
  • a GP model-based transmitter and receiver can be trained.
  • the above-described embodiments can be applied to base stations and terminals.
  • a base station with a transmitter model can transmit downlink active learning reference signals to the receiver of the terminal.
  • the first active learning pattern can continuously transmit a set of k various patterns to an antenna port, as shown in FIG. 29.
  • Figure 29 shows examples of reference signal patterns for active learning according to an embodiment of the present invention. Referring to FIG. 29, k reference signal patterns 2902-1 to 2902-k may be defined.
  • the reference signal patterns 2902-1 to 2902-k have differences in the location of resources to which the reference signals are mapped, the amount of resources, and the frequency axis or time axis resolution of the reference signals.
  • the definition of patterns as shown in FIG. 29 is an example, and differences between patterns may be defined or expressed differently according to various embodiments.
  • Initial learning required for active learning of the base station and terminal can be performed using the reference signal sets of patterns shown in FIG. 29.
  • the terminal may receive parameters related to a prior model from the base station based on channel and dependent information. After pre-training is completed or parameters related to the pre-model are received, the terminal may evaluate uncertainty for each of the active learning reference signal patterns. Then, the terminal selects a pattern with the smallest density of reference signals or a pattern with high uncertainty and notifies the base station of at least one selected pattern. Based on this, active learning can be performed.
  • the density and uncertainty of the reference signal pattern have a trade-off relationship.
  • the channel In the case of a stationary device, the channel rarely changes, so after initial transmission, active learning can proceed in the direction of lowering uncertainty or increasing density.
  • FIGS. 30A and 30B show examples of uncertainty evaluation results for a GP model according to an embodiment of the present invention.
  • the horizontal axis represents values scaled to -5, 5 on the frequency axis including 72 subcarriers
  • the vertical axis represents the real or imaginary part of the channel estimate value.
  • Figure 30a is a situation after initial transmission of reference signals and illustrates the results of evaluating uncertainty after initial transmission of reference signals on 4 of 72 subcarriers.
  • the shaded area can be understood as the result of GP evaluating uncertainty as a Bayesian model.
  • Figure 30b shows the situation after the second reference signal transmission, the location of the reference signal that can reduce uncertainty as much as possible. Illustrates the corresponding pattern request and received result. Specifically, Figure 30b illustrates the results of evaluating reference signals of a pattern including three additional reference signals after receiving signals. Referring to Figure 30b, it is confirmed that uncertainty is reduced in most ranges and that the estimated channel value closely approximates the actual channel value with a small error. And, it is confirmed that the reference signals are transmitted in the direction of high density.
  • the base station transmits reference signals in a high density reference signal pattern, and the terminal can gradually increase the number of reference signals according to the pattern. Through this, the terminal can determine the density of reference signals suitable for the average uncertainty level in the current channel environment and then request related patterns from the base station in a long period. As the channel environment changes rapidly, the optimal reference signal pattern can be maintained by adjusting the request period and uncertainty level of the reference signal pattern. For example, the base station may apply a pattern including 7 reference signals in the first transmission and increase the number of reference signals to 4, 5, or 6.
  • the terminal evaluates the allowable uncertainty level on average, and if it is determined that there is no problem in operation even using the four reference signals, the terminal feeds back the judgment result to the base station, allowing communication to be performed using only four reference signals for a long period of time. You can. For example, if the evaluated uncertainty is less than the threshold, the terminal may determine that there is no problem with the operation.
  • the amount of reference signal resource usage can be reduced.
  • a procedure designed appropriately for GP will be able to effectively solve the channel task problem between transmitter and receiver.
  • the learning contents of the receiver can be transferred to the transmitter, and a gradual increase in the reference signal is possible.
  • uncertainty can be easily modeled with the Gaussian process, a Bayesian model. Through this, wireless resources can be effectively utilized.
  • examples of the proposed methods described above can also be included as one of the implementation methods of the present disclosure, and thus can be regarded as a type of proposed methods. Additionally, the proposed methods described above may be implemented independently, but may also be implemented in the form of a combination (or merge) of some of the proposed methods.
  • a rule may be defined so that the base station informs the terminal of the application of the proposed methods (or information about the rules of the proposed methods) 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.
  • Examples of various wireless access systems include the 3rd Generation Partnership Project (3GPP) or 3GPP2 system.
  • Embodiments of the present disclosure can be applied not only to the various wireless access systems, but also to all technical fields that apply the various wireless access systems. Furthermore, the proposed method can also be applied to mmWave and THz communication systems using ultra-high frequency bands.
  • embodiments of the present disclosure can be applied to various applications such as free-running vehicles and drones.

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

본 개시는 무선 통신 시스템에서 송수신기 모델에 대한 학습을 수행하기 위한 것으로, UE(user equipment)의 동작 방법은, 능력(capability) 정보를 기지국에게 송신하는 단계, 기준 신호들에 관련된 설정 정보를 상기 기지국으로부터 수신하는 단계, 상기 설정 정보에 기반하여 상기 기준 신호들을 수신하는 단계, 및 상기 기준 신호들에 대응하는 피드백 정보를 송신하는 단계를 포함할 수 있다. 상기 설정 정보는, 상기 UE의 수신 동작을 위한 수신기 모델에 관련된 정보 및 상기 수신기 모델에 관련된 적어도 하나의 커널 함수에 관련된 정보를 포함할 수 있다.

