[論文レビュー] Deep Learning Based Sphere Decoding

Mostafa Mohammadkarimi, Mehrtash Mehrabi+2 more|arXiv (Cornell University)|Jul 6, 2018

Advanced Wireless Communication Techniques参考文献 30被引用数 3

ひとこと要約

本稿では、高次元MIMOシステムにおける高レートモードで、計算量を著しく削減しながら、近似最大尤度性能を広いSNR範囲で達成する、深層学習に基づく球体デコードアルゴリズムを提案する。この手法は、深層ニューラルネットワーク（DNN）を用いて最適なデコード球体半径を学習する。

ABSTRACT

In this paper, a deep learning (DL)-based sphere decoding algorithm is proposed, where the radius of the decoding hypersphere is learned by a deep neural network (DNN). The performance achieved by the proposed algorithm is very close to the optimal maximum likelihood decoding (MLD) over a wide range of signal-to-noise ratios (SNRs), while the computational complexity, compared to existing sphere decoding variants, is significantly reduced. This improvement is attributed to DNN's ability of intelligently learning the radius of the hypersphere used in decoding. The expected complexity of the proposed DL-based algorithm is analytically derived and compared with existing ones. It is shown that the number of lattice points inside the decoding hypersphere drastically reduces in the DL-based algorithm in both the average and worst-case senses. The effectiveness of the proposed algorithm is shown through simulation for high-dimensional multiple-input multiple-output (MIMO) systems, using high-order modulations.

研究の動機と目的

• 高次元MIMOシステムにおける高レートモード下での従来の球体デコードの高い計算量を低減すること。
• 過剰な格子点探索やデコード失敗を引き起こす固定またはヒューリスティックな半径選択手法の限界を克服すること。
• データ駆動型の知能的半径選択メカニズムを、深層学習を用いて開発し、デコード球体内の格子点数を最小限に抑えること。
• 著しく低い平均および最悪ケースのデコード計算量で、近最適な最大尤度デコード性能を達成すること。
• マス・MIMOやマルチユーザー通信を含む実用的高次元システムにおける球体デコードの効率的実装を可能にすること。

提案手法

• 事前にオフラインで、チャネル行列と受信信号を入力として、学習済みのデコード球体半径を出力する深層ニューラルネットワーク（DNN）を学習する。
• DNNの出力を球体デコードの半径として使用し、ババイ推定や反復的半径探索といった従来の半径選択手法に置き換える。
• 球体デコードの反復回数を事前に定めた最大値に制限し、SDIRSの逐次探索を回避することで計算量を削減する。
• DNNの汎用近似能力を活用し、チャネル状態、ノイズ、最適半径間の複雑な非線形関係をモデル化する。
• ガンマ関数および球体内の格子点の確率分布を用いて、提案手法の期待計算量を解析的に導出する。
• DNNの計算コストと部分的検出のフォールバックを総合的期待計算量モデルに統合し、既存手法と公平な比較を可能にする。

実験結果

リサーチクエスチョン

• RQ1 深層ニューラルネットワークは、高次元MIMOシステムにおける球体デコードの最適なデコード半径を効果的に学習できるか？
• RQ2 DNNベースの半径選択は、従来手法と比較して計算量とビット誤り率（BER）性能の点でどのように差がつくか？
• RQ3 提案手法の理論的期待計算量は何か？また、システムパラメータに応じてどのようにスケーリングされるか？
• RQ4 従来の球体デコードと比較して、DNNはデコード球体内の格子点数をどの程度削減できるか？
• RQ5 提案手法は、高レートMIMOシステムにおいて、著しく低い計算量で近似最大尤度性能を達成できるか？

主な発見

• 提案されたDLベースの球体デコードは、広いSNR範囲で最大尤度デコード（MLD）と区別できないビット誤り率（BER）性能を達成する。
• デコード球体内の格子点の平均数は、0.1761未満にまで低下（対数スケールでない）。これは、計算量がほぼ一定または低次の非線形増加であることを示している。
• 提案手法の期待計算量は解析的に導出され、特に平均SNRが23 dB未満の範囲で、既存手法よりも低いことが示された。
• 提案手法の計算量指数は、[32]の手法よりも低く、計算効率の理論的向上を確認した。
• 知的な半径選択により、デコード失敗の確率はほぼゼロとなり、複数回の半径反復処理の必要がなくなった。
• DNNベースの手法により、最悪ケースおよび平均ケースの計算量が、格子点探索数を最小化する半径値を知的に学習することで低減された。