[논문 리뷰] Deep Learning-Based Channel Estimation for Double-RIS Aided Massive MIMO System

Mengbing Liu, Xin Li외 4명|arXiv (Cornell University)|2022. 10. 22.

Advanced Wireless Communication Technologies인용 수 4

한 줄 요약

이 논문은 더블 재구성 가능한 지능형 표 superfine (RIS)-기반 매크로 MIMO 시스템에서 딥러닝 기반 채널 추정을 위한 스킵 커넥션 어텐션 (SC-attention) 네트워크를 제안한다. 자기 어텐션 레이어와 스킵 커넥션 구조를 통합함으로써, 특징 표현 능력을 향상시키고 기울기 소실 문제를 완화하여, 기준 방법 대비 최대 16% 낮은 노멀라이즈드 평균 제곱 오차 (NMSE)를 달성한다. 특히 저 SNR 조건에서 뛰어난 정확성과 강인성을 입증하며, 노이즈가 많고 고차원적인 캐스케이드 채널 추정에 유리하다.

ABSTRACT

Reconfigurable Intelligent Surface (RIS) is considered as an energy-efficient solution for future wireless communication networks due to its fast and low-cost configuration. In this letter, we consider the estimation of cascaded channels in a double-RIS aided massive multiple-input multiple-output system, which is a critical challenge due to the large number of antennas equipped at the base station and passive RIS elements. To tackle this challenge, we propose a skip-connection attention (SC-attention) network that utilizes self-attention layers and skip-connection structure to improve the channel estimation performance from the noisy pilot-based observations. Simulation results compare the proposed SC-attention network with other benchmark methods and show that SC-attention network can effectively improve the accuracy performance on normalized mean square error (NMSE) for cascaded links in a double-RIS aided system.

연구 동기 및 목표

• 대규모 안테나와 수동 RIS 요소를 갖는 더블-RIS-보조 매크로 MIMO 시스템에서 고차원적이고 노이즈가 많은 채널 추정 문제를 해결한다.
• 저 SNR 환경과 고차원 캐스케이드 채널 추정에서 전통적인 선형 추정기 (예: LS, LMMSE)의 한계를 극복한다.
• 노이즈가 많은 피LOT 관측치에서 복잡한 비선형 공간 특징을 모델링하기 위해 딥러닝을 활용해 추정 정확도와 강인성을 향상시킨다.
• 자기 어텐션 메커니즘과 스킵 커넥션 구조를 통합하여 수신 필드 크기, 모델 용량, 기울기 흐름을 향상시킨다.
• 다양한 SNR 조건에서 기존 딥러닝 기반 및 전통적 추정기 대비 뛰어난 성능을 입증한다.

제안 방법

• 피LOT 신호로부터의 캐스케이드 채널 행렬의 노이즈 있는 관측치를 입력으로 받아 채널 추정 문제를 노이즈 제거 작업으로 모델링한다.
• 장거리 공간 상관관계를 포착하고 특징 표현을 향상시키기 위해 자기 어텐션 레이어를 통합한 스킵 커넥션 어텐션 (SC-attention) 네트워크를 설계한다.
• 저수준 특징을 유지하고 학습 중 기울기 소실 또는 폭주 문제를 방지하기 위해 스킵 커넥션을 통합함으로써 학습 안정성과 성능을 향상시킨다.
• 입력이 직접적으로 어텐션 블록의 출력과 연결되는 잔차 유사 아키텍처를 사용하여 잔차 매핑 학습을 촉진한다.
• 120,000개의 샘플로 구성된 대규모 데이터셋을 사용해 -10 dB에서 15 dB까지의 SNR 범위에서 네트워크를 엔드 투 엔드로 학습하여 다양한 조건에서의 일반화 능력을 확보한다.
• 단일 및 더블 반사 링크 모두에서 주로 NMSE를 성능 평가 지표로 사용한다.

Figure 1: Illustration of the Double-RIS aided system model.

실험 결과

연구 질문

• RQ1 더블-RIS-보조 매크로 MIMO 시스템에서 고차원 캐스케이드 채널을 추정할 때, 딥러닝 기반 접근법이 기존 선형 추정기 (LS 및 LMMSE)를 능가할 수 있는가?
• RQ2 자기 어텐션 레이어 통합이 수신 필드 크기와 모델 용량을 향상시켜 추정 정확도를 얼마나 향상시키는가?
• RQ3 스킵 커넥션 구조는 기울기 문제를 얼마나 효과적으로 완화하고, 특히 저 SNR 영역에서 추정 성능 향상에 기여하는가?
• RQ4 제안된 SC-attention 네트워크는 다양한 SNR 수준에서 잘 일반화되며, 노이즈가 많은 환경에서도 강인성을 유지하는가?
• RQ5 다양한 채널 조건에서 기존 딥러닝 기반 베이스라인(SF-CNN)과 비교해 NMSE 측면에서 SC-attention 네트워크의 성능은 어떠한가?

주요 결과

• SC-attention 네트워크는 -10 dB SNR에서 자기 어텐션 전용 베이스라인 대비 최대 16% 낮은 NMSE를 달성하여 저-SNR 환경에서 뚜렷한 성능 향상을 입증한다.
• 고 SNR (15 dB) 조건에서는 노이즈 감소로 인해 기존 추정기와의 성능 격차가 줄어들지만, 여전히 약간의 우월성을 유지한다.
• 어텐션 블록의 시각화 결과에서 입력에서 출력으로 갈수록 노이즈 강도가 점진적으로 감소하는 경향을 확인하여, 단계별 노이즈 제거 메커니즘이 효과적임을 확인한다.
• SC-attention 네트워크는 모든 SNR 수준에서 LS 및 LMMSE 추정기보다 뛰어난 성능을 보이며, 특히 선형 방법이 어려움을 겪는 저-SNR 조건에서 두드러진다.
• SF-CNN 베이스라인을 초월하는 성능을 기록함으로써, 자기 어텐션과 스킵 커넥션의 통합이 향상된 특징 학습과 추정 정확도를 이끌어낸다는 것을 시사한다.
• 제안된 방법은 -10 dB에서 15 dB까지의 전체 SNR 범위에서 강인성과 일반화 능력을 유지하며, 독립된 테스트 데이터로 검증되었다.

Figure 2: Overview of the self-attention layer.