2030년과 그 이후를 향한 IMT의 차세대 다중 접속

מושגי ליבה

NOMA 기반 차세대 다중 접속 기술은 다중 영역 활용, 다중 모드 호환성, 다차원 최적화 등의 핵심 특징을 가져야 한다.

תקציר

이 관점 문서는 NOMA 기반 차세대 다중 접속(NGMA) 기술의 3가지 핵심 특징을 설명한다:

1. 다중 영역 활용: 기존 NOMA와 직교 다중 접속(OMA)은 단일 영역(예: 시간 또는 전력 영역)에 초점을 맞추었지만, NGMA는 시간, 전력, 공간 등 다양한 영역을 유연하게 활용해야 한다.

2. 다중 모드 호환성: NGMA는 기존 OMA 기술과 동적으로 공존할 수 있어야 하며, 사용자가 자신의 요구사항에 따라 OMA 또는 NOMA 모드를 선택할 수 있어야 한다.

3. 다차원 최적화: 다중 영역 활용과 다중 모드 호환성을 달성하기 위해서는 기존 단일 차원 최적화보다 복잡한 다차원 최적화 문제를 해결해야 한다.

이러한 3가지 핵심 특징을 바탕으로 NGMA의 미래 연구 방향이 제시되었다. 주요 내용은 다음과 같다:

1. 제로 에너지 IoT 기기를 위한 백스캐터 통신 활용
2. 근접장 통신을 위한 NOMA와 SDMA의 결합
3. 사용자 채널 상황의 이질성 활용
4. 동적 장기 시스템 최적화를 위한 강화 학습 적용

סטטיסטיקה

사용자 1의 데이터 레이트: log(1 + P1 / (P2 + 1)) ≥ R
사용자 1과 사용자 0의 총 데이터 레이트: log(1 + P1 / (P2 + 1)) + log(1 + P0) ≥ R

ציטוטים

"NOMA 기반 NGMA는 다중 영역 활용, 다중 모드 호환성, 다차원 최적화 등의 핵심 특징을 가져야 한다."
"다차원 최적화 문제는 단일 차원 최적화 문제보다 훨씬 더 복잡하다."

תובנות מפתח מזוקקות מ:

Next Generation Multiple Access for IMT Towards 2030 and Beyond

by Zhiguo Ding,... ב- arxiv.org 04-08-2024

https://arxiv.org/pdf/2404.04012.pdf

שאלות מעמיקות

NOMA 기반 NGMA에서 백스캐터 통신을 활용할 때의 최적화 문제는 어떻게 달라지는가?

NOMA 기반 NGMA에서 백스캐터 통신을 활용할 때, 최적화 문제는 기존의 사용자가 더 많은 전송을 수행해야 한다는 문제를 다루어야 합니다. 에너지 제약이 있는 통신 네트워크에서 많은 전송을 수행하는 장치는 배터리 수명이 짧아질 수 있습니다. 이 문제를 해결하기 위한 유망한 해결책은 환경 IoT에 제로 에너지 장치를 적용하는 것입니다. 백스캐터 통신(BackCom)을 적용하여 NOMA 전송이 배터리 없이 이루어질 수 있도록 합니다. 이러한 환경적 백스캐터 기능은 NGMA에서 특히 유용할 수 있습니다. 최적화 관점에서, 시스템 최적화는 더 복잡해지며 사용자의 반사 계수도 최적화되어야 합니다. 이러한 시스템 매개변수는 강하게 결합되어 있습니다.

NOMA와 SDMA를 결합할 때 근접장 통신 환경에서의 채널 모델링 및 최적화 방안은 무엇인가?

NOMA와 SDMA를 결합할 때 근접장 통신 환경에서의 채널 모델링은 중요한 역할을 합니다. 근접장 사용자의 채널 벡터는 사용자의 출발/도착 각도뿐만 아니라 기지국으로부터의 거리에 의해 매개변수화됩니다. 따라서 근접장 사용자의 채널 벡터는 높은 상관관계를 가질 수 있으며, 이는 Fig. 1(c)에 나타난 빔 공유 개념을 적용할 수 있음을 의미합니다. 그러나 근접장 사용자의 채널 벡터가 상관관계가 낮을 수도 있기 때문에 빔 공유 개념을 구현하는 것이 어려울 수 있습니다. 이러한 근접장 통신 환경에서의 최적화 방안은 사용자의 채널 벡터 상관관계를 고려하여 빔 공유 개념을 적용하는 것입니다.

NGMA에서 사용자의 동적 채널 상황을 효과적으로 활용하기 위한 강화 학습 기반 접근법은 어떻게 설계할 수 있는가?

NGMA에서 사용자의 동적 채널 상황을 효과적으로 활용하기 위한 강화 학습 기반 접근법은 매우 중요합니다. 이를 위해 리소스 할당을 마르코프 결정 과정으로 모델링하여 강화 학습을 적용하는 것이 유망한 해결책입니다. 시스템 최적화를 장기적으로 동적으로 수행해야 하므로 이러한 강화 학습 접근 방식은 매우 유용합니다. 사용자의 동적 채널 상황을 효과적으로 활용하기 위해 리소스 할당을 마르코프 결정 과정으로 모델링하고, 시스템 쓰루풋의 누적 합을 최대화하는 정책을 적용하여 최적화 문제를 해결할 수 있습니다. 이러한 강화 학습 접근 방식은 환경 변화에 강하므로 사용자의 동적 채널 상황을 효과적으로 활용할 수 있습니다.