[論文レビュー] Hybrid Knowledge-Data Driven Channel Semantic Acquisition and Beamforming for Cell-Free Massive MIMO

Zhen Gao, Shicong Liu+3 more|arXiv (Cornell University)|Jul 6, 2023

Advanced MIMO Systems OptimizationEngineering被引用数 3

ひとこと要約

本稿では、セルフリースなマッシブMIMOシステムにおけるチャネル意味的取得およびビームフォーミングのためのハイブリッド知識・データ駆動フレームワークを提案する。データ駆動型のMLP-Mixer自己符号化器を用いたCSIフィードバックと、知識駆動型のディープアンフォールディングビームフォーマーを組み合わせることで、ロバストで低複雑度のマルチユーザー伝送を実現する。本手法は、わずか3イテレーションで収束スペクトル効率の約96％を達成し、不完全なCSI下でも顕著な性能向上を示す。

ABSTRACT

This paper focuses on advancing outdoor wireless systems to better support ubiquitous extended reality (XR) applications, and close the gap with current indoor wireless transmission capabilities. We propose a hybrid knowledge-data driven method for channel semantic acquisition and multi-user beamforming in cell-free massive multiple-input multiple-output (MIMO) systems. Specifically, we firstly propose a data-driven multiple layer perceptron (MLP)-Mixer-based auto-encoder for channel semantic acquisition, where the pilot signals, CSI quantizer for channel semantic embedding, and CSI reconstruction for channel semantic extraction are jointly optimized in an end-to-end manner. Moreover, based on the acquired channel semantic, we further propose a knowledge-driven deep-unfolding multi-user beamformer, which is capable of achieving good spectral efficiency with robustness to imperfect CSI in outdoor XR scenarios. By unfolding conventional successive over-relaxation (SOR)-based linear beamforming scheme with deep learning, the proposed beamforming scheme is capable of adaptively learning the optimal parameters to accelerate convergence and improve the robustness to imperfect CSI. The proposed deep unfolding beamforming scheme can be used for access points (APs) with fully-digital array and APs with hybrid analog-digital array. Simulation results demonstrate the effectiveness of our proposed scheme in improving the accuracy of channel acquisition, as well as reducing complexity in both CSI acquisition and beamformer design. The proposed beamforming method achieves approximately 96% of the converged spectrum efficiency performance after only three iterations in downlink transmission, demonstrating its efficacy and potential to improve outdoor XR applications.

研究の動機と目的

• 拡張現実（XR）アプリケーションを想定した屋外セルフリースなマッシブMIMOシステムにおけるパイロットオーバーヘッドの高さと不完全なCSIの課題に対処する。
• 従来の圧縮センシングおよび学習ベースの手法と比較して、CSIフィードバックのオーバーヘッドを低減し、再構成精度を向上させる。
• 不完全なCSIに適応可能なロバストで低複雑度のビームフォーミング方式を設計し、収束を加速する。
• 実用的導入を可能にするために、完全デジタルおよびハイブリッドアナログ・デジタルアレイアーキテクチャの両方へ提案フレームワークを拡張する。
• 最小限のトレーニングおよび推論時間で高いスペクトル効率を達成しながら、動的で屋外のXR環境においてもロバスト性を維持する。

提案手法

• パイロット信号、CSI量子化、再構成を統合的に最適化するエンドツーエンドのMLP-Mixerベースの自己符号化器を提案し、チャネル意味的取得を実現する。
• 逐次過緩和（SOR）に基づくビームフォーマーのディープアンフォールディングアーキテクチャを導入し、反復的手続きをニューラルネットワークのレイヤーとしてモデル化することで最適パラメータを学習する。
• 完全デジタルおよびハイブリッドアナログ・デジタルアレイAPに対応するようにビームフォーマーを適応させ、実世界のシステムへの実用的導入を可能にする。
• チャネル状態情報のフィードバック方式として、意味的表現と再構成精度を向上させるためのCSF（チャネル意味的フィードバック）損失関数を採用する。
• 解析的解が実用的状況で劣っている場合に代替するため、トレーニングにより学習された正則化因子および収束因子を採用する。
• 分散処理および集中処理のパラダイムを適用し、各APで局所的なCSIを再構成するための別個のフィードバック方式（集中型のMixerS、分散型のMixerUL）を実装する。

実験結果

リサーチクエスチョン

• RQ1 パイロット、量子化、再構成の最適化を統合したデータ駆動型自己符号化器は、CSIフィードバックのオーバーヘッドを低減しつつ再構成精度を向上させることができるか？
• RQ2 従来のSORベースのビームフォーマーをディープアンフォールディングすることで、収束速度が向上し、不完全なCSIに対してもロバスト性が向上するか？
• RQ3 提案されたビームフォーミング方式は、数回のイテレーションでさえも、特に不完全なCSI下で高いスペクトル効率を維持できるか？
• RQ4 学習されたパrameter適応（例：正則化因子および収束因子）は、実用的な屋外XR環境において、解析的に導出された値を上回る性能を示すか？
• RQ5 提案されたフレームワークは、性能を損なわず、ハイブリッドアナログ・デジタルアレイAPへ効果的に拡張可能か？

主な発見

• 提案されたハイブリッドフィードバック方式は、最先端の学習ベースのCSIフィードバック手法と比較して、顕著に低いトレーニングおよび推論時間を達成する。
• ディープアンフォールディングビームフォーマーは、ダウンリンク伝送においてわずか3イテレーションで収束スペクトル効率のおよそ96％を達成し、高速収束を示す。
• 学習された収束因子は、手動で選択された値を上回り、特に低送信電力下で優れた性能を示し、全電力レベルで優れた性能を維持する。
• 集中処理と分散処理のパラダイム間の性能差は最小限に抑えられており、実用的状況における分散ビームフォーミングの高い実現可能性を示している。
• 提案されたビームフォーマーは不完全なCSIに対してもロバストであり、従来の反復的スキームと比較して性能劣化が小さい。
• 学習された正則化因子は、常にスペクトル効率を向上させ、特にSNRが低い条件下では解析的解が最適性能を達成できない状況において顕著な改善を示す。