[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被引用数 259

ひとこと要約

DeepMIMO は mmWave/massive MIMO ML 研究のための、レイ・トレースベースのパラメトリックデータセットを提供し、再現性のあるベンチマークを可能にする。18 BS と 100万を超えるユーザーによる屋外の例はビーム予測の活用を示す。

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、大規模で環境を考慮したデータセットの必要性を動機づける。
• 環境幾何と送信機/受信機の位置を捉える汎用の、パラメータ化されたデータセット生成フレームワークを提案する。
• データセットをレイ追跡シナリオとパラメータセットによって完全に定義することで再現性を確保する。
• mmWaveビーム予測の例アプリケーションを通じてデータセットを実証する。
• MLタスクのためにデータセットを生成・利用する実用的なワークフローとコードを提供する。

提案手法

• 環境依存性を捉えるために、正確なレイ追跡出力（Wireless InSite）からチャネルを構築する。
• シナリオ R とパラメータ集合 S を用いたパラメトリックデータセットフレームワークを定義してデータセットを調整する。
• 選択されたサブキャリア全体で、L 本の経路と配列応答 a(·) の和を用いて OFDM-チャネルベクトル h_k^{b,u} を計算する（Eq. 1–5）。
• ユーザー位置や他の特徴を含めて、チャネル以外の ML 入力を可能にする。
• チャネルとユーザー位置への構造化アクセスを持つ MATLAB MAT-file DeepMIMO_dataset.mat を出力する。
• 選択したシナリオとパラメータ設定のデータセットを生成する詳細なワークフローを提供する。

実験結果

リサーチクエスチョン

• RQ1 mmWave/MIMO ML 研究のために、大規模で環境を考慮した、パラメータ化されたデータセットをどのように構築できるか。
• RQ2 レイ追跡出力をML対応のチャネル入力とビームフォーミングのターゲットへどのように変換できるか。
• RQ3 データセットパラメータ（アンテナ数、帯域幅、OFDM、経路数）がビーム予測などの学習タスクに与える影響は何か？
• RQ4 DeepMIMO は mmWave/MIMO における異なる ML アプローチ間で再現性のあるベンチマークを可能にするか？

主な発見

• DeepMIMO データセットは正確なレイ追跡データによって推進され、環境ジオメトリと送信機/受信機の位置を捉える。
• フレームワークは汎用かつパラメトリックであり、研究者が S を調整し R シナリオを選択して ML タスクに合わせたデータセットを作れる。
• 例としての DeepMIMO データセット（O1）は 18 base stations と 100万を超えるユーザーを含み、巨大規模の ML 実験を促進する。
• データセットは mmWave ビーム予測などの教師あり学習アプリケーションの入力/出力の構築をサポートする。
• 本論文は、複数の BS での Omni 受信列を用いてビームフォーミングベクトルを予測するビーム予測アプリケーションを実証している。
• データセットと付随コードは再現性と ML 手法間の簡易な比較を可能にする。