[論文レビュー] Unsupervised Learning for Passive Beamforming

Jiabao Gao, Caijun Zhong+3 more|arXiv (Cornell University)|Jan 8, 2020

Advanced Wireless Communication Technologies被引用数 14

ひとこと要約

本稿では、ラベルなしデータを必要としない非教師あり深層学習手法を用いて、再構成可能知的表面（RIS）を支援する無線システムにおける受動ビームフォーミングを提案する。独自に設計された深層ニューラルネットワーク（RISBFNN）を事前学習することで、ラベルなしのデータを用いて最適な位相シフトを予測可能であり、従来の半定値緩和（SDR）手法と比較して、計算時間は桁違いに短く、近似的に最適な性能を達成する。これにより、実用的システムにおけるリアルタイム展開が可能となる。

ABSTRACT

Reconfigurable intelligent surface (RIS) has recently emerged as a promising candidate to improve the energy and spectral efficiency of wireless communication systems. However, the unit modulus constraint on the phase shift of reflecting elements makes the design of optimal passive beamforming solution a challenging issue. The conventional approach is to find a suboptimal solution using the semi-definite relaxation (SDR) technique, yet the resultant suboptimal iterative algorithm usually incurs high complexity, hence is not amenable for real-time implementation. Motivated by this, we propose a deep learning approach for passive beamforming design in RIS-assisted systems. In particular, a customized deep neural network is trained offline using the unsupervised learning mechanism, which is able to make real-time prediction when deployed online. Simulation results show that the proposed approach maintains most of the performance while significantly reduces computation complexity when compared with SDR-based approach.

研究の動機と目的

• RIS支援システムにおける半定値緩和（SDR）ベースの受動ビームフォーミングの高い計算複雑性に対処すること。
• 教師あり学習に代えて非教師あり学習を活用することで、高価なラベル付きデータの必要性を排除すること。
• 動的無線環境に適したリアルタイムかつ低複雑度のビームフォーミングソリューションを設計すること。
• SDRと比較して計算時間を大幅に短縮しつつ、高いスペクトル効率を維持すること。
• チャネルコherence時間に制限がある実世界のシステムにおいて、RISの実用的展開を可能とすること。

提案手法

• チャネル状態情報（CSI）から最適な位相シフト設定を予測するために、非教師あり学習で事前学習されたカスタマイズされた深層ニューラルネットワーク（RISBFNN）を採用する。
• ネットワークアーキテクチャは、複素数行列を扱い、正規化層によるノーマライゼーションによって位相シフトの単位ノルム制約を強制するように設計されている。
• 教師データが不要な自己教師型損失関数を用いてトレーニングを実施し、受信信号対インターーフェレンス＋ノイズ比（SINR）を最大化する。
• レイリー faded とパスロスを含む合成チャネルデータを用い、多数のランダムなチャネル実現値でトレーニングを実施する。
• 推論時には、トレーニング済みネットワークが、複雑度が O((64M + 804)N²) に比例する形で、リアルタイムに位相シフトを予測する。ここで M はアクセスポイント（AP）のアンテナ数、N はRIS素子数を表す。
• チャネル状態からビームフォーミング解への直接的エンドツーエンドマッピングを学習することで、反復的最適化を回避する。

実験結果

リサーチクエスチョン

• RQ1 非教師あり深層学習は、ラベルなしデータを必要とせずに、近似的に最適な受動ビームフォーミング性能を達成できるか？
• RQ2 本手法の非教師あり学習アプローチは、SDRと比較してスペクトル効率と計算時間の点でどのように異なるか？
• RQ3 RISサイズ（N）とAPアンテナ数（M）の変化が、非教師あり学習ベースのビームフォーミング性能に与える影響は何か？
• RQ4 チャネルコherence時間が限られている実用的無線システムにおいて、本手法がリアルタイム制約を満たすことができるか？
• RQ5 さまざまなチャネル状態やシステム構成において、非教師ありアプローチのロバストネスはどの程度か？

主な発見

• N=8 の単一アンテナケースにおいて、RISBFNNはSDR性能の96.26％を達成し、さまざまな構成において90％以上の性能を維持している。
• M=2、N=16 の場合、RISBFNNはSDR性能の93.90％を達成し、計算時間をSDRの199.2 msから0.0399 msにまで短縮した。
• RISBFNNはSDRと比較して、1,000～7,000倍高速に動作し、M=8、N=64 の大規模システムでも平均推論時間が0.12 ms未満に収まる。
• パスロスとレイリー faded を含む現実的な屋内環境でも有効であり、チャネル変動に対して高いロバストネスを示している。
• 考察されたシナリオにおけるチャネルコherence時間（13.77 ms）は、SDR（例：M=8、N=64 の場合715.3 ms）には不十分であり、SDRは実用不可であるが、RISBFNNはこの制限内でも良好に動作する。
• N や M の増加に伴い性能はわずかに低下するが、RISBFNNとSDRの性能ギャップは安定的またはわずかに拡大する傾向にあり、スケーラビリティが確認されている。