Castle on a Cloud

在這一系列文章的最後, 我們來介紹一下波束管理的應用. 事實上, 由於引入 mmWave 的頻段, 波束管理一直是 5G NR 中的重要問題. 波束 (beamforming) 可以視為是往特定方向增強的訊號, 透過最佳化波束的指向, 我們可以為無線通訊引入一個新的角度: 空間, 並透過空間上的多工, 達成更高的通訊效能與更低的干擾. 然而, 在空間上聚焦, 意味著網路必須能夠掌握使用者的位置, 並能夠快速地根據使用者在空間上的變化, 進行波束的配置. 波束管理 (Beam Management) 在通訊的研究上本身就是一個大集合, 不論是波束搜尋, 波束追蹤, 波束配置, 都有許多相關研究, 然而, 在 3GPP 的框架中, 特別在乎的是實際通訊場域中要如何使用波束, 以及 AI/ML 可以達成的角色, 這又可以分成三類題目: (1) 利用 AI/ML 學習通道在環境中的非線性變化, 避免數學的過度簡化 (2) 如何透過 AI/ML 的方法, 減少波束掃描的次數 (3) 透過 AI/ML 進行波束的預測 (學習使用者的動態行為) 為了解釋上述問題, 我們先解釋一下目前波束搜尋的框架, 分別對應網路與手機端的應用, 如下圖所示: 來自:  https://www.sharetechnote.com/html/5G/5G_AI_ML_PHY_BM.html 在圖中, 我們可以看到可以分成: P1, P2, P3 三個階段, 分別對應於 Set B (較寬的波束) 與 Set A (較窄的波束),  其中, 要進行波束管理的前提即是要有對應的量測資料 (L1-RSRP), 考慮到波束掃描與量測都需要時間, 都會造成通訊資源的損失, 因此, 如何減少掃描的次數, 或是有效地從 Set B 推論 Set A 中有效的波束, 即是 AI/ML 演算法可以介入的地方. 相同的問題命題, 在方向 (1) 中則表現於 Set B 與 Set A 的空間關聯性, 如何透過 AI/ML 的上進行建模, 可以得到 Set B 與 Set A 的對應, 對應於方向 (3), 則是透過動態模型來進行波束的預測, 減少波束進行掃描的次數, 以及對應要消耗的計算資源, 以上的應用方向, 也就是 AI/ML 最受期待能夠直接應用於 5G NR 的領域.

介紹完 AI/ML 在定位領域的應用後, 我們接下來介紹 AI/ML 模型用於 CSI 處理的應用, CSI 全稱為 Channel State Infomation, 用以表示通道的細部變化, 相較於傳統上 RSRP 的訊號強度資訊, CSI 的資訊可以反映出訊號在時間或是頻域上強度的變化, 可以用來進行 precoder 的設計, 或是進行定位演算法開發. 然而, CSI 資訊也引入了新的問題, 包含了估測與回傳. 考慮到在下行的應用情境下, SSB (Synchronization Signal Block) 由基地台發出, 裝置端透過接收此訊號, 進行通道估測並取出 RSRP 與 CSI 資訊, 並將 RSRP 與 CSI 資訊回傳至基地台, 讓基地台進行 precoder 的選擇. 因此, 對基地台而言, CSI 的回報數量就和服務的使用者數量呈正比, 同時, 每一筆 CSI 回報又包含在不同頻帶上的量測數值, 因此, 如何減少回報的數量, 以避免佔用太多通訊資源, 是一個重要的問題. 在傳統上, 有兩種做法可以對 CSI 回報進行壓縮, 第一種是基於 codebook 的方法, 在此架構下, 基地台和使用者分享一共同的 codebook, 因此, 使用者回傳時只需要回傳最接近 CSI 的 codebook 編碼, 這種方法雖然可以有效地減低傳送資料量, 但是卻會有失真的問題, 第二種方法則是透過壓縮感知方式 (Compressive Sensing) 進行 CSI 資訊壓縮, 此方法需要一預定的感知矩陣 (sensing matrix), 此矩陣對於所有使用者的一般性, 以及壓縮感知方法本身的稀疏性假設, 會是此方法的限制. 考慮到 AI/ML 演算法的發展,  3GPP 也開始討論如何借力於 AI/ML 方法減少 CSI 的回報量, 事實上, 上述所說的壓縮感知也算是一種 ML 方法, 因此, AI/ML 在此應用中的主要價值應該在於使用者可以動態學習壓縮方法, 並且透過資訊分享的方式, 讓基地台可以近乎無損的取出 CSI 資訊, 目前主要討論的方法包含: SVD, reinforcement learning, Encoder-Decoder 架構. 如下圖所表示: 來自:  https://www.sharetechnote.com/html/5G