[論文レビュー] A Model-Driven Deep Learning Network for MIMO Detection

Hengtao He, Chao-Kai Wen+2 more|arXiv (Cornell University)|Sep 25, 2018

Wireless Signal Modulation Classification参考文献 16被引用数 4

ひとこと要約

本稿では、各層に学習可能なパラメータを備えたニューラルネットワークに直交的近似メッセージパッシング（OAMP）アルゴリズムをアンフォールドした、MIMO検出のためのモデル駆動型ディープラーニングネットワークOAMP-Netを提案する。バックプロパゲーションによるこれらのパラメータの最適化により、特にRayleighおよび相関MIMOチャネルにおいて、従来のOAMPよりも顕著な性能向上が達成され、8×8アンテナを備えたMIMOシステムでは、SNRレベルにおいてBER性能で最大2.97 dBの向上を達成した。

ABSTRACT

In this paper, we propose a model-driven deep learning network for multiple-input multiple-output (MIMO) detection. The structure of the network is specially designed by unfolding the iterative algorithm. Some trainable parameters are optimized through deep learning techniques to improve the detection performance. Since the number of trainable variables of the network is equal to that of the layers, the network can be easily trained within a very short time. Furthermore, the network can handle time-varying channel with only a single training. Numerical results show that the proposed approach can improve the performance of the iterative algorithm significantly under Rayleigh and correlated MIMO channels.

研究の動機と目的

• 反復的検出アルゴリズムとディープラーニングを統合することで、MIMO検出における性能と複雑さのトレードオフを解決すること。
• OAMPアルゴリズムの構造を踏襲する学習可能なモデル駆動型ニューラルネットワークを構築し、検出精度を向上させること。
• 時間変動チャネルに適した、最小限の学習可能なパrameterで高速かつ安定した学習を可能とすること。
• 現代の無線システムとの互換性を確保するためのソフト出力検出を実現すること。
• 独立および相関MIMO fadingチャネルの両方において、従来のOAMPおよび既存のディープラーニングベースの検出器よりも優れた性能を示すこと。

提案手法

• OAMP-Netアーキテクチャは、反復的OAMPアルゴリズムをT層にアンフォールドすることで導出され、各層に推定値を精緻化するための学習可能なパラメータ（γt, θt）を組み込む。
• 標準的なディープラーニング学習を実現するため、複素数MIMOシステムを実数表現で扱う。
• 学習可能なパラメータは、QPSK変調を用いた合成トレーニングデータ上でL2損失関数とAdam最適化手法を用いてバックプロパゲーションにより最適化される。
• ネットワークは一度だけ学習され、学習可能な変数の数が非常に少ないため、再学習なしに時間変動チャネルに一般化可能である。
• 各層からの事後平均推定値を活用することで、ソフト意思決定出力を実現する。
• ネットワーク構造は、OAMPのベイジアン最適性を維持するとともに、エンドツーエンド学習による性能向上を可能としている。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングは、低複雑性を維持したまま、MIMO検出におけるOAMPアルゴリズムの性能を向上させることができるか？
• RQ2 Rayleigh fading MIMOチャネルにおいて、OAMP-Netの性能は元のOAMPおよび他のディープラーニングベースの検出器と比較してどうなるか？
• RQ3 OAMP-Netは、一度の学習のみで時間変動チャネルに一般化可能か？
• RQ4 相関MIMOチャネルにおいて、OAMP-NetはOAMPに対してどの程度の性能向上を達成するか？
• RQ5 学習可能なパラメータの数は、学習速度および収束安定性にどのように影響するか？

主な発見

• 4×4 MIMOシステムにおけるRayleigh fading下で、BER = 10⁻³の条件下で、OAMP-NetはOAMPアルゴリズムに対して約1.37 dBのBER向上を達成した。
• 8×8 MIMOシステムでは、同じBERレベルでOAMP-NetがOAMPに対して約2.97 dBの性能向上を達成した。
• 64×64 MIMOシステムでは、OAMP-Netは依然としてOAMPに対して0.82 dBのゲインを達成し、スケーラビリティを示した。
• 相関MIMOチャネル（ρ = 0.5）下では、OAMP-Netは2.15 dB以上のゲインを達成し、独立したRayleighチャネルでの1.86 dBゲインを上回った。
• 相関チャネル下でもOAMP-Netは高い性能を維持し、BER = 10⁻²の条件下でOAMPアルゴリズムと比較して6.05 dBのSNR損失にとどまった（OAMPは6.34 dB）。
• わずかな数の学習可能なパラメータで、10,000エポックで学習が完了し、高速かつ安定した収束を実現した。