Description

무선 통신 시스템에서 수신기에 대한 학습을 수행하기 위한 장치 및 방법
이하의 설명은 무선 통신 시스템에 대한 것으로, 무선 통신 시스템에서 수신기에 대한 학습을 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 파워 등)을 공유하여 다중 사용자와의 통신을 지원할 수 있는 다중 접속(multiple access) 시스템이다. 다중 접속 시스템의 예들로는 CDMA(code division multiple access) 시스템, FDMA(frequency division multiple access) 시스템, TDMA(time division multiple access) 시스템, OFDMA(orthogonal frequency division multiple access) 시스템, SC-FDMA(single carrier frequency division multiple access) 시스템 등이 있다.
특히, 많은 통신 기기들이 큰 통신 용량을 요구하게 됨에 따라 기존 RAT(radio access technology)에 비해 향상된 모바일 브로드밴드(enhanced mobile broadband, eMBB) 통신 기술이 제안되고 있다. 또한 다수의 기기 및 사물들을 연결하여 언제 어디서나 다양한 서비스를 제공하는 mMTC(massive machine type communications) 뿐만 아니라 신뢰성 (reliability) 및 지연(latency) 민감한 서비스/UE(user equipment)를 고려한 통신 시스템이 제안되고 있다. 이를 위한 다양한 기술 구성들이 제안되고 있다.
본 개시는 무선 통신 시스템에서 송수신기 모델에 대한 학습을 효과적으로 수행하기 위한 장치 및 방법을 제공할 수 있다.
본 개시는 무선 통신 시스템에서 인공 지능 또는 기계 학습 모델 기반의 수신기에 대한 학습을 수행하기 위한 장치 및 방법을 제공할 수 있다.
본 개시는 무선 통신 시스템에서 가우시안 프로세스(Gaussian process, GP) 모델 기반의 수신기에 대한 학습을 수행하기 위한 장치 및 방법을 제공할 수 있다.
본 개시는 무선 통신 시스템에서 GP 모델 기반의 수신기에 대한 온라인 학습을 수행하기 위한 장치 및 방법을 제공할 수 있다.
본 개시는 무선 통신 시스템에서 GP 모델 기반의 수신기에 대한 능동 학습을 수행하기 위한 장치 및 방법을 제공할 수 있다.
본 개시는 무선 통신 시스템에서 GP 모델 기반의 수신기에 대한 능동 학습을 수행하기 위한 기준 신호 패턴을 결정하기 장치 및 방법을 제공할 수 있다.
본 개시는 무선 통신 시스템에서 능동 학습에 필요한 기준 신호 패턴을 결정하기 위한 정보를 생성하기 위한 장치 및 방법을 제공할 수 있다.
본 개시는 무선 통신 시스템에서 GP 모델 기반의 수신기에 대한 능동 학습을 위해 필요한 정보를 교환하기 위한 장치 및 방법을 제공할 수 있다.
본 개시는 무선 통신 시스템에서 기준 신호 패턴에 대한 불확실성을 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 실시 예들로부터 본 개시의 기술 구성이 적용되는 기술분야에서 통상의 지식을 가진 자에 의해 고려될 수 있다.
본 개시의 일 예로서, 무선 통신 시스템에서 UE(user equipment)의 동작 방법은, 능력(capability) 정보를 기지국에게 송신하는 단계, 기준 신호들에 관련된 설정 정보를 상기 기지국으로부터 수신하는 단계, 상기 설정 정보에 기반하여 상기 기준 신호들을 수신하는 단계, 및 상기 기준 신호들에 대응하는 피드백 정보를 송신하는 단계를 포함할 수 있다. 상기 설정 정보는, 상기 UE의 수신 동작을 위한 수신기 모델에 관련된 정보 및 상기 수신기 모델에 관련된 적어도 하나의 커널 함수에 관련된 정보를 포함할 수 있다.
본 개시의 일 예로서, 무선 통신 시스템에서 기지국의 동작 방법은, 능력(capability) 정보를 UE(user equipment)로부터 수신하는 단계, 기준 신호들에 관련된 설정 정보를 송신하는 단계, 상기 설정 정보에 기반하여 상기 기준 신호들을 송신하는 단계, 및 상기 기준 신호들에 대응하는 피드백 정보를 상기 UE로부터 수신하는 단계를 포함할 수 있다. 상기 설정 정보는, 상기 UE의 수신 동작을 위한 수신기 모델에 관련된 정보 및 상기 수신기 모델에 관련된 적어도 하나의 커널 함수에 관련된 정보를 포함할 수 있다.
본 개시의 일 예로서, 무선 통신 시스템에서 UE(user equipment)는, 송수신기, 및 상기 송수신기와 연결된 프로세서를 포함하며, 상기 프로세서는, 능력(capability) 정보를 기지국에게 송신하고, 기준 신호들에 관련된 설정 정보를 상기 기지국으로부터 수신하고, 상기 설정 정보에 기반하여 상기 기준 신호들을 수신하고, 상기 기준 신호들에 대응하는 피드백 정보를 송신하도록 제어하고, 상기 설정 정보는, 상기 UE의 수신 동작을 위한 수신기 모델에 관련된 정보 및 상기 수신기 모델에 관련된 적어도 하나의 커널 함수에 관련된 정보를 포함할 수 있다.
본 개시의 일 예로서, 무선 통신 시스템에서 기지국은, 송수신기, 및 상기 송수신기와 연결된 프로세서를 포함하며, 상기 프로세서는, 능력(capability) 정보를 UE(user equipment)로부터 수신하고, 기준 신호들에 관련된 설정 정보를 송신하고, 상기 설정 정보에 기반하여 상기 기준 신호들을 송신하고, 상기 기준 신호들에 대응하는 피드백 정보를 상기 UE로부터 수신하도록 제어하고, 상기 설정 정보는, 상기 UE의 수신 동작을 위한 수신기 모델에 관련된 정보 및 상기 수신기 모델에 관련된 적어도 하나의 커널 함수에 관련된 정보를 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, 능력(capability) 정보를 기지국에게 송신하는 단계, 기준 신호들에 관련된 설정 정보를 상기 기지국으로부터 수신하는 단계, 상기 설정 정보에 기반하여 상기 기준 신호들을 수신하는 단계, 및 상기 기준 신호들에 대응하는 피드백 정보를 송신하는 단계를 포함할 수 있다. 상기 설정 정보는, 상기 UE의 수신 동작을 위한 수신기 모델에 관련된 정보 및 상기 수신기 모델에 관련된 적어도 하나의 커널 함수에 관련된 정보를 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, 능력(capability) 정보를 기지국에게 송신하고, 기준 신호들에 관련된 설정 정보를 상기 기지국으로부터 수신하고, 상기 설정 정보에 기반하여 상기 기준 신호들을 수신하고, 상기 기준 신호들에 대응하는 피드백 정보를 송신하도록 제어하고, 상기 설정 정보는, 상기 UE의 수신 동작을 위한 수신기 모델에 관련된 정보 및 상기 수신기 모델에 관련된 적어도 하나의 커널 함수에 관련된 정보를 포함할 수 있다.
상술한 본 개시의 양태들은 본 개시의 바람직한 실시 예들 중 일부에 불과하며, 본 개시의 기술적 특징들이 반영된 다양한 실시 예들이 당해 기술분야의 통상적인 지식을 가진 자에 의해 이하 상술할 본 개시의 상세한 설명을 기반으로 도출되고 이해될 수 있다.
본 개시에 기초한 실시 예들에 의해 하기와 같은 효과가 있을 수 있다.
본 개시에 따르면, 인공 지능 또는 기계 학습 모델 기반의 수신기가 효과적으로 학습될 수 있다.
본 개시의 실시 예들에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 이하의 본 개시의 실시 예들에 대한 기재로부터 본 개시의 기술 구성이 적용되는 기술분야에서 통상의 지식을 가진 자에게 명확하게 도출되고 이해될 수 있다. 즉, 본 개시에서 서술하는 구성을 실시함에 따른 의도하지 않은 효과들 역시 본 개시의 실시 예들로부터 당해 기술분야의 통상의 지식을 가진 자에 의해 도출될 수 있다.
이하에 첨부되는 도면들은 본 개시에 관한 이해를 돕기 위한 것으로, 상세한 설명과 함께 본 개시에 대한 실시 예들을 제공할 수 있다. 다만, 본 개시의 기술적 특징이 특정 도면에 한정되는 것은 아니며, 각 도면에서 개시하는 특징들은 서로 조합되어 새로운 실시 예로 구성될 수 있다. 각 도면에서의 참조 번호(reference numerals)들은 구조적 구성요소(structural elements)를 의미할 수 있다.
도 1은 본 개시에 적용 가능한 통신 시스템 예를 도시한다.
도 2는 본 개시에 적용 가능한 무선 기기의 예를 도시한다.
도 3은 본 개시에 적용 가능한 무선 기기의 다른 예를 도시한다.
도 4는 본 개시에 적용 가능한 휴대 기기의 예를 도시한다.
도 5는 본 개시에 적용 가능한 차량 또는 자율 주행 차량의 예를 도시한다.
도 6은 본 개시에 적용 가능한 AI(Artificial Intelligence)의 예를 도시한다.
도 7은 본 개시에 적용 가능한 전송 신호를 처리하는 방법을 도시한다.
도 8은 본 개시에 적용 가능한 6G 시스템에서 제공 가능한 통신 구조의 일례를 도시한다.
도 9는 본 개시에 적용 가능한 전자기 스펙트럼을 도시한다.
도 10은 본 개시에 적용 가능한 THz 통신 방법을 도시한다.
도 11은 본 개시에 적용 가능한 인공 신경망에 포함되는 퍼셉트론(perceptron)의 구조를 도시한다.
도 12는 본 개시에 적용 가능한 인공 신경망 구조를 도시한다.
도 13은 본 개시에 적용 가능한 심층 신경망을 도시한다.
도 14는 본 개시에 적용 가능한 컨볼루션 신경망을 도시한다.
도 15는 본 개시에 적용 가능한 컨볼루션 신경망의 필터 연산을 도시한다.
도 16은 본 개시에 적용 가능한 순환 루프가 존재하는 신경망 구조를 도시한다.
도 17은 본 개시에 적용 가능한 순환 신경망의 동작 구조를 도시한다.
도 18은 본 개시의 일 실시 예에 따른 능동 학습을 위한 샘플링 방식들을 도시한다.
도 19a 내지 도 19c는 본 개시의 일 실시 예에 따른 능동 학습 및 수동 학습의 결과들의 예를 도시한다.
도 20은 본 개시의 일 실시 예에 따른 능동 학습을 지원하는 장치들의 기능적 구조들을 도시한다.
도 21은 본 개시의 일 실시 예에 따라 송신기 모델 또는 수신기 모델에 대한 학습을 수행하는 절차의 예를 도시한다.
도 22는 본 개시의 일 실시 예에 따라 송신기 모델 또는 수신기 모델에 대한 학습을 지원하는 절차의 예를 도시한다.
도 23은 본 발명의 일 실시 예에 따라 능동 학습에 대한 능력 정보를 제공하는 절차의 예를 도시한다.
도 24는 본 발명의 일 실시 예에 따라 능동 학습을 위한 정보를 설정하는 절차의 예를 도시한다.
도 25는 본 발명의 일 실시 예에 따라 능동 학습을 수행하는 절차의 예를 도시한다.
도 26은 본 개시의 일 실시 예에 따른 능동 기준 신호 송신 및 채널 추정의 동작 타이밍의 예를 도시한다.
도 27은 본 발명의 일 실시 예에 따라 능동 학습의 결과를 보고하는 절차의 예를 도시한다.
도 28은 본 발명의 일 실시 예에 따라 능동 학습을 종료하는 절차의 예를 도시한다.
도 29는 본 발명의 일 실시 예에 따른 능동 학습을 위한 기준 신호 패턴들의 예를 도시한다.
도 30a 및 도 30b는 본 발명의 일 실시 예에 따른 GP 모델에 대한 불확실성의 평가 결과의 예들을 도시한다.
이하의 실시 예들은 본 개시의 구성요소들과 특징들을 소정 형태로 결합한 것들이다. 각 구성요소 또는 특징은 별도의 명시적 언급이 없는 한 선택적인 것으로 고려될 수 있다. 각 구성요소 또는 특징은 다른 구성요소나 특징과 결합되지 않은 형태로 실시될 수 있다. 또한, 일부 구성요소들 및/또는 특징들을 결합하여 본 개시의 실시 예를 구성할 수도 있다. 본 개시의 실시 예들에서 설명되는 동작들의 순서는 변경될 수 있다. 어느 실시 예의 일부 구성이나 특징은 다른 실시 예에 포함될 수 있고, 또는 다른 실시 예의 대응하는 구성 또는 특징과 교체될 수 있다.
도면에 대한 설명에서, 본 개시의 요지를 흐릴 수 있는 절차 또는 단계 등은 기술하지 않았으며, 당업자의 수준에서 이해할 수 있을 정도의 절차 또는 단계는 또한 기술하지 아니하였다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함(comprising 또는 including)"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "...부", "...기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 또한, "일(a 또는 an)", "하나(one)", "그(the)" 및 유사 관련어는 본 개시를 기술하는 문맥에 있어서(특히, 이하의 청구항의 문맥에서) 본 명세서에 달리 지시되거나 문맥에 의해 분명하게 반박되지 않는 한, 단수 및 복수 모두를 포함하는 의미로 사용될 수 있다.
본 명세서에서 본 개시의 실시 예들은 기지국과 이동국 간의 데이터 송수신 관계를 중심으로 설명되었다. 여기서, 기지국은 이동국과 직접적으로 통신을 수행하는 네트워크의 종단 노드(terminal node)로서의 의미가 있다. 본 문서에서 기지국에 의해 수행되는 것으로 설명된 특정 동작은 경우에 따라서는 기지국의 상위 노드(upper node)에 의해 수행될 수도 있다.
즉, 기지국을 포함하는 다수의 네트워크 노드들(network nodes)로 이루어지는 네트워크에서 이동국과의 통신을 위해 수행되는 다양한 동작들은 기지국 또는 기지국 이외의 다른 네트워크 노드들에 의해 수행될 수 있다. 이때, '기지국'은 고정국(fixed station), Node B, eNB(eNode B), gNB(gNode B), ng-eNB, 발전된 기지국(advanced base station, ABS) 또는 억세스 포인트(access point) 등의 용어에 의해 대체될 수 있다.
또한, 본 개시의 실시 예들에서 단말(terminal)은 사용자 기기(user equipment, UE), 이동국(mobile station, MS), 가입자국(subscriber station, SS), 이동 가입자 단말(mobile subscriber station, MSS), 이동 단말(mobile terminal) 또는 발전된 이동 단말(advanced mobile station, AMS) 등의 용어로 대체될 수 있다.
또한, 송신단은 데이터 서비스 또는 음성 서비스를 제공하는 고정 및/또는 이동 노드를 말하고, 수신단은 데이터 서비스 또는 음성 서비스를 수신하는 고정 및/또는 이동 노드를 의미한다. 따라서, 상향링크의 경우, 이동국이 송신단이 되고, 기지국이 수신단이 될 수 있다. 마찬가지로, 하향링크의 경우, 이동국이 수신단이 되고, 기지국이 송신단이 될 수 있다.
본 개시의 실시 예들은 무선 접속 시스템들인 IEEE 802.xx 시스템, 3GPP(3rd Generation Partnership Project) 시스템, 3GPP LTE(Long Term Evolution) 시스템, 3GPP 5G(5th generation) NR(New Radio) 시스템 및 3GPP2 시스템 중 적어도 하나에 개시된 표준 문서들에 의해 뒷받침될 수 있으며, 특히, 본 개시의 실시 예들은 3GPP TS(technical specification) 38.211, 3GPP TS 38.212, 3GPP TS 38.213, 3GPP TS 38.321 및 3GPP TS 38.331 문서들에 의해 뒷받침 될 수 있다.
또한, 본 개시의 실시 예들은 다른 무선 접속 시스템에도 적용될 수 있으며, 상술한 시스템으로 한정되는 것은 아니다. 일 예로, 3GPP 5G NR 시스템 이후에 적용되는 시스템에 대해서도 적용 가능할 수 있으며, 특정 시스템에 한정되지 않는다.
즉, 본 개시의 실시 예들 중 설명하지 않은 자명한 단계들 또는 부분들은 상기 문서들을 참조하여 설명될 수 있다. 또한, 본 문서에서 개시하고 있는 모든 용어들은 상기 표준 문서에 의해 설명될 수 있다.
이하, 본 개시에 따른 바람직한 실시 형태를 첨부된 도면을 참조하여 상세하게 설명한다. 첨부된 도면과 함께 이하에 개시될 상세한 설명은 본 개시의 예시적인 실시 형태를 설명하고자 하는 것이며, 본 개시의 기술 구성이 실시될 수 있는 유일한 실시형태를 나타내고자 하는 것이 아니다.
또한, 본 개시의 실시 예들에서 사용되는 특정 용어들은 본 개시의 이해를 돕기 위해서 제공된 것이며, 이러한 특정 용어의 사용은 본 개시의 기술적 사상을 벗어나지 않는 범위에서 다른 형태로 변경될 수 있다.
이하의 기술은 CDMA(code division multiple access), FDMA(frequency division multiple access), TDMA(time division multiple access), OFDMA(orthogonal frequency division multiple access), SC-FDMA(single carrier frequency division multiple access) 등과 같은 다양한 무선 접속 시스템에 적용될 수 있다.
하기에서는 이하 설명을 명확하게 하기 위해, 3GPP 통신 시스템(e.g.(예, LTE, NR 등)을 기반으로 설명하지만 본 발명의 기술적 사상이 이에 제한되는 것은 아니다. LTE는 3GPP TS 36.xxx Release 8 이후의 기술을 의미할 수 있다. 세부적으로, 3GPP TS 36.xxx Release 10 이후의 LTE 기술은 LTE-A로 지칭되고, 3GPP TS 36.xxx Release 13 이후의 LTE 기술은 LTE-A pro로 지칭될 수 있다. 3GPP NR은 TS 38.xxx Release 15 이후의 기술을 의미할 수 있다. 3GPP 6G는 TS Release 17 및/또는 Release 18 이후의 기술을 의미할 수 있다. "xxx"는 표준 문서 세부 번호를 의미한다. LTE/NR/6G는 3GPP 시스템으로 통칭될 수 있다.
본 개시에 사용된 배경기술, 용어, 약어 등에 관해서는 본 발명 이전에 공개된 표준 문서에 기재된 사항을 참조할 수 있다. 일 예로, 36.xxx 및 38.xxx 표준 문서를 참조할 수 있다.
본 개시에 적용 가능한 통신 시스템
이로 제한되는 것은 아니지만, 본 문서에 개시된 본 개시의 다양한 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들은 기기들 간에 무선 통신/연결(예, 5G)을 필요로 하는 다양한 분야에 적용될 수 있다.
이하, 도면을 참조하여 보다 구체적으로 예시한다. 이하의 도면/설명에서 동일한 도면 부호는 다르게 기술하지 않는 한, 동일하거나 대응되는 하드웨어 블록, 소프트웨어 블록 또는 기능 블록을 예시할 수 있다.
도 1은 본 개시에 적용되는 통신 시스템 예시를 도시한 도면이다.
도 1을 참조하면, 본 개시에 적용되는 통신 시스템(100)은 무선 기기, 기지국 및 네트워크를 포함한다. 여기서, 무선 기기는 무선 접속 기술(예, 5G NR, LTE)을 이용하여 통신을 수행하는 기기를 의미하며, 통신/무선/5G 기기로 지칭될 수 있다. 이로 제한되는 것은 아니지만, 무선 기기는 로봇(100a), 차량(100b-1, 100b-2), XR(extended reality) 기기(100c), 휴대 기기(hand-held device)(100d), 가전(home appliance)(100e), IoT(Internet of Thing) 기기(100f), AI(artificial intelligence) 기기/서버(100g)를 포함할 수 있다. 예를 들어, 차량은 무선 통신 기능이 구비된 차량, 자율 주행 차량, 차량간 통신을 수행할 수 있는 차량 등을 포함할 수 있다. 여기서, 차량(100b-1, 100b-2)은 UAV(unmanned aerial vehicle)(예, 드론)를 포함할 수 있다. XR 기기(100c)는 AR(augmented reality)/VR(virtual reality)/MR(mixed reality) 기기를 포함하며, HMD(head-mounted device), 차량에 구비된 HUD(head-up display), 텔레비전, 스마트폰, 컴퓨터, 웨어러블 디바이스, 가전 기기, 디지털 사이니지(signage), 차량, 로봇 등의 형태로 구현될 수 있다. 휴대 기기(100d)는 스마트폰, 스마트패드, 웨어러블 기기(예, 스마트워치, 스마트글래스), 컴퓨터(예, 노트북 등) 등을 포함할 수 있다. 가전(100e)은 TV, 냉장고, 세탁기 등을 포함할 수 있다. IoT 기기(100f)는 센서, 스마트 미터 등을 포함할 수 있다. 예를 들어, 기지국(120), 네트워크(130)는 무선 기기로도 구현될 수 있으며, 특정 무선 기기(120a)는 다른 무선 기기에게 기지국/네트워크 노드로 동작할 수도 있다.
무선 기기(100a~100f)는 기지국(120)을 통해 네트워크(130)와 연결될 수 있다. 무선 기기(100a~100f)에는 AI 기술이 적용될 수 있으며, 무선 기기(100a~100f)는 네트워크(130)를 통해 AI 서버(100g)와 연결될 수 있다. 네트워크(130)는 3G 네트워크, 4G(예, LTE) 네트워크 또는 5G(예, NR) 네트워크 등을 이용하여 구성될 수 있다. 무선 기기(100a~100f)는 기지국(120)/네트워크(130)를 통해 서로 통신할 수도 있지만, 기지국(120)/네트워크(130)를 통하지 않고 직접 통신(예, 사이드링크 통신(sidelink communication))할 수도 있다. 예를 들어, 차량들(100b-1, 100b-2)은 직접 통신(예, V2V(vehicle to vehicle)/V2X(vehicle to everything) communication)을 할 수 있다. 또한, IoT 기기(100f)(예, 센서)는 다른 IoT 기기(예, 센서) 또는 다른 무선 기기(100a~100f)와 직접 통신을 할 수 있다.
무선 기기(100a~100f)/기지국(120), 기지국(120)/기지국(120) 간에는 무선 통신/연결(150a, 150b, 150c)이 이뤄질 수 있다. 여기서, 무선 통신/연결은 상향/하향링크 통신(150a)과 사이드링크 통신(150b)(또는, D2D 통신), 기지국간 통신(150c)(예, relay, IAB(integrated access backhaul))과 같은 다양한 무선 접속 기술(예, 5G NR)을 통해 이뤄질 수 있다. 무선 통신/연결(150a, 150b, 150c)을 통해 무선 기기와 기지국/무선 기기, 기지국과 기지국은 서로 무선 신호를 송신/수신할 수 있다. 예를 들어, 무선 통신/연결(150a, 150b, 150c)은 다양한 물리 채널을 통해 신호를 송신/수신할 수 있다. 이를 위해, 본 개시의 다양한 제안들에 기반하여, 무선 신호의 송신/수신을 위한 다양한 구성정보 설정 과정, 다양한 신호 처리 과정(예, 채널 인코딩/디코딩, 변조/복조, 자원 매핑/디매핑 등), 자원 할당 과정 등 중 적어도 일부가 수행될 수 있다.
본 개시에 적용 가능한 통신 시스템
도 2는 본 개시에 적용될 수 있는 무선 기기의 예시를 도시한 도면이다.
도 2를 참조하면, 제1 무선 기기(200a)와 제2 무선 기기(200b)는 다양한 무선 접속 기술(예, LTE, NR)을 통해 무선 신호를 송수신할 수 있다. 여기서, {제1 무선 기기(200a), 제2 무선 기기(200b)}은 도 1의 {무선 기기(100x), 기지국(120)} 및/또는 {무선 기기(100x), 무선 기기(100x)}에 대응할 수 있다.
제1 무선 기기(200a)는 하나 이상의 프로세서(202a) 및 하나 이상의 메모리(204a)를 포함하며, 추가적으로 하나 이상의 송수신기(206a) 및/또는 하나 이상의 안테나(208a)을 더 포함할 수 있다. 프로세서(202a)는 메모리(204a) 및/또는 송수신기(206a)를 제어하며, 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들을 구현하도록 구성될 수 있다. 예를 들어, 프로세서(202a)는 메모리(204a) 내의 정보를 처리하여 제1 정보/신호를 생성한 뒤, 송수신기(206a)을 통해 제1 정보/신호를 포함하는 무선 신호를 전송할 수 있다. 또한, 프로세서(202a)는 송수신기(206a)를 통해 제2 정보/신호를 포함하는 무선 신호를 수신한 뒤, 제2 정보/신호의 신호 처리로부터 얻은 정보를 메모리(204a)에 저장할 수 있다. 메모리(204a)는 프로세서(202a)와 연결될 수 있고, 프로세서(202a)의 동작과 관련한 다양한 정보를 저장할 수 있다. 예를 들어, 메모리(204a)는 프로세서(202a)에 의해 제어되는 프로세스들 중 일부 또는 전부를 수행하거나, 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들을 수행하기 위한 명령들을 포함하는 소프트웨어 코드를 저장할 수 있다. 여기서, 프로세서(202a)와 메모리(204a)는 무선 통신 기술(예, LTE, NR)을 구현하도록 설계된 통신 모뎀/회로/칩의 일부일 수 있다. 송수신기(206a)는 프로세서(202a)와 연결될 수 있고, 하나 이상의 안테나(208a)를 통해 무선 신호를 송신 및/또는 수신할 수 있다. 송수신기(206a)는 송신기 및/또는 수신기를 포함할 수 있다. 송수신기(206a)는 RF(radio frequency) 유닛과 혼용될 수 있다. 본 개시에서 무선 기기는 통신 모뎀/회로/칩을 의미할 수도 있다.
제2 무선 기기(200b)는 하나 이상의 프로세서(202b), 하나 이상의 메모리(204b)를 포함하며, 추가적으로 하나 이상의 송수신기(206b) 및/또는 하나 이상의 안테나(208b)를 더 포함할 수 있다. 프로세서(202b)는 메모리(204b) 및/또는 송수신기(206b)를 제어하며, 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들을 구현하도록 구성될 수 있다. 예를 들어, 프로세서(202b)는 메모리(204b) 내의 정보를 처리하여 제3 정보/신호를 생성한 뒤, 송수신기(206b)를 통해 제3 정보/신호를 포함하는 무선 신호를 전송할 수 있다. 또한, 프로세서(202b)는 송수신기(206b)를 통해 제4 정보/신호를 포함하는 무선 신호를 수신한 뒤, 제4 정보/신호의 신호 처리로부터 얻은 정보를 메모리(204b)에 저장할 수 있다. 메모리(204b)는 프로세서(202b)와 연결될 수 있고, 프로세서(202b)의 동작과 관련한 다양한 정보를 저장할 수 있다. 예를 들어, 메모리(204b)는 프로세서(202b)에 의해 제어되는 프로세스들 중 일부 또는 전부를 수행하거나, 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들을 수행하기 위한 명령들을 포함하는 소프트웨어 코드를 저장할 수 있다. 여기서, 프로세서(202b)와 메모리(204b)는 무선 통신 기술(예, LTE, NR)을 구현하도록 설계된 통신 모뎀/회로/칩의 일부일 수 있다. 송수신기(206b)는 프로세서(202b)와 연결될 수 있고, 하나 이상의 안테나(208b)를 통해 무선 신호를 송신 및/또는 수신할 수 있다. 송수신기(206b)는 송신기 및/또는 수신기를 포함할 수 있다 송수신기(206b)는 RF 유닛과 혼용될 수 있다. 본 개시에서 무선 기기는 통신 모뎀/회로/칩을 의미할 수도 있다.
