[論文レビュー] Deep learning based Channel Estimation and Beamforming in Movable Antenna Systems

Kaijun Feng, Ziwei Wan+6 more|arXiv (Cornell University)|Feb 8, 2026

Advanced MIMO Systems Optimization被引用数 0

ひとこと要約

要約：本論文は、チャネル推定、アンテナ位置最適化、およびビームフォーミングを同時に行うマルチユーザ広帯域可動アンテナシステム向けの深層学習フレームワークを提示する。CSベースの初期CSI、Swin-Transformerによるデノイジング、Transformer駆動の位置選択をモデル駆動のWMMSEビームフォーマを組み合わせる。

ABSTRACT

Movable antenna (MA) has emerged as a promising technology for future wireless systems. Compared with traditional fixed-position antennas, MA improves system performance by antenna movement to optimize channel conditions. For multiuser wideband MA systems, this paper proposes deep learning-based framework integrating channel estimation (CE), antenna position optimization, and beamforming, with a clear workflow and enhanced efficiency. Specifically, to obtain accurate channel state information (CSI), we design a two-stage CE mechanism: first reconstructing the channel matrix from limited measurements via compressive sensing, then introducing a Swin-Transformer-based denoising network to refine CE accuracy for subsequent optimization. Building on this, we address the joint optimization challenge by proposing a Transformer-based network that intelligently maps CSI sequences of candidate positions to optimal MA positions while combining a model-driven weighted minimum mean square error (WMMSE) beamforming approach to achieve better performance. Simulation results demonstrate that the proposed methods achieve superior performance compared with existing counterparts under various conditions. The codes about this work are available at https://github.com/ZiweiWan/Code-4-DL-MA-CE-BF.

研究の動機と目的

• ブロックagesを回避し、ユーザの移動に適応し、多重経路多様性を活用してスペクトル効率を向上させる手段として可動アンテナシステムを動機づける。
• 限定的な測定で広帯域MAシステムの正確なCSI取得パイプラインを開発する。
• アンテナ位置と下りビームフォーミングの共同最適化を可能にし、システム性能を最大化する。
• モデルベースの手法と統合する深層学習モジュールを提案し、複雑さを抑えつつ結果を改善する。

提案手法

• 2段階のチャネル推定：限られたパイロット測定からの圧縮感知再構成の後、Swin-Transformerベースのデノイジング（MA-CENet）。
• Transformerベースのアンテナ位置最適化（MA-PSN）は、CSIシーケンスをサブキャリア全体で最適なMA位置へマッピングする。
• Transformer強化WMMSEアプローチ（MA-BFNetとMA-DBN）を用いたモデル駆動ビームフォーミング設計で総和レートを最大化する。
• チャネル推定には辞書ベースのスパース表現を使用し、空間構造を保持するためにSwin Transformerをデノイジングに用いる。
• 各MA要素に対して一意の位置割り当てを確保する逐次的な位置選択機構の開発。
• 最適な位置選択後にサブキャリアごとのビームフォーミング行列を出力するエンドツーエンドのパイプライン。

実験結果

リサーチクエスチョン

• RQ1 限られたパイロットで2段階のCSとTransformerベースデノイジングが広帯域MAシステムの信頼できるCSIを提供できるか？
• RQ2 CSIをどのように利用してサブキャリア全体でマルチユーザ設定における可動アンテナの最適配置を導くか？
• RQ3 Transformerベースのネットワークは、WMMSEのようなモデル駆動の要素を持つMAシステムで高性能ビームフォーミングを効率的に得られるか？
• RQ4 提案されたDLフレームワークの性能向上とトレーニングオーバーヘッドは、従来手法と比べてどうか？

主な発見

• MA-CENetは従来のデノイザと比較して、パイロットSNR領域全体でCSIデノイジング性能とNMSE低減で優れる。
• MA-PSNはサブキャリア間のCSI依存性を学習し、最適なMA位置を割り当てることで総和レート性能を向上させる。
• MA-BFNetとモデル駆動のWMMSE風ビームフォーマで、従来のWMMSEやZFベースラインをシミュレーション上で上回る総和レートを達成する。
• 本フレームワークはマルチユーザ設定と広帯域OFDMへ規模拡張可能で、さまざまなシナリオでベースラインを上回る一貫した性能向上を示す。