SeqNet: AI-based PAPR Reduction scheme

 이번에 리뷰할 논문은 작년 12월 7일에 2021 Globecom workshop session 14 : Emerging Topic in 6G communication [1]에 발표된 내용이다. 이번 Globecom에서도 많은 논문들이 발표되었기 때문에, 아카이브 또는 Xplore에서 찾아서 한 번 읽어보는 것을 추천한다.

---

Title: SeqNet: Data-Driven PAPR Reduction via Sequence Classification

저자: Hyeondeok Jang, Seowoo Jang, Yosub Park, Jungsoo Jung, Juho Lee, and Sunghyun Choi, Samsung Research

발표 학회: 2021 Globecom workshop - Emerging Topic in 6G Communication

---

 Motivation

 이 논문의 Motivation은 5G/6G에 대한 연구에서 PAPR 감소가 주요 issue 중 하나라는 점이다. 이전의 여러 글들에서 5G의 mmWave (FR2)를 소개하면서, FR2 영역은 주파수 대역이 아직 많이 비어있지만, pathloss로 인한 Coverage (도달거리)가 짧은 문제가 있다고 소개했다.

 Coverage를 늘리기 위해, 전송 power를 세게 쏘면 되지만, 해당 신호를 input으로 받아서 증폭시켜 주는 Power Amplifier에서 문제가 생긴다. High power 영역에서 신호가 왜곡되는 Power Amplifier (PA)의 특성 때문에, power를 마음대로 높게 만들 수 없다. 또한, 신호는 평균 power를 기준으로 위아래로 흔들리는 모양으로 만들어지기 때문에, 신호가 위로 튀었을 때는, 신호가 왜곡되는 PA non-linear 영역으로 쉽게 들어가게 된다. 이를 방지하기 위해 쏠 수 있는 신호보다 power를 낮춰서 쏘는 power back-off가 필요한데, 그만큼의 power 손실이 발생하고, coverage 저하로 이어진다.

 이를 해결하는 방법으로 PA가 linear하게 사용할 수 있는 영역을 올리는 방법이 있는데, 이건 PA의 성능 및 가격과 관련이 있기 때문에, 생각하기는 쉽지만, 우리 맘대로 건드릴 수 있는 영역이 아니다. 두 번째 방법은 신호가 흔들리는 정도를 적게 만들어서, 평균 power를 높이는 방식으로, 문제를 극복하자는 내용이다. 여기서 신호가 평균을 기준으로 흔들리는 정도가 Peak to Average Power Ratio (PAPR)의 의미고, PAPR Reduction이 이 연구의 Motivation이다.

 

 System Modeling

 5G NR에서는 PAPR을 줄이기 위한 방법으로 OFDM이 아닌 dft-s-OFDM을 표준에서 지원하고 있으며, PAPR Reduction에 대해서는 이미 많은 연구들이 이루어졌다. Sub-carrier에 Peak를 Cancel 시켜주는 Tone을 넣음으로써, PAPR을 줄이는 Tone  Reservation (TR) 등을 포함하여, 전통적으로 많은 연구들이 이루어지고 있다. 이 논문에서는 기존의 sequence에 특정 sequence를 곱해서 신호의 PAPR을 낮추는 Selective Mapping (SLM) 방식에 AI를 적용한 논문이다. 여기서 곱해주는 특정 sequence을 어떤 것을 고르는지에 따라서, 곱해진 sequence의 PAPR이 오히려 더 높아지기도, PAPR을 많이 낮아지기도 한다. 따라서 PAPR을 낮춰주는 sequence를 제대로 찾는 것이 이 논문의 핵심이다.

 Fig. 1처럼 해당 sequence를 받아서, 어떤 sequence를 곱할지를 AI Model (SeqNet)이 찾아주면, N-Point DFT 전에 해당 sequence를 곱해주게 된다. 그러면, 이 신호는 기존의 신호와는 완전 달라진 신호가 되기 때문에, 이를 Receiver에서 복구하려고 하면, 어떤 신호가 곱해져 있는지 알아야 한다. 따라서, 어떤 신호가 곱해졌는지 index $i$를 control 정보로 함께 보내줘야 한다. 해당 index $i$를 받은 Rx는 역으로 원래 신호가 무엇이었는지를 복구할 때, 이 정보를 사용한다. 이 논문에서는 AI 모델의 Complexity와 PAPR Reduction 정도를 Trade-off로 보고 다양한 모델을 시험해 본 결과를 소개한다. 

 

Conclusion 

 이번 리뷰에서는 Globecom에 발표된 SeqNet이라는 논문을 아주 간단하게 소개했다. 이 같이 글로브컴을 포함해 다양한 학회에서 PAPR Reduction 같은 여러 기술들에 AI를 적용한 기술들이 소개되고 있으니, 관심있는 사람들은 한 번 리뷰해 보는 것도 좋을 것 같다.

 

Reference

[1]https://globecom2021.ieee-globecom.org/workshop/ws-14-workshop-emerging-topics-6g-communications/program

Program