[論文レビュー] Deep Learning based Channel Extrapolation for Large-Scale Antenna Systems: Opportunities, Challenges and Solutions

Shun Zhang, Yushan Liu+4 more|arXiv (Cornell University)|Feb 25, 2021

Millimeter-Wave Propagation and Modeling参考文献 15被引用数 4

ひとこと要約

本稿では、ミリ波ミラーモバイルMIMO、RIS支援型、セルフリーMIMOなどの大規模アンテナシステムにおける学習オーバーヘッドを低減するため、深層学習（DL）に基づくチャネル補外手法を提案する。スパースなチャネル測定値とアンテナ、周波数、端末ドメインにおける完全なCSIとの間の非線形写像をDLで学習することで、従来の圧縮センシングよりも顕著なオーバーヘッド低減と性能向上を達成する。

ABSTRACT

With the depletion of spectrum, wireless communication systems turn to exploit large antenna arrays to achieve the degree of freedom in space domain, such as millimeter wave massive multi-input multioutput (MIMO), reconfigurable intelligent surface assisted communications and cell-free massive MIMO. In these systems, how to acquire accurate channel state information (CSI) is difficult and becomes a bottleneck of the communication links. In this article, we introduce the concept of channel extrapolation that relies on a small portion of channel parameters to infer the remaining channel parameters. Since the substance of channel extrapolation is a mapping from one parameter subspace to another, we can resort to deep learning (DL), a powerful learning architecture, to approximate such mapping function. Specifically, we first analyze the requirements, conditions and challenges for channel extrapolation. Then, we present three typical extrapolations over the antenna dimension, the frequency dimension, and the physical terminal, respectively. We also illustrate their respective principles, design challenges and DL strategies. It will be seen that channel extrapolation could greatly reduce the transmission overhead and subsequently enhance the performance gains compared with the traditional strategies. In the end, we provide several potential research directions on channel extrapolation for future intelligent communications systems.

研究の動機と目的

• 巨大なアンテナアレイと複雑な伝搬環境に起因する大規模MIMOシステムにおける高いトレーニングオーバーヘッドを解消すること。
• 現実のチャネル特性をうまくモデル化できない線形スパarsity仮定に依存する従来の圧縮センシングの限界を克服すること。
• 空間的・周波数的・端末ドメインにおけるチャネルの決定的関係を活用して、最小限のパイロットオーバーヘッドで正確なチャネル状態情報（CSI）取得を可能にすること。
• 異なるチャネル部分空間に一般化可能なデータ駆動型深層学習フレームワークを構築し、フィードバックおよびトレーニング信号の送信を削減すること。
• 転移学習とセンサーフュージョンを活用して、異種的または動的環境における補外性能を向上させること。

提案手法

• パイロットシンボルなどのチャネルパラメータの小さなサブセットから、完全なチャネル状態情報への写像としてチャネル補外を定式化し、非線形関数としてモデル化すること。
• 特にODEベースのニューラルネットワークを用いて、FDDシステムにおけるアンテナ素子間の複雑な非線形写像を学習すること。
• 帯域内および異なる周波数帯間のサブキャリア間のチャネル相関を活用する周波数ドメイン補外戦略を設計し、スパースパイロットを用いて精度を向上させること。
• 視覚やレーダーなどのマルチセンサデータを用いて環境的文脈をモデル化し、分散型ユーザー間での一般化を向上させる、転移学習を活用した端末補外を提案すること。
• 事前学習済みのニューラルネットワークを1つのユーザー群から他のユーザー群に適応させることで、トレーニングコストを低減し、異種端末展開における性能を向上させること。
• 環境の動的変化やシステム制約に応じて、モデル駆動型とデータ駆動型のハイブリッドアプローチを知的に切り替え、耐障害性と適応性を向上させること。

Figure 1: The opportunities of DL-based channel extrapolation.

実験結果

リサーチクエスチョン

• RQ1 深層学習は、FDDミラーモバイルMIMOシステムにおけるアンテナ素子間の非線形的かつ非スパースなチャネル関係を効果的にモデル化できるか？
• RQ2 周波数帯間の大きなギャップが存在する場合、周波数ドメイン補外における最適なパイロット配置戦略は何か？
• RQ3 分散型システムにおける多様なユーザー群を対象とした端末ベース補外において、転移学習は性能をどのように向上させるか？
• RQ4 環境センシング（例：視覚、レーダー）は、物理的端末間でのチャネル補外の精度をどのように向上させるか？
• RQ5 アンテナ、周波数、端末ドメインにおける統合的補外を最適化することで、トレーニングオーバーヘッドを最小限に抑えつつ高いCSI精度を維持できるか？

主な発見

• ODEベースのニューラルネットワークは、FDDミラーモバイルMIMOシステムにおけるアンテナドメイン補外において、従来のDNNを上回る一般化性能と耐障害性を示した。
• 周波数ドメイン補外においては、周波数ギャップが大きい場合でも、追加のパイロットを少量で十分に予測精度を向上させることができ、パイロットオーバーヘッドが顕著に低減された。
• チャネル部分空間の差が著しい場合、端末補外の性能は低下するが、センサデータと転移学習を統合することで、性能が著しく向上し、トレーニング負荷も低減された。
• 深層学習と物理的チャネルモデルの統合により、純粋にデータ駆動型またはモデル駆動型のアプローチよりも、より正確で適応性の高い補外が可能になった。
• アンテナ、周波数、端末ドメインにおける統合的補外は実現可能であり、今後のインテリジェント無線システムにおけるトレーニングオーバーヘッド低減の有望な道筋を示した。
• ハイブリッドモデル駆動型とデータ駆動型アプローチは、環境の動的変化や複雑さに応じて知的に切り替えられ、精度と効率の両方を向上させた。

Figure 2: The channel extrapolation over antenna dimension for large-scale antenna systems.