[論文レビュー] Deep Learning-Aided Delay-Tolerant Zero-Forcing Precoding in Cell-Free Massive MIMO

Wei Jiang, Hans D. Schotten|arXiv (Cornell University)|Oct 11, 2022

Advanced MIMO Systems Optimization被引用数 13

ひとこと要約

本稿では、フロントハルおよび処理遅延に起因するチャネル老化を是正するため、セルフリースマッズMIMOシステムにおける遅延耐性ゼロフォーキング・プレフィンギング（DT-ZFP）を提案する。LSTMネットワークを用いて将来のCSIを予測するマルチユーザー深層学習予測器を採用することで、フロントハルおよび空中インターフェース上でCSIとプレフィンガードデータを並列に送信可能となり、非効率な「ストップアンドウェイ」方式を排除。結果として、陳旧化したチャネル推定値であっても、ほぼ完全に近いスペクトル効率を達成する。

ABSTRACT

In the context of cell-free massive multi-input multi-output (CFmMIMO), zero-forcing precoding (ZFP) is superior in terms of spectral efficiency. However, it suffers from channel aging owing to fronthaul and processing delays. In this paper, we propose a robust scheme coined delay-tolerant zero-forcing precoding (DT-ZFP), which exploits deep learning-aided channel prediction to alleviate the effect of outdated channel state information (CSI). A predictor consisting of a bank of user-specific predictive modules is specifically designed for such a multi-user scenario. Leveraging the degree of freedom brought by the prediction horizon, the delivery of CSI and precoded data through a fronthaul network and the transmission of user data and pilots over an air interface can be parallelized. Therefore, DT-ZFP not only effectively combats channel aging but also avoids the inefficient Stop-and-Wait mechanism of the canonical ZFP in CFmMIMO.

研究の動機と目的

• フロントハルおよび処理遅延に起因するチャネル老化によるセルフリースマッズMIMOの性能劣化を是正すること。
• 従来のゼロフォーリング・プレフィンギング（ZFP）における非効率な「ストップアンドウェイ」方式の課題を克服すること。
• 距離依存のパスロスフェイジング差を考慮した、マルチユーザー・ユーザー固有の深層学習予測器の設計。
• 予測期間を活用し、フロントハル上でCSIとプレフィンガードデータ、空中インターフェース上でユーザーデータおよびパイロットを並列送信可能にする。
• 現実の遅延および移動性条件下で、深層学習支援のCSI予測がスペクトル効率を著しく向上することを実証すること。

提案手法

• 各ユーザー固有の深層学習モジュールのバンクを設計し、現在のCSI推定値に基づいて将来のCSIを予測する。LSTMネットワークを用いて実装。
• 予測期間を活用して並列送信を実現：フロントハルではCSIとプレフィンガードデータを送信し、空中インターフェースではユーザーデータおよびパイロットを送信。
• TDD方式を想定し、周波数平坦ブロック fading を採用。チャネル係数は $ g_{mk} = \sqrt{\beta_{mk}} h_{mk} $ としてモデル化され、$ \beta_{mk} $ はパスロスフェイジング、$ h_{mk} $ はスケールフェイジングを表す。
• 最適な予測精度を得るため、ハイパーパramータチューニングの結果、2層の隠れ層（1層あたり25ニューロン）と5,000の学習長さを有するLSTMネットワークを選定。
• 実際のチャネルトレースから構築したデータセットを用い、SNR条件として30 dB（理想）および15 dB（ノイズあり）を設定。Adam最適化手法を用いてトレーニング。
• 予測されたCSIを用いてシンボルをバッファリングすることで、「ストップアンドウェイ」方式を回避。これにより、フロントハル遅延があっても継続的な送信が可能になる。

実験結果

リサーチクエスチョン

• RQ1 深層学習ベースのCSI予測は、セルフリースマッズMIMOシステムにおけるチャネル老化に起因する性能劣化を効果的に是正できるか？
• RQ2 予測期間がマルチユーザー環境下でのCSI予測精度およびその結果得られるスペクトル効率に与える影響はいかほどか？
• RQ3 従来の「ストップアンドウェイ」ZFPに比べ、フロントハルデータと空中インターフェース信号の並列送信が、スペクトル効率にどの程度向上効果をもたらすか？
• RQ4 パイロット信号のSNRが低下（例：低SNR）した場合、深層学習予測器および全体のシステム性能にどのような影響が生じるか？
• RQ5 ユーザー固有の予測器アーキテクチャは、マルチユーザーCFmMIMO環境におけるパスロスフェイジングの多様性を効果的に処理できるか？

主な発見

• 1 msの予測期間と完全なCSI（30 dB SNR）条件下では、DT-ZFPは5%-リーチスペクトル効率で4.78 bps/Hz、中央値で5.73 bps/Hzを達成。完全なCSIベンチマーク（4.8および5.8 bps/Hz）に近づく。
• 陳旧化したCSI（1 ms遅延）条件下では、従来のZFPは5%-リーチスペクトル効率で70%のレート損失を被り、4.8 bps/Hzから1.49 bps/Hzに低下する。
• 3 msの予測期間と30 dB SNR条件下では、DT-ZFPは5%-リーチエッジで2.28 bps/Hzを達成。予測誤差が増加しても依然として高いロバストネスを示す。
• パイロットSNRが15 dBに低下した場合、スペクトル効率は5%-リーチで3.9 bps/Hz、中央値で5.2 bps/Hzに低下するが、依然として従来のZFPを上回る。
• 同じ遅延条件下で、従来のZFPに比べて90%のセルエッジスペクトル効率向上を達成。近似的に最適な性能を実現。
• 性能向上の要因は、「ストップアンドウェイ」方式の排除および予測期間を活用した並列送信の有効活用に起因する。