[논문 리뷰] Deep Learning based Channel Extrapolation for Large-Scale Antenna Systems: Opportunities, Challenges and Solutions

Shun Zhang, Yushan Liu외 4명|arXiv (Cornell University)|2021. 02. 25.

Millimeter-Wave Propagation and Modeling참고 문헌 15인용 수 4

한 줄 요약

이 논문은 mmWave 마이크로파 대규모 MIMO, RIS 지원, 셀리스 MIMO와 같은 대규모 안테나 시스템에서 학습 오버헤드를 줄이기 위해 딥러닝(DL) 기반 채널 외삽을 제안한다. 희소 채널 측정치와 안테나, 주파수, 단말 영역 전역의 전체 CSI 사이의 비선형 맵핑을 학습하기 위해 DL을 활용함으로써, 전통적인 압축 센싱보다 상당한 오버헤드 감소와 성능 향상을 달성한다.

ABSTRACT

With the depletion of spectrum, wireless communication systems turn to exploit large antenna arrays to achieve the degree of freedom in space domain, such as millimeter wave massive multi-input multioutput (MIMO), reconfigurable intelligent surface assisted communications and cell-free massive MIMO. In these systems, how to acquire accurate channel state information (CSI) is difficult and becomes a bottleneck of the communication links. In this article, we introduce the concept of channel extrapolation that relies on a small portion of channel parameters to infer the remaining channel parameters. Since the substance of channel extrapolation is a mapping from one parameter subspace to another, we can resort to deep learning (DL), a powerful learning architecture, to approximate such mapping function. Specifically, we first analyze the requirements, conditions and challenges for channel extrapolation. Then, we present three typical extrapolations over the antenna dimension, the frequency dimension, and the physical terminal, respectively. We also illustrate their respective principles, design challenges and DL strategies. It will be seen that channel extrapolation could greatly reduce the transmission overhead and subsequently enhance the performance gains compared with the traditional strategies. In the end, we provide several potential research directions on channel extrapolation for future intelligent communications systems.

연구 동기 및 목표

• 대규모 안테나 어레이와 복잡한 전파 환경으로 인해 발생하는 대규모 MIMO 시스템의 높은 학습 오버헤드를 해결한다.
• 실제 채널 특성을 잘 모델링하지 못하는 선형 희소성 가정에 의존하는 전통적 압축 센싱의 한계를 극복한다.
• 공간, 주파수, 단말 영역에서의 채널 간 결정론적 관계를 활용하여 최소한의 파ilot 오버헤드로 정확한 채널 상태 정보(CSI) 확보를 가능하게 한다.
• 피드백 및 학습 신호 전송을 줄이기 위해 다양한 채널 하위공간에 일반화 가능한 데이터 기반 딥러닝 프레임워크를 개발한다.
• 이종적이거나 동적인 환경에서의 외삽 성능 향상을 위해 전이 학습과 센서 융합을 탐색한다.

제안 방법

• 소규모 채널 파rameter(예: 파ilot 기호)에서 전체 채널 상태 정보로의 매핑으로서 채널 외삽을 제안하며, 이를 비선형 함수로 모델링한다.
• 특히 FDD 시스템에서 안테나 요소 간 채널 상태 간의 복잡한 비선형 맵핑을 학습하기 위해 딥 네ural 네트워크(DNNs), 특히 ODE 기반 신경망을 적용한다.
• 대역 내 및 다양한 주파수 대역 간 서브밴드 간 채널 상관관계를 활용한 주파수 도메인 외삽 전략을 설계하며, 정제를 위해 희소 파ilot을 사용한다.
• 환경적 맥락을 모델링하고 분산된 사용자 간 일반화를 향상시키기 위해 전이 학습과 다중 센서 데이터(예: 시각, 레이더)를 활용한 단말 외삽을 도입한다.
• 기존 사용자 그룹에서 사전 학습된 신경망을 다른 그룹으로 적응시켜 학습 비용을 줄이고 이종 단말 배치 환경에서 성능을 향상시킨다.
• 다양한 전파 조건과 시스템 제약 조건 하에서 강건성과 적응성을 향상시키기 위해 모델 기반과 데이터 기반 접근 방식을 융합한 하이브리드 접근 방식을 탐색한다.

Figure 1: The opportunities of DL-based channel extrapolation.

실험 결과

연구 질문

• RQ1 딥러닝은 FDD 마이크로파 대규모 MIMO 시스템에서 안테나 요소 간 비선형적이고 비희소적인 채널 관계를 효과적으로 모델링할 수 있는가?
• RQ2 큰 주파수 대역 간 격차가 존재할 경우 주파수 도메인 채널 외삽에 최적의 파ilot 배치 전략은 무엇인가?
• RQ3 다양한 사용자 그룹을 포함한 분산 시스템에서 단말 기반 채널 외삽의 성능을 향상시키기 위해 전이 학습은 어떻게 기여하는가?
• RQ4 환경 센싱(예: 시각, 레이더)은 물리적 단말 간 채널 외삽 정확도 향상에 어떤 역할을 할 수 있는가?
• RQ5 안테나, 주파수, 단말 도메인 간의 통합 외삽은 학습 오버헤드를 최소화하면서도 높은 CSI 정확도를 유지하기 위해 어떻게 최적화될 수 있는가?

주요 결과

• ODE 기반 신경망은 기존 DNN보다 안테나 도메인 외삽에서 뛰어난 일반화 능력과 강건성을 보이며, FDD 마이크로파 대규모 MIMO 시스템에서 뛰어난 성능을 나타낸다.
• 주파수 도메인 외삽에서는 주파수 갭이 클 경우 소수의 추가 파ilot만으로도 예측을 정밀하게 보정할 수 있어, 상당한 파ilot 오버헤드 감소를 이룬다.
• 하위공간 간 차이가 클 경우 단말 외삽 성능은 떨어지지만, 센서 데이터와 전이 학습을 통합하면 성능 향상과 학습 부담 감소가 뚜렷하게 이루어진다.
• 딥러닝을 물리적 채널 모델과 융합하면 순수하게 데이터 기반 또는 모델 기반 접근 방식보다 더 정확하고 적응 가능한 외삽이 가능하다.
• 안테나, 주파수, 단말 도메인 간의 통합 외삽은 실현 가능하며, 향후 지능형 무선 시스템에서 학습 오버헤드를 추가로 줄이는 데 유망한 길을 열어준다.
• 하이브리드 모델 기반 및 데이터 기반 접근 방식은 환경의 동적 변화와 복잡성에 따라 지능적으로 전환 가능하여 정확도와 효율성을 동시에 향상시킨다.

Figure 2: The channel extrapolation over antenna dimension for large-scale antenna systems.