[論文レビュー] Neural Networks Based Beam Codebooks: Learning mmWave Massive MIMO Beams that Adapt to Deployment and Hardware

Muhammad Alrabeiah, Yu Zhang+1 more|arXiv (Cornell University)|Jun 25, 2020

Millimeter-Wave Propagation and Modeling被引用数 7

ひとこと要約

本稿では、複素数値ニューラルネットワークを用いて環境およびハードウェアに配慮したmmWave massive MIMOビームコードブックを設計する、新しいオンライン機械学習フレームワークを提案する。モデルは、チャネル状態情報の明示的要件を排除した自己教師付き学習により、ハードウェア制約（定数位相、量子化位相シフト）の下でアナログビームフォーミング重みを直接学習する。これにより、ビームトレーニングのオーバーヘッドが顕著に低減され、ハードウェアの不具合に対するロバスト性が向上するとともにスペクトル効率が向上する。

ABSTRACT

Millimeter wave (mmWave) and massive MIMO systems are intrinsic components of 5G and beyond. These systems rely on using beamforming codebooks for both initial access and data transmission. Current beam codebooks, however, generally consist of a large number of narrow beams that scan all possible directions, even if these directions are never used. This leads to very large training overhead. Further, these codebooks do not normally account for the hardware impairments or the possible non-uniform array geometries, and their calibration is an expensive process. To overcome these limitations, this paper develops an efficient online machine learning framework that learns how to adapt the codebook beam patterns to the specific deployment, surrounding environment, user distribution, and hardware characteristics. This is done by designing a novel complex-valued neural network architecture in which the neuron weights directly model the beamforming weights of the analog phase shifters, accounting for the key hardware constraints such as the constant-modulus and quantized-angles. This model learns the codebook beams through online and self-supervised training avoiding the need for explicit channel state information. This respects the practical situations where the channel is either unavailable, imperfect, or hard to obtain, especially in the presence of hardware impairments. Simulation results highlight the capability of the proposed solution in learning environment and hardware aware beam codebooks, which can significantly reduce the training overhead, enhance the achievable data rates, and improve the robustness against possible hardware impairments.

研究の動機と目的

• 従来のmmWaveビームコードブックが全方向をスキャンするための高いビームトレーニングオーバーヘッドを解消すること。
• ユーザー分布や非一様なアレイ幾何構造に適応できない固定で単一ローブのコードブックの制限を克服すること。
• 位相ずれや量子化位相シフターなどのハードウェアの不具合をビームコードブック設計に組み込むこと。
• 明示的なチャネル状態情報に依存しないように、ビームパターンの自己教師付き、オンライン学習を可能にすること。
• 展開環境固有の条件に動的に適応可能な、トレーニング可能なハードウェア制約付きのビームコードブックを開発すること。

提案手法

• ニューロンの重みが定数位相と量子化位相制約を満たすアナログビームフォーミング重みとして直接表現される、複素数値ニューラルネットワークアーキテクチャを設計する。
• 受信信号強度とビームパターンの一貫性を活用する自己教師付き目的関数を用いて学習を行う。これにより、真のチャネル状態情報の必要性を回避する。
• 勾配はビームフォーミングプロセスを逆伝播し、アナログ位相シフターの物理的制約を尊重する構造化されたヤコビアンを介して計算される。
• パラメータ更新則（式24）により、環境からのリアルタイムフィードバックに基づき、ビームコードブックのビームをオンラインで適応可能にする。
• トレーニング可能な位相シフターからビームパターンへのマッピングを可能にする微分可能ビームフォーミングモデルを統合し、最適なコードブックビームのエンドツーエンド学習を可能にする。
• アーキテクチャはオンラインおよび自己教師付き学習をサポートしており、チャネル推定が不完全または利用不可な現実世界の展開において実用的である。

実験結果

リサーチクエスチョン

• RQ1 ニューラルネットワークは、明示的なチャネル状態情報が不要な状態で、展開環境およびユーザー分布に適応するビームコードブックパターンを学習できるか？
• RQ2 mmWave massive MIMOシステムにおいて、定数位相と量子化位相シフトなどのハードウェア制約を考慮したビームコードブックはどのように設計できるか？
• RQ3 自己教師付き学習は、従来のフルスキャンコードブックと比較して、どの程度ビームトレーニングオーバーヘッドを低減できるか？
• RQ4 提案手法は、位相ずれやアレイの非一様性といったハードウェアの不具合に対して、どの程度ロバスト性を向上できるか？
• RQ5 学習されたコードブックは、従来のDFTまたは階層的コードブックと比較して、より高いスペクトル効率と低いトレーニングオーバーヘッドを達成できるか？

主な発見

• 提案手法は、現在の展開に必要なビームのみを学習することで、全角度スキャンを回避し、ビームトレーニングオーバーヘッドを低減する。
• ユーザー分布や環境に応じてビームパターンを適応させるため、従来のDFTコードブックと比較してスペクトル効率が向上する。
• 自己教師付き学習フレームワークにより、チャネル状態情報が利用不可または不正確な場合でも、効果的なコードブック学習が可能になる。
• エンドツーエンド学習により、位相ずれや非一様アレイ幾何構造といったハードウェアの不具合に対するロバスト性が向上する。
• シミュレーション結果により、学習されたコードブックが、実現可能データレートとトレーニング効率の両面で標準コードブックを上回ることが確認された。
• フレームワークは、単一ローブに限定されない環境に配慮したビームパターンを効果的に学習し、視線外状況でも優れたパフォーマンスを実現した。