[論文レビュー] Learning to Beamform in Heterogeneous Massive MIMO Networks

Minghe Zhu, Tsung‐Hui Chang+1 more|arXiv (Cornell University)|Nov 8, 2020

Advanced MIMO Systems Optimization参考文献 36被引用数 5

ひとこと要約

本稿では、MISO干渉チャネルにおける重み付き和レート最大化を解くために、投影勾配法をアンフォールドした学習可能なビームフォーミングフレームワーク、RNN-PGPを提案する。最適ビームフォーマーの低次元構造を活用し、ネットワークの複雑さをシステムサイズから分離することで、アンテナ数、基地局数、基地局間距離の変動にかかわらず、最小限の計算量で高い性能と強力な一般化性能を達成する。

ABSTRACT

It is well-known that the problem of finding the optimal beamformers in massive multiple-input multiple-output (MIMO) networks is challenging because of its non-convexity, and conventional optimization based algorithms suffer from high computational costs. While computationally efficient deep learning based methods have been proposed, their complexity heavily relies upon system parameters such as the number of transmit antennas, and therefore these methods typically do not generalize well when deployed in heterogeneous scenarios where the base stations (BSs) are equipped with different numbers of transmit antennas and have different inter-BS distances. This paper proposes a novel deep learning based beamforming algorithm to address the above challenges. Specifically, we consider the weighted sum rate (WSR) maximization problem in multi-input and single-output (MISO) interference channels, and propose a deep neural network architecture by unfolding a parallel gradient projection algorithm. Somewhat surprisingly, by leveraging the low-dimensional structures of the optimal beamforming solution, our constructed neural network can be made independent of the numbers of transmit antennas and BSs. Moreover, such a design can be further extended to a cooperative multicell network. Numerical results based on both synthetic and ray-tracing channel models show that the proposed neural network can achieve high WSRs with significantly reduced runtime, while exhibiting favorable generalization capability with respect to the antenna number, BS number and the inter-BS distance.

研究の動機と目的

• マッスィブMIMOネットワークにおける従来のビームフォーミング最適化の高い計算コストを低減すること。
• アンテナ数や基地局数が変動する異種環境において、既存のディープラーニングビームフォーミング手法の一般化性能の低さを克服すること。
• 送信アンテナ数や基地局数にかかわらず、システムサイズに依存しない低複雑性を維持するビームフォーミングソリューションを開発すること。
• 多様な構成を有する協調マルチセルネットワークにおける効果的なビームフォーミングを可能にすること。
• 最小限の実行時間で高い重み付き和レート性能を達成し、システムパラメータの変動に強く耐性を持つこと。

提案手法

• 平行勾配投影（PGP）アルゴリズムを再帰的ニューラルネットワーク（RNN）構造にアンフォールドし、RNN-PGPと名付け、ビームフォーミング解の学習を実現する。
• 最適ビームフォーミング解および勾配ベクトルの低次元構造を活用し、ネットワークの複雑さを送信アンテナ数から分離する。
• 入力および出力機構を設計することで、基地局数に依存しない構造とし、スケーラビリティを向上させる。
• PGP解を教師データとして、RNN-PGPをエンドツーエンドで学習させ、多様なネットワーク構成に一般化可能にする。
• RNN-PGP内のマルチレイヤーパーセプトロン（MLP）部を最適化し、基地局数やセル半径などのシステムパラメータへの感受性を低減する。
• 複数セルにわたる共同ビームフォーミングに適応するようにRNN-PGPを拡張することで、協調マルチセルビームフォーミングへのフレームワークの拡張を実現する。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングベースのビームフォーミング手法は、マッスィブMIMOシステムにおいて送信アンテナ数に依存しない低計算複雑性を達成できるか？
• RQ2 提案手法は、基地局数や基地局間距離が異なる異種ネットワーク構成に対しても良好な一般化性能を示せるか？
• RQ3 RNN-PGPの性能は、従来の反復的アルゴリズムと比較して、和レートおよび実行時間の点でどの程度優れているか？
• RQ4 RNN-PGPは、未学習のネットワークサイズやアンテナ構成に展開された場合でも、どの程度高い精度を維持できるか？
• RQ5 RNN-PGPは、多様なセルレイアウトを有する協調マルチセルビームフォーミング環境に効果的に拡張可能か？

主な発見

• RNN-PGPは、36アンテナで24.84 bps/Hz（最適値の93.52％）、64アンテナで27.80 bps/Hz（93.49％）、216アンテナで36.47 bps/Hz（93.51％）の重み付き和レートを達成し、アンテナ数にかかわらず高い精度を示した。
• 12のアクティブ基地局に対しては、36アンテナで37.88 bps/Hz（最適値の93.49％）、64アンテナで43.35 bps/Hz（93.43％）、216アンテナで55.42 bps/Hz（93.13％）を達成し、システムサイズにわたる強力な一般化性能を示した。
• 6～18基地局のランダムサブセットでテストした場合、RNN-PGPは92.78％の精度（完全学習時と比較して93.31％）を維持し、アクティブ基地局数の変動に強いことが示された。
• 協調マルチセル環境では、基地局数やセル半径の違いに対してもRNN-PGPは良好に一般化され、最小限の実行時間で高い性能を維持した。
• 従来の反復的アルゴリズム（例：PGP）と比較して、RNN-PGPは著しく短い実行時間で近最適性能を達成しており、システムサイズに依存しない複雑さを有する。
• 実世界のDeepMIMOチャネルトレースに対しても、RNN-PGPは多様な伝搬環境やネットワーク構成において高い精度を維持し、効果的な一般化を示した。