[論文レビュー] Deep Learning-Based Rate-Splitting Multiple Access for Reconfigurable Intelligent Surface-Aided Tera-Hertz Massive MIMO

Minghui Wu, Z. Gao+4 more|arXiv (Cornell University)|Sep 18, 2022

Advanced Wireless Communication Technologies被引用数 4

ひとこと要約

本稿は、再構成可能知能表面（RIS）を支援するテラヘルツ（THz）メガMIMOシステムにおける、深層学習（DL）に基づくレートスプリット多重アクセス（RSMA）方式を提案する。この方式は、ハイブリッドなデータ・モデルドライブ型 precoding フレームワークと、Transformer を用いたCSI取得ネットワーク（CAN）を統合しており、低遅延なCSI推定とprecodingを実現することで、不完全なチャネル状態情報（CSI）下でも優れたスペクトル効率を達成し、従来手法を上回る精度と計算複雑度を実現する。

ABSTRACT

Reconfigurable intelligent surface (RIS) can significantly enhance the service coverage of Tera-Hertz massive multiple-input multiple-output (MIMO) communication systems. However, obtaining accurate high-dimensional channel state information (CSI) with limited pilot and feedback signaling overhead is challenging, severely degrading the performance of conventional spatial division multiple access. To improve the robustness against CSI imperfection, this paper proposes a deep learning (DL)-based rate-splitting multiple access (RSMA) scheme for RIS-aided Tera-Hertz multi-user MIMO systems. Specifically, we first propose a hybrid data-model driven DL-based RSMA precoding scheme, including the passive precoding at the RIS as well as the analog active precoding and the RSMA digital active precoding at the base station (BS). To realize the passive precoding at the RIS, we propose a Transformer-based data-driven RIS reflecting network (RRN). As for the analog active precoding at the BS, we propose a match-filter based analog precoding scheme considering that the BS and RIS adopt the LoS-MIMO antenna array architecture. As for the RSMA digital active precoding at the BS, we propose a low-complexity approximate weighted minimum mean square error (AWMMSE) digital precoding scheme. Furthermore, for better precoding performance as well as lower computational complexity, a model-driven deep unfolding active precoding network (DFAPN) is also designed by combining the proposed AWMMSE scheme with DL. Then, to acquire accurate CSI at the BS for the investigated RSMA precoding scheme to achieve higher spectral efficiency, we propose a CSI acquisition network (CAN) with low pilot and feedback signaling overhead, where the downlink pilot transmission, CSI feedback at the user equipments (UEs), and CSI reconstruction at the BS are modeled as an end-to-end neural network based on Transformer.

研究の動機と目的

• パイロットおよびフィードバックのスルーレット制限下で、高次元のCSIを正確に取得する課題に対処する。
• テラヘルツ帯域におけるCSI不完全性によって性能が劣化する従来の空間多重多重アクセス（SDMA）の課題を克服する。
• RIS支援型テラヘルツMIMOシステムにおいて、不完全なCSI下でも高いスペクトル効率を維持できる耐障害性のあるprecoding方式を設計する。
• 深層学習を用いて、信号伝送のスルーレットを低減する低複雑度でエンドツーエンドでトレーニング可能なCSI取得ネットワーク（CAN）を開発する。
• モデルドライブ型とデータドライブ型の深層学習技術を統合し、RISの受動的precoding、基地局（BS）のアナログprecoding、およびRSMAのデジタルprecodingを最適化する。

提案手法

• データドライブ型RIS反射ネットワーク（RRN）による受動的RIS precoding、基地局（BS）におけるモデルベースのマッチフィルタ（MF）アナログprecoding、およびモデルドライブ型ディープアンフォールドアクティブprecodingネットワーク（DFAPN）によるデジタルRSMA precodingを統合したハイブリッドなデータ・モデルドライブ型RSMA precodingフレームワークを提案する。
• 受動ビームフォーミングに最適なRIS位相シフトを学習するため、Transformer を用いたRRNを設計し、エンドツーエンドでトレーニングする。損失関数には負の平均重み付き和スルーレート（ARWU）を用いる。
• デジタルprecodingのための低複雑度近似重み付き最小平均二乗誤差（AWMMSE）アルゴリズムを導入し、その後DFAPNとしてディープラーニングネットワークにアンフォールドすることで、性能向上と複雑度低減を実現する。
• ダウンリンクパイロット送信、CSIフィードバック、CSI再構築をエンドツーエンドのニューラルネットワークとしてモデル化するため、Transformer を用いたアーキテクチャのCSI取得ネットワーク（CAN）を開発する。
• RRNおよびDFAPNのトレーニングには負のARWUを損失関数として用い、CANのトレーニングには正規化平均二乗誤差（NMSE）を用いることで、スペクトル効率と推定精度を向上させる。
• オフライン事前トレーニングとオンラインファインチューニングを組み合わせたハイブリッドトレーニング戦略を採用し、システム全体の耐障害性と信号伝送のスルーレット低減を最適化する。

実験結果

リサーチクエスチョン

• RQ1 不完全なCSI下で、RIS支援型テラヘルツメガMIMOシステムにおける耐障害性のあるレートスプリット多重アクセス（RSMA）を実現するために、深層学習をどのように活用できるか。
• RQ2 RISを備えた高次元テラヘルツMIMOシステムにおいて、低遅延で高精度なCSI取得フレームワークの最適設計は何か。
• RQ3 モデルドライブ型とデータドライブ型の深層学習技術の統合は、RIS支援型RSMA precodingにおける性能と複雑度のトレードオフをどのように改善するか。
• RQ4 Transformer を用いたニューラルネットワークは、従来のチャネル推定およびフィードバック手法に比べ、精度と信号伝送のスルーレットの両面でどの程度優れているか。
• RQ5 不完全なCSI下で、提案されたハイブリッドDLベースのRSMA方式は、従来のSDMAおよびRSMA方式に比べ、スペクトル効率および耐障害性でどの程度の性能向上を達成できるか。

主な発見

• 提案されたRRNおよびDFAPNは、特に不完全なCSI条件下でも従来手法に比べ顕著に優れた平均重み付き和スルーレート（ARWU）性能を達成する。
• 提案されたCANは、パイロットおよびフィードバックのスルーレットが低い状況下でも、従来手法に比べ低い正規化平均二乗誤差（NMSE）を達成し、CSI推定誤差を低減する。
• GPU上での提案されたDLベースのCAN、RRN、DFAPNの実行時間は3.24～5.63 ms、CPU上では15.64～25.39 msであり、モデルベース手法（例：AWMMSE）の70.14 s（CPU）に比べ顕著に高速である。
• 提案されたDLベースの手法の計算複雑度は、モデルベースの類似手法の$ frac{1}{10}$から$ frac{1}{100}$にまで低減され、CAN/RRN/DFAPNの複雑度はAWMMSEの$ frac{1}{100}$にまで低下している。
• 提案されたAWMMSEアルゴリズムは、従来手法に比べ高いスペクトル効率を達成するが、計算量が非常に多く（CPUで70.14 s）、これによりDFAPNによる複雑度低減の必要性が生じた。
• 数値結果により、提案されたエンドツーエンドDLベースのフレームワークが、パイロットおよびフィードバックのスルーレットを低く抑えつつ、高いスペクトル効率を実現し、CSI不完全性に対しても耐障害性を維持できることを確認した。