[논문 리뷰] Deep Learning Based MIMO Communications

Timothy J. O’Shea, Tugba Erpek외 1명|arXiv (Cornell University)|2017. 07. 25.

Advanced MIMO Systems Optimization참고 문헌 16인용 수 142

한 줄 요약

이 논문은 단일 사용자 MIMO를 위한 엔드투엔드 오토인코더 기반 학습 프레임워크를 제시하며, Alamouti 다이버시티 및 SVD 기반 공간 다중화 대비 경쟁력 있는 성능을 보이고, varying CSI 피드백(양자화된 CSI 포함)을 포함한 오픈-/클로즈드 루프 작동을 탐구한다.

ABSTRACT

We introduce a novel physical layer scheme for single user Multiple-Input Multiple-Output (MIMO) communications based on unsupervised deep learning using an autoencoder. This method extends prior work on the joint optimization of physical layer representation and encoding and decoding processes as a single end-to-end task by expanding transmitter and receivers to the multi-antenna case. We introduce a widely used domain appropriate wireless channel impairment model (Rayleigh fading channel), into the autoencoder optimization problem in order to directly learn a system which optimizes for it. We considered both spatial diversity and spatial multiplexing techniques in our implementation. Our deep learning-based approach demonstrates significant potential for learning schemes which approach and exceed the performance of the methods which are widely used in existing wireless MIMO systems. We discuss how the proposed scheme can be easily adapted for open-loop and closed-loop operation in spatial diversity and multiplexing modes and extended use with only compact binary channel state information (CSI) as feedback.

연구 동기 및 목표

• realistic channel impairments를 최대화하고 BER를 최소화하기 위한 MIMO 송신기와 수신기의 엔드투엔드 공동 최적화 동기 부여.
• SISO 채널 오토인코더 개념을 MIMO 구성(2x1 및 2x2)으로 확장하고 전통적 스킴 대비 이득 평가.
• 학습된 MIMO 프레임워크 내에서 완벽한 CSI 피드백 및 양자화된 CSI를 포함한 오픈-루프 및 클로즈드-루프 작동 탐구.
• 레이리 페이딩 채널과 서로 다른 안테나 구성에 대한 학습 시스템의 적응력 시연

제안 방법

• 학습 가능한 인코더 및 디코더 매핑을 갖춘 엔드투엔드 신경망 autoencoder로 MIMO 시스템 모델링.
• 네트워크 내에서 Rayleigh 페이딩 채널 모델을 전달 경로 손상으로 포함하여 현실적 채널에 대한 최적화를 수행.
• 다이버시를 위해 Alamouti STBC(2x1)와 공간 다중화를 위한 SVD 기반 프리코딩(2x2)과의 비교.
• CSI 시나리오를 조사: 오픈루프( CSI 없음), 송신기에서의 완전한 CSI, v비트 양자화된 CSI, 채널 모델을 통한 역전파 포함.
• gradient 기반 학습이 가능하도록 인코더–랜덤 H–곱–노름–AWG–디코더의 미분 가능한 채널 계층 체인 사용.
• 정보 비트를 k비트 코드워드로 표현하고 소프트맥스 출력과 교차 엔트로피 손실로 엔드투엔드 인코딩/디코딩 최적화

실험 결과

연구 질문

• RQ1 레이리 페이딩 하에서 엔드투엔드 오토인코더가 conventional 오픈-루프 및 클로즈드-루프 스킴을 능가하는 MIMO 인코더/디코더를 학습할 수 있는가?
• RQ2 다양한 CSI 가정에서 2x1의 Alamouti STBC 및 2x2의 SVD 기반 프리코딩과 비교하여 학습된 MIMO 시스템의 BER 성능 이점은 무엇인가?
• RQ3 양자화된 CSI(v비트) 피드백이 학습된 MIMO 시스템의 성능과 수렴에 어떤 영향을 미치는가?
• RQ4 학습된 인코더가 서로 다른 안테나 구성과 채널 실현에서 공간 다이버시티와 공간 다중화를 유연하게 활용할 수 있는가?
• RQ5 피드백 대역폭 제약 및 시간에 따른 채널 변동성과 같은 실용적 제약에도 학습된 스킴이 견고한가?

주요 결과

• 보고된 구성에서 2x1 학습된 다이버시티 스킴은 SNR이 약 15 dB를 넘는 구간에서 Alamouti 성능을 초과할 수 있다.
• 송신기에서의 완전한 CSI를 갖춘 2x2 학습된(클로즈드-루프) MIMO는 모든 테스트된 SNR에서 SVD 기반 프리코딩 성능을 능가한다.
• 양자화된 CSI(v비트) 피드백은 특정 경우에 학습된 시스템의 완전한 CSI 성능과 일치하거나 심지어 이를 능가할 수 있으며, 이산 CSI는 수렴을 돕는 경우가 많다.
• 학습된 별자리(constellations)는 안테나 간 비표준적이고 적응적인 전력 분포를 시사하며, 특정 레짐에서 학습된 중첩 및 일정 진폭 특성을 보인다.
• 2x2 구성 전체에서 보고된 실험에서 20 dB SNR에서 BER이 0.5e-5 이하로 가장 잘 달성되었다.
• 엔드투엔드 DL 기반 MIMO가 경쟁력 있는 성능과 함께 오픈/클로즈드 루프 작동에 대해 더 낮은 계산 복잡도와 유연성을 제공할 수 있음을 시사한다