챕터 2
AI 워크플로를 사용한 5G 채널 추정
채널 추정은 현대의 모든 무선 시스템이 반드시 풀어야 하는 기초적인 문제입니다. 수신기는 채널이 송신기에서 전송한 신호를 어떻게 변화시키는지 이해하고 각각의 시간과 주파수에서의 채널 모델을 지정하는 방법을 알아내야 합니다. 채널 추정이 잘 되면 처리량이 증가하고 오류율이 감소합니다.
채널 추정을 수행하는 데 사용된 종래의 알고리즘은 선형 피팅 또는 3차 다항식 피팅 등 수학적 피팅 알고리즘을 기반으로 합니다. 그러나 안테나 개수가 많아지고 주파수 범위가 넓어지며 환경이 변화하면서 채널 변동성이 높아졌습니다.
AI를 사용하여 모델을 훈련시키면 파라미터 개수가 많아도 채널 거동을 관찰하고 정확하게 추정할 수 있습니다. AI 기반 모델은 수 밀리초 안에 신호 검출과 분류를 수행할 수 있는데 이는 기존 방법보다 빠른 것입니다. AI 기반 모델에 포함된 방법이 단순하기 때문에 전력 소모량과 연산 요구사항도 감소될 수 있습니다.
이 섹션에서는 데이터 준비부터 5G 채널 추정을 수행하는 CNN(컨벌루션 신경망)을 생성하는 딥러닝을 사용하는 AI 모델의 모델링, 시뮬레이션, 배포까지의 과정을 단계별로 살펴볼 것입니다. 완성되면 AI 모델을 통해 시스템의 나머지 부분을 변경하지 않고도 전체 무선 시스템의 성능을 개선할 수 있습니다.
MATLAB을 통해 5G 준수 파형을 만들고 그 데이터로 AI 기반 채널 추정 모델을 훈련시키고 모델을 시뮬레이션, 테스트, 최적화하고 배포할 수 있습니다.
채널 추정을 위한 AI 기반 모델을 만드는 과정에서 첫 번째 단계는 모델 훈련에 사용할 5G 준수 파형을 생성하는 것입니다. 훈련 데이터는 견고해야 합니다. 즉 표준을 준수할 뿐만 아니라 종합적이어야 하고 현실적인 채널 손상과 시나리오를 나타내야 합니다.
MATLAB을 사용하면 간단하게 표준 준수 파형과 견고한 데이터셋을 생성할 수 있습니다. AI 기반 채널 추정 모델을 훈련시킬 데이터셋을 만들려면 다음과 같은 작업을 수행할 수 있습니다.
- Wireless Waveform Generator를 사용하여 5G 표준 파형을 생성합니다.
- Wireless Waveform Generator로 실제로 신호가 접하게 될 왜곡을 추가하여 신호를 증대함으로써 현실을 더 잘 나타내는 데이터셋을 만듭니다. 간단한 드롭다운 메뉴를 사용하여 가우스 잡음, 위상 잡음 또는 주파수 잡음을 추가할 수 있습니다.
- 신호 레이블 지정기 앱을 사용하여 데이터셋에 분야별 전문지식을 적용합니다. 레이블이 지정된 데이터는 훈련 중에 신호 분석에 도움이 되고 인간의 인지를 모델에 구현하게 됩니다.
Wireless Waveform Generator에는 파형 표준과 주파수 범위를 선택하고 파형 데이터 생성 전에 손상을 추가할 수 있는 옵션이 있습니다.
데이터를 수집하고 레이블을 지정한 다음에는 AI 모델을 훈련시키는 데 입력으로 사용될 수 있는 신호를 만들기 위해 데이터를 처리해야 합니다. 예를 들어 y축에 시간을, x축에는 주파수를 플로팅하고 각각의 시간과 주파수 좌표에서 신호 강도를 색으로 표현하여 히트맵을 만들 수 있습니다. 그렇게 하면 영상을 분류하도록 훈련된 딥러닝 신경망에 공급할 수 있는 영상이 생성됩니다.
또한 훈련을 마친 후에 모델을 검증하고 조정하는 데 사용할 데이터셋을 확보할 수 있도록 데이터를 훈련 데이터와 검증 데이터로 분할해야 합니다.
데이터를 수집, 관리하고 레이블을 지정하는 방법은 여러분의 특정 프로젝트에 따라 달라집니다. 어떤 프로젝트에서는 모델을 훈련시킬 수 있는 충분한 실제 데이터를 수집할 수 있을 것입니다.
Wireless Waveform Generator를 사용하면 다양한 표준에 대한 견고한 합성 파형 데이터셋을 얻을 수 있습니다.
그것이 가능하지 않은 경우에는 실제 시스템에 나타날 데이터를 표현하기 위해 합성 데이터를 사용할 수도 있습니다. 합성 데이터로 현장에서 나타나는 조건을 재생성하기는 까다로울 수 있습니다. MATLAB에서는 통상적인 채널 손상을 나타내는 방대한 라이브러리를 통해 실제 조건을 재생성할 수 있습니다.
MATLAB 안에서 회귀, 심층 신경망, 군집화 등 분류와 예측에 사용되는 일반적인 AI 알고리즘을 직접 이용할 수 있습니다. AI 모델 구축의 첫 번째 단계는 채널 추정을 수행하기 위한 CNN 구축과 같이 접근법을 선택하는 것입니다.
CNN은 영상 처리 능력이 탁월하기 때문에 이러한 AI 모델에 아주 적합합니다. CNN은 전이 학습을 이용할 수 있다는 추가적인 장점도 있어서, GoogLeNet 또는 AlexNet 같은 기존의 훈련된 영상 처리 신경망을 토대로 모델을 구축할 수 있습니다.
