[논문 리뷰] A Family of Deep Learning Architectures for Channel Estimation and Hybrid Beamforming in Multi-Carrier mm-Wave Massive MIMO

Ahmet M. Elbir, Kumar Vijay Mishra외 2명|arXiv (Cornell University)|2019. 12. 20.

Millimeter-Wave Propagation and Modeling인용 수 7

한 줄 요약

이 논문은 광대역 mm-Wave 대량 MIMO-OFDM 시스템에서 복소수 신호를 직접 처리하는 컨볼루션 신경망(CNN) 기반의 딥러닝(DL) 프레임워크 세 종류(F1, F2, F3)를 제안하여 채널 추정과 하이브리드 beamforming을 동시에 수행한다. 완벽한 CSI가 필요로 하지 않으며, 최신 기술 대비 더 높은 스펙트럼 효율성, 더 낮은 피로트 오버헤드, 채널 손상 및 비정상 beam 정렬에 대한 더 높은 강인성을 달성한다.

ABSTRACT

Hybrid analog and digital beamforming transceivers are instrumental in addressing the challenge of expensive hardware and high training overheads in the next generation millimeter-wave (mm-Wave) massive MIMO (multiple-input multiple-output) systems. However, lack of fully digital beamforming in hybrid architectures and short coherence times at mm-Wave impose additional constraints on the channel estimation. Prior works on addressing these challenges have focused largely on narrowband channels wherein optimization-based or greedy algorithms were employed to derive hybrid beamformers. In this paper, we introduce a deep learning (DL) approach for channel estimation and hybrid beamforming for frequency-selective, wideband mm-Wave systems. In particular, we consider a massive MIMO Orthogonal Frequency Division Multiplexing (MIMO-OFDM) system and propose three different DL frameworks comprising convolutional neural networks (CNNs), which accept the raw data of received signal as input and yield channel estimates and the hybrid beamformers at the output. We also introduce both offline and online prediction schemes. Numerical experiments demonstrate that, compared to the current state-of-the-art optimization and DL methods, our approach provides higher spectral efficiency, lesser computational cost and fewer number of pilot signals, and higher tolerance against the deviations in the received pilot data, corrupted channel matrix, and propagation environment.

연구 동기 및 목표

• 딥러닝을 활용하여 mm-Wave 대량 MIMO 시스템에서 높은 학습 오버헤드와 하드웨어 비용 문제를 해결한다.
• 주파수 선택성의 광대역 mm-Wave 채널에서 기존 하이브리드 beamforming 방법이 완벽한 CSI나 근사적인 밴드폭 제한을 기반으로 하는 한계를 극복한다.
• 원시 수신 신호에서 채널 추정과 하이브리드 beamformer를 동시에 수행하는 엔드 투 엔드 딥러닝 아키텍처를 설계한다.
• 짧은 코herence 시간과 불완전한 채널 데이터가 일반적인 mm-Wave 환경에서 강인한 운영을 가능하게 한다.
• 최적화 기반 및 이전 딥러닝 방법 대비 피로트 오버헤드와 계산 복잡도를 감소시킨다.

제안 방법

• 원시 수신 OFDM 신호를 입력으로 받아 채널 추정치와 하이브리드 beamformer를 출력하는 CNN 기반의 딥러닝 프레임워크 세 종류(F1, F2, F3)를 제안한다.
• 단일 아키텍처 내에서 각 서브Carrier 별 응답을 모델링하여 주파수 선택성의 mm-Wave 채널을 처리할 수 있도록 네트워크를 설계한다.
• 오프라인 및 온라인 예측 방식을 모두 구현하며, 온라인 학습을 통해 환경 변화에 적응할 수 있도록 운영 중 모델 업데이트를 가능하게 한다.
• 합성 노이즈와 최대 4°의 비정상 beam 정렬을 포함한 다양한 채널 시나리오에서 학습하여 강인성을 향상시킨다.
• 완벽한 CSI에 대한 의존도를 줄이기 위해 채널 추정과 beamformer 설계를 동시에 최적화할 수 있는 공동 학습 목표를 사용한다.
• GPU 가속을 통한 추론을 활용하여 낮은 계산 지연을 확보하였으며, F1은 간단한 아키텍처 덕분에 가장 빠른 속도를 기록한다.

실험 결과

연구 질문

• RQ1 딥러닝 아키텍처는 완벽한 CSI가 없는 광대역 mm-Wave 대량 MIMO 시스템에서 채널 추정과 하이브리드 beamformer 설계를 동시에 수행할 수 있는가?
• RQ2 최신 최적화 및 딥러닝 방법 대비 제안된 딥러닝 프레임워크는 스펙트럼 효율성과 채널 손상 및 비정상 beam 정렬에 대한 강인성에서 어떤 성능을 보이는가?
• RQ3 짧은 코herence 시간을 가진 동적인 mm-Wave 환경에서 온라인 학습은 성능과 계산 비용에 어떤 영향을 미치는가?
• RQ4 제안된 딥러닝 프레임워크는 높은 추정 정확도를 유지하면서 피로트 오버헤드를 얼마나 줄일 수 있는가?
• RQ5 네트워크 아키텍처는 실시간 mm-Wave beamforming 응용에서 계산 복잡도와 추론 시간에 어떤 영향을 미치는가?

주요 결과

• 제안된 딥러닝 프레임워크는 최신 최적화 및 딥러닝 방법보다 더 높은 스펙트럼 효율성을 달성하며, 특히 고신호대노이즈비(SNR) 영역에서 두드러진다.
• DLHB 프레임워크는 SF-CNN 및 기타 딥러닝 기반 접근법보다 채널 추정 정확도에서 뛰어나며, 후자들이 고SNR에서 내재된 추정기 편향으로 인해 포화 상태에 도달하는 것을 고려할 때도 유의미한 성능 향상을 보인다.
• 학습 데이터에서 최대 4°의 비정상 beam 정렬에 강인하여 재학습 없이도 장기간 운영이 가능하다.
• 온라인 학습 버전은 1000개의 채널 코herence 간격을 처리하는 데 14.06초가 소요되며(분석적 방법 대비 25초), 시간 효율성이 뛰어나다는 것을 입증한다.
• F1은 간단한 아키텍처 덕분에 딥러닝 프레임워크 중에서 가장 낮은 계산 시간을 기록하였으며, 동시에 우수한 성능 유지를 이룬다.
• 제안된 방법은 피로트 오버헤드를 크게 감소시켜, 기존 기술 대비 더 적은 학습 피로트로도 효과적인 운영이 가능하게 한다.