[論文レビュー] Enabling FDD Massive MIMO through Deep Learning-based Channel Prediction

Maximilian Arnold, Sebastian Dörner+4 more|arXiv (Cornell University)|Jan 8, 2019

Full-Duplex Wireless Communications参考文献 25被引用数 45

ひとこと要約

本論文は、FDD Massive MIMOにおいて隣接周波数帯の UL CSI から DL CSI を予測する深層学習ベースのアプローチを示し、 DL パイロットのオーバーヘッドなしで閉ループプリコーディングを実現します。SISO および MIMO モデルと測定で実現可能性を示し、TDD と比較して中程度のスペクトル効率の損失を伴います。

ABSTRACT

A major obstacle for widespread deployment of frequency division duplex (FDD)-based Massive multiple-input multiple-output (MIMO) communications is the large signaling overhead for reporting full downlink (DL) channel state information (CSI) back to the basestation (BS), in order to enable closed-loop precoding. We completely remove this overhead by a deep-learning based channel extrapolation (or "prediction") approach and demonstrate that a neural network (NN) at the BS can infer the DL CSI centered around a frequency $f_ ext{DL}$ by solely observing uplink (UL) CSI on a different, yet adjacent frequency band around $f_ ext{UL}$; no more pilot/reporting overhead is needed than with a genuine time division duplex (TDD)-based system. The rationale is that scatterers and the large-scale propagation environment are sufficiently similar to allow a NN to learn about the physical connections and constraints between two neighboring frequency bands, and thus provide a well-operating system even when classic extrapolation methods, like the Wiener filter (used as a baseline for comparison throughout) fails. We study its performance for various state-of-the-art Massive MIMO channel models, and, even more so, evaluate the scheme using actual Massive MIMO channel measurements, rendering it to be practically feasible at negligible loss in spectral efficiency when compared to a genuine TDD-based system.

研究の動機と目的

• FDD Massive MIMO における DL CSI 報告の高い信号量の動機づけと課題を提示する。
• UL から隣接する DL 周波数帯へ CSI 推定を行うニューラルネットワークベースのエクスポラトンを提案する。
• 単純な LoS、標準的なチャネルモデル、および実測データを横断してアプローチを評価する。
• Wiener フィルタ基準と比較し、スペクトル効率への影響を定量化する。

提案手法

• CSI 予測を回帰タスクとして定式化し、入力を UL CSI、ターゲットを OFDM サブキャリア全体の DL CSI とする。
• OFDM チャネルの周波数ドメイン相関を活用する畳み込みニューラルネットワーク（CNN）アーキテクチャを使用する。
• ラベル付きペア (h_UL, h_DL) を、さまざまなチャネルモデルと測定データに対してネットワークを訓練する。
• NN の予測を Wiener フィルタ（LMMSE）基準および解析的な LoS ソリューションと比較する。
• NMSE、相関係数、 BER を用いて、CSI 予測とシステム性能の関係を評価する。

実験結果

リサーチクエスチョン

• RQ1 DL バンドが周波数的に隣接している場合、ニューラルネットワークは DL CSI を UL CSI から予測できるか。
• RQ2 LoS および NLoS チャネルモデルおよび測定チャネルで、NN ベースの予測はどの程度機能するか。
• RQ3 従来の推定器と比較して、スペクトル効率と BER にどのような影響があるか。
• RQ4 SISO から MIMO の現実的測定まで、アプローチは一般化可能か。

主な発見

• NN は LoS およびいくつかの標準化モデルに対して SISO の DL CSI を UL CSI から予測できる。
• 脚色を周波数外挿する場合、多くのシナリオで Wiener フィルタは失敗する一方で、十分な訓練があれば NN は堅牢な予測を提供する。
• 予測は相関係数（例：δ_h ≳ 0.8（LoS で複数のモデル）程度）を実現し、32 アンテナ設定ではスペクトル効率の損失は manageable（LoS 約 10%、NLoS 約 20%）となる。
• 測定データは、約 20 dB の SNR および 1 シナリオあたり 4,000 サンプルで実務上の実現性を示す。
• UL-DL バンド幅の分離が大きい場合や特定の NLoS モデルで予測性能が低下するが、より多くの訓練データと適切な環境モデリングで改善する。
• アプローチはチャネルのスパース性に依存せず、SISO でも適用可能で、独立推定機を用いて素朴な MIMO を実現できる。