이하, 무선 기기(200a, 200b)의 하드웨어 요소에 대해 보다 구체적으로 설명한다. 이로 제한되는 것은 아니지만, 하나 이상의 프로토콜 계층이 하나 이상의 프로세서(202a, 202b)에 의해 구현될 수 있다. 예를 들어, 하나 이상의 프로세서(202a, 202b)는 하나 이상의 계층(예, PHY(physical), MAC(media access control), RLC(radio link control), PDCP(packet data convergence protocol), RRC(radio resource control), SDAP(service data adaptation protocol)와 같은 기능적 계층)을 구현할 수 있다. 하나 이상의 프로세서(202a, 202b)는 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들에 따라 하나 이상의 PDU(Protocol Data Unit) 및/또는 하나 이상의 SDU(service data unit)를 생성할 수 있다. 하나 이상의 프로세서(202a, 202b)는 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들에 따라 메시지, 제어정보, 데이터 또는 정보를 생성할 수 있다. 하나 이상의 프로세서(202a, 202b)는 본 문서에 개시된 기능, 절차, 제안 및/또는 방법에 따라 PDU, SDU, 메시지, 제어정보, 데이터 또는 정보를 포함하는 신호(예, 베이스밴드 신호)를 생성하여, 하나 이상의 송수신기(206a, 206b)에게 제공할 수 있다. 하나 이상의 프로세서(202a, 202b)는 하나 이상의 송수신기(206a, 206b)로부터 신호(예, 베이스밴드 신호)를 수신할 수 있고, 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들에 따라 PDU, SDU, 메시지, 제어정보, 데이터 또는 정보를 획득할 수 있다.
하나 이상의 프로세서(202a, 202b)는 컨트롤러, 마이크로 컨트롤러, 마이크로 프로세서 또는 마이크로 컴퓨터로 지칭될 수 있다. 하나 이상의 프로세서(202a, 202b)는 하드웨어, 펌웨어, 소프트웨어, 또는 이들의 조합에 의해 구현될 수 있다. 일 예로, 하나 이상의 ASIC(application specific integrated circuit), 하나 이상의 DSP(digital signal processor), 하나 이상의 DSPD(digital signal processing device), 하나 이상의 PLD(programmable logic device) 또는 하나 이상의 FPGA(field programmable gate arrays)가 하나 이상의 프로세서(202a, 202b)에 포함될 수 있다. 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들은 펌웨어 또는 소프트웨어를 사용하여 구현될 수 있고, 펌웨어 또는 소프트웨어는 모듈, 절차, 기능 등을 포함하도록 구현될 수 있다. 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들은 수행하도록 설정된 펌웨어 또는 소프트웨어는 하나 이상의 프로세서(202a, 202b)에 포함되거나, 하나 이상의 메모리(204a, 204b)에 저장되어 하나 이상의 프로세서(202a, 202b)에 의해 구동될 수 있다. 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들은 코드, 명령어 및/또는 명령어의 집합 형태로 펌웨어 또는 소프트웨어를 사용하여 구현될 수 있다.
하나 이상의 메모리(204a, 204b)는 하나 이상의 프로세서(202a, 202b)와 연결될 수 있고, 다양한 형태의 데이터, 신호, 메시지, 정보, 프로그램, 코드, 지시 및/또는 명령을 저장할 수 있다. 하나 이상의 메모리(204a, 204b)는 ROM(read only memory), RAM(random access memory), EPROM(erasable programmable read only memory), 플래시 메모리, 하드 드라이브, 레지스터, 캐쉬 메모리, 컴퓨터 판독 저장 매체 및/또는 이들의 조합으로 구성될 수 있다. 하나 이상의 메모리(204a, 204b)는 하나 이상의 프로세서(202a, 202b)의 내부 및/또는 외부에 위치할 수 있다. 또한, 하나 이상의 메모리(204a, 204b)는 유선 또는 무선 연결과 같은 다양한 기술을 통해 하나 이상의 프로세서(202a, 202b)와 연결될 수 있다.
하나 이상의 송수신기(206a, 206b)는 하나 이상의 다른 장치에게 본 문서의 방법들 및/또는 동작 순서도 등에서 언급되는 사용자 데이터, 제어 정보, 무선 신호/채널 등을 전송할 수 있다. 하나 이상의 송수신기(206a, 206b)는 하나 이상의 다른 장치로부터 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도 등에서 언급되는 사용자 데이터, 제어 정보, 무선 신호/채널 등을 수신할 수 있다. 예를 들어, 하나 이상의 송수신기(206a, 206b)는 하나 이상의 프로세서(202a, 202b)와 연결될 수 있고, 무선 신호를 송수신할 수 있다. 예를 들어, 하나 이상의 프로세서(202a, 202b)는 하나 이상의 송수신기(206a, 206b)가 하나 이상의 다른 장치에게 사용자 데이터, 제어 정보 또는 무선 신호를 전송하도록 제어할 수 있다. 또한, 하나 이상의 프로세서(202a, 202b)는 하나 이상의 송수신기(206a, 206b)가 하나 이상의 다른 장치로부터 사용자 데이터, 제어 정보 또는 무선 신호를 수신하도록 제어할 수 있다. 또한, 하나 이상의 송수신기(206a, 206b)는 하나 이상의 안테나(208a, 208b)와 연결될 수 있고, 하나 이상의 송수신기(206a, 206b)는 하나 이상의 안테나(208a, 208b)를 통해 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도 등에서 언급되는 사용자 데이터, 제어 정보, 무선 신호/채널 등을 송수신하도록 설정될 수 있다. 본 문서에서, 하나 이상의 안테나는 복수의 물리 안테나이거나, 복수의 논리 안테나(예, 안테나 포트)일 수 있다. 하나 이상의 송수신기(206a, 206b)는 수신된 사용자 데이터, 제어 정보, 무선 신호/채널 등을 하나 이상의 프로세서(202a, 202b)를 이용하여 처리하기 위해, 수신된 무선 신호/채널 등을 RF 밴드 신호에서 베이스밴드 신호로 변환(Convert)할 수 있다. 하나 이상의 송수신기(206a, 206b)는 하나 이상의 프로세서(202a, 202b)를 이용하여 처리된 사용자 데이터, 제어 정보, 무선 신호/채널 등을 베이스밴드 신호에서 RF 밴드 신호로 변환할 수 있다. 이를 위하여, 하나 이상의 송수신기(206a, 206b)는 (아날로그) 오실레이터 및/또는 필터를 포함할 수 있다.
본 개시에 적용 가능한 무선 기기 구조
도 3은 본 개시에 적용되는 무선 기기의 다른 예시를 도시한 도면이다.
도 3을 참조하면, 무선 기기(300)는 도 2의 무선 기기(200a, 200b)에 대응하며, 다양한 요소(element), 성분(component), 유닛/부(unit), 및/또는 모듈(module)로 구성될 수 있다. 예를 들어, 무선 기기(300)는 통신부(310), 제어부(320), 메모리부(330) 및 추가 요소(340)를 포함할 수 있다. 통신부는 통신 회로(312) 및 송수신기(들)(314)을 포함할 수 있다. 예를 들어, 통신 회로(312)는 도 2의 하나 이상의 프로세서(202a, 202b) 및/또는 하나 이상의 메모리(204a, 204b)를 포함할 수 있다. 예를 들어, 송수신기(들)(314)는 도 2의 하나 이상의 송수신기(206a, 206b) 및/또는 하나 이상의 안테나(208a, 208b)을 포함할 수 있다. 제어부(320)는 통신부(310), 메모리부(330) 및 추가 요소(340)와 전기적으로 연결되며 무선 기기의 제반 동작을 제어한다. 예를 들어, 제어부(320)는 메모리부(330)에 저장된 프로그램/코드/명령/정보에 기반하여 무선 기기의 전기적/기계적 동작을 제어할 수 있다. 또한, 제어부(320)는 메모리부(330)에 저장된 정보를 통신부(310)을 통해 외부(예, 다른 통신 기기)로 무선/유선 인터페이스를 통해 전송하거나, 통신부(310)를 통해 외부(예, 다른 통신 기기)로부터 무선/유선 인터페이스를 통해 수신된 정보를 메모리부(330)에 저장할 수 있다.
추가 요소(340)는 무선 기기의 종류에 따라 다양하게 구성될 수 있다. 예를 들어, 추가 요소(340)는 파워 유닛/배터리, 입출력부(input/output unit), 구동부 및 컴퓨팅부 중 적어도 하나를 포함할 수 있다. 이로 제한되는 것은 아니지만, 무선 기기(300)는 로봇(도 1, 100a), 차량(도 1, 100b-1, 100b-2), XR 기기(도 1, 100c), 휴대 기기(도 1, 100d), 가전(도 1, 100e), IoT 기기(도 1, 100f), 디지털 방송용 단말, 홀로그램 장치, 공공 안전 장치, MTC 장치, 의료 장치, 핀테크 장치(또는 금융 장치), 보안 장치, 기후/환경 장치, AI 서버/기기(도 1, 140), 기지국(도 1, 120), 네트워크 노드 등의 형태로 구현될 수 있다. 무선 기기는 사용-예/서비스에 따라 이동 가능하거나 고정된 장소에서 사용될 수 있다.
도 3에서 무선 기기(300) 내의 다양한 요소, 성분, 유닛/부, 및/또는 모듈은 전체가 유선 인터페이스를 통해 상호 연결되거나, 적어도 일부가 통신부(310)를 통해 무선으로 연결될 수 있다. 예를 들어, 무선 기기(300) 내에서 제어부(320)와 통신부(310)는 유선으로 연결되며, 제어부(320)와 제1 유닛(예, 130, 140)은 통신부(310)를 통해 무선으로 연결될 수 있다. 또한, 무선 기기(300) 내의 각 요소, 성분, 유닛/부, 및/또는 모듈은 하나 이상의 요소를 더 포함할 수 있다. 예를 들어, 제어부(320)는 하나 이상의 프로세서 집합으로 구성될 수 있다. 예를 들어, 제어부(320)는 통신 제어 프로세서, 어플리케이션 프로세서(application processor), ECU(electronic control unit), 그래픽 처리 프로세서, 메모리 제어 프로세서 등의 집합으로 구성될 수 있다. 다른 예로, 메모리부(330)는 RAM, DRAM(dynamic RAM), ROM, 플래시 메모리(flash memory), 휘발성 메모리(volatile memory), 비-휘발성 메모리(non-volatile memory) 및/또는 이들의 조합으로 구성될 수 있다.
본 개시가 적용 가능한 휴대 기기
도 4는 본 개시에 적용되는 휴대 기기의 예시를 도시한 도면이다.
도 4는 본 개시에 적용되는 휴대 기기를 예시한다. 휴대 기기는 스마트폰, 스마트패드, 웨어러블 기기(예, 스마트 워치, 스마트 글래스), 휴대용 컴퓨터(예, 노트북 등)을 포함할 수 있다. 휴대 기기는 MS(mobile station), UT(user terminal), MSS(mobile subscriber station), SS(subscriber station), AMS(advanced mobile station) 또는 WT(wireless terminal)로 지칭될 수 있다.
도 4를 참조하면, 휴대 기기(400)는 안테나부(408), 통신부(410), 제어부(420), 메모리부(430), 전원공급부(440a), 인터페이스부(440b) 및 입출력부(440c)를 포함할 수 있다. 안테나부(408)는 통신부(410)의 일부로 구성될 수 있다. 블록 410~430/440a~440c는 각각 도 3의 블록 310~330/340에 대응한다.
통신부(410)는 다른 무선 기기, 기지국들과 신호(예, 데이터, 제어 신호 등)를 송수신할 수 있다. 제어부(420)는 휴대 기기(400)의 구성 요소들을 제어하여 다양한 동작을 수행할 수 있다. 제어부(420)는 AP(application processor)를 포함할 수 있다. 메모리부(430)는 휴대 기기(400)의 구동에 필요한 데이터/파라미터/프로그램/코드/명령을 저장할 수 있다. 또한, 메모리부(430)는 입/출력되는 데이터/정보 등을 저장할 수 있다. 전원공급부(440a)는 휴대 기기(400)에게 전원을 공급하며, 유/무선 충전 회로, 배터리 등을 포함할 수 있다. 인터페이스부(440b)는 휴대 기기(400)와 다른 외부 기기의 연결을 지원할 수 있다. 인터페이스부(440b)는 외부 기기와의 연결을 위한 다양한 포트(예, 오디오 입/출력 포트, 비디오 입/출력 포트)를 포함할 수 있다. 입출력부(440c)는 영상 정보/신호, 오디오 정보/신호, 데이터, 및/또는 사용자로부터 입력되는 정보를 입력 받거나 출력할 수 있다. 입출력부(440c)는 카메라, 마이크로폰, 사용자 입력부, 디스플레이부(440d), 스피커 및/또는 햅틱 모듈 등을 포함할 수 있다.
일 예로, 데이터 통신의 경우, 입출력부(440c)는 사용자로부터 입력된 정보/신호(예, 터치, 문자, 음성, 이미지, 비디오)를 획득하며, 획득된 정보/신호는 메모리부(430)에 저장될 수 있다. 통신부(410)는 메모리에 저장된 정보/신호를 무선 신호로 변환하고, 변환된 무선 신호를 다른 무선 기기에게 직접 전송하거나 기지국에게 전송할 수 있다. 또한, 통신부(410)는 다른 무선 기기 또는 기지국으로부터 무선 신호를 수신한 뒤, 수신된 무선 신호를 원래의 정보/신호로 복원할 수 있다. 복원된 정보/신호는 메모리부(430)에 저장된 뒤, 입출력부(440c)를 통해 다양한 형태(예, 문자, 음성, 이미지, 비디오, 햅틱)로 출력될 수 있다.
본 개시가 적용 가능한 무선 기기 종류
도 5는 본 개시에 적용되는 차량 또는 자율 주행 차량의 예시를 도시한 도면이다.
도 5는 본 개시에 적용되는 차량 또는 자율 주행 차량을 예시한다. 차량 또는 자율 주행 차량은 이동형 로봇, 차량, 기차, 유/무인 비행체(aerial vehicle, AV), 선박 등으로 구현될 수 있으며, 차량의 형태로 한정되는 것은 아니다.
도 5를 참조하면, 차량 또는 자율 주행 차량(500)은 안테나부(508), 통신부(510), 제어부(520), 구동부(540a), 전원공급부(540b), 센서부(540c) 및 자율 주행부(540d)를 포함할 수 있다. 안테나부(550)는 통신부(510)의 일부로 구성될 수 있다. 블록 510/530/540a~540d는 각각 도 4의 블록 410/430/440에 대응한다.
통신부(510)는 다른 차량, 기지국(예, 기지국, 노변 기지국(road side unit) 등), 서버 등의 외부 기기들과 신호(예, 데이터, 제어 신호 등)를 송수신할 수 있다. 제어부(520)는 차량 또는 자율 주행 차량(500)의 요소들을 제어하여 다양한 동작을 수행할 수 있다. 제어부(520)는 ECU(electronic control unit)를 포함할 수 있다.
도 6은 본 개시에 적용되는 AI 기기의 예시를 도시한 도면이다. 일 예로, AI 기기는 TV, 프로젝터, 스마트폰, PC, 노트북, 디지털방송용 단말기, 태블릿 PC, 웨어러블 장치, 셋톱박스(STB), 라디오, 세탁기, 냉장고, 디지털 사이니지, 로봇, 차량 등과 같은, 고정형 기기 또는 이동 가능한 기기 등으로 구현될 수 있다.
도 6을 참조하면, AI 기기(600)는 통신부(610), 제어부(620), 메모리부(630), 입/출력부(640a/640b), 러닝 프로세서부(640c) 및 센서부(640d)를 포함할 수 있다. 블록 610~630/640a~640d는 각각 도 3의 블록 310~330/340에 대응할 수 있다.
통신부(610)는 유무선 통신 기술을 이용하여 다른 AI 기기(예, 도 1, 100x, 120, 140)나 AI 서버(도 1, 140) 등의 외부 기기들과 유무선 신호(예, 센서 정보, 사용자 입력, 학습 모델, 제어 신호 등)를 송수신할 수 있다. 이를 위해, 통신부(610)는 메모리부(630) 내의 정보를 외부 기기로 전송하거나, 외부 기기로부터 수신된 신호를 메모리부(630)로 전달할 수 있다.
제어부(620)는 데이터 분석 알고리즘 또는 머신 러닝 알고리즘을 사용하여 결정되거나 생성된 정보에 기초하여, AI 기기(600)의 적어도 하나의 실행 가능한 동작을 결정할 수 있다. 그리고, 제어부(620)는 AI 기기(600)의 구성 요소들을 제어하여 결정된 동작을 수행할 수 있다. 예를 들어, 제어부(620)는 러닝 프로세서부(640c) 또는 메모리부(630)의 데이터를 요청, 검색, 수신 또는 활용할 수 있고, 적어도 하나의 실행 가능한 동작 중 예측되는 동작이나, 바람직한 것으로 판단되는 동작을 실행하도록 AI 기기(600)의 구성 요소들을 제어할 수 있다. 또한, 제어부(620)는 AI 장치(600)의 동작 내용이나 동작에 대한 사용자의 피드백 등을 포함하는 이력 정보를 수집하여 메모리부(630) 또는 러닝 프로세서부(640c)에 저장하거나, AI 서버(도 1, 140) 등의 외부 장치에 전송할 수 있다. 수집된 이력 정보는 학습 모델을 갱신하는데 이용될 수 있다.
메모리부(630)는 AI 기기(600)의 다양한 기능을 지원하는 데이터를 저장할 수 있다. 예를 들어, 메모리부(630)는 입력부(640a)로부터 얻은 데이터, 통신부(610)로부터 얻은 데이터, 러닝 프로세서부(640c)의 출력 데이터, 및 센싱부(640)로부터 얻은 데이터를 저장할 수 있다. 또한, 메모리부(630)는 제어부(620)의 동작/실행에 필요한 제어 정보 및/또는 소프트웨어 코드를 저장할 수 있다.
입력부(640a)는 AI 기기(600)의 외부로부터 다양한 종류의 데이터를 획득할 수 있다. 예를 들어, 입력부(620)는 모델 학습을 위한 학습 데이터, 및 학습 모델이 적용될 입력 데이터 등을 획득할 수 있다. 입력부(640a)는 카메라, 마이크로폰 및/또는 사용자 입력부 등을 포함할 수 있다. 출력부(640b)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시킬 수 있다. 출력부(640b)는 디스플레이부, 스피커 및/또는 햅틱 모듈 등을 포함할 수 있다. 센싱부(640)는 다양한 센서들을 이용하여 AI 기기(600)의 내부 정보, AI 기기(600)의 주변 환경 정보 및 사용자 정보 중 적어도 하나를 얻을 수 있다. 센싱부(640)는 근접 센서, 조도 센서, 가속도 센서, 자기 센서, 자이로 센서, 관성 센서, RGB 센서, IR 센서, 지문 인식 센서, 초음파 센서, 광 센서, 마이크로폰 및/또는 레이더 등을 포함할 수 있다.
러닝 프로세서부(640c)는 학습 데이터를 이용하여 인공 신경망으로 구성된 모델을 학습시킬 수 있다. 러닝 프로세서부(640c)는 AI 서버(도 1, 140)의 러닝 프로세서부와 함께 AI 프로세싱을 수행할 수 있다. 러닝 프로세서부(640c)는 통신부(610)를 통해 외부 기기로부터 수신된 정보, 및/또는 메모리부(630)에 저장된 정보를 처리할 수 있다. 또한, 러닝 프로세서부(640c)의 출력 값은 통신부(610)를 통해 외부 기기로 전송되거나/되고, 메모리부(630)에 저장될 수 있다.
도 7은 본 개시에 적용되는 전송 신호를 처리하는 방법을 도시한 도면이다. 일 예로, 전송 신호는 신호 처리 회로에 의해 처리될 수 있다. 이때, 신호 처리 회로(700)는 스크램블러(710), 변조기(720), 레이어 매퍼(730), 프리코더(740), 자원 매퍼(750), 신호 생성기(760)를 포함할 수 있다. 이때, 일 예로, 도 7의 동작/기능은 도 2의 프로세서(202a, 202b) 및/또는 송수신기(206a, 206b)에서 수행될 수 있다. 또한, 일 예로, 도 7의 하드웨어 요소는 도 2의 프로세서(202a, 202b) 및/또는 송수신기(206a, 206b)에서 구현될 수 있다. 일 예로, 블록 710~760은 도 2의 프로세서(202a, 202b)에서 구현될 수 있다. 또한, 블록 710~750은 도 2의 프로세서(202a, 202b)에서 구현되고, 블록 760은 도 2의 송수신기(206a, 206b)에서 구현될 수 있으며, 상술한 실시 예로 한정되지 않는다.
코드워드는 도 7의 신호 처리 회로(700)를 거쳐 무선 신호로 변환될 수 있다. 여기서, 코드워드는 정보블록의 부호화된 비트 시퀀스이다. 정보블록은 전송블록(예, UL-SCH 전송블록, DL-SCH 전송블록)을 포함할 수 있다. 무선 신호는 다양한 물리 채널(예, PUSCH, PDSCH)을 통해 전송될 수 있다. 구체적으로, 코드워드는 스크램블러(710)에 의해 스크램블된 비트 시퀀스로 변환될 수 있다. 스크램블에 사용되는 스크램블 시퀀스는 초기화 값에 기반하여 생성되며, 초기화 값은 무선 기기의 ID 정보 등이 포함될 수 있다. 스크램블된 비트 시퀀스는 변조기(720)에 의해 변조 심볼 시퀀스로 변조될 수 있다. 변조 방식은 pi/2-BPSK(pi/2-binary phase shift keying), m-PSK(m-phase shift keying), m-QAM(m-quadrature amplitude modulation) 등을 포함할 수 있다.
복소 변조 심볼 시퀀스는 레이어 매퍼(730)에 의해 하나 이상의 전송 레이어로 매핑될 수 있다. 각 전송 레이어의 변조 심볼들은 프리코더(740)에 의해 해당 안테나 포트(들)로 매핑될 수 있다(프리코딩). 프리코더(740)의 출력 z는 레이어 매퍼(730)의 출력 y를 N*M의 프리코딩 행렬 W와 곱해 얻을 수 있다. 여기서, N은 안테나 포트의 개수, M은 전송 레이어의 개수이다. 여기서, 프리코더(740)는 복소 변조 심볼들에 대한 트랜스폼(transform) 프리코딩(예, DFT(discrete fourier transform) 변환)을 수행한 이후에 프리코딩을 수행할 수 있다. 또한, 프리코더(740)는 트랜스폼 프리코딩을 수행하지 않고 프리코딩을 수행할 수 있다.
자원 매퍼(750)는 각 안테나 포트의 변조 심볼들을 시간-주파수 자원에 매핑할 수 있다. 시간-주파수 자원은 시간 도메인에서 복수의 심볼(예, CP-OFDMA 심볼, DFT-s-OFDMA 심볼)을 포함하고, 주파수 도메인에서 복수의 부반송파를 포함할 수 있다. 신호 생성기(760)는 매핑된 변조 심볼들로부터 무선 신호를 생성하며, 생성된 무선 신호는 각 안테나를 통해 다른 기기로 전송될 수 있다. 이를 위해, 신호 생성기(760)는 IFFT(inverse fast fourier transform) 모듈 및 CP(cyclic prefix) 삽입기, DAC(digital-to-analog converter), 주파수 상향 변환기(frequency uplink converter) 등을 포함할 수 있다.
무선 기기에서 수신 신호를 위한 신호 처리 과정은 도 7의 신호 처리 과정(710~760)의 역으로 구성될 수 있다. 일 예로, 무선 기기(예, 도 2의 200a, 200b)는 안테나 포트/송수신기를 통해 외부로부터 무선 신호를 수신할 수 있다. 수신된 무선 신호는 신호 복원기를 통해 베이스밴드 신호로 변환될 수 있다. 이를 위해, 신호 복원기는 주파수 하향 변환기(frequency downlink converter), ADC(analog-to-digital converter), CP 제거기, FFT(fast fourier transform) 모듈을 포함할 수 있다. 이후, 베이스밴드 신호는 자원 디-매퍼 과정, 포스트코딩(postcoding) 과정, 복조 과정 및 디-스크램블 과정을 거쳐 코드워드로 복원될 수 있다. 코드워드는 복호(decoding)를 거쳐 원래의 정보블록으로 복원될 수 있다. 따라서, 수신 신호를 위한 신호 처리 회로(미도시)는 신호 복원기, 자원 디-매퍼, 포스트코더, 복조기, 디-스크램블러 및 복호기를 포함할 수 있다.
6G 통신 시스템
6G (무선통신) 시스템은 (i) 디바이스 당 매우 높은 데이터 속도, (ii) 매우 많은 수의 연결된 디바이스들, (iii) 글로벌 연결성(global connectivity), (iv) 매우 낮은 지연, (v) 배터리-프리(battery-free) IoT 디바이스들의 에너지 소비를 낮추고, (vi) 초고신뢰성 연결, (vii) 머신 러닝 능력을 가지는 연결된 지능 등에 목적이 있다. 6G 시스템의 비젼은 "intelligent connectivity", "deep connectivity", "holographic connectivity", "ubiquitous connectivity"와 같은 4가지 측면일 수 있으며, 6G 시스템은 하기 표 1과 같은 요구 사항을 만족시킬 수 있다. 즉, 표 1은 6G 시스템의 요구 사항을 나타낸 표이다.
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 10은 본 개시에 적용 가능한 6G 시스템에서 제공 가능한 통신 구조의 일례를 도시한 도면이다.
도 10을 참조하면, 6G 시스템은 5G 무선통신 시스템보다 50배 더 높은 동시 무선통신 연결성을 가질 것으로 예상된다. 5G의 핵심 요소(key feature)인 URLLC는 6G 통신에서 1ms보다 적은 단-대-단(end-to-end) 지연을 제공함으로써 보다 더 주요한 기술이 될 것으로 예상된다. 이때, 6G 시스템은 자주 사용되는 영역 스펙트럼 효율과 달리 체적 스펙트럼 효율이 훨씬 우수할 것이다. 6G 시스템은 매우 긴 배터리 수명과 에너지 수확을 위한 고급 배터리 기술을 제공할 수 있어, 6G 시스템에서 모바일 디바이스들은 별도로 충전될 필요가 없을 수 있다.
6G 시스템의 핵심 구현 기술
- 인공 지능(artificial Intelligence, AI)
6G 시스템에 가장 중요하며, 새로 도입될 기술은 AI이다. 4G 시스템에는 AI가 관여하지 않았다. 5G 시스템은 부분 또는 매우 제한된 AI를 지원할 것이다. 그러나, 6G 시스템은 완전히 자동화를 위해 AI가 지원될 것이다. 머신 러닝의 발전은 6G에서 실시간 통신을 위해 보다 지능적인 네트워크를 만들 것이다. 통신에 AI를 도입하면 실시간 데이터 전송이 간소화되고 향상될 수 있다. AI는 수많은 분석을 사용하여 복잡한 대상 작업이 수행되는 방식을 결정할 수 있다. 즉, AI는 효율성을 높이고 처리 지연을 줄일 수 있다.
핸드 오버, 네트워크 선택, 자원 스케줄링과 같은 시간 소모적인 작업은 AI를 사용함으로써 즉시 수행될 수 있다. AI는 M2M, 기계-대-인간 및 인간-대-기계 통신에서도 중요한 역할을 할 수 있다. 또한, AI는 BCI(brain computer interface)에서 신속한 통신이 될 수 있다. AI 기반 통신 시스템은 메타 물질, 지능형 구조, 지능형 네트워크, 지능형 장치, 지능형 인지 라디오(radio), 자체 유지 무선 네트워크 및 머신 러닝에 의해 지원될 수 있다.
최근 AI를 무선 통신 시스템과 통합하려고 하는 시도들이 나타나고 있으나, 이는 어플리케이션 계층(application layer), 네트워크 계층(network layer) 특히, 딥 러닝은 무선 자원 관리 및 할당(wireless resource management and allocation) 분야에 집중되어 왔다. 그러나, 이러한 연구는 점점 MAC 계층 및 물리 계층으로 발전하고 있으며, 특히 물리계층에서 딥 러닝을 무선 전송(wireless transmission)과 결합하고자 하는 시도들이 나타나고 있다. AI 기반의 물리계층 전송은, 근본적인 신호 처리 및 통신 메커니즘에 있어서, 전통적인 통신 프레임워크가 아니라 AI 드라이버에 기초한 신호 처리 및 통신 메커니즘을 적용하는 것을 의미한다. 예를 들어, 딥러닝 기반의 채널 코딩 및 디코딩(channel coding and decoding), 딥러닝 기반의 신호 추정(estimation) 및 검출(detection), 딥러닝 기반의 MIMO(multiple input multiple output) 매커니즘(mechanism), AI 기반의 자원 스케줄링(scheduling) 및 할당(allocation) 등을 포함할 수 있다.
머신 러닝은 채널 추정 및 채널 트래킹을 위해 사용될 수 있으며, DL(downlink)의 물리 계층(physical layer)에서 전력 할당(power allocation), 간섭 제거(interference cancellation) 등에 사용될 수 있다. 또한, 머신 러닝은 MIMO 시스템에서 안테나 선택, 전력 제어(power control), 심볼 검출(symbol detection) 등에도 사용될 수 있다.
그러나 물리계층에서의 전송을 위한 DNN의 적용은 아래와 같은 문제점이 있을 수 있다.
