[論文レビュー] Deep Learning Based Spatial User Mapping on Extra Large MIMO Arrays

Abolfazl Amiri, Carles Navarro Manchón+1 more|arXiv (Cornell University)|Feb 2, 2020

Advanced MIMO Systems Optimization参考文献 16被引用数 10

ひとこと要約

本稿では、大規模MIMO（XL-MIMO）システムにおける空間的ユーザー マッピング（SUM）を、並列で分散型の畳み込みニューラルネットワーク（PaSUMCNN）を用いて深層学習ベースで提案する。各ユーザーごとに最適なビームフォーミングサブセットを特定する。広大なアレイにおける非定常なチャネル特性を活用して訓練されたこの手法は、全探索と比較して無視できるほどのスルーレート損失で80%以上の最適解率を達成し、XL-MIMOシステムにおけるスケーラブルで低複雑性のプレコーディングを実現する。

ABSTRACT

In an extra-large scale MIMO (XL-MIMO) system, the antenna arrays have a large physical size that goes beyond the dimensions in traditional MIMO systems. Because of this large dimensionality, the optimization of an XL-MIMO system leads to solutions with prohibitive complexity when relying on conventional optimization tools. In this paper, we propose a design based on machine learning for the downlink of a multi-user setting with linear pre-processing, where the goal is to select a limited mapping area per user, i.e. a small portion of the array that contains the beamforming energy to the user. We refer to this selection as spatial user mapping (SUM). Our solution relies on learning using deep convolutional neural networks with a distributed architecture that is built to manage the large system dimension. This architecture contains one network per user where all the networks work in parallel and exploit specific non-stationary properties of the channels along the array. Our results show that, once the parallel networks are trained, they provide the optimal SUM solution in more than $80\%$ of the instances, resulting in a negligible sum-rate loss compared to a system using the optimal SUM solution while providing an insightful approach to rethink these kinds of problems that have no closed-form solution.

研究の動機と目的

• 巨大なアンテナアレイを備えた超大規模MIMO（XL-MIMO）システムにおけるビームフォーミング最適化の、実行不可能な計算複雑性に対処すること。
• 各ユーザーに特化した空間的ユーザー マッピング（SUM）を、スケーラブルで低複雑性の方法で実現し、各ユーザーに対して最も効果的なアレイ素子サブセットのみを選択すること。
• 深層学習を活用してXL-MIMOプレコーディングにおける組み合わせ最適化の課題を回避しつつ、ほぼ最適なスペクトル効率を維持すること。
• 分散型で並列なニューラルネットワークを用いることで、計算負荷を低減し、XL-MIMOの実用的導入を可能にすること。

提案手法

• 大規模XL-MIMOシステムの次元を扱えるように、各ユーザーごとに独立したネットワークを持つ分散型・並列型CNNアーキテクチャ（PaSUMCNN）を設計した。
• 各ユーザー固有のCNNは、空間的非定常性に起因してビームフォーミングエネルギーが集中する局所的アレイ領域（可視領域VR）へのユーザーのマッピングを学習する。
• ゼロフォーリング（ZF）プレコーディングを用いたラベル付きチャネル行列を用いて訓練し、最大アレイサブセット制約下でのスルーレート最大化を最適化する。
• 過学習を防ぎ、未観測のチャネル実現にわたる一般化性能を向上させるために、バッチ正規化、ドロップアウト、L2正則化を適用した。
• 学習にはデータの80%を、検証には20%を用い、収束は学習期間の約20%で達成された。
• オフライン学習後、CSIを各並列ネットワークに供給することで、リアルタイムに推論が実行され、各ユーザーの最適なアンテナサブセットが出力される。

実験結果

リサーチクエスチョン

• RQ1 組み合わせ最適化の複雑性が極めて高いXL-MIMOシステムにおいて、深層学習が最適な空間的ユーザー マッピング（SUM）を効果的に近似できるか。
• RQ2 スルーレートおよび解の最適性という観点から、全探索と比較して、分散型でユーザー固有のCNNアーキテクチャはどの程度の性能を示すか。
• RQ3 大規模アレイにおける非定常なチャネル特性が、SUMに向けた局所的学習をどの程度効率的に可能にするか。
• RQ4 従来の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ほぼ最適な性能を達成できるか。
• RQ5 解空間における連続したアンテナセットの仮定が、性能に顕著な劣化をもたらすか。

主な発見

• PaSUMCNN手法は、テストインスタンスの80%以上で最適なSUM解に到達し、有効なビームフォーミングサブセットを高精度に特定できることを示した。
• 全アレイに対する最適なZFプレコーディングと比較して、スルーレート損失は無視できるほど小さく、さまざまなSNR値で6.4%〜7.4%の範囲に収まった。
• 全探索と比較して、計算複雑性が約2×10^7倍低減され、リアルタイムでの実装が可能になった。
• 学習プロセスは急速に収束し、全学習時間の1/5で80%の精度に到達したため、遅延に敏感なアプリケーションへの迅速な適応が可能になった。
• 連続したアンテナセットを簡略化仮定として用いることは、性能に顕著な劣化をもたらさず、その実用性が裏付けられた。
• バッチ正規化、ドロップアウト、L2正則化の組み合わせは、過学習を効果的に抑制し、未観測のチャネル状態に対しても頑健な一般化性能を確保した。