채널 추정 CNN은 파일럿 기호로 5G 파형을 나타내는 레이블이 지정된 영상을 받아 채널 왜곡 추정을 반환합니다.
CNN을 구축하려면 심층 신경망 디자이너를 사용하여 신경망을 훈련하고 구축할 수 있습니다. 다음과 같은 작업을 할 수 있습니다.
- 생성한 데이터를 가져오기 및 훈련 과정 시각화
- Parallel Computing Toolbox를 사용하여 전문적인 프로그래밍 없이도 훈련 가속화
PyTorch® 및 TensorFlow™ 같은 오픈 소스 프레임워크를 사용하여 개발한 AI 모델을 가져올 수도 있습니다.
이후 실험 관리자 앱을 사용하여 모델을 조정하고 최적의 훈련 옵션을 찾을 수 있습니다. 그리드 탐색, 임의 탐색, 베이즈 최적화 기반 탐색을 사용하여 하이퍼파라미터들을 훑어볼 수 있습니다.
병렬로 실험을 실행하여 다양한 훈련 구성을 동시에 테스트할 수 있습니다. 혼동행렬 및 사용자 지정 메트릭 함수를 통해 훈련된 신경망을 간편하게 평가할 수 있습니다.
MATLAB을 사용하여 여러분의 AI 모델을 비교할 수 있는 "골든 참조", 즉 완벽한 채널 추정 모델을 생성할 수 있습니다. 동일한 환경의 동일한 채널 모델에서 선형 보간 알고리즘 등의 기존 방법과 여러분의 모델을 비교할 수도 있습니다.
다양한 채널 추정 접근법들의 결과를 MSE(평균 제곱 오차)를 사용하여 실제 채널과 비교한 결과 신경망이 가장 정확한 것으로 나타났습니다.
국지적으로 AI 기반 채널 추정 모델을 검증한 다음에는 더 큰 시스템 속에서 전역적으로 모델을 검증해야 할 것입니다. 무선 5G 신호를 사용하여 모델을 테스트하고 미세 조정해야 할 수도 있습니다.
MATLAB을 사용하여 다른 블록에서 가져다 놓는 것과 같은 방식으로 AI 모델을 기존 시스템 시뮬레이션에 끼워 넣을 수 있습니다.
패널 내비게이션
다수의 출처에서 온 설계 구성요소를 통합하는 방법과 그렇게 통합한 시스템이 요구사항을 충족하는지 검증하는 방법에 대해 자세히 알아보려면 다음을 읽어 보세요.
테스트를 위해서는 다음과 같은 작업을 할 수 있습니다.
- 테스트 및 측정 하드웨어 장비로 실험실 설정을 생성할 수 있습니다. Instrument Control Toolbox를 사용하여 하드웨어를 MATLAB 환경에 연결하고 MATLAB에서 나온 데이터를 하드웨어로 실시간으로 스트리밍하여 OTA 테스트를 수행할 수 있습니다.
- 소프트웨어 정의 무선 통신을 사용하여 무선으로 데이터를 전송하고 실시간 채널 효과가 있는 데이터를 수신할 수 있습니다.
SDR과 신호 송신 및 수신 기기를 사용하여 MATLAB에서 직접 실시간 데이터를 수집할 수 있습니다.
AI 기반 채널 추정 CNN을 통합한 다음에 무선 시스템에서 무엇을 기대할 수 있을까요? 개선 여부를 검사하기 위한 다음과 같은 핵심 지표가 있습니다.
- 처리량 — 초당 성공적으로 전송된 데이터의 양이 증가할 것입니다.
- 오류 — 블록 오류율, 비트 오류율, 패킷 오류율이 감소할 것입니다.
MATLAB에는 코드를 다시 작성할 필요 없이 어디에나 모델을 배포할 수 있게 해주는 독특한 코드 생성 프레임워크가 있습니다. 다음과 같은 작업을 할 수 있습니다.
- 설계 단계에서 프로토타입 AI 모델을 반복적으로 개선 및 하드웨어에서 테스트.
- 시스템 검증 또는 출시를 위해 프로덕션 하드웨어에 AI 모델 배포
예를 들어 AI 기반 채널 추정 모델을 FPGA에 배포하려는 경우가 있을 수 있습니다. Deep Learning HDL Toolbox™를 사용하면 모델을 변환하고 HDL 워크플로를 생성할 수 있습니다. 이어서 다양한 FPGA 플랫폼에서 추론 속도와 정확도를 파악할 수 있도록 컴파일링하고 배포하며 예측할 수 있습니다.
다음과 같은 기타 배포 타겟도 있습니다.
- 경량의 저출력 임베디드 기기 (자동차 내에서 사용되는 기기 등)
- Raspberry Pi 등의 저가형 신속 프로토타이핑 보드
- 공장 기계에 장착된 센서나 제어기 같은 에지 기반 IoT 응용 사례
- C/C++, HDL, PLC 또는 CUDA 코드를 실행하는 임베디드 플랫폼
MATLAB은 데스크탑 실행 파일을 AWS® 또는 Azure®의 클라우드 기반 엔터프라이즈 시스템(재무 분석 플랫폼 등)으로 확장시켜 줄 수 있는 데스크탑 또는 서버 환경에도 배포할 수 있습니다.
MATLAB 코드 생성 기능을 사용하여 다양한 하드웨어 플랫폼에 배포할 수 있습니다.