딥러닝 기반의 AI 알고리즘은 훈련 파라미터를 최적화하기 위해 수많은 훈련 데이터가 필요하다. 그러나 특정 채널 환경에서의 데이터를 훈련 데이터로 획득하는데 있어서의 한계로 인해, 오프라인 상에서 많은 훈련 데이터를 사용한다. 이는 특정 채널 환경에서 훈련 데이터에 대한 정적 훈련(static training)은, 무선 채널의 동적 특성 및 다이버시티(diversity) 사이에 모순(contradiction)이 생길 수 있다.
또한, 현재 딥 러닝은 주로 실제 신호(real signal)을 대상으로 한다. 그러나, 무선 통신의 물리 계층의 신호들은 복소 신호(complex signal)이다. 무선 통신 신호의 특성을 매칭시키기 위해 복소(complex) 도메인 신호의 검출하는 신경망(neural network)에 대한 연구가 더 필요하다.
이하, 머신 러닝에 대해 보다 구체적으로 살펴본다.
머신 러닝은 사람이 할 수 있거나 혹은 하기 어려운 작업을 대신해낼 수 있는 기계를 만들어 내기 위해 기계를 학습시키는 일련의 동작을 의미한다. 머신 러닝을 위해서는 데이터와 러닝 모델이 필요하다. 머신 러닝에서 데이터의 학습 방법은 크게 3가지 즉, 지도 학습(supervised learning), 비지도 학습(unsupervised learning) 그리고 강화 학습(reinforcement learning)으로 구분될 수 있다.
신경망 학습은 출력의 오류를 최소화하기 위한 것이다. 신경망 학습은 반복적으로 학습 데이터를 신경망에 입력시키고 학습 데이터에 대한 신경망의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 신경망의 에러를 신경망의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation) 하여 신경망의 각 노드의 가중치를 업데이트하는 과정이다.
지도 학습은 학습 데이터에 정답이 라벨링된 학습 데이터를 사용하며 비지도 학습은 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 지도 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링된 데이터 일 수 있다. 라벨링된 학습 데이터가 신경망에 입력되고 신경망의 출력(카테고리)과 학습 데이터의 라벨을 비교하여 오차(error)가 계산될 수 있다. 계산된 오차는 신경망에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 신경망의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 신경망의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 신경망의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 신경망의 학습 초기에는 높은 학습률을 사용하여 신경망이 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다
데이터의 특징에 따라 학습 방법은 달라질 수 있다. 예를 들어, 통신 시스템 상에서 송신단에서 전송한 데이터를 수신단에서 정확하게 예측하는 것을 목적으로 하는 경우, 비지도 학습 또는 강화 학습 보다는 지도 학습을 이용하여 학습을 수행하는 것이 바람직하다.
러닝 모델은 인간의 뇌에 해당하는 것으로서, 가장 기본적인 선형 모델을 생각할 수 있으나, 인공 신경망(artificial neural networks)와 같은 복잡성이 높은 신경망 구조를 러닝 모델로 사용하는 머신 러닝의 패러다임을 딥러닝(deep learning)이라 한다.
학습(learning) 방식으로 사용하는 신경망 코어(neural network cord)는 크게 심층 신경망(deep neural networks, DNN), 합성곱 신경망(convolutional deep neural networks, CNN), 순환 신경망(recurrent boltzmann machine, RNN) 방식이 있으며, 이러한 러닝 모델이 적용될 수 있다.
THz(Terahertz) 통신
6G 시스템에서 THz 통신이 적용될 수 있다. 일 예로, 데이터 전송률은 대역폭을 늘려 높일 수 있다. 이것은 넓은 대역폭으로 sub-THz 통신을 사용하고, 진보된 대규모 MIMO 기술을 적용하여 수행될 수 있다.
도 9는 본 개시에 적용 가능한 전자기 스펙트럼을 도시한 도면이다. 일 예로, 도 9를 참조하면, 밀리미터 이하의 방사선으로도 알려진 THz파는 일반적으로 0.03mm-3mm 범위의 해당 파장을 가진 0.1THz와 10THz 사이의 주파수 대역을 나타낸다. 100GHz-300GHz 대역 범위(Sub THz 대역)는 셀룰러 통신을 위한 THz 대역의 주요 부분으로 간주된다. Sub-THz 대역 mmWave 대역에 추가하면 6G 셀룰러 통신 용량은 늘어난다. 정의된 THz 대역 중 300GHz-3THz는 원적외선 (IR) 주파수 대역에 있다. 300GHz-3THz 대역은 광 대역의 일부이지만 광 대역의 경계에 있으며, RF 대역 바로 뒤에 있다. 따라서, 이 300 GHz-3 THz 대역은 RF와 유사성을 나타낸다.
THz 통신의 주요 특성은 (i) 매우 높은 데이터 전송률을 지원하기 위해 광범위하게 사용 가능한 대역폭, (ii) 고주파에서 발생하는 높은 경로 손실 (고 지향성 안테나는 필수 불가결)을 포함한다. 높은 지향성 안테나에서 생성된 좁은 빔 폭은 간섭을 줄인다. THz 신호의 작은 파장은 훨씬 더 많은 수의 안테나 소자가 이 대역에서 동작하는 장치 및 BS에 통합될 수 있게 한다. 이를 통해 범위 제한을 극복할 수 있는 고급 적응형 배열 기술을 사용할 수 있다.
테라헤르츠(THz) 무선통신
도 10은 본 개시에 적용 가능한 THz 통신 방법을 도시한 도면이다.
도 10을 참조하면, THz 무선통신은 대략 0.1~10THz(1THz=1012Hz)의 진동수를 가지는 THz파를 이용하여 무선통신을 이용하는 것으로, 100GHz 이상의 매우 높은 캐리어 주파수를 사용하는 테라헤르츠(THz) 대역 무선통신을 의미할 수 있다. THz파는 RF(Radio Frequency)/밀리미터(mm)와 적외선 대역 사이에 위치하며, (i) 가시광/적외선에 비해 비금속/비분극성 물질을 잘 투과하며 RF/밀리미터파에 비해 파장이 짧아 높은 직진성을 가지며 빔 집속이 가능할 수 있다.
인공 지능(Artificial Intelligence) 시스템
도 11은 본 개시에 적용 가능한 인공 신경망에 포함되는 퍼셉트론(perceptron)의 구조를 도시한다. 또한, 도 12는 본 개시에 적용 가능한 인공 신경망 구조를 도시한다.
상술한 바와 같이, 6G 시스템에서 인공 지능 시스템이 적용될 수 있다. 이때, 일 예로, 인공 지능 시스템은 인간의 뇌에 해당하는 러닝 모델에 기초하여 동작할 수 있으며, 이는 상술한 바와 같다. 이때, 인공 신경망(artificial neural networks)와 같은 복잡성이 높은 신경망 구조를 러닝 모델로 사용하는 머신 러닝의 패러다임을 딥러닝(deep learning)이라 할 수 있다. 또한, 학습(learning) 방식으로 사용하는 신경망 코어(neural network cord)는 크게 심층 신경망(deep neural network, DNN), 합성곱 신경망(convolutional deep neural network, CNN), 순환 신경망(recurrent neural network, RNN) 방식이 있다. 이때, 일 예로, 도 11을 참조하면, 인공 신경망은 여러 개의 퍼셉트론들로 구성될 수 있다. 이때, 입력 벡터 x={x1, x2, …, xd}가 입력되면, 각 성분에 가중치 {W1, W2, …, Wd}가 곱해지고, 그 결과를 모두 합산한 후, 활성함수 σ(·)를 적용하는 전체 과정은 퍼셉트론이라 불리울 수 있다. 거대한 인공 신경망 구조는 도 11에 도시한 단순화된 퍼셉트론 구조를 확장하면, 입력벡터는 서로 다른 다 차원의 퍼셉트론에 적용될 수 있다. 설명의 편의를 위해 입력값 또는 출력값을 노드(node)라 칭한다.
한편, 도 11에 도시된 퍼셉트론 구조는 입력값, 출력값을 기준으로 총 3개의 층(layer)로 구성되는 것으로 설명될 수 있다. 1st layer와 2nd layer 사이에는 (d+1) 차원의 퍼셉트론 H개, 2nd layer와 3rd layer 사이에는 (H+1)차원 퍼셉트론이 K 개 존재하는 인공 신경망은 도 12와 같이 표현될 수 있다.
이때, 입력벡터가 위치하는 층을 입력층(input layer), 최종 출력값이 위치하는 층을 출력층(output layer), 입력층과 출력층 사이에 위치하는 모든 층을 은닉층(hidden layer)라 한다. 일 예로, 도 12에서 3개의 층이 개시되나, 실제 인공 신경망 층의 개수를 카운트할 때는 입력층을 제외하고 카운트하므로, 도 12에 예시된 인공 신경망은 총 2개의 층으로 이해될 수 있다. 인공 신경망은 기본 블록의 퍼셉트론을 2차원적으로 연결되어 구성된다.
전술한 입력층, 은닉층, 출력층은 다층 퍼셉트론 뿐 아니라 후술할 CNN, RNN 등 다양한 인공 신경망 구조에서 공동적으로 적용될 수 있다. 은닉층의 개수가 많아질수록 인공 신경망이 깊어진 것이며, 충분히 깊어진 인공 신경망을 러닝모델로 사용하는 머신러닝 패러다임을 딥러닝(deep learning)이라 할 수 있다. 또한 딥러닝을 위해 사용하는 인공 신경망을 심층 신경망(deep neural network, DNN)이라 할 수 있다.
도 13은 본 개시에 적용 가능한 심층 신경망을 도시한다.
도 13을 참조하면, 심층 신경망은 은닉층+출력층이 8개로 구성된 다층 퍼셉트론일 수 있다. 이때, 다층 퍼셉트론 구조를 완전 연결 신경망(fully-connected neural network)이라 표현할 수 있다. 완전 연결 신경망은 서로 같은 층에 위치하는 노드 간에는 연결 관계가 존재하지 않으며, 인접한 층에 위치한 노드들 간에만 연결 관계가 존재할 수 있다. DNN은 완전 연결 신경망 구조를 가지고 다수의 은닉층과 활성함수들의 조합으로 구성되어 입력과 출력 사이의 상관관계 특성을 파악하는데 유용하게 적용될 수 있다. 여기서 상관관계 특성은 입출력의 결합 확률(joint probability)을 의미할 수 있다.
도 14는 본 개시에 적용 가능한 컨볼루션 신경망을 도시한다. 또한, 도 15는 본 개시에 적용 가능한 컨볼루션 신경망의 필터 연산을 도시한다.
일 예로, 복수의 퍼셉트론을 서로 어떻게 연결하느냐에 따라 전술한 DNN과 다른 다양한 인공 신경망 구조를 형성할 수 있다. 이때, DNN은 하나의 층 내부에 위치한 노드들이 1차원적의 세로 방향으로 배치되어 있다. 그러나, 도 14를 참조하면, 노드들이 2차원적으로 가로 w개, 세로 h개의 노드가 배치할 경우를 가정할 수 있다. (도 14의 컨볼루션 신경망 구조). 이 경우, 하나의 입력 노드에서 은닉층으로 이어지는 연결과정에서 연결 하나당 가중치가 부가되므로, 총 h×w 개의 가중치가 고려되어야 한다. 입력층에 h×w 개의 노드가 존재하므로, 인접한 두 층 사이에는 총 h2w2개의 가중치가 필요할 수 있다.
또한, 도 14의 컨볼루션 신경망은 연결개수에 따라 가중치의 개수가 기하급수적으로 증가하는 문제가 있어 인접한 층 간의 모든 모드의 연결을 고려하는 대신, 크기가 작은 필터(filter)가 존재하는 것으로 가정할 수 있다. 일 예로, 도 15에서와 같이 필터가 겹치는 부분에 대해서는 가중합 및 활성함수 연산을 수행하도록 할 수 있다.
이때, 하나의 필터는 그 크기만큼의 개수에 해당하는 가중치를 가지며, 이미지 상의 어느 특정한 특징을 요인으로 추출하여 출력할 수 있도록 가중치의 학습이 이루어질 수 있다. 도 15에서는 3×3 크기의 필터가 입력층의 가장 좌측 상단 3×3 영역에 적용되고, 해당 노드에 대한 가중합 및 활성함수 연산을 수행한 결과 출력값은 z22에 저장될 수 있다.
이때, 상술한 필터는 입력층을 스캔하면서 가로, 세로 일정 간격만큼 이동하면서 가중합 및 활성함수 연산이 수행되고, 그 출력값은 현재 필터의 위치에 배치될 수 있다. 이러한 연산 방식은 컴퓨터 비전(computer vision) 분야에서 이미지에 대한 컨볼루션(convolution) 연산과 유사하므로, 이러한 구조의 심층 신경망은 컨볼루션 신경망(CNN: convolutional neural network)라 불리고, 컨볼루션 연산 결과 생성되는 은닉층은 컨볼루션 층(convolutional layer)라 불릴 수 있다. 또한, 복수의 컨볼루션 층이 존재하는 신경망을 심층 컨볼루션 신경망(deep convolutional neural network, DCNN)이라 할 수 있다.
또한, 컨볼루션 층에서는 현재 필터가 위치한 노드에서, 상기 필터가 커버하는 영역에 위치한 노드만을 포괄하여 가중합을 계산함으로써, 가중치의 개수가 감소될 수 있다. 이로 인해, 하나의 필터가 로컬(local) 영역에 대한 특징에 집중하도록 이용될 수 있다. 이에 따라, CNN은 2차원 영역 상의 물리적 거리가 중요한 판단 기준이 되는 이미지 데이터 처리에 효과적으로 적용될 수 있다. 한편, CNN은 컨볼루션 층의 직전에 복수의 필터가 적용될 수 있으며, 각 필터의 컨볼루션 연산을 통해 복수의 출력 결과를 생성할 수도 있다.
한편, 데이터 속성에 따라 시퀀스(sequence) 특성이 중요한 데이터들이 있을 수 있다. 이러한 시퀀스 데이터들의 길이 가변성, 선후 관계를 고려하여 데이터 시퀀스 상의 원소를 매 시점(timestep) 마다 하나씩 입력하고, 특정 시점에 출력된 은닉층의 출력 벡터(은닉 벡터)를, 시퀀스 상의 바로 다음 원소와 함께 입력하는 방식을 인공 신경망에 적용한 구조를 순환 신경망 구조라 할 수 있다.
도 16은 본 개시에 적용 가능한 순환 루프가 존재하는 신경망 구조를 도시한다. 도 17은 본 개시에 적용 가능한 순환 신경망의 동작 구조를 도시한다.
도 16을 참조하면, 순환 신경망(recurrent neural network, RNN)은 데이터 시퀀스 상의 어느 시선 t의 원소 {x1 (t), x2 (t), …, xd (t)}를 완전 연결 신경망에 입력하는 과정에서, 바로 이전 시점 t-1은 은닉 벡터 {z1 (t-1), z2 (t-1), …, zH (t-1)}을 함께 입력하여 가중합 및 활성함수를 적용하는 구조를 가질 수 있다. 이와 같이 은닉 벡터를 다음 시점으로 전달하는 이유는 앞선 시점들에서의 입력 벡터속 정보들이 현재 시점의 은닉 벡터에 누적된 것으로 간주하기 때문이다.
또한, 도 17을 참조하면, 순환 신경망은 입력되는 데이터 시퀀스에 대하여 소정의 시점 순서대로 동작할 수 있다. 이때, 시점 1에서의 입력 벡터 {x1 (t), x2 (t), …, xd (t)}가 순환 신경망에 입력되었을 때의 은닉 벡터 {z1 (1), z2 (1), …, zH (1)}가 시점 2의 입력 벡터 {x1 (2), x2 (2), …, xd (2)}와 함께 입력되어, 가중합 및 활성 함수를 통해 은닉층의 벡터 {z1 (2), z2 (2), …, zH (2)}가 결정된다. 이러한 과정은 시점 2, 시점 3, …, 시점 T까지 반복적으로 수행된다.
한편, 순환 신경망 내에서 복수의 은닉층이 배치될 경우, 이를 심층 순환 신경망(deep recurrent neural network, DRNN)라 한다. 순환 신경망은 시퀀스 데이터(예, 자연어 처리(natural language processing)에 유용하게 적용되도록 설계되어 있다.
학습(learning) 방식으로 사용하는 신경망 코어로서 DNN, CNN, RNN 외에 제한 볼츠만 머신(restricted Boltzmann machine, RBM), 심층 신뢰 신경망(deep belief networks, DBN), 심층 Q-네트워크(deep Q-Network)와 같은 다양한 딥 러닝 기법들을 포함하며, 컴퓨터 비젼, 음성인식, 자연어처리, 음성/신호처리 등의 분야에 적용될 수 있다.
최근에는 AI를 무선 통신 시스템과 통합하려고 하는 시도들이 나타나고 있으나, 이는 어플리케이션 계층(application layer), 네트워크 계층(network layer), 특히, 딥러닝의 경우, 무선 자원 관리 및 할당(wireless resource management and allocation) 분야에 집중되어 왔다. 그러나, 이러한 연구는 점점 MAC 계층 및 물리 계층(physical layer)으로 발전하고 있으며, 특히 물리 계층에서 딥러닝을 무선 전송(wireless transmission)과 결합하고자 하는 시도들이 나타나고 있다. AI 기반의 물리 계층 전송은, 근본적인 신호 처리 및 통신 메커니즘에 있어서, 전통적인 통신 프레임워크가 아니라, AI 드라이버에 기초한 신호 처리 및 통신 메커니즘을 적용하는 것을 의미한다. 예를 들어, 딥러닝 기반의 채널 코딩 및 디코딩(channel coding and decoding), 딥러닝 기반의 신호 추정(estimation) 및 검출(detection), 딥러닝 기반의 MIMO 매커니즘(mechanism), AI 기반의 자원 스케줄링(scheduling) 및 할당(allocation) 등을 포함할 수 있다.
본 발명의 구체적인 실시 예
본 개시는 무선 통신 시스템에서 송수신기 모델에 대한 학습을 수행하기 위한 것으로, 능동 학습(active learning)을 적용하기 위한 기술에 대한 것이다. 이하, 본 개시는 인공 지능 또는 기계 학습 모델 기반의 송수신기에 대한 능동 학습의 지원 및 수행을 위한 다양한 실시 예들을 설명한다.
본 개시는 인공 지능 또는 기계 학습 모델로 구성된(configured) 송신기 및 수신기를 이용하여 종단 간(end-to-end) 메시지를 전달하는 무선 통신 시스템에서 기준 신호를 이용한 온라인 학습 문제를 다룬다. 일 실시예에서, 인공 지능 또는 기계 학습 모델은 GP(Gaussian process) 모델일 수 있다. GP 모델 기반의 무선 통신 시스템은 비선형 커널 기저 함수(kernel basis function)를 이용하여 임의 함수 혹은 비선형 함수를 잘 근사를 하는 특성을 이용한다. 여기서, 커널 기저 함수는 '커널 함수'라고도 지칭되며, 커널 함수의 종류 및 커널 함수를 구성하는 하이퍼 파라미터(hyper parameter)의 값들로 특정될 수 있다. 메시지가 송신기 모델에서 출력되고, 무선 채널을 통과한 후, 수신기 모델로 수신되는 상황에서, 전술한 특성을 잘 이용하면, 우수한 송수신 성능이 얻어질 수 있다. 하지만, 좋은 성능을 얻기 위해서, 실제 운용 중에 인공 지능 또는 기계 학습 모델에 대한 학습이 요구된다. 단말에서 사용되는 모델의 복잡도를 키울수록 복잡한 무선 채널을 모두 커버할 수 있지만, 복잡도의 증가는 구현의 부담으로 작용할 것이다. 단말에서 사용되는 모델은 적절한 복잡도로 설계되어야 할 것이다. 한편, 단말이 이동을 할 경우, 채널 환경이 시간적으로 계속 변화하므로, 단말의 인공 지능 또는 기계 학습 모델이 채널 특성을 충분히 반영하지 못할 확률이 높다. 따라서, 온라인 학습이 필요하다.
일반적인 학습 기법은, 인공 지능 또는 기계 학습 모델이 훈련 데이터를 획득할 때, 채널 데이터 분포에서 무작위로 샘플을 선택한다. 이 경우, 모델의 현재 매개 변수 상황이 충분히 고려되지 아니하므로, 많은 훈련 데이터를 쓰거나 또는 성능 정확도가 낮아질 수 있다. 이는 온라인 훈련 과정에서 많은 기준 신호를 전송하기 위한 무선 자원을 큰 소모를 야기할 수 있다. 성능 저하 및 무선 자원의 큰 소모 등의 문제점들을 해결하기 위해, 모델의 상황을 고려하여 기준 신호 자원을 효율적으로 사용하는 송신기 모델 및/또는 수신기 모델에 대한 학습 절차가 필요하다.
이에, 본 개시는 능동 학습(active learning) 기술의 적용을 제안한다. 능동 학습은 데이터 분포와, 데이터 분포를 해석하는 모델의 불확실성과 다양성을 평가하고, 평가 결과에 기반하여 데이터를 샘플링하는 학습 기법이다. 특히, 본 개시는 능동 학습 과정에서의 문제로서, 불확실성과 다양성 평가 시 발생하는 양 장치들 간 불일치(disagreement)에 문제를 해결하고자 한다. 즉, 본 개시는 Below 6GHz 통신, mmWave, THz 통신의 다양한 채널 전파 환경들을 쉽게 학습하기 위한 능동 학습을 이용한 통신 시스템 온라인 학습 기술을 제안한다.
능동 학습은 머신 러닝 학습의 일종으로서, 학습을 위한 데이터에 대한 레이블링을 사용자와의 상호 작용을 기반으로 수행하며 진행되는 기법이다. 반대로, 수동 학습(passive learning)은 이미 레이블링된 학습 데이터를 이용하는 지도 학습이라 이해될 수 있다.
Figure PCTKR2022020042-appb-img-000001
[수학식 1]에서, x는 데이터, y는 레이블(lable), D는 데이터 집합, p(D)는 데이터 집합의 분포를 의미한다.
수동 학습의 경우, 데이터 집합 D에서 x에 대한 레이블링 y가 부가되고, 분포 p(D)를 따르는 훈련 데이터 집합 D에서 샘플 (x,y)가 모두 미리 주어질 수 있다. 능동 학습의 경우, 훈련 시 x가 분포 p(D)에서 효율적으로 샘플링되고, 사용자에게 레이블링 y를 문의한 후, 문의된 레이블링이 부가된 학습 데이터를 기반으로 훈련이 진행된다. 여기서, 능동 학습에서의 레이블링 작업은 '애노테이션(annotation)'이라고 불리운다. 능동 학습에서 x가 주어지면, 레이블 y에 대한 정보를 주는 개체(entity)는 '사용자(user)', '오라클(oracle)', '애노테이터(annotator)' 등으로 지칭될 수 있다.
도 18은 본 개시의 일 실시 예에 따른 능동 학습을 위한 샘플링 방식들을 도시한다. 도 18은 능동 학습의 대표적인 3가지 방식들을 예시한다. 3가지 방식들은 입력 분포(input distribution)(1810)에서 데이터 x를 샘플링하는 동작에 관련된다. 여기서, 입력 분포(1810)는 인스턴스 공간(instance space)라 지칭될 수 있다. 멤버십 질의 합성(membership query synthesis) 방식(1820-1)은 모델이 학습을 위해 입력 분포 (1810)에 속해 있는 샘플 x를 합성하고, 샘플 x에 대한 레이블링 y를 오라클에게 요청한다. 즉, 모델이 샘플을 x를 합성하고, 오라클(1830)에게 문의한다. 스트림 기반 선택적 샘플링(stream-based selective sampling)(1820-2)은 입력 분포(1810)로부터 연속적으로 추출되는 데이터 x를 선별적으로 구분하고, 구분된 데이터 x에 대한 레이블 y를 오라클(1830)에게 요청한다. 풀 기반 샘플링(pool-based sampling)(1820-3)은 입력 분포(1810)에서 얻은 데이터 x를 풀에 모두 포함시키고, 풀 내에서 가장 학습에 유리한 샘플을 선택한 후, 선택된 샘플에 대한 레이블 y를 오라클(1830)에게 요청한다. 이와 같이, 모델이 능동적으로 데이터 수집 과정에 참여함으로써 훈련에 필요한 샘플들의 개수를 줄이고, 성능 또한 향상시킬 수 있다.
다시 말해, 능동 학습은 훈련 데이터를 얻는 비용을 줄이는 것이기 위해 사용될 수 있다. 데이터를 기반으로 하는 머신 러닝에 있어서, 데이터를 확보하는 것은 많은 비용을 요구한다. 이러한 큰 비용을 아끼기 위해, 능동 학습을 이용하면 적은 데이터를 가지고도 학습 능력이 향상될 수 있다. 또한, 능동 학습은 학습의 속도 및 성능 향상시킬 수 있다.
능동 학습에서의 능동적인 샘플링은 크게 두 개의 종류, 즉, 불확실성 샘플링(uncertainty sampling) 및 다양성 샘플링(diversity sampling)으로 구분될 수 있다. 불확실성 샘플링은 학습 시 가장 모호한 데이터를 먼저 학습함으로써 효과를 높이는 방식이고, 다양성 샘플링은 전체 데이터 분포에서 대표 데이터를 골고루 샘플링 함으로써 전체 분포를 빠르게 익히는 방식이다.
불확실성 샘플링의 효과는 간단한 이진 분류 태스크의 예에서 확인될 수 있으며, 이진 분류 태스크의 예는 도 19a 내지 도 19c와 같다. 도 19a 내지 도 19c는 본 개시의 일 실시 예에 따른 능동 학습 및 수동 학습의 결과들의 예를 도시한다. 도 19a는 데이터를 샘플링을 한 전체 분포를 예시한다. 도 19a와 같이, 풀 기반 학습으로 전체 데이터를 획득한 상태에서 학습이 시작된다. 도 19b는 수동 학습의 결과를 예시한다. 랜덤 샘플링 수행하기 때문에, 전체 분포에서 골고루 입력 값을 골라 경계선이 부정확하게 학습된다. 도 19c는 경계선 부근에서 불확실성(uncertainty)이 높은 영역 중심으로 샘플링한 능동 학습의 결과를 예시한다. 도 19c를 참고하면, 적은 양의 샘플들을 이용하더라도 좋은 결과가 형성됨이 확인된다. 도 19a 내지 도 19c에 예시된 분류(classification) 태스크뿐만 아니라, 회귀 태스크(regression task)에도 능동 학습이 적용될 수 있다.
불확실성 샘플링의 능동 학습의 효과는 일부 분석 가능한 사례들에 대하여 이론적으로 증명이 된 바 있다. 수동 학습에 대비하여, 능동 학습은 훈련에 필요한 샘플들의 개수를 로그 복잡도 수준으로 감소할 수 있다고 알려져 있다. 이상적인 경우(ideal case)를 가정하고, 간단한 이진 분류기를 고려하면, 완전 탐색 보다 이진 탐색의 기반의 능동 학습의 샘플링을 적용하면, 로그 복잡도 수준의 복잡도 감소가 달성될 것이 쉽게 예상된다. 조금 더 구체적인 예로, d 차원 공간의 단위 구 평면으로부터 균일하게 샘플링된 데이터의 학습 문제를 고려하면, 동차 선형 분리기(homogeneous linear separator)의 경우, 수동 학습은
Figure PCTKR2022020042-appb-img-000002
의 샘플 복잡도를 가지는데 비해, 다수 모델의 결정 결과를 기반으로 결정하는 위원회 기반 질의(query-by-committee) 방식의 능동 학습은
Figure PCTKR2022020042-appb-img-000003
복잡도의 데이터를 수신한 후,
Figure PCTKR2022020042-appb-img-000004
복잡도의 데이터를 레이블링 학습할 수 있다. 여기서,
Figure PCTKR2022020042-appb-img-000005
는 학습 모델의 에러 성능을 나타내는 값이다.
본 개시에서, 모델의 샘플에 대한 불확실성을 평가하기 위해, 불확실성을 정량화할 수 있는 베이지안 모델이 이용될 수 있다. 이때, 송수신기 모델의 불확실성의 평가 대상이 되는 모델의 파라미터
Figure PCTKR2022020042-appb-img-000006
는 결정적인(deterministic) 값이 아니라 확률 변수이다. 베이지안 모델의 학습은 이하 [수학식 2]와 같은 데이터에 대한 사후 확률(posterior probability)을 찾는 것을 목표로 한다.
Figure PCTKR2022020042-appb-img-000007
[수학식 2]에서,
Figure PCTKR2022020042-appb-img-000008
는 모델 파라미터,
Figure PCTKR2022020042-appb-img-000009
은 훈련 데이터 집합,
Figure PCTKR2022020042-appb-img-000010
은 모델에 대한 사전 정보를 포함하는 모델 파라미터의 사전 분포,
Figure PCTKR2022020042-appb-img-000011
는 데이터,
Figure PCTKR2022020042-appb-img-000012
는 모델의 출력,
Figure PCTKR2022020042-appb-img-000013
는
Figure PCTKR2022020042-appb-img-000014
및
Figure PCTKR2022020042-appb-img-000015
가 주어진 조건에서
Figure PCTKR2022020042-appb-img-000016
의 확률,
Figure PCTKR2022020042-appb-img-000017
는
Figure PCTKR2022020042-appb-img-000018
의 사전 분포를 의미한다. [수학식 2]에서, 분모는 훈련 데이터의 확률로서, 증거(evidence)로 불리우며
