[論文レビュー] Deep Learning Based MIMO Communications

Timothy J. O’Shea, Tugba Erpek+1 more|arXiv (Cornell University)|Jul 25, 2017

Advanced MIMO Systems Optimization参考文献 16被引用数 142

ひとこと要約

この論文は、単一ユーザー MIMO のエンドツーエンドのオートエンコーダーベース学習フレームワークを提示し、Alamouti 多様性および SVD ベースのスペーシャルマルチプレクシングに対して競争力のある性能を示すとともに、量子化 CSI を含むオープン／クローズドループ動作を検討する。

ABSTRACT

We introduce a novel physical layer scheme for single user Multiple-Input Multiple-Output (MIMO) communications based on unsupervised deep learning using an autoencoder. This method extends prior work on the joint optimization of physical layer representation and encoding and decoding processes as a single end-to-end task by expanding transmitter and receivers to the multi-antenna case. We introduce a widely used domain appropriate wireless channel impairment model (Rayleigh fading channel), into the autoencoder optimization problem in order to directly learn a system which optimizes for it. We considered both spatial diversity and spatial multiplexing techniques in our implementation. Our deep learning-based approach demonstrates significant potential for learning schemes which approach and exceed the performance of the methods which are widely used in existing wireless MIMO systems. We discuss how the proposed scheme can be easily adapted for open-loop and closed-loop operation in spatial diversity and multiplexing modes and extended use with only compact binary channel state information (CSI) as feedback.

研究の動機と目的

• MIMO トランスミッタと受信機の共同エンドツーエンド最適化を動機づけ、現実的なチャネル障害の下でスループットを最大化し BER を最小化する。
• SISO チャネルオートエンコーダーの概念を MIMO 構成（2x1 および 2x2）に拡張し、従来手法に対する利得を評価する。
• オープンループおよびクローズドループ動作を、完璧な CSI フィードバックと量子化 CSI を含めて、学習済みの MIMO フレームワーク内で検討する。
• 学習済みシステムのレイリー衰落チャネルおよび異なるアンテナ構成への適応性を示す。

提案手法

• 学習可能なエンコーダとデコーダマッピングを持つエンドツーエンドニューラルネットワークオートエンコーダとして MIMO システムをモデリングする。
• 現実的なチャネルとして前方伝搬障害としてのレイリー衰落チャネルモデルをネットワーク内に組み込み、現実的なチャネルを最適化対象とする。
• 学習済み MIMO を多様性のために Alamouti STBC（2x1）と、空間多重化のために SVD ベースの前置（2x2）と比較する。
• CSI シナリオを調査する：オープンループ（CSI なし）、送信機での完全 CSI、そして v ビット量子化 CSI を含み、チャネルモデルを介したバックプロパゲーションを含む。
• 勾配に基づくトレーニングを可能にする微分可能なチャネル層チェーン（enc, random H, mul, norm, awg, dec）を使用する。
• 情報ビットを k ビットコード語として表現し、ソフトマックス出力とクロスエントロピー損失でエンドツーエンドのエンコード/デコードを最適化する。

実験結果

リサーチクエスチョン

• RQ1 Rayleigh 衰落の下で、エンドツーエンドのオートエンコーダーが従来のオープンループおよびクローズドループ手法を上回る MIMO エンコーダ/デコーダを学習できるか？
• RQ2 学習済み MIMO システムの BER パフォーマンスは、2x1 の Alamouti STBC、および 2x2 の SVD ベース前置と比較して、さまざまな CSI 仮定の下でどの程度の利得を示すか？
• RQ3 量子化 CSI（v-bit）フィードバックは、学習済み MIMO システムの性能と収束にどのように影響するか？
• RQ4 学習済みエンコーダは、異なるアンテナ構成とチャネル実現に対して、空間的多様性と空間的多重化を柔軟に活用できるか？
• RQ5 学習済みスキームは、制約されたフィードバック帯域幅や時間経過によるチャネル変動などの実用的制約に対して頑健か？

主な発見

• 2x1 の学習済み多様性スキームは、報告された設定で SNR が約15 dB を超えると Alamouti の性能を超えることがある。
• 2x2 の学習済み（クローズドループ）MIMO は、送信機での完全 CSI の場合、すべての検証済み SNR において SVD ベースの前置を上回る。
• 量子化 CSI（v-bit）フィードバックは、学習済みシステムにとって場合によっては完全 CSI の性能と同等またはそれを上回ることがあり、離散的 CSI は収束を助けることが多い。
• 学習された星座は、アンテナ間の非標準的・適応的な電力分布を示し、特定の領域で学習された重ね合わせおよび一定振幅傾向の形式を示唆する。
• 2x2 構成全体にわたって、報告実験では最良の学習済みスキームが 20 dB の SNR で BER が 0.5e-5 未満を達成した。
• 結果は、エンドツーエンドの DL ベースの MIMO が、オープン/クローズドループ動作の柔軟性と潜在的に低い計算量で競争力のある性能を提供できることを示唆する。