核心概念
RIS 지원 셀 프리 대규모 MIMO 시스템의 합계 스펙트럼 효율을 최대화하기 위해 다중 에이전트 강화 학습 기반 공동 전처리 및 위상 이동 최적화 기법을 제안한다.
要約
이 논문은 RIS(Reconfigurable Intelligent Surface) 지원 셀 프리 대규모 MIMO 시스템에서 합계 스펙트럼 효율을 최대화하기 위한 공동 전처리 및 위상 이동 최적화 문제를 다룬다.
주요 내용은 다음과 같다:
RIS 지원 셀 프리 대규모 MIMO 시스템 모델을 제시하고, 합계 스펙트럼 효율 최대화를 위한 최적화 문제를 정의한다.
중앙 집중형 학습 분산 실행 방식의 다중 에이전트 강화 학습(MARL) 알고리즘을 제안하여 이 문제를 해결한다.
퍼지 논리(Fuzzy Logic)를 MARL에 통합하여 계산 복잡도를 줄이고 수렴 속도를 높인다.
시뮬레이션 결과를 통해 제안한 FL-MARL 알고리즘이 기존 방식에 비해 계산 복잡도를 약 42% 감소시키면서도 유사한 성능을 달성할 수 있음을 보인다.
統計
제안한 FL-MARL 알고리즘은 기존 MADDPG 대비 약 30% 더 빠른 수렴 속도를 보인다.
안테나 수가 증가함에 따라 제안 기법의 합계 스펙트럼 효율이 MMSE 기법에 근접하며, ZF 대비 42%, AO 기반 기법 대비 18% 성능 향상을 달성한다.
RIS 수가 증가할수록 제안 기법의 합계 스펙트럼 효율이 향상되며, 연속 위상 시나리오에서 MADDPG 대비 성능 격차가 더 작다.
RIS 요소 수가 증가할수록 제안 기법의 합계 스펙트럼 효율이 향상되며, 제한된 학습 시간 내에 최적 성능에 근접한다.
引用
"RIS는 미래 6G 이상 무선 통신 시스템을 위한 핵심 기술로 인정되고 있으며, 비볼록 최적화 문제를 해결할 수 있는 기계 학습/인공 지능의 활용 가능성이 주목받고 있다."
"제안한 FL-MARL 알고리즘은 계산 복잡도를 크게 줄이면서도 유사한 성능을 달성할 수 있어, 실제 배포에 적합할 것으로 기대된다."