Figure PCTKR2022020042-appb-img-000019
와 같다.
새로운 데이터
Figure PCTKR2022020042-appb-img-000020
에 대한 예측 확률 분포
Figure PCTKR2022020042-appb-img-000021
는 다음과 같이 모델 조건부 확률 및
Figure PCTKR2022020042-appb-img-000022
의 사후 확률과 모델 조건부 확률에 대한 주변화(marginalize)에 의해 계산될 수 있다.
Figure PCTKR2022020042-appb-img-000023
[수학식 3]에서,
Figure PCTKR2022020042-appb-img-000024
는 새로운 모델의 출력,
Figure PCTKR2022020042-appb-img-000025
는 새로운 데이터,
Figure PCTKR2022020042-appb-img-000026
은 훈련 데이터 집합,
Figure PCTKR2022020042-appb-img-000027
는 새로운 데이터
Figure PCTKR2022020042-appb-img-000028
에 대한 예측 확률 분포를 의미한다.
예측 확률 분포가 획득되면, 예측 확률 분포를 이용하여 평균 및 분산이 결정될 수 있다. 모델의 파라미터
Figure PCTKR2022020042-appb-img-000029
가 확률 변수이므로, 모델의 불확실성이 반영된다. 또한, [수학식 3]을 활용하면, 예측의 분산이 결정될 수 있다. 분산은 불확실성 평가를 위해 사용될 수 있다.
훈련 시
Figure PCTKR2022020042-appb-img-000030
의 사후 확률에 대한, 선형 모델을 제외하고, 닫힌 형식의 유도(closed form derivation)가 매우 어려우며, 이를 해결하기 위한 여러 가지 방법들이 제안되고 있다. 특히, 사후 확률을 구하기 위한 근사적인 방법, 샘플링에 의한 방법들이 적용될 수 있다.
불확실성을 추정하기 위한 획득 함수도 베이지안 가정을 적용함으로써 얻어질 수 있다. 예를 들어, 획득 함수는 여러 가능한 획득 함수들에 대해 모델의 사전 분포를 반영한 후, 적분함으로써 얻어질 수 있다. 이 경우, 획득 함수
Figure PCTKR2022020042-appb-img-000031
는 베이지안 예측 분포
Figure PCTKR2022020042-appb-img-000032
를 내포하는 범함수(functional)이다. 이하 [수학식 4]의 예와 같이, 획득 함수는 함수에 사전 분포의 주변화를 수행하는 범함수일 수 있다. 예를 들면, 섀넌 엔트로피가 이용될 수 있다. 이 경우, 불확실성은 주어진 기준 신호의 모델 추정 값의 최대 엔트로피 기준으로 평가될 수 있다.
Figure PCTKR2022020042-appb-img-000033
[수학식 4]에서,
Figure PCTKR2022020042-appb-img-000034
는 모델의 출력,
Figure PCTKR2022020042-appb-img-000035
는 모델의 입력,
Figure PCTKR2022020042-appb-img-000036
은 훈련 데이터,
Figure PCTKR2022020042-appb-img-000037
은
Figure PCTKR2022020042-appb-img-000038
및
Figure PCTKR2022020042-appb-img-000039
이 주어진 조건에서
Figure PCTKR2022020042-appb-img-000040
의 엔트로피를 의미한다.
다른 실시 예에 따라, 이하 [수학식 5]와 같이, 불확실성은 모델의 예측과 모델 φ의 상호 정보량에 기반하여 평가될 수 있다.
Figure PCTKR2022020042-appb-img-000041
[수학식 5]에서,
Figure PCTKR2022020042-appb-img-000042
는 모델의 출력,
Figure PCTKR2022020042-appb-img-000043
는 모델의 입력,
Figure PCTKR2022020042-appb-img-000044
는 모델 파라미터,
Figure PCTKR2022020042-appb-img-000045
은 훈련 데이터,
Figure PCTKR2022020042-appb-img-000046
은 모델의 입력이 주어질 때 상호 정보량,
Figure PCTKR2022020042-appb-img-000047
은
Figure PCTKR2022020042-appb-img-000048
및
Figure PCTKR2022020042-appb-img-000049
이 주어진 조건에서
Figure PCTKR2022020042-appb-img-000050
의 엔트로피,
Figure PCTKR2022020042-appb-img-000051
은 모델 사후 분포에 대한 엔트로피의 평균을 의미한다.
또 다른 실시 예에 따라, 이하 [수학식 6]과 같이, 불확실성은 모델 출력의 분산 비율에 기반하여 평가될 수 있다.
Figure PCTKR2022020042-appb-img-000052
[수학식 6]에서, variationratio는 분산 비율,
Figure PCTKR2022020042-appb-img-000053
는 모델의 출력,
Figure PCTKR2022020042-appb-img-000054
는 모델의 입력,
Figure PCTKR2022020042-appb-img-000055
은 훈련 데이터,
Figure PCTKR2022020042-appb-img-000056
은 확률 변수 입력
Figure PCTKR2022020042-appb-img-000057
가 주어질 때 출력 변수에 대한 조건부 확률의 최대 값을 의미한다.
통신 시스템에서 데이터를 기반으로 온라인 학습을 수행하면, 능동 학습에 대한 문제의 해결이 요구된다. 통신에서 샘플링 및 레이블링은 송신자 및 수신자 간의 전송으로 정의될 수 있다. 송신자 및 수신자 간 기준 신호를 송신할 때, 기준 신호를 이용하여 채널을 추정하는 태스크에서 무선 리소스 사용을 최소화하는 것이 바람직하다.
가우시안 프로세스는 어떠한 무한한 점
Figure PCTKR2022020042-appb-img-000058
,
Figure PCTKR2022020042-appb-img-000059
,
Figure PCTKR2022020042-appb-img-000060
, …에 대해서 함수
Figure PCTKR2022020042-appb-img-000061
의 결합 확률 분포
Figure PCTKR2022020042-appb-img-000062
가 가우시안 분포로 정의된다. 가우시안 프로세스는 평균과 공분산(covariance)로 완전히 특정될 수 있다. 본 개시는 채널 추정 문제를 가우시안 프로세스를 통한 회귀 문제로 풀고자 한다. 이하 [수학식 7]에서
Figure PCTKR2022020042-appb-img-000063
는 지점
Figure PCTKR2022020042-appb-img-000064
에 대한 채널 추정 회귀 함수이며, 가우시안 프로세스이다.
Figure PCTKR2022020042-appb-img-000065
[수학식 7]에서,
Figure PCTKR2022020042-appb-img-000066
는 지점
Figure PCTKR2022020042-appb-img-000067
에 대한 채널 추정 회귀 함수,
Figure PCTKR2022020042-appb-img-000068
은 분산이
Figure PCTKR2022020042-appb-img-000069
인 수신 잡음을 의미한다.
Figure PCTKR2022020042-appb-img-000070
는 [수학식 8]과 같은 평균 및 공분산을 가지는 가우시안 프로세스이다.
Figure PCTKR2022020042-appb-img-000071
[수학식 8]에서, m(x)는
Figure PCTKR2022020042-appb-img-000072
의 평균,
Figure PCTKR2022020042-appb-img-000073
는 지점
Figure PCTKR2022020042-appb-img-000074
에 대한 채널 추정 회귀 함수, κ(x,x')는 지점들
Figure PCTKR2022020042-appb-img-000075
및
Figure PCTKR2022020042-appb-img-000076
간 공분산을 의미한다.
공분산 κ(x,x')은 복수의 커널 함수들 중 어느 하나를 이용하여 표현될 수 있다. 가우시안 커널은 이하 [수학식 9] 내지 [수학식 12] 중 어느 하나와 같이 주어질 수 있다.
Figure PCTKR2022020042-appb-img-000077
[수학식 9]에서, κ(x,x')는 지점들
Figure PCTKR2022020042-appb-img-000078
및
Figure PCTKR2022020042-appb-img-000079
간 공분산,
Figure PCTKR2022020042-appb-img-000080
는 가우시안 프로세스의 샘플들 간의 통계적 비슷함을 정하는 모델 파라미터를 의미한다.
오스타인 울렌벡 커널(Ornstein-Uhlenbeck kernel)은 이하 [수학식 10]와 같이 주어질 수 있다.
Figure PCTKR2022020042-appb-img-000081
[수학식 10]에서, κ(x,x')는 지점들
Figure PCTKR2022020042-appb-img-000082
및
Figure PCTKR2022020042-appb-img-000083
간 공분산,
Figure PCTKR2022020042-appb-img-000084
는 가우시안 프로세스의 샘플들 간의 통계적 비슷함을 정하는 모델 파라미터를 의미한다.
유리 이차 커널(Rational quadratic kernel) 이하 [수학식 11]과 같이 주어질 수 있다.
Figure PCTKR2022020042-appb-img-000085
[수학식 11]에서, κ(x,x')는 지점들
Figure PCTKR2022020042-appb-img-000086
및
Figure PCTKR2022020042-appb-img-000087
간 공분산을 의미한다.
주로 많이 쓰이는 커널 함수는 이하 [수학식 12]와 같다.
Figure PCTKR2022020042-appb-img-000088
[수학식 12]에서, κ(x,x')는 공분산,
Figure PCTKR2022020042-appb-img-000089
는 모델 파라미터를 의미한다.
도 20은 본 개시의 일 실시 예에 따른 능동 학습을 지원하는 장치들의 기능적 구조들을 도시한다. 도 20은 일 실시 예에 따라 통신을 수행하는 두 장치들(2010, 2020) 중 제1 장치(2010)는 송신기로서, 제2 장치(2020)는 수신기로서 기능하는 경우의 송수신 모델을 예시한다. 하향링크 통신의 경우, 제1 장치(2010)는 기지국, 제2 장치(2020)는 UE로 이해될 수 있다. 상향링크 통신의 경우, 제1 장치(2010)는 UE, 제2 장치(2020)는 기지국으로 이해될 수 있다. 도 20의 송수신 모델은 특정 시간에서의 능동 학습 기준 신호(active learning reference signal) 집합 원소 k에 대한 송신기의 GP 모델 파라미터
Figure PCTKR2022020042-appb-img-000090
및 수신기의 GP 모델 파라미터
Figure PCTKR2022020042-appb-img-000091
를 포함한다. 여기서, k는 운용되는 K개의 기준 신호 종류들 중 하나를 지시하는 인덱스이다.
도 20을 참고하면, 제1 장치(2010)는 송신 엔티티(transmit entity)(2012), 송신기 모델(2014), 기준 신호 생성부(2016)를 포함한다. 송신 엔티티(2012)는 데이터 송신을 위한 전반적인 제어 및 처리를 수행한다. 예를 들어, 송신 엔티티(2012)는 송신 데이터를 생성하고, 제2 장치(2020)로부터 수신되는 피드백 정보를 해석할 수 있다. 송신기 모델(2014)은 인공 지능 또는 기계 학습 모델(예: GP 모델)로 구현된 데이터 처리 블록이다. 송신기 모델(2014)은 데이터, 기준 신호 중 적어도 하나를 포함하는 신호를 생성한다. 기준 신호 생성부(2016)는 능동 학습 기준 신호 집합 D∋(x,y) 중 어느 하나의 종류 또는 패턴에 따른 기준 신호들을 생성 및 제공한다.
제2 장치(2020)는 수신 엔티티(receive entity)(2022), 수신기 모델(2024), 평가부(2026)를 포함한다. 수신 엔티티(2022)는 데이터 수신을 위한 전반적인 제어 및 처리를 수행한다. 예를 들어, 송신 엔티티(2012)는 제1 장치(2010)에게 제공할 피드백 정보를 생성할 수 있다. 예를 들어, 피드백 정보는 선호하는 능동 기준 신호(preferred active RS), 능동 학습 파라미터(active learning parameters), 손실(loss)에 관련된 정보 중 적어도 하나를 포함할 수 있다. 수신기 모델(2024)은 인공 지능 또는 기계 학습 모델(예: GP 모델)로 구현된 데이터 처리 블록이다. 수신기 모델(2022)은 제1 장치(2010)로부터 수신되는 데이터 신호로부터 데이터를 복원하고, 기준 신호에 대한 측정을 수행할 수 있다. 평가부(2026)는 제1 장치(2010)로부터 수신되는 신호를 평가한다. 평가 결과는 불확실성 샘플링을 위해 사용되는 불확실성을 지시하는 정보를 포함할 수 있다.
능동 학습을 위한 기준 신호 집합
Figure PCTKR2022020042-appb-img-000092
,
Figure PCTKR2022020042-appb-img-000093
에서 독립 변수 벡터
Figure PCTKR2022020042-appb-img-000094
는 주파수, 시간, 안테나 및 장치들(2010, 2020)의 컨텍스트 정보(context information) 중 적어도 하나 또는 이들의 조합에 기반하여 생성되는 벡터이고, 무선 자원에 할당되는 기준 신호의 패턴에 대응한다. 기준 신호의 패턴은 다양하게 해석될 수 있다. 예를 들어, 패턴은 주어진 자원 영역 내의 기준 신호의 분포를 지시하거나, 또는 자원 영역 내의 각 단위 자원(예: RE)을 지시할 수 있다. 여기서, 컨텍스트 정보는 채널 데이터 샘플링에 영향을 미치는 단말의 위치, 가속도, 속도, 단말의 자세 정보(posture information) 등을 포함할 수 있다.
Figure PCTKR2022020042-appb-img-000095
는 수신 신호이다. 능동 학습을 위한 기준 신호 집합은 독립 변수
Figure PCTKR2022020042-appb-img-000096
에 따른 패턴의 밀도에 따라 무선 자원의 효율성을 결정한다.
도 20에서,
Figure PCTKR2022020042-appb-img-000097
는 송신기 모델(2014)에 적용되는 송신기 GP 모델의 매개 변수이다.
Figure PCTKR2022020042-appb-img-000098
는 능동 학습 기준 신호 k 및 데이터 전송 신호의 일종의 프리코딩(precoding)의 역할을 수행한다.
Figure PCTKR2022020042-appb-img-000099
는 수신기 모델(2024)에 적용되는 수신기 GP 모델의 매개 변수이다. 수신기는 송신기가 전송하는 능동 학습 기준 신호 k를 알고 있다. 송수신기 커널에 모델의 사전 분포(prior)가 포함되어 있으므로, 송수신기 커널은 베이지안 모델이다. 회귀의 함수
Figure PCTKR2022020042-appb-img-000100
는 가우시안 프로세스이며, 회귀에 있어서, 값은 확률 분포를 제공하는 동시에 모델의 불확실성을 포함한다. 사전 분포 선택은 네트워크 및 채널 컨텍스트 운용에 의존한다.
송신기 및 수신기 모두에 모델 파라미터로서 포함되는 함수
Figure PCTKR2022020042-appb-img-000101
의 훈련은 기준 신호(reference signal)가 주어진 데이터 셋
Figure PCTKR2022020042-appb-img-000102
에 대해 이하 [수학식 13]과 같이 주변 로그 우도(marginal log-likelihood)에 대한 경사에 기반한 수치 해석을 통해 결정될 수 있다.
Figure PCTKR2022020042-appb-img-000103
여기서,
Figure PCTKR2022020042-appb-img-000104
는 훈련 데이터 및 백그라우드 잡음에 대한 공분산 및 분산의 합이다.
기준 신호가 아닌 곳의 기준 신호 지점에 대한
Figure PCTKR2022020042-appb-img-000105
에 대한 추정
Figure PCTKR2022020042-appb-img-000106
은 데이터 세트
Figure PCTKR2022020042-appb-img-000107
과 함께 다음과 같은 예측 가우시안 확률 분포(predictive Gaussian probability distribution)를 통해 수행할 수 있다.
Figure PCTKR2022020042-appb-img-000108
여기서,
Figure PCTKR2022020042-appb-img-000109
는 입력 지점에 대한 가우시안 프로세스의 공분산 함수이다. 예측 분포는 공분산 함수 및 잡음의 분산의 함수로 결정된다.
Figure PCTKR2022020042-appb-img-000110
는 인공 지능 또는 기계 학습 모델(예: GP 모델)의 획득 함수(acquisition function)로서 불확실성을 평가한다.
Figure PCTKR2022020042-appb-img-000111
는 송신기 모델 및 수신기 모델을 기반으로 현재 채널을 통과한 기준 신호를 평가한다. 평가에 기반하여, 능동 학습에 가장 유리한 샘플 위치
Figure PCTKR2022020042-appb-img-000112
이 결정될 수 있다.
Figure PCTKR2022020042-appb-img-000113
는 송신기 모델
Figure PCTKR2022020042-appb-img-000114
및 수신기 모델
Figure PCTKR2022020042-appb-img-000115
을 모두 포함할 수 있다. 그러므로, 도 20의 예에서 제2 장치(2020)에
Figure PCTKR2022020042-appb-img-000116
가 위치하지만, 제1 장치(2010)도
Figure PCTKR2022020042-appb-img-000117
를 포함할 수 있다. 송신기 및 수신기를 훈련하는 경우와 유사하게,
Figure PCTKR2022020042-appb-img-000118
를 고정하고
Figure PCTKR2022020042-appb-img-000119
이 기여하는 획득 값이 결정되거나,
Figure PCTKR2022020042-appb-img-000120
을 고정하고
Figure PCTKR2022020042-appb-img-000121
가 기여하는 획득 값이 결정되는 방식으로, 획득 값들이 교대로 결정될 수 있다. 특히,
Figure PCTKR2022020042-appb-img-000122
가 기여하는 획득 값을 결정하는 경우, 제1 장치(2010)는 제2 장치(2020)로부터
Figure PCTKR2022020042-appb-img-000123
이 기여하는 획득 값을 능동 학습 설정 값을 이용하여 피드백받을 수 있다.
Figure PCTKR2022020042-appb-img-000124
에 대해 두 개의 불확실성들이 선택될 수 있다. 첫번째는
Figure PCTKR2022020042-appb-img-000125
으로서,
Figure PCTKR2022020042-appb-img-000126
에 대한 베이시안 분포에 있어 분산이다. 두번째는 개선 기대값(expected improvement)이다. 개선 기대 값은 이하 [수학식 16]과 같이 정의될 수 있다.
Figure PCTKR2022020042-appb-img-000127
[수학식 15]에서,
Figure PCTKR2022020042-appb-img-000128
는 획득 함수,
Figure PCTKR2022020042-appb-img-000129
는 현재 관측된 훈련 샘플 중 최대값을 가지는 지점,
Figure PCTKR2022020042-appb-img-000130
는 가우시안 프로세스의 평균,
Figure PCTKR2022020042-appb-img-000131
는 가우시안 프로세스의 분산,
Figure PCTKR2022020042-appb-img-000132
는 누적 분포 함수,
Figure PCTKR2022020042-appb-img-000133
는 표준 가우시안 분포 함수를 의미한다.
기준 신호 후보 지점
Figure PCTKR2022020042-appb-img-000134
에 대한 분산이고, 샘플 분산이 최대인 지점을 점차적으로 선택하는 능동 학습을 통해 기준 신호 자원을 줄이고 성능을 높일 수 있도록 한다. 즉, GP 모델의
Figure PCTKR2022020042-appb-img-000135
는 개별 모델의 예측 값의 최대 오차를 표현할 수 있다. 즉,
Figure PCTKR2022020042-appb-img-000136
는 개별 모델들의 의견 불일치가 가장 큰 지점
Figure PCTKR2022020042-appb-img-000137
를 결정하기 위해 사용될 수 있다. 이를 통해,
Figure PCTKR2022020042-appb-img-000138
의 결과에 따라, 제2 장치(2020)는 송신기 모델 및 수신기 모델 관점에서 가장 무선 자원 소모가 낮은 기준 신호 패턴을 제1 장치(2010)에 요청할 수 있다.
온라인 학습이 수행되기 때문에, 시간에 따라 모델들
Figure PCTKR2022020042-appb-img-000139
및
Figure PCTKR2022020042-appb-img-000140
이 갱신된다. 또한, 모델
Figure PCTKR2022020042-appb-img-000141
및
Figure PCTKR2022020042-appb-img-000142
의 내용이
Figure PCTKR2022020042-appb-img-000143
에 반영되기 때문에,
Figure PCTKR2022020042-appb-img-000144
도 갱신될 수 있다.
도 21은 본 개시의 일 실시 예에 따라 송신기 모델 또는 수신기 모델에 대한 학습을 수행하는 절차의 예를 도시한다. 도 21은 UE의 동작 방법을 예시하며, 예시된 동작들은 수신기(예: 도 20의 제2 장치(2020))의 동작들로 이해될 수 있다.
도 21을 참고하면, S2101 단계에서, UE는 능력 정보를 송신한다. 다시 말해, UE는 능력 정보를 포함하는 메시지를 송신한다. 능력 정보는 UE의 통신에 연관된 능력에 관련된 정보를 포함할 수 있다. 일 실시 예에 따라, 능력 정보는 능동 학습에 관련된 정보를 포함할 수 있다. 예를 들어, 능동 학습에 관련된 정보는 지원 가능한 적어도 하나의 인공 지능 또는 기계 학습 모델(예: GP 모델)을 지시하는 정보(예: 식별 정보, 파라미터 정보), 지원 가능한 적어도 하나의 커널 함수를 지시하는 정보, 지원 가능한 적어도 하나의 획득 함수를 지시하는 정보 중 적어도 하나를 포함할 수 있다. 도 21에 도시되지 아니하였으나, 능력 정보를 송신하기에 앞서, UE는 능력 정보를 요청하는 메시지를 기지국으로부터 수신할 수 있다.
S2103 단계에서, UE는 기준 신호들에 대한 설정 정보를 수신한다. UE는 기지국에 의해 송신되는 기준 신호들에 대한 설정 정보를 포함하는 메시지를 수신한다. 설정 정보는 기준 신호들을 위해 할당된 자원들에 관련된 정보, 기준 신호들의 수신에 응하여 요구되는 동작에 관련된 정보, 측정 또는 피드백이 요구되는 항목에 관련된 정보 중 적어도 하나를 포함할 수 있다. 일 실시 예에 따라, 설정 정보는 능동 학습의 수행에 대한 요청, 기준 신호들의 패턴에 관련된 정보(예: 식별 정보), 능동 학습을 위한 인공 지능 또는 기계 학습 모델(예: GP 모델)에 관련된 정보(예: GP 모델에 관련된 식별자, 파라미터 정보), 커널 함수에 관련된 정보(예: 종류, 하이퍼 파라미터) 불확실성을 평가하기 위한 획득 함수에 관련된 정보(예: 종류), 선호하는 기준 신호 패턴을 지시하는 피드백에 대한 요청 등을 포함할 수 있다.
S2105 단계에서, UE는 설정 정보에 기반하여 기준 신호들을 수신한다. UE는 설정 정보에 의해 지시되는 자원들을 통해 기준 신호들을 수신한다. 여기서, 기준 신호들은 적어도 하나의 패턴을 가질 수 있다. 일 실시 예에 따라, 패턴은 하나의 집합에 속한 기준 신호들의 분포로서, 기준 신호들의 개수, 기준 신호들의 밀도, 기준 신호들의 주파수 축 간격, 기준 신호들의 시간 축 간격, 기준 신호들에 할당된 RE(resource element) 위치들 중 적어도 하나를 지시할 수 있다. 다른 실시 예에 따라, 패턴은 기준 신호가 매핑될 수 있는 RE들 중 하나를 지시할 수 있다. 또 다른 실시 예에 따라, 패턴은 기준 신호에 대한 설정(configuration)으로서, 송신 전력, 시퀀스, 커버링 코드, 기준 신호들이 송신되는 슬롯 주기 중 적어도 하나를 지시할 수 있다. 예를 들어, 본 단계에서 수신되는 기준 신호들에 적용되는 적어도 하나의 패턴은 미리 약속된 패턴들 중 하나를 포함하거나, 또는 UE에 의해 특정된 적어도 하나의 패턴을 포함할 수 있다.
S2107 단계에서, UE는 기준 신호들에 대응하는 피드백 정보를 송신한다. UE는 기준 신호들을 처리한 후, 피드백 정보를 송신할 수 있다. 피드백 정보는 기준 신호에 대한 측정 결과, 이후의 기준 신호 송신에 대한 요청 중 적어도 하나를 포함할 수 있다. 일 실시 예에 따라, UE는 수신기 모델을 이용하여 기준 신호들에 대한 예측 동작을 수행하고, 예측 결과에 대한 불확실성 지표(metric)를 결정할 수 있다. 여기서, 불확실성 지표는 기준 신호 패턴 별로 결정될 수 있다. 그리고, UE는 불확실성 지표에 기반하여 적어도 하나의 선호하는(preferred) 기준 신호 패턴을 결정하고, 적어도 하나의 선호하는 기준 신호 패턴에 관련된 정보를 포함하는 피드백 정보를 송신할 수 있다. 또한, 피드백 정보는, 기준 신호에 대한 측정 결과로서, 예측 결과 및 레이블(예: 기준 신호들의 송신 값) 간 오차에 기반하여 결정되는 손실(loss) 값을 포함할 수 있다.
S2109 단계에서, UE는 수신 동작을 위한 적어도 하나의 파라미터를 결정한다. 다시 말해, UE는 수신기 모델에 대한 훈련을 수행한다. 일 실시 예에 따라, UE는 S2105 단계에서 수신된 기준 신호들을 이용하여 수신기 모델에 대한 훈련을 수행할 수 있다. 또한, UE는 추가적으로 수신되는 기준 신호들을 이용하여 수신기 모델에 대한 훈련을 수행할 수 있다. 이때, 추가적으로 수신되는 기준 신호들은 피드백 정보에 의해 요청된 적어도 하나의 기준 신호 패턴을 가질 수 있다. 구체적으로, UE는 기준 신호들에 대한 예측 결과의 손실 값을 결정하고, 손실 값에 기반하여 역전파(back-propagation) 동작을 수행함으로써 수신기 모델의 가중치들을 갱신할 수 있다. 이때, 손실 값을 결정하기 위한 손실 함수는 인공 지능 또는 기계 학습 모델(예: GP 모델)에 대한 학습 방법에 따라 달라질 수 있다.
도 22는 본 개시의 일 실시 예에 따라 송신기 모델 또는 수신기 모델에 대한 학습을 지원하는 절차의 예를 도시한다. 도 22는 기지국의 동작 방법을 예시하며, 예시된 동작들은 수신기(예: 도 20의 제1 장치(2010))의 동작들로 이해될 수 있다.
도 22를 참고하면, S2201 단계에서, 기지국은 능력 정보를 수신한다. 다시 말해, 기지국은 UE의 능력 정보를 포함하는 메시지를 수신한다. 능력 정보는 UE의 통신에 연관된 능력에 관련된 정보를 포함할 수 있다. 일 실시 예에 따라, 능력 정보는 능동 학습에 관련된 정보를 포함할 수 있다. 예를 들어, 능동 학습에 관련된 정보는 지원 가능한 적어도 하나의 인공 지능 또는 기계 학습 모델(예: GP 모델)을 지시하는 정보(예: 식별 정보, 파라미터 정보), 지원 가능한 적어도 하나의 커널 함수를 지시하는 정보, 지원 가능한 적어도 하나의 획득 함수를 지시하는 정보 중 적어도 하나를 포함할 수 있다. 도 22에 도시되지 아니하였으나, 능력 정보를 수신하기에 앞서, 기지국은 능력 정보를 요청하는 메시지를 UE에게 수신할 수 있다.
