[논문 리뷰] Deep Learning based Channel Estimation for Massive MIMO with Mixed-Resolution ADCs

Shen Gao, Peihao Dong외 2명|arXiv (Cornell University)|2019. 08. 17.

Wireless Signal Modulation Classification참고 문헌 13인용 수 10

한 줄 요약

이 논문은 혼합 해상도 ADC를 갖춘 대규모 MIMO 시스템을 위한 딥러닝 기반 채널 추정을 제안하며, 고해상도 ADC 신호를 활용해 저해상도 ADC 안테나의 채널을 예측하는 Direct-Input DNN(DI-DNN)과 Selective-Input Prediction DNN(SIP-DNN)을 도입한다. SIP-DNN은 기존 방법보다 뛰어난 성능을 보이며, 특히 1비트 ADC에서 두각을 나타내며 다양한 ADC 해상도 패턴에 걸쳐도 강건한 성능을 유지한다.

ABSTRACT

In this article, deep learning is applied to estimate the uplink channels for mixed analog-to-digital converters (ADCs) massive multiple-input multiple-output (MIMO) systems, where a portion of antennas are equipped with high-resolution ADCs while others employ low-resolution ones at the base station. A direct-input deep neural network (DI-DNN) is first proposed to estimate channels by using the received signals of all antennas. To eliminate the adverse impact of the coarsely quantized signals, a selective-input prediction DNN (SIP-DNN) is developed, where only the signals received by the high-resolution ADC antennas are exploited to predict the channels of other antennas as well as to estimate their own channels. Numerical results show the superiority of the proposed DNN based approaches over the existing methods, especially with mixed one-bit ADCs, and the effectiveness of the proposed approaches on different ADC resolution patterns.

연구 동기 및 목표

• 혼합 해상도 ADC를 사용하는 대규모 MIMO 시스템에서 비선형 왜곡과 낮은 추정 정확도 문제를 해결한다. 특히 1비트 ADC에서의 영향을 고려한다.
• 저해상도 ADC에서 발생하는 심한 양자화 왜곡을 다루는 데에 한계가 있는 전통적인 선형 추정 방법(예: LMMSE, EM-GM-GAMP)의 한계를 극복한다.
• 고해상도 및 저해상도 ADC 안테나 간의 공간 상관관계와 비선형 관계를 활용하는 딥러닝 기반 채널 추정 프레임워크를 개발한다.
• 구조적 블록 및 비구조적 랜덤 구성 방식을 포함한 다양한 ADC 해상도 패턴에 대해 강건한 성능을 확보한다.
• 혼합-ADC 아키텍처를 갖춘 실세계 대규모 MIMO 시스템에 적용 가능한 실용적이고 확장 가능한 솔루션을 제공한다.

제안 방법

• 모든 고해상도 및 저해상도 ADC 안테나에서 수신된 신호를 직접 입력으로 사용하는 Fully-connected 딥 네트워크를 활용한 Joint 채널 추정을 위한 Direct-Input DNN(DI-DNN)을 제안한다.
• 고해상도 ADC 안테나의 신호만을 사용하여 고해상도 및 저해상도 안테나의 채널을 예측하는 Selective-Input Prediction DNN(SIP-DNN)을 도입하며, 양자화된 저해상도 신호로 인한 성능 저하를 방지한다.
• 고해상도와 저해상도 채널 상태 간의 비선형 매핑을 DNN를 통해 모델링하여 기존 방법이 처리할 수 없는 복잡한 공간 상관관계를 포착한다.
• 이중 단계 학습 프로세스를 적용한다: 먼저 고해상도 신호로부터 고해상도 채널 상태를 추정하고, 이후 학습된 매핑을 통해 저해상도 채널 상태를 예측한다.
• DI-DNN 및 SIP-DNN 모두에 대해 정규화 평균 제곱 오차(NMSE) 기반 손실 함수를 사용하며, 고해상도 및 저해상도 안테나 집합에 대해 별도의 NMSE 지표를 설정한다.
• 성능에 미치는 네트워크 구조의 영향을 평가하기 위해 SIP-CNN(Convolutional Neural Network)과 같은 대체 아키텍처를 평가하였으며, Fully-connected DNN와 유사한 성능을 보임을 확인하였다.

실험 결과

연구 질문

• RQ1 딥러닝 기반 방법이 대규모 MIMO 업링크 시스템에서 저해상도 ADC로 인한 성능 저하를 효과적으로 완화할 수 있는가?
• RQ2 혼합-ADC 구성에서 딥러닝 기반 채널 추정 성능이 기존 선형 방법(LMMSE, EM-GM-GAMP 등)과 비교해 어떻게 되는가?
• RQ3 저해상도 ADC 신호를 배제하는 SIP-DNN 접근법이 DI-DNN보다 더 높은 추정 정확도를 달성하는가, 특히 고SNR 또는 고해상도 환경에서?
• RQ4 블록형 대비 무작위 안테나 배치 패턴과 같은 다양한 ADC 해상도 패턴에 대해 제안된 DNN 기반 방법의 강건성은 어떠한가?
• RQ5 SNR 및 고해상도 ADC 안테나 비율(η)과 같은 시스템 파라미터 기반으로 DI-DNN와 SIP-DNN 간 최적의 성능 트레이드오프는 무엇인가?

주요 결과

• SIP-DNN는 모든 SNR 영역에서 LMMSE 및 EM-GM-GAMP보다 뛰어난 성능을 보이며, 고해상도 ADC 안테나 비율(η)이 ≥ 0.4일 경우 최고 성능을 기록한다.
• 혼합 1비트 ADC 환경에서 SIP-DNN는 LMMSE 및 EM-GM-GAMP보다 유의미하게 낮은 NMSE를 기록하며, 특히 고SNR에서 후자 방법들이 양자화 왜곡으로 인해 오차 평면에 갇히는 경향을 보임에 따라 두각을 나타낸다.
• DI-DNN는 중간 및 고SNR 영역에서 LMMSE 및 EM-GM-GAMP를 능가하지만, η가 작을 경우 저해상도 신호의 성능 저하로 인해 성능에 한계가 있다.
• SIP-DNN는 고SNR에서도 유의미한 오차 평면이 나타나지 않아, 군중 양자화의 영향을 효과적으로 피하는 것으로 확인된다.
• SIP-DNN 성능은 η 증가에 따라 급격히 향상되며, DI-DNN 및 SIP-DNN 곡선의 교차점은 시스템 설계자가 SNR 또는 η 기반으로 최적 성능을 얻기 위해 두 방법을 전환할 수 있음을 시사한다.
• SIP-DNN의 Fully-connected DNN를 CNN(SIP-CNN)으로 대체할 경우 거의 동일한 NMSE 성능를 확보하여, 채널 예측 작업에 대해 Fully-connected 아키텍처가 충분함을 확인한다.