딥러닝 및 군집기반 코드북/빔 시그니처로 CSI 피드백 오버헤드 절감 연구

Deep Learning and Clustering based Codebook/Beam Signature Design for Low CSI Feedback

연구 내용

PMI와 CSI 보고의 제한 조건에서 딥러닝과 데이터 기반 군집화를 통해 적응형 코드북 및 빔 시그니처를 생성하는 연구

본 연구는 5G NR에서 빔포밍을 위한 코드북이 고정된 코드벡터 집합으로 운영될 때 발생하는 성능 저하 문제를 다룹니다. 사용자 채널 상태 및 사용자 분포 변화를 반영하기 위해 DNN 모듈로 시간에 따라 업데이트되는 코드북 생성 절차를 제안하고, PMI 데이터만으로도 고해상도 분포 추정과 k-means 기반 반복 갱신으로 적응형 빔포밍 벡터를 생성합니다. 또한 고사용자 이동성을 고려하여 시공간 차원을 포함하는 beambook 형태의 빔 시그니처로 피드백 오버헤드를 극단적으로 줄이면서도 예측 기반 전송 정확도를 확보하는 방향을 포함합니다. 배열 구조(원형 등)에 맞춘 파라메트릭 코드북 설계도 함께 다룹니다.

관련 프로젝트

1건

연구 흐름

초기 연구에서는 DFT 기반 고정 코드북의 한계를 전제로, 다양한 배열 구조에서 효율적인 코드북을 구성하는 방법을 탐색했습니다. 이후에는 CSI/PMI 제한 피드백 상황에서 기계학습 모듈로 코드벡터를 생성하고, 손실함수 감소 관점에서 반복적으로 갱신되는 절차를 정립했습니다. 이어서 고이동 사용자 환경을 대상으로, 과거 보고 히스토리를 활용해 다음 빔 위치를 예측하고 시공간 빔 시그니처를 구성하는 beambook 접근으로 확장했습니다. 최근에는 커널 밀도 추정과 k-means 군집화를 결합하여 PMI만으로도 표준 적합 코드북을 고해상도로 생성하는 방향을 수행하고 있습니다.

활용 가능성

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

저오버헤드 빔포밍 피드백 체계
적응형 MIMO 코드북 생성
시공간 빔 시그니처 기반 전송
이동성 환경 예측 전송
표준 적합 빔포밍 구현
희소 채널 코드북 최적화
기지국 딥러닝 코드북 엔진
중계기 기반 사용자 위치 대응
다중 사용자 처리량 향상 기법
네트워크 제어용 빔 선택 로직