S2203 단계에서, 기지국은 기준 신호들에 대한 설정 정보를 송신한다. 기지국은 이후 송신되는 기준 신호들에 대한 설정 정보를 포함하는 메시지를 송신한다. 설정 정보는 기준 신호들을 위해 할당된 자원들에 관련된 정보, 기준 신호들의 수신에 응하여 요구되는 동작에 관련된 정보, 측정 또는 피드백이 요구되는 항목에 관련된 정보 중 적어도 하나를 포함할 수 있다. 일 실시 예에 따라, 설정 정보는 능동 학습의 수행에 대한 요청, 기준 신호들의 패턴에 관련된 정보(예: 식별 정보), 능동 학습을 위한 인공 지능 또는 기계 학습 모델(예: GP 모델)에 관련된 정보(예: GP 모델에 관련된 식별자, 파라미터 정보), 커널 함수에 관련된 정보(예: 종류, 하이퍼 파라미터) 불확실성을 평가하기 위한 획득 함수에 관련된 정보(예: 종류), 선호하는 기준 신호 패턴을 지시하는 피드백에 대한 요청 등을 포함할 수 있다.
S2205 단계에서, 기지국은 설정 정보에 기반하여 기준 신호들을 송신한다. 기지국은 설정 정보에 의해 지시되는 자원들을 통해 기준 신호들을 송신한다. 여기서, 기준 신호들은 적어도 하나의 패턴을 가질 수 있다. 일 실시 예에 따라, 패턴은 하나의 집합에 속한 기준 신호들의 분포로서, 기준 신호들의 개수, 기준 신호들의 밀도, 기준 신호들의 주파수 축 간격, 기준 신호들의 시간 축 간격, 기준 신호들에 할당된 RE 위치들 중 적어도 하나를 지시할 수 있다. 다른 실시 예에 따라, 패턴은 기준 신호가 매핑될 수 있는 RE들 중 하나를 지시할 수 있다. 또 다른 실시 예에 따라, 패턴은 기준 신호에 대한 설정(configuration)으로서, 송신 전력, 시퀀스, 커버링 코드, 기준 신호들이 송신되는 슬롯 주기 중 적어도 하나를 지시할 수 있다. 예를 들어, 본 단계에서 수신되는 기준 신호들에 적용되는 적어도 하나의 패턴은 미리 약속된 패턴들 중 하나를 포함하거나, 또는 UE에 의해 특정된 적어도 하나의 패턴을 포함할 수 있다.
S2207 단계에서, 기지국은 기준 신호들에 대응하는 피드백 정보를 수신한다. 피드백 정보는 기준 신호에 대한 측정 결과, 이후의 기준 신호 송신에 대한 요청 중 적어도 하나를 포함할 수 있다. 일 실시 예에 따라, 피드백 정보는 UE에 의해 선택된 적어도 하나의 선호하는 기준 신호 패턴에 관련된 정보를 포함할 수 있다. 또한, 피드백 정보는, 기준 신호에 대한 측정 결과로서, UE에서의 예측 결과에 대한 손실 값 또는 손실 값으로부터 파생된 값을 포함할 수 있다. 예를 들어, 피드백 정보는 UE의 수신기 모델로의 입력 데이터에 대한 손실 값의 기울기(gradient) 정보를 포함할 수 있다.
S2209 단계에서, 기지국은 수신 동작을 위한 적어도 하나의 파라미터를 결정을 지원한다. 즉, 기지국은 UE의 수신기 모델에 대한 훈련을 지원한다. 일 실시 예에 따라, 기지국은 UE에서의 수신기 모델의 훈련을 위한 기준 신호들을 송신할 수 있다. 이때, 송신되는 기준 신호들은 피드백 정보에 의해 요청된 적어도 하나의 기준 신호 패턴을 가질 수 있다. 일 실시예에 따라, UE가 선호하는 기준 신호 패턴의 피드백 및 이에 응한 기준 신호 집합의 송신은 수차례 반복적으로 수행될 수 있다. 또한, 도 22에 도시되지 아니하였으나, 기지국은 송신 동작을 위한 적어도 하나의 파라미터를 결정할 수 있다. 즉, 기지국은 UE의 송신기 모델에 대한 훈련을 수행할 수 있다.
도 21 및 도 22를 참고하여 설명한 실시 예들에 따라, 수신기 모델에 대한 훈련이 수행될 수 있다. 추가적으로, 기지국에 의해 사용되는 송신기 모델에 대한 훈련도 수행될 수 있다. 일 실시 예에 따라, UE는 예측 결과에 대한 손실 값에 관련된 정보를 기지국에게 송신하고, 기지국은 수신된 정보에 기반하여 송신기 모델에 대한 훈련을 수행할 수 있다. 또는, 다른 실시 예에 따라, UE가 송신기 모델에 대한 훈련을 수행한 후, 훈련을 통해 갱신된 가중치들 대한 정보를 기지국에게 송신할 수 있다.
도 21 및 도 22를 참고하여 설명한 실시 예들은 하향링크 통신을 위한 송수신기 모델에 대한 훈련을 위해 실시될 수 있다. 상향링크 통신을 위한 송수신기 모델이 사용되는 경우, 상향링크 통신을 위한 송수신기 모델도 유사한 절차를 통해 훈련될 수 있다. 이 경우, 기지국이 수신기 모델을, UE가 송신기 모델을 가지므로, 기지국이 UE에게 선호하는 기준 신호 패턴을 요청하고, UE가 상향링크 기준 신호를 송신하고, 기지국이 수신기 모델에 대한 훈련을 수행할 수 있다.
이하 보다 송신기 모델 및/또는 수신기 모델에 대한 학습을 수행 및/또는 지원하기 위한 보다 구체적인 실시예들이 설명된다. 이하 설명에서, 인공 지능 또는 기계 학습 모델은 GP 모델로 예시된다.
도 23은 본 발명의 일 실시 예에 따라 능동 학습에 대한 능력 정보를 제공하는 절차의 예를 도시한다. 도 23은 제1 장치(2310) 및 제2 장치(2320) 간 최초 능동 학습을 상호 지원하기 위한 시그널링을 예시한다.
도 23을 참고하면, S2301 단계에서, 제1 장치(2310)는 제2 장치(2320)에게 능동 학습 능력 요청(active learning capability request) 메시지를 송신한다. 능동 학습 능력 요청 메시지는 제2 장치(2320)가 제1 장치(2320)에 접속한 후, 등록 절차 중 또는 등록 이후에 송신될 수 있다. 여기서, 능동 학습 능력 요청 메시지는 능력 문의(capability enquiry) 메시지로 지칭될 수 있다.
S2303 단계에서, 제2 장치(2320)는 제1 장치(2310)에게 능동 학습 능력 응답(active learning capability response) 메시지를 송신한다. 능동 학습 능력 응답 메시지는 능력 학습을 위해 제2 장치(2320)에서 지원되는 능력에 대한 정보를 포함한다. 예를 들어, 능동 학습 능력 응답 메시지는 지원 가능한 GP 모델과 관련된 식별자(ID)들의 집합을 포함하는 GP 모델 정보를 포함할 수 있다. 다른 예로, 능동 학습 능력 응답 메시지는 지원 가능한 커널 함수에 관련된 정보를 포함할 수 있다. 또 다른 예로, 능동 학습 능력 응답 메시지는 지원 가능한 획득 함수에 관련된 정보를 포함할 수 있다. 능동 학습 능력 응답 메시지는 능력 정보(capability information) 메시지로 지칭될 수 있다. 이 경우, 능동 학습 능력 응답 메시지는 능동 학습 외 다양한 능력 정보를 더 포함할 수 있다.
도 23을 참고하여 설명한 바와 같이, 제2 장치(2320)의 능동 학습에 관련된 능력 정보가 제공될 수 있다. 이에 더하여, 제1 장치(2310)의 능동 학습에 관련된 능력 정보도 능동 학습 능력 요청 메시지를 통해 제2 장치(2320)에게 제공될 수 있다. 이 경우, 일 실시 예에 따라, 능동 학습 능력 응답 메시지는 제1 장치(2310) 및 제2 장치(2320)에 의해 공통적으로 지원되는 범위에 속하는 능력 정보를 포함할 수 있다. 따라서, 능동 학습 능력 요청 메시지 및 능동 학습 능력 응답 메시지에 포함되는 정보 요소(information element, IE)들 또는 파라미터들은 이하 [표 2]에 나열된 항목들 중 적어도 하나를 포함할 수 있다.
Information element Description
Gaussian process model 지원 가능한 가우시안 모델과 관련된 ID 집합
ernel functions 지원 가능한 커널 함수 집합
cquisition function 지원 가능한 획득 함수 집합
도 24는 본 발명의 일 실시 예에 따라 능동 학습을 위한 정보를 설정하는 절차의 예를 도시한다. 도 24는 제1 장치(2410) 및 제2 장치(2420) 간 능동 학습을 위한 정보를 설정하기 위한 시그널링을 예시한다.
도 24를 참고하면, S2401 단계에서, 제1 장치(2410)는 제2 장치(2420)에게 능동 학습 설정 요청(active learning setup request) 메시지를 송신한다. 여기서, 능동 학습 설정 요청 메시지는 능동 학습 재설정 요청(active learning reconfigure request) 메시지라 지칭될 수 있다. 제1 장치(2410)는 채널 컨텍스트에 대하여 사전 학습된 GP 모델과 관련 모델 파라미터들을 전달함으로써 관련 채널 태스크를 제2 장치(2420)가 처리할 수 있도록 제어할 수 있다. 또는, 제1 장치(2410)의 송신기가 채널 컨텍스트에 대해 사전 학습된 모델을 보유하지 아니하는 경우, 제1 장치(2410)는 제2 장치(2420)이 현재 가용한 적어도 하나의 모델을 이용하여 채널 태스크를 수행할 수 있도록 제어할 수 있다.
S2403 단계에서, 제2 장치(2420)는 제1 장치(2410)에게 능동 학습 설정 확인(active learning setup confirm) 메시지를 송신한다. 여기서, 능동 학습 설정 확인 메시지는 능동 학습 재설정 확인(active learning reconfigure confirm) 메시지라 지칭될 수 있다. 즉, 제2 장치는 능동 학습 절차의 수락을 알리는 응답을 송신한다. 다시 말해, 제2 장치(2420)는 능동 학습 설정 요청 메시지에 포함된 정보를 획득하였음을 또는 능동 학습 설정 요청 메시지에 포함된 정보에 기반하여 설정을 완료하였음을 알리는 응답을 송신한다. 이후, 온라인 학습을 위해, 능동 학습 기준 신호의 송신 및 수신 절차가 수행될 수 있다.
도 24를 참고하여 설명한 바와 같이, 제2 장치(2320)가 능동 학습을 수행하기 위해 필요한 정보가 제공될 수 있다. 구체적으로, 능동 학습 설정 요청 메시지 및 능동 학습 설정 확인 메시지에 포함되는 정보 요소들 또는 파라미터들은 이하 [표 3]에 나열된 항목들 중 적어도 하나를 포함할 수 있다.
Information element Description
Gaussian process 능동 학습을 위한 GP 모델 혹은 관련된 식별자.
set of RS ID and associated RS patterns 능동 학습 기준 신호 패턴의 집합 D∋(xi,yi)과 관련된 식별자(ID). D는 서로 밀도가 다른 기준 신호의 복수 패턴 집합 혹은 관련된 식별자.
Model parameters GP 모델 관련 파라미터.
Model parameters 커널 함수 종류 및 하이퍼 파라미터.
Acquisition function 획득 함수 종류.
도 25는 본 발명의 일 실시 예에 따라 능동 학습을 수행하는 절차의 예를 도시한다. 도 25는 제1 장치(2510) 및 제2 장치(2520) 간 능동 학습을 수행하기 위한 시그널링을 예시한다.
도 25를 참고하면, S2501 단계에서, 제1 장치(2510)는 제2 장치(2520)에게 초기(initial) 기준 신호들을 송신한다. 초기 기준 신호들은 미리 정의된 능동 학습을 위한 기준 신호 패턴들의 집합 중 선택된 패턴에 따른 기준 신호들을 포함할 수 있다. 이때, 제1 장치(2510)는 능동 학습 설정 요청 메시지를 통해 전달된 정보에 기반하여 기준 신호들을 송신할 수 있다. 도 25에서, S2501 단계는 1회의 송신으로 표현되었으나, 다른 실시예에 따라, 제1 장치(2510)는 복수의 패턴들을 이용하여 복수의 기준 신호 집합들을 송신할 수 있다.
S2503 단계에서, 제2 장치(2520)는 GP 모델에 대한 불확실성을 측정하고, 적어도 하나의 채널 태스크를 수행한다. 여기서, 채널 태스크는 기준 신호에 관련된 태스크들 중 적어도 하나이며, 예를 들어, 채널 추정, CSI 피드백 생성, 위상 오차 추정, 위치 추정 중 어느 하나를 포함할 수 있다. 추가적으로, 제2 장치(2520)는 수신기 GP 모델을 훈련할 수 있다. 불확실성을 측정함으로써, 제2 장치(2520)는 어느 기준 신호 패턴이 이후의 훈련을 위해 더 필요한지 판단할 수 있다.
S2505 단계에서, 제2 장치(2520)는 제1 장치(2510)에게 선호하는 능동 학습 기준 신호에 대한 정보를 보고한다. 다시 말해, 제2 장치(2520)는 후보 기준 신호 패턴들 중 적어도 하나의 선호하는 능동 학습 기준 신호 패턴을 지시하는 정보를 송신할 수 있다. 선호하는 능동 학습 기준 신호 패턴은 가장 높은 획득 함수 결과 값을 가진 적어도 하나의 기준 신호 패턴을 포함한다.
S2507 단계에서, 제1 장치(2510)는 제2 장치(2520)에게 선호하는 능동 학습 기준 신호들을 송신한다. 제1 장치(2510)는 제2 장치(2520)에 의해 요청된 기준 신호 패턴에 따라 기준 신호들을 송신한다. S2505 단계에서 복수의 기준 신호 패턴들이 보고된 경우, 제1 장치(2510)는 미리 정의된 규칙에 따라 보고된 기준 신호 패턴들 중 하나의 기준 신호 패턴을 선택하고, 선택된 기준 신호 패턴에 따른 기준 신호들을 송신할 수 있다. 이때, 선호하는 능동 학습 기준 신호들은 미리 설정된 자원을 통해 송신될 수 있다. 또는, 제1 장치(2510)는 선호하는 능동 학습 기준 신호들을 위한 자원 정보를 먼저 송신한 후, 선호하는 능동 학습 기준 신호들을 송신할 수 있다.
S2509 단계에서, 제2 장치(2520)는 GP 모델의 모델 불확실성을 최소화하기 위한 다음 기준 신호 패턴을 탐색하고, 관련된 기준 신호 패턴을 확인한다. 구체적으로, 제2 장치(2520)는 S2507 단계에서 수신된 능동 학습 기준 신호들을 이용하여 수신기 GP 모델을 훈련하고, 불확실성을 측정한다. 불확실성을 측정함으로써, 제2 장치(2520)는 어느 기준 신호 패턴이 이후의 훈련을 위해 더 필요한지 판단할 수 있다.
S2511 단계에서, 제2 장치(2520)는 제1 장치(2510)에게 선호하는 능동 학습 기준 신호에 대한 정보를 보고한다. 다시 말해, 제2 장치(2520)는 후보 기준 신호 패턴들 중 선호하는 능동 학습 기준 신호 패턴을 지시하는 정보를 송신할 수 있다. 선호하는 능동 학습 기준 신호 패턴은 가장 높은 획득 함수 결과 값을 가진 적어도 하나의 기준 신호 패턴을 포함할 수 있다.
S2513 단계에서, 제1 장치(2510)는 제2 장치(2520)에게 선호하는 능동 학습 기준 신호들을 송신한다. 제1 장치(2510)는 제2 장치(2520)에 의해 요청된 기준 신호 패턴에 따라 기준 신호들을 송신한다. 이때, 선호하는 능동 학습 기준 신호들은 미리 설정된 자원을 통해 송신될 수 있다. 또는, 제1 장치(2510)는 선호하는 능동 학습 기준 신호들을 위한 자원 정보를 먼저 송신한 후, 선호하는 능동 학습 기준 신호들을 송신할 수 있다.
도 25을 참고하여 설명한 바와 같이, 제1 장치(2510)는 미리 약속된 능동 학습 기준 신호 패턴 집합에 포함되는 각 패턴의 기준 신호들을 순차적으로 송신한다. 제2 장치(2520)는 각 패턴의 능동 학습 기준 신호에 대한 불확실성을 평가하고, 적어도 하나의 선호되는 능동 학습 기준 신호 패턴에 대한 측정 보고를 제1 장치(2510)에게 전달한다. 일 실시 예에 따라, 능동 학습 기준 신호 패턴에 대한 선호도는 밀도(density) 혹은 무선 자원량에 의존할 수 있다. 예를 들어, 적은 무선 자원을 점유하는 기준 신호 패턴이 선호될 수 있다. 제1 장치(2510)는, 제2 장치(2520)의 측정 보고를 기반으로, 가능한 적은 무선 자원을 사용하는 패턴의 능동 학습 기준 신호들을 송신한다. 이를 기반으로, 송신기 모델 및/또는 수신기 모델이 훈련될 수 있다.
도 26은 본 개시의 일 실시 예에 따른 능동 기준 신호 송신 및 채널 추정의 동작 타이밍의 예를 도시한다. 도 26을 참고하면, 송신기인 제1 장치(2610) 및 수신기인 제2 장치(2620)는 시간 흐름에 따라 도 26과 같은 파이프 라인 형태로 동작할 수 있다. 제2 장치(2620)는 능동 학습 기준 신호를 수신하고, 채널 추정을 수행한 후, 모델을 갱신한다. 동시에, 제2 장치(2620)는 불확실성 샘플링을 수행하기 위한 측정을 수행한다. 제2 장치(2620)는 능동 학습 기준 신호 집합들에서 무선 자원을 가장 적게 사용하는 적어도 하나의 능동 기준 신호 패턴을 제1 장치(2610)에게 요청한다. 즉, 제2 장치(2620)는 제1 장치(2610)에게 선호하는 능동 학습 기준 신호 패턴을 요청할 수 있다. 여기서, 선호하는 능동 학습 기준 신호 패턴은 이하 [수학식 16]과 같이 결정될 수 있다.
Figure PCTKR2022020042-appb-img-000145
[수학식 7]에서,
Figure PCTKR2022020042-appb-img-000146
은 선호하는 능동 학습 기준 신호의 패턴,
Figure PCTKR2022020042-appb-img-000147
는 모델이
Figure PCTKR2022020042-appb-img-000148
인 상태에서
Figure PCTKR2022020042-appb-img-000149
에 대한 획득 함수의 출력,
Figure PCTKR2022020042-appb-img-000150
는 기준 신호 패턴들의 집합,
Figure PCTKR2022020042-appb-img-000151
는 기준 신호 패턴을 의미한다. 여기서,
Figure PCTKR2022020042-appb-img-000152
는 안테나, 주파수, 시간으로 이루어진 기준 신호 하나 혹은 복수의 기준 신호 패턴들 중 하나가 될 수 있다.
도 27은 본 발명의 일 실시 예에 따라 능동 학습의 결과를 보고하는 절차의 예를 도시한다. 도 27은 제1 장치(2710) 및 제2 장치(2720) 간 능동 학습의 결과를 보고하기 위한 시그널링을 예시한다.
도 27을 참고하면, S2710 단계에서, 제1 장치(2710)는 제2 장치(2720)에게 능동 학습 보고 요청(active learning report request) 메시지를 송신한다. 즉, 제1 장치(2710)는 제2 장치(2720)에게 능동 학습에 의해 결정된 수신기 GP 모델 및 송신기 GP 모델 중 적어도 하나에 대한 정보를 요청한다. 도 25를 참고하여 설명한 바와 같이, GP 모델에 대한 훈련이 제2 장치(2720)에 의해 수행되므로, 제1 장치(2710)에게 GP 모델에 대한 정보, 예를 들어, 모델 파라미터를 전달하는 절차가 필요하다.
S2703 단계에서, 제2 장치(2720)는 제1 장치(2710)에게 능동 학습 파라미터 보고(active learning parameters report) 메시지를 송신한다. 즉, 제2 장치(2720)는 수신기 GP 모델 및 송신기 GP 모델 중 적어도 하나에 대한 정보를 송신한다. 이에 따라, 제1 장치(2710)은 훈련된 수신기 GP 모델에 대응하는 송신기 GP 모델을 획득할 수 있다.
도 27을 참고하여 설명한 바와 같이, 제2 장치(2720)는 능동 학습의 결과에 관련된 정보를 제공할 수 있다. 구체적으로, 능동 학습 파라미터 보고 메시지에 포함되는 정보 요소들 또는 파라미터들은 이하 [표 4]에 나열된 항목들 중 적어도 하나를 포함할 수 있다.
Information element Description
Model parameters 현재 모델의 손실 함수를 최소하화는 커널의 모델 파라미터 값, 손실 함수 값
Channel context ID 현재 채널 회귀 태스크에 대한 식별자.
도 27과 같은 절차에 따라, 제1 장치(2710)는 훈련된 모델
Figure PCTKR2022020042-appb-img-000153
을 획득할 수 있다. 훈련된 모델이 제1 장치(2710)에게 보고되면, 제1 장치(2710)는 현재의 사용되는 송신기 모델 혹은 프리코딩에
Figure PCTKR2022020042-appb-img-000154
를 반영할 수 있다. 이 경우, 제2 장치(2720)의 수신기 모델은 항등 행렬로 설정될 수 있다. 하향링크의 경우, 이는 단말의 훈련 복잡도를 낮추고, 기지국이 채널 상태를 정보를 완전하게 획득하게 하는 장점을 제공한다. 이와 같이, 수신기 모델을 항등 행렬로 설정하고, 훈련된 수신기 모델을 송신기 모델에 반영하기 위해, 전술한 도 27과 같은 절차가 필요하다.즉, 초기의 송신기 모델은 항등 행렬이거나 또는 이전의 채널 상태에 최적화된 프리코딩을 수행할 수 있으며, 송신기 모델에 대한 훈련은 별도로 진행되지 아니할 수 있다. 이때, 도 27과 같은 절차에 의해, 수신기 모델의 훈련 결과가 송신기 모델에 반영될 수 있다.
도 28은 본 발명의 일 실시 예에 따라 능동 학습을 종료하는 절차의 예를 도시한다. 도 28은 제1 장치(2810) 및 제2 장치(2820) 간 능동 학습을 종료하기 위한 시그널링을 예시한다.
도 28을 참고하면, S2801 단계에서, 제1 장치(2810)은 제2 장치(2820)에게 능동 학습 해제 요청(active learning release request) 메시지를 송신한다. 즉, 제1 장치(2810)는 능동 학습의 종료를 지시한다.
S2803 단계에서, 제2 장치(2820)는 제1 장치(2810)에게 능동 학습 해제 확인(active learning release confirm) 메시지를 송신한다. 즉, 제2 장치(2820)는 능동 학습의 종료에 대한 지시를 수신하였음을 알린다.
전술한 다양한 실시 예들에 따라, GP 모델 기반의 송신기 및 수신기가 훈련될 수 있다. 전술한 실시 예는 기지국 및 단말에 적용될 수 있다. 이 경우, 송신기모델을 가진 기지국이 단말의 수신기에 다운링크 능동 학습 기준 신호들을 송신할 수 있다. 첫 번째 능동 학습 패턴은, 도 29와 같이, 안테나 포트(antenna port)에 k개로 이루어진 여러 가지 패턴들의 집합을 연속적으로 전송할 수 있다. 도 29은 본 발명의 일 실시 예에 따른 능동 학습을 위한 기준 신호 패턴들의 예를 도시한다. 도 29을 참고하면, k개의 기준 신호 패턴들(2902-1 내지 2902-k)이 정의될 수 있다. 기준 신호 패턴들(2902-1 내지 2902-k)은 기준 신호들이 맵핑된 자원의 위치, 자원의 양, 기준 신호들의 주파수 축 또는 시간 축 해상도에서 서로 차이를 가진다. 다만, 도 29과 같은 패턴들의 정의는 일 예시이며, 패턴들 간 차이는 다양한 실시 예들에 따라 다르게 정의 또는 표현될 수 있다.
도 29와 같은 패턴들의 기준 신호 집합들을 이용하여, 기지국 및 단말의 능동 학습에 필요한 초기 학습이 수행될 수 있다. 또는, 단말은 채널과 종속적인 정보에 기반하여 사전 모델(prior model)과 관련된 파라미터를 기지국으로부터 수신할 수 있다. 사전 훈련이 완료되거나 또는 사전 모델과 관련된 파라미터를 수신한 후, 단말은 능동 학습 기준 신호 패턴들 각각에 대한 불확실성을 평가할 수 있다. 그리고, 단말은 기준 신호들의 밀도가 가장 작은 패턴 또는 불확실성이 큰 패턴을 선택하고, 선택된 적어도 하나의 패턴을 기지국에 알린다. 이를 토대로, 능동 학습이 수행될 수 있다. 기준 신호 패턴의 밀도 및 불확실성은 서로 트레이드-오프(trade-off) 관계를 가진다.
정지해 있는 장치의 경우 채널이 거의 변하지 아니하므로, 초기 전송 이후, 불확실성이 낮아지는 방향으로 또는 밀도가 높아지는 방향으로 능동 학습이 진행될 수 있다.
도 30a 및 도 30b는 본 발명의 일 실시 예에 따른 GP 모델에 대한 불확실성의 평가 결과의 예들을 도시한다. 도 30a 및 도 30b에서, 가로 축은 72개 부반송파를 포함하는 주파수 축을 -5, 5에 스케일링한 값들을, 세로 축은 채널 추정 값의 실수부 또는 허수부를 의미한다. 도 30a는 초기 기준 신호 전송 이후의 상황으로서, 72개 부반송파들 중 4개에서 기준 신호들을 초기 전송한 후 불확실성을 평가한 결과를 예시한다. 음영 표시된 영역이 GP가 베이지안 모델로서 불확실성을 평가한 결과로 이해될 수 있다.
도 30b는 두 번째 기준 신호 전송 이후의 상황으로서, 불확실성을 최대한 줄일 수 있는 기준 신호의 위치
Figure PCTKR2022020042-appb-img-000155
에 대응하는 패턴을 요청 및 수신 결과를 예시한다. 구체적으로, 도 30b는 추가적으로 3개의 기준 신호들을 포함하는 패턴의 기준 신호들을 신호를 수신한 뒤 평가한 결과를 예시한다. 도 30b를 참고하면, 대부분의 범위에서 불확실성이 감소하고, 추정한 채널 값이 실제 채널 값에 작은 오차로 잘 근사하고 있음이 확인된다. 그리고, 밀도가 큰 방향으로 기준 신호들이 송신됨이 확인된다.
채널 환경이 정적인 경우, 고정된 기준 신호 패턴을 특정 주기 동안 계속 송신하는 것 보다, 불확실성을 기반으로 적응적으로 기준 신호 패턴을 적용하는 것이 평균적인 기준 신호 전송량을 줄일 수 있다. 채널 환경이 빠르게 변하는 경우, 기지국은 높은 밀도의 기준 신호 패턴으로 기준 신호들을 송신하고, 단말은 패턴에 따른 기준 신호들의 개수를 점차 늘릴 수 있다. 이를 통해, 단말은 현재 채널 환경에서의 평균 불확실성 레벨에 적합한 기준 신호들의 밀도를 파악한 후, 기지국에 관련된 패턴을 긴 주기로 요청할 수 있다. 채널 환경이 급격히 바뀌므로, 기준 신호 패턴의 요청 주기 및 불확실성 레벨을 조정함으로써, 최적의 기준 신호 패턴이 유지될 수 있다. 예를 들어, 기지국은 7개의 기준 신호들을 포함하는 패턴을 첫 번째 전송에서 적용하고, 기준 신호들의 개수를 4, 5, 6으로 증가시킬 수 있다. 이때, 단말은 평균적으로 허용되는 불확실성 레벨을 평가하고, 4개의 기준 신호들을 이용하여도 동작에 문제 없다고 판단되면, 판단 결과를 기지국에게 피드백함으로써, 긴 주기 동안 4개의 기준 신호들 만으로 통신을 수행할 수 있다. 예를 들어, 평가된 불확실성이 임계치보다 작으면, 단말은 동작에 문제 없음을 판단할 수 있다.
위와 같이, GP 모델을 능력을 최대한 활용하고, 이를 바탕으로 꼭 필요한 기준 신호들만을 이용함으로써, 기준 신호 자원의 사용량이 감소할 수 있다. GP에 적합하게 설계된 절차는 송신기 및 수신기 간의 채널 태스크 문제를 효과적으로 풀 수 있게 할 것이다. 특히, 제안된 시그널링 절차를 통하여, 수신기의 학습 내용이 송신기에 전달될 수 있으며, 점진적인 기준 신호의 증가가 가능해진다. 나아가, 베이지안 모델인 가우시안 프로세스로 불확실성이 쉽게 모델링될 수 있다. 이를 통해, 무선 자원이 효과적으로 활용될 수 있다.
상기 설명한 제안 방식에 대한 일례들 또한 본 개시의 구현 방법들 중 하나로 포함될 수 있으므로, 일종의 제안 방식들로 간주될 수 있음은 명백한 사실이다. 또한, 상기 설명한 제안 방식들은 독립적으로 구현될 수도 있지만, 일부 제안 방식들의 조합 (또는 병합) 형태로 구현될 수도 있다. 상기 제안 방법들의 적용 여부 정보 (또는 상기 제안 방법들의 규칙들에 대한 정보)는 기지국이 단말에게 사전에 정의된 시그널 (예: 물리 계층 시그널 또는 상위 계층 시그널)을 통해서 알려주도록 규칙이 정의될 수 있다.
본 개시는 본 개시에서 서술하는 기술적 아이디어 및 필수적 특징을 벗어나지 않는 범위에서 다른 특정한 형태로 구체화될 수 있다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다. 본 개시의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 개시의 등가적 범위 내에서의 모든 변경은 본 개시의 범위에 포함된다. 또한, 특허청구범위에서 명시적인 인용 관계가 있지 않은 청구항들을 결합하여 실시 예를 구성하거나 출원 후의 보정에 의해 새로운 청구항으로 포함할 수 있다.
본 개시의 실시 예들은 다양한 무선접속 시스템에 적용될 수 있다. 다양한 무선접속 시스템들의 일례로서, 3GPP(3rd Generation Partnership Project) 또는 3GPP2 시스템 등이 있다.
본 개시의 실시 예들은 상기 다양한 무선접속 시스템뿐 아니라, 상기 다양한 무선접속 시스템을 응용한 모든 기술 분야에 적용될 수 있다. 나아가, 제안한 방법은 초고주파 대역을 이용하는 mmWave, THz 통신 시스템에도 적용될 수 있다.
추가적으로, 본 개시의 실시 예들은 자유 주행 차량, 드론 등 다양한 애플리케이션에도 적용될 수 있다.

