MIMO에 대해서

 

MIMO는 "Multiple Input Multiple Output"의 약어로, 무선 통신에서 사용되는 기술입니다. MIMO 시스템은 여러 개의 안테나를 사용하여 동시에 여러 개의 데이터 스트림을 전송하고 수신하는 기술입니다. 이는 전송하는 데이터의 대역폭을 효과적으로 활용하고, 신호 간의 간섭을 줄여 전송 속도와 신뢰성을 향상시킵니다. MIMO는 주로 LTE, Wi-Fi, 5G 등과 같은 고속 무선 통신 시스템에서 사용되며, 대역폭 효율성과 신호 간섭 감소를 통해 높은 데이터 전송률을 제공합니다.

 

 

 

수천 개의 안테나가 기저대역 샘플을 공통 처리 장치로 전송해야 하는 경우 전송 용량 요구 사항이 극도로 높을 수 있습니다. 분산 처리 아키텍처, 최적화된 자원 할당 방안, 회로 구현 및 프로토 타입이 필요합니다. 첫째로, 사용자들이 근거리에 있기 때문에 파장은 평면이 아닐 수 있습니다. 둘째로, 안테나는 임의로 배치될 수 있으므로 배열 응답 벡터는 미리 알려지지 않습니다. 물리적 특성과 광선 추적을 기반으로 한 측정 캠페인 및 개선된 채널 모델링이 필요합니다.

 

 

수신된 필드가 기록되고 나중에 재구성됩니다. 이는 이산적이고 활성 안테나의 밀접하게 결합된 배열을 사용합니다. RF 참조 신호를 거의 수 pass 반사 요소들과 혼합합니다.

균일 선형 배열과 이산 안테나에 대한 일반적인 통계 모델은 직접적으로 적용되지 않습니다.

 따라서, 이러한 배열의 채널 모델링 및 공간 상관 구조를 활용한 채널 추정에 대한 추가 연구가 매우 필요합니다. 내부적으로 RF 신호를 생성하는 배열의 경우, 사용자를 공간적으로 다중화하기 위해 동일한 표면에 여러 RF 포트를 연결하는 것이 중요합니다. 채널 추정 및 반사 속성의 빠른 재구성을 위한 효율적인 프로토콜과 알고리즘을 개발해야 합니다.

 

 

 

 

사용자의 위치와 방향을 정확하게 추정하기 위해 BS(기지국)에서 배열의 사용이 가능합니다. 이것은 새로운 물리적 양을 추정할 수 있게 해주는데, 즉, AoA(업링크에서의 도달 각도)와 AoD(송신 각도)입니다. 위치 추정과 통신 간의 상호 작용을 고려해야 합니다. 각도와 지연 정보를 퓨징하면 지연 또는 각도 도메인에서 경로를 해결할 수 있으며, 전파 환경에 대한 보다 풍부한 그림을 제공합니다.

가장 긴급한 문제는 다루기 쉽지만 충분히 풍부한 기하학적 위치 종속 채널 모델의 이용 가능성입니다.

 특히, 각도 및 지연 도메인에서의 분산이 성능에 영향을 미칠 것이므로 위치에 대한 다양한 재료 특성의 영향을 연구해야 합니다.

 

 

 

 

개별 안테나의 방향과 위치를 제어할 수 있습니다. 사용자의 채널은 업링크 파일럿을 통해 추정됩니다. 하나 또는 여러 메타표면을 구성하는 데 사용됩니다. 딥러닝은 RF 지문 기반으로 사용자를 식별하고, 사용자의 속도와 궤적을 추정하는 데 사용됩니다. 저정밀도 ADC와 디지털 전방 왜곡을 사용한 다중 사용자 검출은 딥 뉴럴 네트워크에 의해 향상될 수 있습니다.

훈련 데이터는 ML 시스템의 "소스 코드"로 볼 수 있습니다. 이는 소스 코드가 컴파일 전에 디버깅되어야 하는 것과 유사하게 데이터가 훈련 전에 정제되고 편향, 이상치 및 이상을 제거해야 함을 의미합니다.

 실행 중인 네트워크에서 데이터를 획득하는 것은 매우 어렵고 연구용으로 제공되는 공개 데이터셋은 거의 없습니다.

통신 시스템은 마이크로초에서 나노초 시간 단위에서의 엄격한 실시간 제약 조건으로 ML 추론이 필요합니다.

 그러나 기울기 기반 접근법은 너무 느릴 수 있으며 대안을 찾아야 합니다.