[논문 리뷰] Beamspace Channel Estimation for Wideband Millimeter-Wave MIMO: A Model-Driven Unsupervised Learning Approach

Hengtao He, Rui Wang외 4명|arXiv (Cornell University)|2020. 06. 30.

Millimeter-Wave Propagation and Modeling인용 수 9

한 줄 요약

이 논문은 광대역 mmWave MIMO 시스템에서 빔스페이스 채널 추정을 위한 모델 기반 비지도 딥러닝 네트워크인 LDGEC를 제안한다. 스틴의 무편향 리스크 추정자(SURE) 손실을 활용함으로써 실제 채널 데이터 없이도 훈련이 가능하며, 낮은 RF 체인 수와 저해상도 ADC 조건에서도 압도적인 성능을 달성한다.

ABSTRACT

Millimeter-wave (mmWave) communications have been one of the promising technologies for future wireless networks that integrate a wide range of data-demanding applications. To compensate for the large channel attenuation in mmWave band and avoid high hardware cost, a lens-based beamspace massive multiple-input multiple-output (MIMO) system is considered. However, the beam squint effect in wideband mmWave systems makes channel estimation very challenging, especially when the receiver is equipped with a limited number of radio-frequency (RF) chains. Furthermore, the real channel data cannot be obtained before the mmWave system is used in a new environment, which makes it impossible to train a deep learning (DL)-based channel estimator using real data set beforehand. To solve the problem, we propose a model-driven unsupervised learning network, named learned denoising-based generalized expectation consistent (LDGEC) signal recovery network. By utilizing the Stein's unbiased risk estimator loss, the LDGEC network can be trained only with limited measurements corresponding to the pilot symbols, instead of the real channel data. Even if designed for unsupervised learning, the LDGEC network can be supervisingly trained with the real channel via the denoiser-by-denoiser way. The numerical results demonstrate that the LDGEC-based channel estimator significantly outperforms state-of-the-art compressive sensing-based algorithms when the receiver is equipped with a small number of RF chains and low-resolution ADCs.

연구 동기 및 목표

• 제한된 RF 체인 수와 저해상도 ADC를 갖춘 광대역 mmWave MIMO 시스템에서 발생하는 빔 스쿼트 문제를 해결하기 위해.
• 실제 채널 데이터가 훈련에 이용 불가능한 새로운 환경에서도 효과적인 채널 추정을 가능하게 하기 위해.
• 라벨이 부여된 채널 데이터가 필요 없이 비지도 훈련이 가능한 딥러닝 기반 채널 추정기 개발을 위해.
• 낮은 복잡도 하드웨어 아키텍처, 특히 낮은 RF 체인 수와 저해상도 ADC를 갖춘 환경에서의 강인성과 성능 향상을 위해.

제안 방법

• 빔스페이스 mmWave 채널 추정을 위한 학습된 디노이징 기반 일반화 기대일致(LDGEC) 신호 복구 네트워크를 제안한다.
• 실제 채널 데이터 없이도 훈련이 가능하도록, 단지 패ilot 심벌만을 사용하는 스틴의 무편향 리스크 추정자(SURE) 손실을 적용한다.
• 두 가지 훈련 전략인 디노이저-바이-디노이저 및 레이어-바이-레이어 훈련을 도입하며, 모두 SURE 손실을 활용해 반복적으로 노이즈 분산을 추정한다.
• 압축된 빔스페이스 채널을 복구하기 위해, 전개된 반복 최적화 프레임워크 내부에 DnCNN 기반 디노이저를 활용한다.
• 저해상도 ADC 시스템에서의 강인성을 향상시키기 위해 덤프링 기법을 적용하며, 덤프링 요소의 지수 감쇠를 적용한다.
• 실제 채널 데이터가 이용 가능한 경우, 디노이저-바이-디노이저 접근법을 활용해 비지도 및 지도 미세조정을 지원한다.

실험 결과

연구 질문

• RQ1 실제 채널 데이터 없이도 딥러닝 기반 채널 추정기가 훈련될 수 있는가? 이는 새로운, 미리 보지 못한 전파 환경에의 구현 가능성을 높인다.
• RQ2 저정밀도 ADC와 제한된 RF 체인 조건에서 LDGEC 네트워크는 어떤 성능을 보이는가? 이는 실질적인 mmWave 시스템에서 흔히 발생하는 조건이다.
• RQ3 SURE 기반 비지도 훈련 방식은 빔스페이스 mmWave MIMO에서 전통적인 압축 센싱 알고리즘보다 얼마나 뛰어나게 성능을 향상시키는가?
• RQ4 레이어-바이-레이어 훈련 전략은 거친 간격 기반 디노이저-바이-디노이저 훈련 대비 디노이징 성능을 어떻게 향상시키는가?

주요 결과

• SURE 손실을 갖춘 LDGEC 네트워크는 최신 기술의 압축 센싱 알고리즘보다 훨씬 낮은 NMSE를 달성하며, 단지 δ=1의 측정 비율(즉, RF 체인당 하나의 패일럿) 조건에서도 성능이 뛰어나다.
• LDGEC는 δ=1일 때도 SSD의 δ=2 성능을 능가하며, 감소된 RF 체인 수와 패일럿 오버헤드에 대한 강건성을 입증한다.
• 두 비트 ADC를 사용하는 LDGEC 추정기는 SNR < 10 dB 조건에서 무한비트 ADC를 갖춘 SSD 알고리즘을 능가하며, 저해상도 시스템에서의 효과성을 입증한다.
• 레이어-바이-레이어 훈련 전략은 각 레이어별 정밀한 노이즈 분산 추정을 통해 디노이징 정확도를 향상시키며, 거친 간격 기반의 디노이저-바이-디노이저 훈련보다 뛰어난 성능을 보인다.
• LDGEC-SURE 네트워크는 저해상도 ADC 조건에서도 높은 성능를 유지하며, 저비용 및 에너지 효율적인 mmWave 시스템에 대한 잠재력을 보여준다.
• 비지도 LDGEC 프레임워크는 기존 채널 데이터 없이도 새로운 환경에의 구현을 가능하게 하여, 데이터 기반 딥러닝의 핵심 한계를 극복한다.