[論文レビュー] Deep Learning based Antenna Selection and CSI Extrapolation in Massive MIMO Systems

Bo Lin, Feifei Gao+3 more|arXiv (Cornell University)|Jan 18, 2021

Advanced MIMO Systems Optimization参考文献 37被引用数 6

ひとこと要約

本稿では、アンテナドメイン拡張ネットワーク（ADEN）とアンテナ選択ネットワーク（ASN）を組み合わせた深層学習フレームワークを提案し、少数のアンテナからのCSI予測により、マスティブ MIMO システムにおける学習オーバーヘッドを低減する。細かいCSI拡張をODEベースの精錬プロセスとしてモデル化し、非微分可能なアンテナ選択に対して微分可能制約付き劣化アルゴリズムを用いることで、従来手法を上回る性能を達成。ADENは全結合ネットワークを上回り、ASNは均一選択をはるかに上回る最適な選択パターンを学習する。

ABSTRACT

A critical bottleneck of massive multiple-input multiple-output (MIMO) system is the huge training overhead caused by downlink transmission, like channel estimation, downlink beamforming and covariance observation. In this paper, we propose to use the channel state information (CSI) of a small number of antennas to extrapolate the CSI of the other antennas and reduce the training overhead. Specifically, we design a deep neural network that we call an antenna domain extrapolation network (ADEN) that can exploit the correlation function among antennas. We then propose a deep learning (DL) based antenna selection network (ASN) that can select a limited antennas for optimizing the extrapolation, which is conventionally a type of combinatorial optimization and is difficult to solve. We trickly designed a constrained degradation algorithm to generate a differentiable approximation of the discrete antenna selection vector such that the back-propagation of the neural network can be guaranteed. Numerical results show that the proposed ADEN outperforms the traditional fully connected one, and the antenna selection scheme learned by ASN is much better than the trivially used uniform selection.

研究の動機と目的

• 少数のアンテナからのCSI拡張により、マスティブ MIMO システムにおける学習オーバーヘッドを低減すること。
• 深層学習における非微分可能な離散的アンテナ選択の課題に対処し、バックプロパゲーションを可能にする。
• 構造化された深層学習アーキテクチャを用いてアンテナ間の空間相関を活用することで、CSI拡張の精度を向上させること。
• アンテナ選択とCSI拡張を共同最適化し、均一選択やヒューリスティック選択手法よりも優れた性能を達成すること。

提案手法

• ADENは全結合ニューラルネットワークを用いて粗いCSI拡張を実行し、粗い推定値を初期条件として用いるODEベースの初期値問題により、細かい拡張を実行する。
• 細かい拡張サブネットワークはODEとしてモデル化され、d𝐮f(t)/dt = ψ[𝐮f(t), 𝛚(t)] であり、u_f(0) = ŝu_A^c を満たす。これにより連続的な精錬が可能となる。
• 離散的アンテナ選択ベクトルの微分可能近似を生成するための制約付き劣化アルゴリズム（CDA）が提案され、選択プロセスを経由したバックプロパゲーションが可能になる。
• アンテナ選択ネットワーク（ASN）は、ADENと共同で学習し、拡張誤差と選択スパarsityの両方をペナルティ化することで、最適なアンテナを選択する。
• CSI予測精度と選択ベクトルのスパarsityをバランスさせる共同損失関数を用いて、エンドツーエンドでフレームワークを学習する。
• 本手法は、部分観測からの完全なCSI回復および周波数ドメインにおける拡張タスクを含む、CSI拡張タスクで評価されている。

実験結果

リサーチクエスチョン

• RQ1 深層学習は、マスティブ MIMO システムにおいて少数のアンテナからのCSIを効果的に拡張可能であり、学習オーバーヘッドを低減できるか？
• RQ2 非微分可能なアンテナ選択を深層学習フレームワークに統合し、エンドツーエンド学習を可能にする方法は何か？
• RQ3 細かいCSI拡張をODEベースのプロセスとしてモデル化することで、標準的なDNNと比較して予測精度が向上するか？
• RQ4 提案されたASNは、均一選択やランダム選択と比較して優れたアンテナ選択パターンを学習できるか？
• RQ5 アンテナ選択とCSI拡張の共同最適化は、全体のシステム性能にどのように影響を与えるか？

主な発見

• ODEベースの精錬メカニズムのおかげで、ADENは従来の全結合DNNよりもCSI拡張精度が優れている。
• アンテナ選択ネットワーク（ASN）は、非均一で環境に適応したアンテナサブセットを選択する能力を学習し、拡張精度において均一選択を著しく上回る。
• 制約付き劣化アルゴリズム（CDA）は、離散的アンテナ選択プロセスを経由した微分可能バックプロパゲーションを成功裏に実現し、エンドツーエンド学習を可能にした。
• ASNとADENの共同学習により、分離最適化やヒューリスティック選択と比較して、より優れた全体的性能が得られ、拡張誤差が低減した。
• 数値結果から、本手法は特に複雑な伝搬環境において、顕著に低い学習オーバーヘッドで高精度なCSI予測を達成できることを示している。
• 本フレームワークは、部分観測からの完全なCSI回復や周波数ドメインにおけるCSI拡張を含む、複数の応用に有効である。