Claims (18)

  1. 무선 통신 시스템에서 UE(user equipment)의 동작 방법에 있어서,
    능력(capability) 정보를 기지국에게 송신하는 단계;
    기준 신호들에 관련된 설정 정보를 상기 기지국으로부터 수신하는 단계;
    상기 설정 정보에 기반하여 상기 기준 신호들을 수신하는 단계; 및
    상기 기준 신호들에 대응하는 피드백 정보를 송신하는 단계를 포함하며,
    상기 설정 정보는, 상기 UE의 수신 동작을 위한 수신기 모델에 관련된 정보 및 상기 수신기 모델에 관련된 적어도 하나의 커널 함수에 관련된 정보를 포함하는 방법.
  2. 청구항 1에 있어서,
    상기 피드백 정보는, 상기 UE에 의해 선택된 적어도 하나의 선호하는(preferred) 기준 신호 패턴에 관련된 정보를 포함하고, 상기 선호하는 기준 신호 패턴에 따라 기준 신호들을 송신할 것을 요청하는 방법.
  3. 청구항 1에 있어서,
    상기 수신기 모델은, GP(Gaussian process) 모델을 포함하고,
    상기 능력 정보는, 지원 가능한 적어도 하나의 GP 모델을 지시하는 정보, 지원 가능한 적어도 하나의 커널 함수를 지시하는 정보, 지원 가능한 적어도 하나의 획득 함수(acquisition function)를 지시하는 정보 중 적어도 하나를 포함하는 방법.
  4. 청구항 1에 있어서,
    상기 설정 정보는, 상기 기준 신호들의 패턴에 관련된 정보, 획득 함수에 관련된 정보 중 적어도 하나를 포함하고,
    상기 적어도 하나의 커널 함수에 관련된 정보는, 적어도 하나의 커널 함수의 종류, 상기 적어도 하나의 커널 함수에 포함되는 적어도 하나의 하이퍼 파라미터의 값을 포함하는 방법.
  5. 청구항 1에 있어서,
    상기 수신 동작을 위한 상기 수신기 모델을 이용하여 기준 신호들에 대한 예측을 수행하는 단계;
    상기 예측의 결과에 대한 불확실성 지표(metric)를 결정하는 단계; 및
    상기 불확실성 지표에 기반하여 상기 적어도 하나의 선호하는(preferred) 기준 신호 패턴을 결정하는 단계를 더 포함하는 방법.
  6. 청구항 5에 있어서,
    상기 적어도 하나의 선호하는 기준 신호 패턴에 따른 기준 신호들을 수신하는 단계; 및
    상기 적어도 하나의 선호하는 기준 신호 패턴에 따른 기준 신호들에 기반하여 상기 수신기 모델에 대한 훈련을 수행하는 단계를 더 포함하는 방법.
  7. 청구항 5에 있어서,
    상기 기준 신호 패턴은, 하나의 집합에 속한 기준 신호들의 개수, 상기 기준 신호들의 밀도, 상기 기준 신호들의 주파수 축 간격, 상기 기준 신호들의 시간 축 간격, 상기 기준 신호들에 할당된 RE(resource element) 위치들, 하나의 기준 신호가 매핑될 수 있는 하나의 RE, 송신 전력, 시퀀스, 커버링 코드, 상기 기준 신호들이 송신되는 슬롯 주기, 상기 기준 신호들이 송신되는 자원의 속성 중 적어도 하나를 지시하는 방법.
  8. 청구항 1에 있어서,
    상기 기준 신호들을 이용하여 상기 수신 동작을 위한 상기 수신기 모델에 대한 능동 학습(active learning)을 수행하는 단계;
    상기 능동 학습의 결과에 대한 보고를 송신하는 단계를 더 포함하며,
    상기 보고는, 상기 능동 학습에 의해 결정된 상기 커널 함수의 파라미터에 관련된 정보, 및 채널 태스크에 관련된 정보 중 적어도 하나를 포함하는 방법.
  9. 청구항 8에 있어서,
    상기 능동 학습의 해제를 요청하는 요청 메시지를 수신하는 단계;
    상기 능동 학습의 해제의 확인을 지시하는 확인 메시지를 송신하는 단계를 더 포함하는 방법.
  10. 무선 통신 시스템에서 기지국의 동작 방법에 있어서,
    능력(capability) 정보를 UE(user equipment)로부터 수신하는 단계;
    기준 신호들에 관련된 설정 정보를 송신하는 단계;
    상기 설정 정보에 기반하여 상기 기준 신호들을 송신하는 단계; 및
    상기 기준 신호들에 대응하는 피드백 정보를 상기 UE로부터 수신하는 단계를 포함하며,
    상기 설정 정보는, 상기 UE의 수신 동작을 위한 수신기 모델에 관련된 정보 및 상기 수신기 모델에 관련된 적어도 하나의 커널 함수에 관련된 정보를 포함하는 방법.
  11. 청구항 10에 있어서,
    상기 피드백 정보는, 상기 UE에 의해 선택된 적어도 하나의 선호하는(preferred) 기준 신호 패턴에 관련된 정보를 포함하고, 상기 선호하는 기준 신호 패턴에 따라 기준 신호들을 송신할 것을 요청하는 방법.
  12. 청구항 10에 있어서,
    상기 수신기 모델은, GP(Gaussian process) 모델을 포함하고,
    상기 능력 정보는, 지원 가능한 적어도 하나의 GP 모델을 지시하는 정보, 지원 가능한 적어도 하나의 커널 함수를 지시하는 정보, 지원 가능한 적어도 하나의 획득 함수(acquisition function)를 지시하는 정보 중 적어도 하나를 포함하는 방법.
  13. 청구항 10에 있어서,
    상기 설정 정보는, 상기 기준 신호들의 패턴에 관련된 정보, 획득 함수에 관련된 정보 중 적어도 하나를 포함하고,
    상기 적어도 하나의 커널 함수에 관련된 정보는, 적어도 하나의 커널 함수의 종류, 상기 적어도 하나의 커널 함수에 포함되는 적어도 하나의 하이퍼 파라미터의 값을 포함하는 방법.
  14. 청구항 10에 있어서,
    상기 기준 신호들을 이용하여 상기 UE에서 수행된 상기 수신기 모델에 대한 능동 학습(active learning)의 결과에 대한 보고를 수신하는 단계; 및
    상기 능동 학습의 결과에 기반하여 상기 기지국의 송신 동작을 위한 송신기 모델을 설정하는 동작을 더 포함하며,
    상기 보고는, 상기 능동 학습에 의해 결정된 모델 파라미터에 관련된 정보, 및 채널 태스크에 관련된 정보 중 적어도 하나를 포함하는 방법.
  15. 무선 통신 시스템에서 UE(user equipment)에 있어서,
    송수신기; 및
    상기 송수신기와 연결된 프로세서를 포함하며,
    상기 프로세서는,
    능력(capability) 정보를 기지국에게 송신하고,
    기준 신호들에 관련된 설정 정보를 상기 기지국으로부터 수신하고,
    상기 설정 정보에 기반하여 상기 기준 신호들을 수신하고,
    상기 기준 신호들에 대응하는 피드백 정보를 송신하도록 제어하고,
    상기 설정 정보는, 상기 UE의 수신 동작을 위한 수신기 모델에 관련된 정보 및 상기 수신기 모델에 관련된 적어도 하나의 커널 함수에 관련된 정보를 포함하는 방법.
  16. 무선 통신 시스템에서 기지국에 있어서,
    송수신기; 및
    상기 송수신기와 연결된 프로세서를 포함하며,
    상기 프로세서는,
    능력(capability) 정보를 UE(user equipment)로부터 수신하고,
    기준 신호들에 관련된 설정 정보를 송신하고,
    상기 설정 정보에 기반하여 상기 기준 신호들을 송신하고,
    상기 기준 신호들에 대응하는 피드백 정보를 상기 UE로부터 수신하도록 제어하고,
    상기 설정 정보는, 상기 UE의 수신 동작을 위한 수신기 모델에 관련된 정보 및 상기 수신기 모델에 관련된 적어도 하나의 커널 함수에 관련된 정보를 포함하는 방법.
  17. 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,
    능력(capability) 정보를 기지국에게 송신하는 단계;
    기준 신호들에 관련된 설정 정보를 상기 기지국으로부터 수신하는 단계;
    상기 설정 정보에 기반하여 상기 기준 신호들을 수신하는 단계; 및
    상기 기준 신호들에 대응하는 피드백 정보를 송신하는 단계를 포함하며,
    상기 설정 정보는, 상기 UE의 수신 동작을 위한 수신기 모델에 관련된 정보 및 상기 수신기 모델에 관련된 적어도 하나의 커널 함수에 관련된 정보를 포함하는 통신 장치.
  18. 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,
    능력(capability) 정보를 기지국에게 송신하고,
    기준 신호들에 관련된 설정 정보를 상기 기지국으로부터 수신하고,
    상기 설정 정보에 기반하여 상기 기준 신호들을 수신하고,
    상기 기준 신호들에 대응하는 피드백 정보를 송신하도록 제어하고,
    상기 설정 정보는, 상기 UE의 수신 동작을 위한 수신기 모델에 관련된 정보 및 상기 수신기 모델에 관련된 적어도 하나의 커널 함수에 관련된 정보를 포함하는 컴퓨터 판독 가능 매체.
PCT/KR2022/020042 2022-12-09 2022-12-09 무선 통신 시스템에서 수신기에 대한 학습을 수행하기 위한 장치 및 방법 WO2024122694A1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/KR2022/020042 WO2024122694A1 (ko) 2022-12-09 2022-12-09 무선 통신 시스템에서 수신기에 대한 학습을 수행하기 위한 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/KR2022/020042 WO2024122694A1 (ko) 2022-12-09 2022-12-09 무선 통신 시스템에서 수신기에 대한 학습을 수행하기 위한 장치 및 방법

