[논문 리뷰] Autoencoder for Interconnect's Bandwidth Relaxation in Large Scale MIMO-OFDM Processing

Messaoud Ahmed Ouameur, Daniel Massicotte|arXiv (Cornell University)|2019. 07. 29.

Radio Frequency Integrated Circuit Design참고 문헌 17인용 수 4

한 줄 요약

이 논문은 라디오 유닛에서 대규모 MIMO-OFDM 신호를 압축하기 위해 오토인코더를 사용하는 방법을 제안하며, 저차원 잠재 코드만 전송하여 인터커넥트 대역폭을 16배 줄이는 데 성공한다. 중앙 단위에 위치한 디코더는 최소한의 성능 손실로 원래 신호를 재구성하며, 이는 반복 검출을 통해 추가로 보완되어 대역폭 효율성과 계산 복잡도 사이의 실용적인 트레이드오프를 제공한다.

ABSTRACT

Deep learning is playing an instrumental role in the design of the next generation of communication systems. In this letter, we address the massive MIMO interconnect's bandwidth constraint relaxation using autoencoders. The autoencoder is trained to learn the received signal structure so that a low dimension latent variable is transferred as opposed to the original high dimension signal. For an efficient implementation, the approach suggests to separately deploy the autoencoder components, namely the encoder and the decoder, in massive MIMO radio head and central processing units respectively. The simulation results show that one can relax the interconnect's bandwidth by a factor of up to 16 with non-substantial performance degradation of the centralized and the decentralized processing. Fortunately, such a loss can be compensated by running few extra iterations in the detection process which renders the autoencoder-iterative detection an interconnect's bandwidth and computational complexity design trade-off.

연구 동기 및 목표

• 대규모 MIMO-OFDM 시스템에서 높은 대역폭을 요구하는 인터커넥트 병목 현상을 해결하기 위해.
• 원격 라디오 헤드와 중심 처리 단위 간의 데이터 전송 속도를 줄이기 위해.
• 딥 러닝을 활용한 대규모 MIMO 시스템에서의 신호 압축 가능성 탐색을 위해.
• 인터커넥트 대역폭 감소와 시스템 성능 저하 사이의 트레이드오프를 평가하기 위해.
• 라디오 단위와 중심 단위에 분산 배포된 오토인코더 구성 요소의 구현을 제안하기 위해.

제안 방법

• 수신된 MIMO-OFDM 신호의 통계적 구조를 학습할 수 있도록 오토인코더를 훈련한다.
• 에코더는 라디오 유닛에 구현되어 고차원 신호를 저차원 잠재 코드로 압축한다.
• 디코더는 중심 단위에 구현되어 잠재 코드에서 원래 신호를 재구성한다.
• 재구성 오차를 보완하기 위해 시스템은 반복 검출을 사용한다.
• 오토인코더는 실제 MIMO-OFDM 신호 분포를 기반으로 종단간(end-to-end)으로 훈련된다.
• 효율적인 하드웨어 구현을 위해 인코더 및 디코더 구성 요소를 분리한 아키텍처를 사용한다.

실험 결과

연구 질문

• RQ1 오토인코더는 MIMO-OFDM 신호를 효과적으로 압축하여 인터커넥트 대역폭을 줄일 수 있는가?
• RQ2 성능 저하가 심각하지 않은 수준에서 달성 가능한 최대 대역폭 감소 비율은 얼마인가?
• RQ3 중앙집중식 및 분산 처리에서 재구성 오차는 검출 성능에 어떤 영향을 미치는가?
• RQ4 반복 검출은 압축으로 인한 성능 손실을 보완할 수 있는가?
• RQ5 대역폭 절감과 계산 복잡도 사이의 트레이드오프는 어떠한가?

주요 결과

• 제안된 방법은 인터커넥트 대역폭을 최대 16배까지 줄일 수 있다.
• 중앙집중식 및 분산 처리 모두에서 압축으로 인한 성능 저하는 미미하다.
• 압축으로 인한 성능 손실은 검출 과정에서 몇 번의 추가 반복을 실행함으로써 효과적으로 보완할 수 있다.
• 분산 오토인코더 아키텍처는 최소한의 오버헤드로 실용적인 구현을 가능하게 한다.
• 이 방법은 인터커넥트 대역폭과 계산 복잡도 사이의 실현 가능한 트레이드오프를 제공한다.
• 결과는 대규모 MIMO 시스템에서 효율적인 신호 압축을 위한 딥 러닝의 실현 가능성을 입증한다.