[論文レビュー] Efficient MIMO Detection with Imperfect Channel Knowledge - A Deep Learning Approach

Qian Chen, Shunqing Zhang+2 more|arXiv (Cornell University)|Mar 19, 2019

Advanced MIMO Systems Optimization参考文献 19被引用数 4

ひとこと要約

本稿では、不完全なチャネル状態情報（CSI）下でも、検出精度と計算複雑度の優れたトレードオフを達成する深層ニューラルネットワーク（DNN）ベースのMIMO検出手法を提案する。DNNを用いて受信信号から送信ビットへのエンドツーエンドのマッピングを直接学習することで、従来のZF、MMSE、DetNet手法に比べ、誤りビットレート（BER）性能とCSI不完全性に対するロバスト性に優れ、同時にほぼZF水準のスループットを維持する。

ABSTRACT

Multiple-input multiple-output (MIMO) system is the key technology for long term evolution (LTE) and 5G. The information detection problem at the receiver side is in general difficult due to the imbalance of decoding complexity and decoding accuracy within conventional methods. Hence, a deep learning based efficient MIMO detection approach is proposed in this paper. In our work, we use a neural network to directly get a mapping function of received signals, channel matrix and transmitted bit streams. Then, we compare the end-to-end approach using deep learning with the conventional methods in possession of perfect channel knowledge and imperfect channel knowledge. Simulation results show that our method presents a better trade-off in the performance for accuracy versus decoding complexity. At the same time, better robustness can be achieved in condition of imperfect channel knowledge compared with conventional algorithms.

研究の動機と目的

• 実用的な5GおよびLTEシステムで一般的な不完全なチャネル状態情報（CSI）下でのロバストなMIMO検出の課題に対処すること。
• 従来の線形および非線形MIMO検波器に比べ、高精度を維持しながら復号複雑度を低減する効率的なディープラーニングフレームワークの開発。
• 従来手法が顕著な性能劣化を示す不完全なCSI環境下で、ディープラーニングモデルの一般化能力を評価すること。
• DNNとCNNアーキテクチャをMIMO検出に適用し、より効果的で効率的なアプローチを特定すること。
• 提案手法が、顕著に優れたBER性能を示しながらも、ほぼZF水準のスループットを達成できることを実証すること。

提案手法

• 受信信号とチャネル行列推定値から送信ビットストリームへの非線形マッピングを学習するための深層ニューラルネットワーク（DNN）を訓練し、明示的なチャネル逆転や反復検出を回避する。
• 既知の送信シンボルとシミュレートされた fading リンクから生成されたラベル付きデータを用いてエンドツーエンドでDNNを訓練し、不完全なCSI状態に一般化できるようにする。
• 軽量なアーキテクチャを設計し、全結合層を用い、従来のDetNetなどの研究で用いられる畳み込み層の計算オーバーヘッドを回避する。
• 訓練データとして送信元からの情報を必要とせず、受信側での受信信号ベクトルと推定チャネル行列のみに依存する。
• 完全なCSIおよび不完全なCSIの両状況下で、誤りビットレート（BER）とスループットという指標を用いて性能を評価する。
• QPSKおよびBPSK変調を用いた2×2および4×4 MIMOシステムにおいて、DNNをZF、MMSE、ML、DetNetと比較する。

実験結果

リサーチクエスチョン

• RQ1 不完全なCSI下でも、ディープラーニングベースのMIMO検出手法は、従来のZFおよびMMSE検波器に比べて優れたBER性能を達成できるか？
• RQ2 DNNベースのアプローチは、従来の検波アルゴリズムに比べ、チャネル推定誤差に対して優れたロバスト性を示すか？
• RQ3 MLおよびZF方式と比較して、DNNベースの手法の復号複雑度とスループットはどのように異なるか？
• RQ4 不完全なCSI下での処理において、従来のディープラーニング手法（例：DetNet）に比べ、DNNベースの手法はより効果的か？
• RQ5 より複雑なCNNベースのモデルに比べ、単純なDNNアーキテクチャがMIMO検出において優れた性能を示しつつ、低計算複雑度を維持できるか？

主な発見

• 完全なCSI下の2×2 MIMOシステムでQPSK変調を用いた場合、BER = 10⁻³の条件下でDNNベース手法はDetNetを4.5 dB優劣する。
• BPSKを用いた4×4 MIMOシステムでは、不完全なCSI下でもBER = 2×10⁻³の条件下でDNNベース手法はDetNetに3.5 dBの利点を示す。
• 不完全なCSI下で2×2 MIMOシステム（QPSK）において、BER = 10⁻²の条件下でDNNベース手法はZFおよびMMSEを4.5 dB以上上回る。
• BPSKを用いた4×4 MIMOシステムでは、DNNベース手法が4.8×10⁴ Kbpsのスループットを達成し、ZF手法と同等であり、ML手法（8.8×10³ Kbps）を著しく上回る。
• DetNetが完全なCSIで学習された場合ですら、DNNベース手法はBER性能で優れるため、CSI不完全性に対する優れたロバスト性を示す。
• DNNベース手法は、CSI品質の変動に対しても安定した性能を維持し、MLに比べてBERの変動が最小限に抑えられる。一方、MLは不完全なCSI下で顕著な性能劣化を示す。