::: TTA표준화 위원회 :::

홈 > 자료마당 > 자료검색 > 표준

자료 검색결과

표준종류

정보통신기술보고서(TTAR)

표준번호

TTAR-06.0306

구 표준번호

제개정일

2025-10-22

총 페이지

한글 표준명

심층학습 기반 CSI 피드백을 위한 코드북 설계 (기술보고서)

영문 표준명

Codebook Design for Deep Learning-based CSI Feedback (Technical Report)

한글 내용요약

본 기술보고서는 3GPP 5G NR 무선접속 인터페이스를 위한 인공지능/기계학습에 대한 기술보고서인 TR 38.843에 포함된 CSI 피드백 개선에 대한 내용을 다루고 있다. 해당 기술 범위 중에서, 심층학습 기반 CSI 피드백 기술에 범용적으로 적용될 수 있는 효율적인 코드북 설계 방식을 제시한다. 심층학습 기반 CSI 피드백에서, UE는 채널 행렬을 인코더 신경망을 통해 잠재 벡터로 변환하고, 이를 양자화하는 과정을 거친다. 제시된 기술은 방향-크기(shape-gain) 벡터 양자화를 도입하여 잠재 벡터의 크기와 방향을 각각 분리하여 양자화함으로써 양자화 과정의 연산 복잡도를 크게 낮추었다. 크기 양자화는 클립된(clipped) μ-law 변환과 비균일 스칼라 코드북을 이용하며, 방향 양자화는 훈련 가능한 방향 코드북을 사용하여 설계하였다. 또한, 하나의 코드북으로 다양한 비트율을 지원하는 다중 비트율(multi-rate) 중첩 코드북 설계 기법을 개발하여 코드북 설계의 효율성을 높였다.

영문 내용요약

This technical report proposes an efficient codebook design method applicable to deep-learning-based CSI feedback technologies. In deep-learning-based CSI feedback, the user equipment (UE) converts the channel matrix into a latent vector using an encoder neural network, followed by a quantization process. The proposed method introduces shape-gain vector quantization, which separates the magnitude and direction of the latent vector and quantizes them independently, thereby significantly reducing the computational complexity of the quantization process. Magnitude quantization is implemented using a clipped μ-law transformation and a non-uniform scalar codebook, while direction quantization is designed using a trainable direction codebook. Furthermore, to enhance the efficiency of codebook design, a multi-rate nested codebook scheme is developed to support various bit rates using a single codebook.