Publications (1)

Publication Number Publication Date
WO2024122694A1 true WO2024122694A1 (ko) 2024-06-13

Family

ID=91379458

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2022/020042 WO2024122694A1 (ko) 2022-12-09 2022-12-09 무선 통신 시스템에서 수신기에 대한 학습을 수행하기 위한 장치 및 방법

Country Status (1)

Country Link
WO (1) WO2024122694A1 (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210028843A1 (en) * 2019-07-26 2021-01-28 Hua Zhou Channel State Information Reporting for Non-Coherent Joint Transmission

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210028843A1 (en) * 2019-07-26 2021-01-28 Hua Zhou Channel State Information Reporting for Non-Coherent Joint Transmission

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
GUOZENG ZHENG, ZTE: "Discussion on other aspects for AI CSI feedback enhancement", 3GPP DRAFT; R1-2211058; TYPE DISCUSSION; FS_NR_AIML_AIR, 3RD GENERATION PARTNERSHIP PROJECT (3GPP), MOBILE COMPETENCE CENTRE ; 650, ROUTE DES LUCIOLES ; F-06921 SOPHIA-ANTIPOLIS CEDEX ; FRANCE, vol. 3GPP RAN 1, no. Toulouse, FR; 20221114 - 20221118, 7 November 2022 (2022-11-07), Mobile Competence Centre ; 650, route des Lucioles ; F-06921 Sophia-Antipolis Cedex ; France, XP052221623 *
NOKIA, NOKIA SHANGHAI BELL: "Other aspects on ML for beam management", 3GPP DRAFT; R1-2206971, 3RD GENERATION PARTNERSHIP PROJECT (3GPP), MOBILE COMPETENCE CENTRE ; 650, ROUTE DES LUCIOLES ; F-06921 SOPHIA-ANTIPOLIS CEDEX ; FRANCE, vol. RAN WG1, no. Toulouse, France; 20220822 - 20220826, 12 August 2022 (2022-08-12), Mobile Competence Centre ; 650, route des Lucioles ; F-06921 Sophia-Antipolis Cedex ; France, XP052274908 *
VIVO: "General discussions on AI/ML framework", 3GPP DRAFT; R1-2203549, 3RD GENERATION PARTNERSHIP PROJECT (3GPP), MOBILE COMPETENCE CENTRE ; 650, ROUTE DES LUCIOLES ; F-06921 SOPHIA-ANTIPOLIS CEDEX ; FRANCE, vol. RAN WG1, no. e-Meeting; 20220509 - 20220520, 29 April 2022 (2022-04-29), Mobile Competence Centre ; 650, route des Lucioles ; F-06921 Sophia-Antipolis Cedex ; France, XP052153024 *
YU DING, SPREADTRUM COMMUNICATIONS: "Discussion on other aspects on AIML for CSI feedback", 3GPP DRAFT; R1-2211228; TYPE DISCUSSION; FS_NR_AIML_AIR, 3RD GENERATION PARTNERSHIP PROJECT (3GPP), MOBILE COMPETENCE CENTRE ; 650, ROUTE DES LUCIOLES ; F-06921 SOPHIA-ANTIPOLIS CEDEX ; FRANCE, vol. 3GPP RAN 1, no. Toulouse, FR; 20221114 - 20221118, 7 November 2022 (2022-11-07), Mobile Competence Centre ; 650, route des Lucioles ; F-06921 Sophia-Antipolis Cedex ; France, XP052221793 *

Similar Documents

Publication Publication Date Title
WO2022039295A1 (ko) 무선 통신 시스템에서 하향링크를 전처리하는 방법 및 이를 위한 장치
WO2022250221A1 (ko) 무선 통신 시스템에서 신호 전송 방법 및 장치
WO2022050468A1 (ko) 무선 통신 시스템에서 연합학습을 수행하는 방법 및 이를 위한 장치
WO2022145548A1 (ko) 연합 러닝에 대한 데이터 분할 기반 모듈레이션 방법 및 장치
WO2022045399A1 (ko) 선택적 가중치 전송에 기반한 연합 학습 방법 및 그 단말
WO2022050565A1 (ko) 무선 통신 시스템에서 핸드오버를 위한 장치 및 방법
WO2024122694A1 (ko) 무선 통신 시스템에서 수신기에 대한 학습을 수행하기 위한 장치 및 방법
WO2023017881A1 (ko) 무선 통신 시스템에서 측정 갭을 이용한 측정 결과에 기반하여 핸드오버를 수행하기 위한 장치 및 방법
WO2024122667A1 (ko) 무선 통신 시스템에서 앙상블 모델 기반의 수신기에 대한 학습을 수행하기 위한 장치 및 방법
WO2022050444A1 (ko) 연합학습을 위한 통신방법 및 이를 수행하는 디바이스
WO2024019184A1 (ko) 무선 통신 시스템에서 송수신기 모델에 대한 학습을 수행하기 위한 장치 및 방법
WO2022039302A1 (ko) 무선 통신 시스템에서 심층 신경망의 연산을 제어하는 방법 및 이를 위한 장치
WO2023113282A1 (ko) 무선 통신 시스템에서 송수신기 모델에 대한 온라인 학습을 수행하기 위한 장치 및 방법
WO2024034707A1 (ko) 무선 통신 시스템에서 수신기 모델에 대한 온라인 학습을 수행하기 위한 장치 및 방법
WO2023022251A1 (ko) 무선 통신 시스템에서 신호 전송 방법 및 장치
WO2024117296A1 (ko) 무선 통신 시스템에서 조절 가능한 파라미터를 가지는 송수신기를 이용하여 신호를 송수신하기 위한 방법 및 장치
WO2022260200A1 (ko) 무선 통신 시스템에서 배터리 효율을 고려하여 핸드오버를 수행하기 위한 장치 및 방법
WO2022231084A1 (ko) 무선 통신 시스템에서 신호 전송 방법 및 장치
WO2024096160A1 (ko) 무선 통신 시스템에서 채널 상태 정보에 대한 가변 전송률을 지원하도록 온라인 학습을 수행하기 위한 장치 및 방법
WO2023286884A1 (ko) 무선 통신 시스템에서 신호를 송수신하는 방법 및 장치
WO2024010112A1 (ko) 무선 통신 시스템에서 채널을 추정하기 위한 장치 및 방법
WO2024063169A1 (ko) 무선 통신 시스템에서 채널을 측정하기 위한 장치 및 방법
WO2024117275A1 (ko) 무선 통신 시스템에서 다양한 신호들을 이용하여 공동 통신 및 센싱 동작을 수행하기 위한 장치 및 방법
WO2024096151A1 (ko) 무선 통신 시스템에서 송수신 신호를 생성하기 위한 이동성 장치 및 방법
WO2022260189A1 (ko) 무선 통신 시스템에서 신호를 송수신하는 방법 및 장치