[논문 리뷰] A Modular Neural Network Based Deep Learning Approach for MIMO Signal Detection

Songyan Xue, Yi Ma외 2명|arXiv (Cornell University)|2020. 04. 01.

Wireless Signal Modulation Classification참고 문헌 44인용 수 7

한 줄 요약

이 논문은 병렬 인터패런스 제거(PIC)를 재사용 가능한 네트워크 모듈에 통합함으로써 딥러닝 기반 MIMO 검출의 확장성 문제를 완화하는 모듈러한 신경망 접근법인 MNNet을 제안한다. 피드포워드 레이어를 통해 간섭을 선형적으로 감소시킴으로써 MNNet은 종단간 딥러닝 방법에 비해 훨씬 낮은 학습 및 추론 복잡도로 근사 최적 성능을 달성한다.

ABSTRACT

In this paper, we reveal that artificial neural network (ANN) assisted multiple-input multiple-output (MIMO) signal detection can be modeled as ANN-assisted lossy vector quantization (VQ), named MIMO-VQ, which is basically a joint statistical channel quantization and signal quantization procedure. It is found that the quantization loss increases linearly with the number of transmit antennas, and thus MIMO-VQ scales poorly with the size of MIMO. Motivated by this finding, we propose a novel modular neural network based approach, termed MNNet, where the whole network is formed by a set of pre-defined ANN modules. The key of ANN module design lies in the integration of parallel interference cancellation in the MNNet, which linearly reduces the interference (or equivalently the number of transmit-antennas) along the feed-forward propagation; and so as the quantization loss. Our simulation results show that the MNNet approach largely improves the deep-learning capacity with near-optimal performance in various cases. Provided that MNNet is well modularized, the learning procedure does not need to be applied on the entire network as a whole, but rather at the modular level. Due to this reason, MNNet has the advantage of much lower learning complexity than other deep-learning based MIMO detection approaches.

연구 동기 및 목표

• 전송 안테나 수가 증가함에 따라 기존의 딥러닝 기반 MIMO 검출 방법의 낮은 확장성 문제를 해결하기 위해.
• 인공신경망(ANN) 기반 MIMO 검출과 손실 압축 벡터 양자화(MIMO-VQ) 사이의 근본적인 연관성을 규명하여 전송 안테나 수 증가에 따라 양자화 오차가 선형적으로 증가하는 원인을 밝히기 위해.
• 계층적 구조에서 병렬 인터패런스 제거(PIC)를 활용하여 확장 가능하고 저복잡도의 학습 및 추론을 가능하게 하는 모듈러한 신경망 아키텍처(MNNet)를 개발하기 위해.
• 전체 네트워크를 학습하는 대신 개별 구성 요소를 별도로 학습하는 모듈러한 학습 방식이 계산 비용을 줄이며 높은 성능을 달성할 수 있는지 검증하기 위해.

제안 방법

• MIMO 신호 검출을 통계적 채널 양자화와 신호 양자화의 병합 과정으로 모델링하여 MIMO-VQ라 명명하며, 전송 안테나 수 증가에 따라 양자화 오차가 선형적으로 증가하는 경향을 규명한다.
• 전처리된, 재사용 가능한 ANN 모듈로 구성된 모듈러한 신경망(MNNet)을 설계하며, 이는 병렬 인터패런스 제거(PIC)를 통합하여 레이어 간 효과적 간섭과 양자화 오차를 감소시킨다.
• 각 모듈이 신호의 부분 집합을 처리하도록 피드포워드 네트워크로 구성하며, 전파 경로를 따라 간섭과 활성 전송 안테나 수를 선형적으로 감소시키기 위해 PIC를 활용한다.
• 계층적 슈퍼레이어 아키텍처를 사용하여 네트워크를 구현함으로써, 각 모듈을 별도로 독립적으로 학습시킬 수 있는 모듈러한 학습을 가능하게 한다. 이는 전체 학습 복잡도를 감소시킨다.
• 행렬 역행렬 또는 분해가 필요 없이 수신 신호 벡터 𝐲 와 채널 상태 정보 𝐇 를 입력으로 사용함으로써 계산 효율성을 향상시킨다.
• 예측된 값과 실제 전송 기호 간의 차이를 최소화하기 위해 평균 제곱오차(MSE) 손실 함수를 사용하며, backpropagation을 통해 네트워크를 학습시킨다.

실험 결과

연구 질문

• RQ1 ANN 기반 MIMO 검출에서의 양자화 오차는 전송 안테나 수 증가에 따라 어떻게 변화하며, 그 근본적 원인은 무엇인가?
• RQ2 모듈러한 신경망 아키텍처는 종단간 딥러닝의 확장성 제약을 완화시킬 수 있는가?
• RQ3 병렬 인터패런스 제거(PIC)는 얼마나 깊이 딥러닝 모듈에 통합될 수 있으며, 이는 효과적 간섭 감소와 성능 향상에 기여하는가?
• RQ4 네트워크의 개별 구성 요소를 별도로 학습하는 모듈러한 학습 방식은 계산 복잡도를 낮추면서도 높은 검출 정확도를 유지할 수 있는가?
• RQ5 다양한 MIMO 구성에서 제안된 MNNet의 성능는 DetNet, OAMPNet, TPG-Detector와 같은 최첨단 딥러닝 기반 MIMO 검출기와 비교해 어떻게 되는가?

주요 결과

• ANN 기반 MIMO 검출을 나타내는 MIMO-VQ 모델은 전송 안테나 수 증가에 따라 양자화 오차가 선형적으로 증가함을 보이며, 이는 낮은 확장성의 근본적 원인을 설명한다.
• MNNet은 과부하(underloaded, M<N), 정상부하(critically loaded, M=N), 과부하(overloaded, M>N) 상태를 포함한 다양한 MIMO 구성에서 근사 최적 성능를 달성한다.
• QPSK를 사용한 4×8 MIMO 시스템에서, MNNet은 BER = 10⁻⁵일 때 MLSD에 비해 오직 0.4 dB의 성능 갭을 보이며, DetNet과 MIMO-VQ를 모두 초월한다.
• QPSK를 사용한 8×4 MIMO 시스템에서, 고 SNR 영역에서 MNNet은 MIMO-VQ 기준 1.7 dB의 성능 향상을 기록한다. 반면 TPG-Detector 및 IW-SOAV는 오차 평면(error floor) 문제로 어려움을 겪는다.
• 행렬 역행렬 계산을 피하고 모듈러한 학습을 가능하게 하여 MNNet은 낮은 계산 복잡도를 유지하며, 전체 네트워크 학습 대비 학습 오버헤드를 크게 감소시킨다.
• BPSK와 QPSK를 포함한 다양한 변조 방식에서 MNNet의 성능는 뛰어나며, BPSK에서 QPSK로 전환해도 성능 저하가 최소한이지만, 다른 방법들은 더 큰 성능 격차를 보인다.