비직교 다중접속(Innon-orthogonal multiple access, NOMA) 시스템에서 전력 할당은 사용자들의 서비스 품질(QoS) 요구사항을 만족하면서 합산 전송률(sum rate)을 최대화하는 데 핵심적인 역할을 한다. 선행 연구에서는 전력 할당을 위한 반복 알고리즘으로서 내점 기법(interior point method, IPM)이 제시되었으며, 이는 합산 전송률을 최대화하고 차단(outage)률을 최소화할 수 있다. 그러나 이러한 반복 알고리즘은 일반적으로 계산 효율이 낮고 지연이 과도하게 크다는 문제를 가진다. 이러한 한계를 극복하기 위해 기계학습 기반 전력 할당 방식들이 널리 연구되어 왔다. 이와 같은 맥락에서, 본 논문에서는 사용자 선택 및 전력 할당에서의 계산 복잡도를 개선하기 위해 지도학습이 아닌 비지도학습(unsupervised learning)에 초점을 맞춰, 송신 안테나 선택과 다중 셀 협력을 고려한 셀룰러 하향 링크 다중입력 단일출력(multiple-input single-output, MISO) NOMA 시스템을 위한 딥 뉴럴 네트워크(deep neural network, DNN) 기반의 공동 사용자 선택 및 전력 할당 기법을 제안한다. 특히 최소 데이터율 요구조건(minimum data-rate requirement) 하에서 합산 전송률을 최대화하기 위해 사용자 선택 및 전력 할당에 대한 최적화 문제를 정식화한다. 우리는 이 최적화 문제를 해결하기 위해 사용자 선택과 전력 할당을 위한 새로운 손실 함수 및 학습 모델을 제안한다. 여기서 학습 및 시험 모델은 채널 상태 정보(channel state information)가 아니라 신호대 간섭플러스잡음비(signal-to-interference-plus-noise-ratio, SINR) 정보를 기반으로 하며, 이는 DNN 입력 데이터 크기를 유의하게 감소시킬 수 있다. 시뮬레이션을 통해, 제안한 방식이 최적해와 비교하여 합산 전송률과 차단률(outage rate) 측면에서 견줄 만한 성능을 제공하면서도 최적해에 비해 더 낮은 계산 복잡도를 요구함을 보인다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.