[論文レビュー] DeepMIMO: A Generic Deep Learning Dataset for Millimeter Wave and Massive MIMO Applications

Ahmed Alkhateeb|arXiv (Cornell University)|Feb 18, 2019

Millimeter-Wave Propagation and Modeling参考文献 20被引用数 148

ひとこと要約

DeepMIMOデータセットを紹介する。これはmmWave/massive MIMOのML研究のための、レイトレーシングベースのパラメトリックデータセットであり、例として屋外シナリオとビーム予測のユースケースを示す。

ABSTRACT

Machine learning tools are finding interesting applications in millimeter wave (mmWave) and massive MIMO systems. This is mainly thanks to their powerful capabilities in learning unknown models and tackling hard optimization problems. To advance the machine learning research in mmWave/massive MIMO, however, there is a need for a common dataset. This dataset can be used to evaluate the developed algorithms, reproduce the results, set benchmarks, and compare the different solutions. In this work, we introduce the DeepMIMO dataset, which is a generic dataset for mmWave/massive MIMO channels. The DeepMIMO dataset generation framework has two important features. First, the DeepMIMO channels are constructed based on accurate ray-tracing data obtained from Remcom Wireless InSite. The DeepMIMO channels, therefore, capture the dependence on the environment geometry/materials and transmitter/receiver locations, which is essential for several machine learning applications. Second, the DeepMIMO dataset is generic/parameterized as the researcher can adjust a set of system and channel parameters to tailor the generated DeepMIMO dataset for the target machine learning application. The DeepMIMO dataset can then be completely defined by the (i) the adopted ray-tracing scenario and (ii) the set of parameters, which enables the accurate definition and reproduction of the dataset. In this paper, an example DeepMIMO dataset is described based on an outdoor ray-tracing scenario of 18 base stations and more than one million users. The paper also shows how this dataset can be used in an example deep learning application of mmWave beam prediction.

研究の動機と目的

• mmWave/massive MIMO ML研究のために環境依存の大規模データセットの必要性を喚起する。
• レイトレーシング出力を通じて環境ジオメトリと送信機/受信機の位置を捉える、汎用のパラメータ化データセットフレームワークを提案する。
• DeepMIMOデータセットを生成・利用して、ビーム予測や協調ビームフォーミングなどのMLタスクを支援する方法を示す。
• レイ トレースシナリオと一連のパラメータによってデータセット内容を完全に定義することで再現性を確保する。）

提案手法

• 環境依存性を捉えるため、正確なレイトレーシングデータ (Remcomの Wireless InSite) からチャネルを構築する。
• システムおよびチャネルの側面を制御するパラメータ化されたデータセット S を定義する（アンテナ構成、サブキャリア、帯域幅、パスなど）。
• 選択したサブキャリア集合 K に対して、幾何学的アレイ応答モデルを用いて per-BS per-user OFDM チャネルベクトル h_k^{b,u} を算出する。
• MLモデルへの入力/出力の容易なアクセスのため、チャネル行矩とユーザー位置を単一の DeepMIMO_dataset.mat ファイルに出力する。
• データセットを再現するための詳細な構築ワークフローと例のパラメータ（O1シナリオ）を提供する。

実験結果

リサーチクエスチョン

• RQ1 環境ジオメトリと送信機/受信機の配置を、mmWave/MIMOのMLのための大規模で再現性のあるデータセットに組み込むにはどうすればよいか。
• RQ2 パラメータ化されたレイトレーシングベースのデータセットは、MLベースのビームフォーミング/ビーム予測アルゴリズムの公正なベンチマーキングと再現を可能にするか。
• RQ3 ビーム予測や協調ビームフォーミングなどの特定のMLタスクのために、DeepMIMOデータセットを生成・活用するワークフローは何か。

主な発見

• DeepMIMOデータセットはレイトレーシングシナリオとパラメータセットによって完全に定義されており、論文間での容易な再現を可能にする。
• レイトレーシング出力（AoDs/AoAs、パス利得、遅延）をアンテナジオメトリと組み合わせて、多くのBS-ユーザーペアの多数のサブキャリアに対するチャネルベクトルを形成する。
• 18の基地局と100万超のユーザーを超える屋外O1シナリオは、MLタスクの規模と有用性を示す。
• データセットは、MLデータセットを調整するために、アクティブなBS/ユーザー、アンテナ構成、帯域幅、OFDMパラメータ、パス数のカスタマイズをサポートする。
• 例として、DeepMIMOデータを使用して、深層学習による協調ビームフォーミングモデルの入力/出力を構築する方法を示す。