[論文レビュー] Deep Learning Interference Cancellation in Wireless Networks

Yiming Zhou, Ashkan Samiee+2 more|arXiv (Cornell University)|Sep 11, 2020

Wireless Signal Modulation Classification参考文献 19被引用数 6

ひとこと要約

本稿では、QAM-OFDM無線ネットワークにおける同周波数干渉を軽減するため、畳み込みLSTMオートエンコーダを用いた深層学習ベースの干渉キャンセレーション手法を提案する。ベースバンド信号処理にニューラルネットワークを直接統合することで、フィードバックを必要とせず、低遅延かつ高スループットな応用、例えば自律システムや拡張現実向けに顕著な符号誤り率（SER）低減を実現する。

ABSTRACT

With the crowding of the electromagnetic spectrum and the shrinking cell size in wireless networks, crosstalk between base stations and users is a major problem. Although hand-crafted functional blocks and coding schemes are proven effective to guarantee reliable data transfer, currently deep learning-based approaches have drawn increasing attention in the communication system modeling. In this paper, we propose a Neural Network (NN) based signal processing technique that works with traditional DSP algorithms to overcome the interference problem in realtime. This technique doesn't require any feedback protocol between the receiver and transmitter which makes it very suitable for low-latency and high data-rate applications such as autonomy and augmented reality. While there has been recent work on the use of Reinforcement Learning (RL) in the control layer to manage and control the interference, our approach is novel in the sense that it introduces a neural network for signal processing at baseband data rate and in the physical layer. We demonstrate this "Deep Interference Cancellation" technique using a convolutional LSTM autoencoder. When applied to QAM-OFDM modulated data, the network produces significant improvement in the symbol error rate (SER). We further discuss the hardware implementation including latency, power consumption, memory requirements, and chip area.

研究の動機と目的

• 現代の無線ネットワークにおけるスケジューリングの混雑化と小セル導入に伴う増加する同周波数干渉に対処する。
• 動的干渉環境において、従来の手作業で設計された信号処理および符号化方式の限界を克服する。
• 物理層干渉キャンセレーションのためのリアルタイムでフィードバックフリーなニューラル信号処理ソリューションを開発する。
• 拡張現実や自律システムなどの新規応用に適した低遅延・高データレート通信を実現する。
• 実装可能性を実証するため、面積、消費電力、遅延の分析を通じてハードウェア実装の可能性を検証する。

提案手法

• 干渉が存在する状況下で破損したQAM-OFDM信号をモデル化・再構築できる畳み込みLSTMオートエンコーダアーキテクチャを設計する。
• 合成またはシミュレートされた干渉データを用いて、エンドツーエンドでオートエンコーダを学習させ、干渉パターンと信号再構築を学習する。
• 訓練済みのニューラルネットワークを従来のデジタル信号処理（DSP）ブロックと統合し、受信機性能を向上させる。
• 受信機からのフィードバックなしに、ベースバンドデータレートでネットワークを適用し、リアルタイム干渉キャンセレーションを実現する。
• 遅延、メモリ、消費電力の効率を重視して、ハードウェア実装に最適化されたネットワークアーキテクチャを設計する。
• SERの向上を、さまざまな干渉状況下で評価するために、QAM-OFDM変調信号を入力として用いる。

実験結果

リサーチクエスチョン

• RQ1 フィードバックを必要とせず、深層ニューラルネットワークがQAM-OFDMシステムにおける同周波数干渉を効果的に学習・キャンセレーションできるか？
• RQ2 提案手法の深層干渉キャンセレーション技術は、従来のDSP手法と比較して符号誤り率（SER）性能でどのように差をつけるか？
• RQ3 リアルタイムベースバンド処理に実装する際、ニューラルネットワークのハードウェアリソース要件（面積、消費電力、遅延）はどの程度か？
• RQ4 CNN-LSTMオートエンコーダは、密度の高い無線ネットワークにおけるさまざまな干渉状況にどの程度一般化できるか？
• RQ5 従来のDSPと深層学習を統合することで、高速移動または高密度環境におけるリアルタイム通信の信頼性はどの程度向上するか？

主な発見

• 提案された深層干渉キャンセレーション手法は、同周波数干渉下のQAM-OFDM信号に適用することで、顕著な符号誤り率（SER）低減を達成した。
• 畳み込みLSTMオートエンコーダは、受信機からのフィードバックを必要とせず、複雑な干渉パターンを効果的に学習し、クリアな信号を再構築できた。
• この手法により、ベースバンドデータレートでリアルタイム処理が可能となり、拡張現実や自律システムなどの低遅延応用に適していることが示された。
• ハードウェア解析の結果、ネットワークは管理可能な消費電力、メモリ使用量、チップ面積で実装可能であり、実用的導入が可能であることが示された。
• 従来のDSPと深層学習を統合することで、特に動的かつ高密度なネットワーク環境において、古典的手法を上回る干渉低減効果が得られた。
• 本手法は、さまざまな干渉状況に強く、実世界の無線展開においても適応可能であることが示された。