[論文レビュー] Deep Learning based Joint Precoder Design and Antenna Selection for Partially Connected Hybrid Massive MIMO Systems

Salman Khalid, Waqas Bin Abbas+1 more|arXiv (Cornell University)|Feb 2, 2021

Millimeter-Wave Propagation and Modeling参考文献 17被引用数 4

ひとこと要約

本稿では、ミリ波帯の部分接続型ハイブリッド massive MIMOシステムにおける、ディープラーニングベースの共同プレコーダ設計およびアンテナ選択手法を提案する。2つの級列型畳み込みニューラルネットワーク（CNN）を用いる——1つは最適なアンテナサブセットを分類し、もう1つはアナログプレコーダ重みを回帰する——この手法は、従来の交互最小化法およびSICアルゴリズムと比較して、スペクトル効率が高く、計算遅延が著しく低い。144本のアンテナに対しては予測時間がわずか0.01秒である。

ABSTRACT

Efficient resource allocation with hybrid precoder design is essential for massive MIMO systems operating in millimeter wave (mmW) domain. Owing to a higher energy efficiency and a lower complexity of a partially connected hybrid architecture, in this letter, we propose a joint deep convolutional neural network (CNN) based scheme for precoder design and antenna selection of a partially connected massive MIMO hybrid system. Precoder design and antenna selection is formulated as a regression and classification problem, respectively, for CNN. The channel data is fed to the first CNN network which outputs a subset of selected antennas having the optimal spectral efficiency. This subset is again fed to the second CNN to obtain the block diagonal precoder for a partially connected architecture. Simulation results verifies the superiority of CNN based approach over conventional iterative and alternating minimization (alt-min) algorithms. Moreover, the proposed scheme is computationally efficient and is not very sensitive to channel irregularities.

研究の動機と目的

• 部分接続型 massive MIMO システムにおけるハイブリッドプレコーダ設計のための従来の反復的アルゴリズムの高い計算複雑性と、劣化した性能を是正すること。
• 共同でのプレコーダ設計とアクティブアンテナ選択を最適化することで、5GおよびB5G mmWaveシステムにおけるエネルギー効率の高い低遅延リソース割り当てを実現すること。
• 従来のディープラーニング手法が完全接続構造に限定されているのを克服し、部分接続型ハイブリッド構造へと拡張すること。
• ディープラーニングを用いたデータ駆動型のアクティブアンテナおよびプレコーダ重み選択により、システムの複雑性を低減し、スペクトル効率を向上させること。

提案手法

• 2段階のディープ畳み込みニューラルネットワーク（CNN）フレームワークを提案：最初のCNNは分類によりアンテナ選択を実行し、2番目のCNNは回帰によりアナログプレコーダを設計する。
• 最初のCNNの入力は、ノイズを含むチャネル行列であり、実部、虚部、ノイズ成分を捉えるためにサイズ $N_R \times N_T \times 3$ の3次元テンソルとして表現される。
• 2番目のCNNは、$N_r$ 個の選択されたアンテナサブセットを受け取り、$N_T \times N^{RF}_T$ のアナログプレコーダ $\mathbf{F}_{RF}$ の非ゼロ要素を出力し、その後ブロック対角構造に整列する。
• $\mathbf{F}_{RF}$ の取得後、等価チャネルアプローチを用いてデジタルプレコーダ $\mathbf{F}_{BB}$ を計算する。
• 両方のCNNは、SVDおよびスペクトル効率最大化により生成された合成チャネル実現値とラベルデータを用いて事前学習する。
• 訓練には確率的勾配降下法を用い、アンテナ選択には交差エントロピー損失、プレコーダ回帰には平均二乗誤差を用い、正則化のためReLU活性化関数とドロップアウト層を導入する。

実験結果

リサーチクエスチョン

• RQ1 部分接続型 mmWave ハイブリッド massive MIMO システムにおいて、ディープラーニングベースのアプローチが、アンテナ選択とハイブリッドプレコーダ設計を共同で最適化できるか？
• RQ2 提案手法のCNNベースの性能は、従来のSDRベースの交互最小化法およびSICアルゴリズムと比較して、スペクトル効率および計算遅延の観点でどの程度優れているか？
• RQ3 CNNベースの手法は、チャネルの不規則性や異なるアレイサイズの下でもどの程度のロバストネスを示すか？
• RQ4 反復的最適化手法と比較して、提案手法は著しく低い計算複雑性で高いスペクトル効率を達成できるか？

主な発見

• 提案されたCNNベースのハイブリッドプレコーダは、SDRベースの交互最小化法およびSICアルゴリズムと比較して、特に高SNR領域で高いスペクトル効率を達成した。
• $N_T = 144$ の場合、同じ条件下でSICおよびSDR手法と比較して、1.5 bps/Hzを超えるスペクトル効率の向上を達成した。
• CNNベースのプレコーダはオンライン予測にわずか0.01秒で完了したのに対し、SDR交互最小化法は1.6秒、SICは0.02秒を要したため、計算効率に優れた性能を示した。
• アンテナ選択部（DAS）は、ランダムアンテナ選択（RAS）を著しく上回り、高SNR領域では2 bps/Hzを超えるスペクトル効率の向上を達成した。
• 本手法はチャネルの不規則性に対してもロバストであり、$N_T = 36$ および $N_T = 144$ を含むさまざまなアレイ構成でも高い性能を維持した。
• CNNのオフライン学習により、オンライン推論が高速かつスケーラブルとなり、リアルタイムの5GおよびB5G mmWaveシステムに適したアーキテクチャを実現した。