[논문 리뷰] Deep Learning based Antenna Selection and CSI Extrapolation in Massive MIMO Systems

Bo Lin, Feifei Gao외 3명|arXiv (Cornell University)|2021. 01. 18.

Advanced MIMO Systems Optimization참고 문헌 37인용 수 6

한 줄 요약

이 논문은 대규모 MIMO 시스템에서 훈련 오버헤드를 줄이기 위해 안테나 도메인 외삽 네트워크(ADEN)와 안테나 선택 네트워크(ASN)를 결합한 딥러닝 프레임워크를 제안한다. 이는 소수의 안테나에서부터 채널 상태 정보(CSI)를 예측함으로써 이루어지며, 세밀한 CSI 외삽을 ODE 기반의 정밀화 과정으로 모델링하고, 비가역적인 안테나 선택을 위한 미분 가능한 제약 조건이 부여된 열악한 분해 알고리즘을 사용함으로써, 기존 방법에 비해 뛰어난 성능을 달성한다. ADEN은 완전히 연결된 네트워크를 초월하여, ASN은 균일한 선택 방식을 초월한 최적의 선택 패턴을 학습한다.

ABSTRACT

A critical bottleneck of massive multiple-input multiple-output (MIMO) system is the huge training overhead caused by downlink transmission, like channel estimation, downlink beamforming and covariance observation. In this paper, we propose to use the channel state information (CSI) of a small number of antennas to extrapolate the CSI of the other antennas and reduce the training overhead. Specifically, we design a deep neural network that we call an antenna domain extrapolation network (ADEN) that can exploit the correlation function among antennas. We then propose a deep learning (DL) based antenna selection network (ASN) that can select a limited antennas for optimizing the extrapolation, which is conventionally a type of combinatorial optimization and is difficult to solve. We trickly designed a constrained degradation algorithm to generate a differentiable approximation of the discrete antenna selection vector such that the back-propagation of the neural network can be guaranteed. Numerical results show that the proposed ADEN outperforms the traditional fully connected one, and the antenna selection scheme learned by ASN is much better than the trivially used uniform selection.

연구 동기 및 목표

• 제한된 수의 안테나에서부터 CSI를 외삽함으로써 대규모 MIMO 시스템에서 훈련 오버헤드를 줄이는 것.
• 딥러닝 프레임워크에 비가역적인 이산적 안테나 선택을 통합하여 backpropagation을 가능하게 하는 것.
• 구조화된 딥러닝 아키텍처를 활용해 안테나 간의 공간 상관관계를 이용해 CSI 외삽 정확도를 향상시키는 것.
• 균일하거나 히وري스틱 선택 방법보다 더 나은 성능을 내기 위해 안테나 선택과 CSI 외삽을 공동 최적화하는 것.

제안 방법

• ADEN은 완전히 연결된 신경망을 통해 군중적 CSI 외삽을 수행하고, 군중 추정치를 초기 조건으로 사용하여 ODE 기반의 초기값 문제를 통해 세밀한 외삽을 수행한다.
• 세밀한 외삽 서브넷은 ODE로 모델링되며, d𝐮f(t)/dt = ψ[𝐮f(t), 𝛚(t)]로 표현되며, u_f(0) = ŝu_A^c 조건을 만족함으로써 연속적인 정밀화가 가능하다.
• 비가역적인 이산적 안테나 선택 벡터의 미분 가능한 근사치를 생성하기 위해 제약 조건이 부여된 열악한 분해 알고리즘(CDA)을 제안한다. 이는 선택 과정을 통해 backpropagation을 가능하게 한다.
• 안테나 선택 네트워크(ASN)는 ADEN과 함께 공동 훈련하면서 외삽 오차와 선택 희소성에 대한 정규화를 적용함으로써 최적의 안테나를 선택하도록 학습한다.
• CSI 예측 정확도와 선택 벡터의 희소성 간의 균형을 맞추기 위해 공동 손실 함수를 사용하여 엔드 투 엔드로 프레임워크를 훈련시킨다.
• 이 방법은 부분 관측에서의 전체 CSI 복원 및 주파수 도메인 외삽과 같은 CSI 외삽 작업에 대해 평가된다.

실험 결과

연구 질문

• RQ1 딥러닝이 대규모 MIMO 시스템에서 소수의 안테나에서부터 CSI를 효과적으로 외삽할 수 있는가? 이는 훈련 오버헤드를 줄이는 데 기여하는가?
• RQ2 비가역적인 안테나 선택을 딥러닝 프레임워크에 통합하여 엔드 투 엔드 훈련을 가능하게 할 수 있는가?
• RQ3 세밀한 CSI 외삽을 ODE 기반의 과정으로 모델링할 경우, 기존의 표준 DNN에 비해 예측 정확도가 향상되는가?
• RQ4 제안된 ASN은 균일하거나 무작위 선택보다 뛰어난 안테나 선택 패턴을 학습할 수 있는가?
• RQ5 안테나 선택과 CSI 외삽의 공동 최적화가 전체 시스템 성능에 어떤 영향을 미치는가?

주요 결과

• ODE 기반 정밀화 메커니즘 덕분에 ADEN은 전통적인 완전히 연결된 DNN에 비해 CSI 외삽 정확도에서 뛰어난 성능을 보였다.
• 안테나 선택 네트워크(ASN)는 균일한 선택 방식을 초월하여 환경에 민감한 비균일한 안테나 서브셋을 선택함으로써 외삽 정확도에서 뚜렷한 성능 향상을 달성했다.
• 제약 조건이 부여된 열악한 분해 알고리즘(CDA)은 비가역적인 이산적 안테나 선택 과정을 통해 미분 가능한 backpropagation을 성공적으로 구현하여 엔드 투 엔드 훈련의 가능성을 확보했다.
• ASN과 ADEN의 공동 훈련은 별도 최적화나 히وري스틱 선택에 비해 더 낮은 외삽 오차를 유도하며 전반적인 성능 향상을 이끌었다.
• 수치적 결과는 제안된 방법이 복잡한 전파 환경에서 특히 두드러진 훈련 오버헤드 감소를 이끌며 고정밀도 CSI 예측을 달성할 수 있음을 보여주었다.
• 이 프레임워크는 전체 CSI 복원 및 주파수 도메인 CSI 외삽을 포함한 다양한 응용 분야에서 효과적임을 입증했다.