[論文レビュー] Deep Learning-Empowered Predictive Beamforming for IRS-Assisted Multi-User Communications

Chang Liu, Xuemeng Liu+4 more|arXiv (Cornell University)|Apr 26, 2021

Advanced Wireless Communication Technologies参考文献 20被引用数 4

ひとこと要約

本稿では、IRS支援型マルチユーザー通信における深層学習ベースの予測ビームフォーミング方式を提案し、過去の視線ライン（LoS）チャネル特徴を用いてIRS位相シフトを予測することで、トレーニングオーバーヘッドを低減する。空間的および時間的相関を同時に活用する予測型位相シフト推定のためのロケーション認識型畳み込みLSTMネットワーク（LA-CLNet）と、即時の送信ビームフォーミングのためのICSI認識型全結合ニューラルネットワーク（IA-FNN）を組み合わせることで、完全なCSIを備えたジェイニ・エイドド方式に近いスルーレート性能を達成し、チャネル推定オーバーヘッドを顕著に低減する。

ABSTRACT

The realization of practical intelligent reflecting surface (IRS)-assisted multi-user communication (IRS-MUC) systems critically depends on the proper beamforming design exploiting accurate channel state information (CSI). However, channel estimation (CE) in IRS-MUC systems requires a significantly large training overhead due to the numerous reflection elements involved in IRS. In this paper, we adopt a deep learning approach to implicitly learn the historical channel features and directly predict the IRS phase shifts for the next time slot to maximize the average achievable sum-rate of an IRS-MUC system taking into account the user mobility. By doing this, only a low-dimension multiple-input single-output (MISO) CE is needed for transmit beamforming design, thus significantly reducing the CE overhead. To this end, a location-aware convolutional long short-term memory network (LA-CLNet) is first developed to facilitate predictive beamforming at IRS, where the convolutional and recurrent units are jointly adopted to exploit both the spatial and temporal features of channels simultaneously. Given the predictive IRS phase shift beamforming, an instantaneous CSI (ICSI)-aware fully-connected neural network (IA-FNN) is then proposed to optimize the transmit beamforming matrix at the access point. Simulation results demonstrate that the sum-rate performance achieved by the proposed method approaches that of the genie-aided scheme with the full perfect ICSI.

研究の動機と目的

• 大規模なIRS反射素子を有するIRS支援型マルチユーザー通信（IRS-MUC）システムにおける高いトレーニングオーバーヘッドを解消すること。
• 予測ビームフォーミングに過去のチャネル特徴を活用することで、頻繁なチャネル状態情報（CSI）推定への依存度を低減すること。
• ユーザー移動性や不完全なCSIにかかわらず、高いスペクトル効率を維持できる低オーバーヘッドのビームフォーミングフレームワークを設計すること。
• 空間的および時間的チャネル相関を共同で活用する、正確なIRS位相シフト予測を実現する深層学習アーキテクチャを開発すること。
• 最小限の即時のCSIフィードバックで、理論的上限に近いスルーレート性能を達成すること。

提案手法

• 空間的および時間的特徴をモデル化することで、過去のLoSチャネルの特徴を用いてIRS位相シフトを予測するロケーション認識型畳み込みLSTMネットワーク（LA-CLNet）を提案。
• LA-CLNetは畳み込み層を用いてIRS素子間の空間的相関を抽出し、LSTM層を用いて過去のチャネル状態からの時間的ダイナミクスを捉える。
• アクセスポイント（AP）では、予測されたIRS位相シフトに基づき、低次元のマルチインプットシングルアウトプット（MISO）チャネル推定のみを実行すれば十分である。
• 即時の送信ビームフォーミングを最適化するICSI認識型全結合ニューラルネットワーク（IA-FNN）を設計。
• IA-FNNは、予測型IRSビームフォーミング後の有効な即時CSIを入力とし、スルーレートを最大化する最適なプレフィルミングベクトルを出力するように学習する。
• エンドツーエンドのフレームワークは非教師あり学習で動作し、推論時にリアルタイムのCSIフィードバックを必要とせず、過去のLoSデータから学習する。

実験結果

リサーチクエスチョン

• RQ1 過去のLoSチャネルデータに基づく予測ビームフォーミングは、IRS-MUCシステムにおけるトレーニングオーバーヘッドを低減できるか？
• RQ2 深層学習モデルは、空間的および時間的チャネル特徴をどれほど効果的に活用してIRS位相シフトを予測できるか？
• RQ3 予測型IRS位相シフトは、最小限の即時CSIフィードバックでどれほど高いスルーレート性能を実現できるか？
• RQ4 予測型位相シフトを用いた本手法は、古くなったまたはランダムな位相シフトに依存するベースライン手法と比べて、どのように優れているか？
• RQ5 本手法は、完全な即時CSIを備えたジェイニ・エイドド方式に近い性能を達成できるか？

主な発見

• 提案手法DLPBは、完全な即時CSIを備えたジェイニ・エイドド方式と比較して5 dB以内のスルーレート性能を達成し、ほぼ最適な性能を示した。
• Rician係数βが増加するにつれて提案手法のスルーレートも上昇し、β = 10 dBで上限に近づくことから、LoS成分が強いほどビームアライメントが向上することが示された。
• β = 8 dBおよびP = 30 dBmの条件下で、提案手法はナードルなDLおよびランダム位相シフト方式と比較して5 dBのスルーレート向上を達成した。
• 本手法は、特にユーザー移動性の高い状況において、ナードルなDLおよびランダムPS方式を著しく上回った。これは、過去のチャネルデータを効果的に活用できたためである。
• ジェイニ・エイドドDL-ICSI手法のスルーレートはβが増加するにつれて低下する（チャネル自由度が減少するため）が、本手法はLoS優位性が高い状況下で性能を向上させた。
• 本フレームワークは、完全なIRSチャネル推定を予測型位相シフト設計後の低次元MISO推定に置き換えることで、CSIフィードバックオーバーヘッドを低減した。