[論文レビュー] Two-Timescale Design for RIS-aided Cell-free Massive MIMO Systems with Imperfect CSI

Mahdi Eskandari, Kangda Zhi+3 more|arXiv (Cornell University)|Mar 14, 2023

Advanced Wireless Communication Technologies被引用数 5

ひとこと要約

本稿は、不完全なチャネル状態情報（CSI）下でのリフレクティングインテリジェントスーパーフェイシング（RIS）支援型セルフリース massive MIMO システムに対して、2段階時スケールのビームフォーミング設計を提案する。受動的RIS位相シフトには統計的CSI（S-CSI）を、アクセスポイント（AP）のアクティブビームフォーミングには即時のCSI（I-CSI）を活用する。線形最小平均二乗誤差（LMMSE）推定器と深層強化学習（SAC）を用いて、CSIの不完全性にもかかわらずスペクトル効率を最大化する。従来の設計と比較して顕著な性能向上を達成する。

ABSTRACT

The objective of this paper is to evaluate the effectiveness of a two-timescale transmission design in cell-free massive multi-input multiple-output (MIMO) systems incorporating reconfigurable intelligent surfaces (RISs) under the assumption of imperfect channel state information (CSI). We examine the Rician channel model and formulate the passive beamforming for the RISs based on statistical channel state information (S-CSI). To that end, we put forth a linear minimum mean square error (LMMSE) estimator with the aim of estimating the aggregation of channels from the users to the APs within each channel coherence interval. Meanwhile, the active beamforming for the radio units (APs) is executed using the maximum ratio combining (MRC) approach, which utilizes the instantaneous aggregated channels, that result from the combination of the direct and reflected channels from the RISs. Subsequently, we derive the closed-form expressions of the achievable uplink spectral efficiency (SE), which is a function of S-CSI elements such as distance-dependent path loss, Rician factors as well as the number of RIS elements and AP antennas. We then optimize the phase shifts of the RISs to maximize the sum SE of the users, utilizing the soft actor-critic (SAC) which is a deep reinforcement learning (RL) method, and relying on the derived closed-form expressions. Numerical evaluations affirm that, despite the presence of imperfect CSI, the deployment of RIS in cell-free systems can lead to significant performance improvement.

研究の動機と目的

• 実用的では不完全なCSIが生じるRIS支援型セルフリース massive MIMO システムにおける、不完全なCSIの課題に対処すること。
• RIS位相シフトを長期的な統計的CSI（S-CSI）に基づいて最適化する一方で、アクセスポイントでのアクティブビームフォーミングを短期的な即時のCSI（I-CSI）に基づいて行う2段階時スケールの伝送フレームワークを構築すること。
• パスロス、Rician係数、RIS要素数、APアンテナ数といったS-CSIパラメータを関数として含む、上行リンクスペクトル効率（SE）の閉形式表現を定式化すること。
• 不完全なCSI条件下で合計SEを最大化するために、深層強化学習（SAC）を用いてRIS位相シフトを最適化すること。
• 現実のチャネル条件下で、数値的評価を通じて提案手法のロバストネスと性能向上を検証すること。

提案手法

• 各コherenceインターバルにおいて、統計的CSI（S-CSI）を用いて、ユーザーからアクセスポイント（AP）への集約チャネルを線形最小平均二乗誤差（LMMSE）推定器で推定する。
• 直接リンクとRIS反射リンクの両方を含む集約チャネルに基づき、APで最大比合成（MRC）を用いてアクティブビームフォーミングを実行する。
• 距離依存パスロス、Rician係数、RIS要素数、APアンテナ数といったS-CSIパラメータを組み込んだ、上行リンクスペクトル効率（SE）の閉形式表現を導出する。
• RIS位相シフトを強化学習（RL）問題としてモデル化し、導出したSE表現に基づいて、ソフトアクターキャリブレーター（SAC）アルゴリズムを用いて最適化する。
• S-CSIに基づくRISビームフォーミングと、I-CSIに基づくAPビームフォーミングを2段階時スケールフレームワークに統合し、遅いRIS最適化と速いAP処理を分離する。
• 導出したSE表現をSACにおける報酬関数として使用し、不完全なCSI下でも効率的なポリシー学習によるRIS位相シフト最適化を可能にする。

実験結果

リサーチクエスチョン

• RQ1 統計的CSI（S-CSI）のみが利用可能な状況下で、2段階時スケール設計がRIS支援型セルフリース massive MIMO システムのスペクトル効率をどのように向上させるか？
• RQ2 不完全なCSI下で、深層強化学習（SAC）はRIS位相シフトをどの程度効果的に最適化し、合計スペクトル効率を最大化できるか？
• RQ3 パスロス、Rician係数、RIS要素数、APアンテナ数といった主要なS-CSIパラメータは、達成可能なスペクトル効率にどのように影響を与えるか？
• RQ4 本稿で提案する2段階時スケール設計は、完全なCSI仮定に依存する従来の手法と比較して、どの程度の性能向上を達成できるか？
• RQ5 実際の展開環境におけるチャネル推定誤差や不完全なCSIに対して、本手法はどの程度ロバストであるか？

主な発見

• 提案された2段階時スケール設計は、不完全なCSI下でも顕著なスペクトル効率の向上を達成しており、チャネル推定誤差に対してもロバストであることが示された。
• S-CSIを用いたRIS位相シフト最適化により、頻繁なCSIフィードバックを必要とせず安定した性能を実現でき、オーバーヘッドを低減できる。
• ソフトアクターキャリブレーター（SAC）アルゴリズムは、最適なRIS位相シフトを効果的に学習し、ヒューリスティックおよび非学習ベースの手法を上回る合計SEの最大化を達成した。
• Rician係数が高くなるほど、およびRIS要素数が多いほどスペクトル効率が向上し、RIS展開に適した豊富な散乱環境の価値が裏付けられた。
• 閉形式SE表現はシステム動作を正確に捉えており、効率的なRLベースの最適化を可能にし、解析的フレームワークの妥当性を検証した。
• 数値的結果から、セルフリース massive MIMO にRISを統合することで、遮蔽環境やエッジユーザーの状況においてもカバレッジとスペクトル効率が向上することが確認された。