[論文レビュー] Deep Learning-Based Channel Estimation for Double-RIS Aided Massive MIMO System

Mengbing Liu, Xin Li+4 more|arXiv (Cornell University)|Oct 22, 2022

Advanced Wireless Communication Technologies被引用数 4

ひとこと要約

本稿では、二重再構成可能知能表面（RIS）を支援するマスサイズMIMOシステムにおけるディープラーニングベースのチャネル推定のためのスキップ接続アテンション（SC-attention）ネットワークを提案する。自己アテンション層とスキップ接続構造を統合することで、特徴表現を向上させるとともに、勾配消失を軽減し、ベースライン手法と比較して最大16%低い正規化平均二乗誤差（NMSE）を達成した。特に低SNR条件下で優れた精度と耐障害性を示し、ノイズが多く、高次元なカスケードチャネル推定において優れた性能を発揮した。

ABSTRACT

Reconfigurable Intelligent Surface (RIS) is considered as an energy-efficient solution for future wireless communication networks due to its fast and low-cost configuration. In this letter, we consider the estimation of cascaded channels in a double-RIS aided massive multiple-input multiple-output system, which is a critical challenge due to the large number of antennas equipped at the base station and passive RIS elements. To tackle this challenge, we propose a skip-connection attention (SC-attention) network that utilizes self-attention layers and skip-connection structure to improve the channel estimation performance from the noisy pilot-based observations. Simulation results compare the proposed SC-attention network with other benchmark methods and show that SC-attention network can effectively improve the accuracy performance on normalized mean square error (NMSE) for cascaded links in a double-RIS aided system.

研究の動機と目的

• 大規模なアンテナと受動的RIS素子を有する二重RIS支援マスサイズMIMOシステムにおける、高次元的かつノイズの多いチャネル推定の課題に対処する。
• 低SNR環境および高次元的カスケードチャネル推定において、従来の線形推定器（例：LS、LMMSE）の限界を克服する。
• ノイズのあるパイロット観測から複雑な非線形空間特徴をモデル化するため、ディープラーニングを活用して推定精度と耐障害性を向上させる。
• 自己アテンション機構とスキップ接続構造を統合し、受容 field の拡大、モデル容量の向上、勾配の流れの改善を図る。
• さまざまなSNR条件下で、既存のDLベースおよび従来の推定器を上回る優れた性能を示す。

提案手法

• パイロット信号からのカスケードチャネル行列のノイズ混在観測を入力とする、ノイズ除去タスクとしてチャネル推定問題を定式化する。
• 長距離空間相関を捉え、特徴表現を向上させるために、自己アテンション層を組み込んだスティッチ接続アテンション（SC-attention）ネットワークを設計する。
• 低レベル特徴を保持し、学習中の勾配消失や爆発を防ぐために、スキップ接続を組み込む。これにより、学習の安定性と性能が向上する。
• 入力をアテンションブロックの出力と直接連結することで、残差マッピングの学習を容易にする、リサイジュー型アーキテクチャを採用する。
• 120,000サンプルの大量データセット（SNR範囲：-10 dB ～ 15 dB）を用いて、さまざまな状況に一般化可能な性能を確保するため、エンドツーエンドでネットワークを学習する。
• 単一および二重反射リンクの両方において、正規化平均二乗誤差（NMSE）を主な指標として性能を評価する。

Figure 1: Illustration of the Double-RIS aided system model.

実験結果

リサーチクエスチョン

• RQ1 二重RIS支援マスサイズMIMOシステムにおける高次元的カスケードチャネル推定において、ディープラーニングベースのアプローチは、従来の線形推定器（LSおよびLMMSE）を上回ることができるか？
• RQ2 自己アテンション層を統合することで、受容 field の拡大とモデル容量の向上が、推定精度にどの程度寄与するか？
• RQ3 スキップ接続構造は、特に低SNR領域において、勾配の問題をどれほど効果的に軽減し、推定性能を向上させるか？
• RQ4 提案されたSC-attentionネットワークは、さまざまなSNRレベルにわたって一般化し、ノイズの多い環境でも耐障害性を維持できるか？
• RQ5 さまざまなチャネル状態において、NMSEの観点から、SF-CNNなどの既存のディープラーニングベースのベースラインと比較して、SC-attentionネットワークの性能はどの程度優れているか？

主な発見

• SC-attentionネットワークは、-10 dB SNRにおいて、自己アテンションのみのベースラインと比較して最大16%低いNMSEを達成し、低SNR環境下での顕著な改善を示した。
• 高SNR（15 dB）では、ノイズが減少するため、SC-attentionネットワークと従来の推定器との性能差は縮小するが、依然としてわずかな優位性を維持している。
• アテンションブロックの可視化により、入力から出力へと段階的にノイズ強度が低下していることが確認され、ブロック単位のノイズ除去メカニズムの有効性が裏付けられた。
• LSおよびLMMSE推定器は、すべてのSNRレベルでSC-attentionネットワークに劣り、特に線形手法が苦戦する低SNR条件下で顕著な優位性を示した。
• SF-CNNベースラインに対しても、SC-attentionネットワークは優位に立っており、自己アテンションとスキップ接続の統合が、優れた特徴学習と推定精度をもたらしていることを示した。
• 提案手法は、-10 dB から 15 dB の全SNR範囲で、独立したテストデータを用いても耐障害性と一般化性能を維持しており、安定した性能を発揮した。

Figure 2: Overview of the self-attention layer.