비직교 다중접속 NOMA 자원할당을 위한 DNN 기반 최적화 연구

Deep Neural Network-Based Resource Allocation for NOMA

연구 내용

이기종 하향링크 NOMA에서 사용자 선택·전력·SIC 순서를 최적화하고, 학습 복잡도를 낮추기 위해 SINR 또는 지연된 부분 채널 정보를 활용하는 딥러닝 자원할당 연구

이기종 네트워크 하향링크에서 NOMA의 전력·사용자·SIC 처리 순서는 합산 전송률과 서비스 품질을 동시에 만족해야 합니다. 연구실은 비선형·혼합정수 형태의 자원할당 문제를 심층학습 기반으로 근사하여 계산 복잡도와 지연을 낮추는 접근을 수행합니다. 특히 입력으로 채널 상태 정보가 아닌 SINR 또는 지연된 부분 채널 정보를 사용하고, unsupervised learning과 손실함수 설계를 통해 서빙 환경에서의 일반화 성능을 확보합니다. 또한 SIC ordering과 전력 할당을 결합한 DNN 설계를 통해 outage 성능까지 함께 고려합니다.

관련 프로젝트

0건

연구 흐름

초기에는 2023년에 이기종 HetNet 하향링크 NOMA에서 서브채널 선택과 전력 할당을 개선하기 위한 반복형 또는 학습형 자원배분 구조를 제안했습니다. 이후 2023년에는 SINR 기반 정보를 활용해 입력 차원을 줄이면서 사용자 선택과 전력 할당을 동시에 수행하는 unsupervised DNN 학습 전략으로 확장했습니다. 2024년에는 JSPA의 MINLP 구조를 단순화한 후 joint SIC ordering과 전력 할당을 함께 학습하는 DNN 알고리즘을 전개했습니다. 2025년에는 outdated partial channel state information을 전제로 동적 셀 선택과 전력 할당을 연합 학습 형태로 수행하는 연구를 수행했습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

QoS 제약 기반 NOMA 링크 운영
SINR 기반 자원할당 학습 체계
지연 부분 채널 정보 대응 전송제어
SIC 순서 포함 전력 최적화
사용자-서브채널 동적 매칭
학습형 저지연 자원 스케줄링
이기종 네트워크 간섭 관리
차세대 이동통신 자원 최적화 엔진
실시간 최적해 근사 전송제어
outage 성능 중심 자원설계