[論文レビュー] Deep Learning-Based Multi-Satellite Massive MIMO Transmission: Centralized or Decentralized?

Wenjing Cao, Yafei Wang+5 more|arXiv (Cornell University)|Mar 21, 2026

Satellite Communication Systems被引用数 0

ひとこと要約

中央集約型と分散型の学習ベースWMMSE方式を、非コヒーレント伝送を前提とする多衛星・多アンテナのユーザ端末に適用し、テンソル等価ネットワークを利用して前置器を予測することで複雑性と信号量を低減する提案。

ABSTRACT

This paper investigates new efficient transmission architectures for multi-satellite massive multiple-input multiple-output (MIMO). We study the weighted sum-rate maximization problem in a multi-satellite system where multiple satellites transmit independent data streams to multi-antenna user terminals, thereby achieving higher throughput. We first adopt a multi-satellite weighted minimum mean square error (WMMSE) formulation under statistical channel state information (CSI), which yields closed-form updates for the precoding and receive vectors. To overcome the high complexity of optimization, we propose a learning-based WMMSE design that integrates tensor equivariance with closed-form recovery, enabling inference with near-optimal performance without iterative updates. Moreover, to reduce inter-satellite signaling overhead incurred by exchanging CSI and precoding vectors in centralized coordination, we develop a decentralized multi-satellite transmission scheme in which each satellite locally infers its precoders rather than receiving from the central satellite. The proposed decentralized scheme leverages periodically available satellite state information, such as orbital positions and satellite attitude, which is inherently accessible in satellite networks, and employs a dual-branch tensor-equivariant network to predict the precoders at each satellite locally. Numerical results demonstrate that the proposed multi-satellite transmission significantly outperforms single-satellite systems in sum rate; the decentralized scheme achieves sum-rate performance close to the centralized schemes while substantially reducing computational complexity and inter-satellite overhead; and the learning-based schemes exhibit strong robustness and scalability across different scenarios.

研究の動機と目的

• 大規模MIMO衛星システムにおける和集合レートを高めるための多衛星協調伝送の動機付けと分析。
• 多衛星ダウンリンクにおける統計CSIの下での中央集約型・分散型WMMSE定式化の開発。
• 性能を維持しつつ複雑性と衛星間信号伝達を低減する学習ベースのアーキテクチャの設計。
• 衛星とユーザ端末間の置換構造を処理するテンソル等価ネットワークの活用。
• 衛星数とUT数の変動に対する頑健性とスケーラビリティの実証。

提案手法

• sCSIを用いたWMMSE変換による重み付き和和最大化の定式化。
• WMMSEフレームワーク下でのプリコーダと受信ベクトルの閉形式更新の導出。
• WMMSE解から低次元変数を抽出し、中央集約推論のためにテンソル等価ネットワークで予測。
• 各衛星がローカルのCSIを用いて自局のプリコーダを予測し、定期的に衛星状態情報を交換する分散アーキテクチャを提案。
• ローカル特徴と横断衛星特徴を処理するデュアルブランチのテンソル等価ネットワークを分散推論に適用。
• 予測をプリコーダと受信機へマッピングする閉形式復元を備えた学習ベースの中央集約型・分散型WMMSE方式を提供。

実験結果

リサーチクエスチョン

• RQ1 深層学習を用いた多衛星NCT MIMOシステムに対する中央集約型・分散型伝送方式はどのように設計できるか。
• RQ2 学習ベースのWMMSEフレームワークは計算・信号量のオーバーヘッドを低減しつつほぼ最適な性能を達成できるか。
• RQ3 テンソル等価性をどのように活用して、中央集約型および分散型設定の衛星とUT間の置換対称性を処理できるか。
• RQ4 定期的に利用可能な衛星状態情報を利用して分散プリコーディングの利点は何か。
• RQ5 提案する学習ベース方式は、衛星数・UT数の変化に対してどれだけスケーラブルで頑健か。

主な発見

• 分散型スキームは、衛星間のオーバーヘッドと計算複雑性を低減しつつ、和集合レートを中央集約型スキームに近い値で実現する。
• 学習ベースの方式は、異なる衛星数やUT数のシナリオにおいて頑健性とスケーラビリティを提供する。
• テンソル等価ネットワークは、衛星とUTの次元における置換構造を保持することにより効率的な推論を実現する。
• 学習済みの低次元変数を用いた中央集約型WMMSEは、オンライン推論の複雑さを抑えつつほぼWMMSE性能に近づく。
• 分散推論はローカルCSIと周期的に入手可能な衛星状態情報に依存して、局所的にプリコーダを予測する。