[論文レビュー] Beamspace Channel Estimation in Terahertz Communications: A Model-Driven Unsupervised Learning Approach.

Hengtao He, Rui Wang+3 more|arXiv (Cornell University)|Jun 30, 2020

Terahertz technology and applications参考文献 41被引用数 6

ひとこと要約

本稿では、広帯域テラヘルツMIMOシステムにおけるビームスペースチャネル推定のため、モデル駆動型の教師なし学習フレームワークLDGECを提案する。スティーンの不偏リスク推定（SURE）損失を活用することで、実際のチャネルデータを前処理段階で必要とせず、パイロット記号と限られた測定データでの学習が可能となり、特に低RFチェーン数および低分解能ADC制約下でも、圧縮センシング手法を上回る優れた性能を達成する。

ABSTRACT

Terahertz (THz)-band communications have been one of the promising technologies for future wireless networks that integrate a wide range of data-demanding applications. To compensate for the large channel attenuation in THz band and avoid high hardware cost, a lens-based beamspace massive multiple-input multiple-output (MIMO) system is considered. However, the beam squint effect appeared in wideband THz systems, making channel estimation very challenging, especially when the receiver is equipped with a limited number of radio-frequency (RF) chains. Furthermore, the real channel data cannot be obtained before the THz system is used in a new environment, which makes it impossible to train a deep learning (DL)-based channel estimator using real data set beforehand. To solve the problem, we propose a model-driven unsupervised learning network, named learned denoising-based generalized expectation consistent (LDGEC) signal recovery network. By utilizing the Steins unbiased risk estimator loss, the LDGEC network can be trained only with limited measurements corresponding to the pilot symbols, instead of the real channel data. Even if designed for unsupervised learning, the LDGEC network can be supervisingly trained with the real channel via the denoiser-by-denoiser way. The numerical results demonstrate that the LDGEC-based channel estimator significantly outperforms state-of-the-art compressive sensing-based algorithms when the receiver is equipped with a small number of RF chains and low-resolution ADCs.

研究の動機と目的

• 広帯域テラヘルツMIMOシステムにおけるビームスキャインの問題を解決し、チャネル推定精度の低下を軽減すること。
• 新環境への展開前に実際のチャネルデータを取得することが現実的でないという点を克服し、教師ありディープラーニングの主要な障壁となる。
• 実際のチャネルデータが不要なチャネル推定器を設計し、未確認の環境への展開を可能にすること。
• RFチェーン数の制限や低分解能ADCといったハードウェア制約下でも推定精度を向上させること。
• パイロット記号と限られた測定データのみで学習可能な手法を開発すること。

提案手法

• ビームスペースチャネル推定のための、学習されたノイズ除去に基づく一般化期待一致（LDGEC）信号復元ネットワークを提案する。
• スティーンの不偏リスク推定（SURE）損失を用いて、パイロット記号と測定データのみで教師なし学習を可能にする。
• 教師付きチャネル行列を必要とせず、ノイズ除去を通じてチャネル構造を暗黙的に学習するネットワークを設計する。
• 「ノイズ除去器によるノイズ除去」というハイブリッドな学習戦略を実装し、後で実際のチャネルデータを用いて微調整可能にする。
• ニューラルアーキテクチャにビームスペースMIMOシステムモデルからのモデル駆動型事前知識を統合し、一般化性能を向上させる。
• 実際のチャネルにアクセスできない状況下でも、真の再構成誤差を推定する損失関数を最適化する。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングベースのチャネル推定器は、実際のチャネルデータがなく、パイロット記号と測定データのみで学習可能か？
• RQ2 LDGECネットワークは、低RFチェーン数および低分解能ADC設定下でのビームスペースチャネル推定において、どのように性能を発揮するか？
• RQ3 SUREに基づく教師なし学習戦略は、テラヘルツシステムにおけるラベル付きチャネルデータの必要性をどの程度低減できるか？
• RQ4 推定精度の観点から、LDGECは最先端の圧縮センシングベースのアルゴリズムと比べてどのように差をつけるか？
• RQ5 LDGECフレームワークは、教師なし事前学習後に実際のチャネルデータを用いて効果的に微調整可能か？

主な発見

• LDGECネットワークは、低RFチェーン数および低分解能ADC条件下で、最先端の圧縮センシングベースのアルゴリズムを著しく上回るチャネル推定性能を達成する。
• パイロット記号と測定データのみで教師なし学習が可能であり、事前学習段階で実際のチャネルデータを必要としない。
• SUREに基づく損失関数により、真のチャネルがなくても再構成誤差の正確な推定が可能となり、教師なし学習の実現が可能になる。
• LDGECフレームワークは「ノイズ除去器によるノイズ除去」という微調整戦略をサポートし、実際のチャネルデータが入手可能になった段階で教師あり改善が可能になる。
• モデル駆動型設計により、未確認の展開環境における一般化性能とロバストネスが向上する。
• 数値結果により、LDGECが限られたハードウェアリソース下でも高い精度を維持することが確認され、実用的なテラヘルツシステムに適している。