[논문 리뷰] Deep Learning-Based Rate-Splitting Multiple Access for Reconfigurable Intelligent Surface-Aided Tera-Hertz Massive MIMO

Minghui Wu, Z. Gao외 4명|arXiv (Cornell University)|2022. 09. 18.

Advanced Wireless Communication Technologies인용 수 4

한 줄 요약

이 논문은 재구성 가능한 지능형 표 superfuce(RIS)를 활용한 테라헤르츠 테라헤르츠 대량 MIMO 시스템을 대상으로, 딥 러닝(DL) 기반의 레이트 스플릿 링크 다중접근(RSMA) 방식을 제안한다. 이는 하이브리드 데이터-모델 기반 예측 프레임워크와 트랜스포머 기반 채널 상태 정보(CSI) 획득 네트워크(CAN)를 통합하여, 낮은 오버헤드의 CSI 추정과 예측을 통해 불완전한 CSI 조건에서도 강건한 스펙트럼 효율성을 달성한다. 기존 방법에 비해 정확도와 복잡도 면에서 뛰어난 성능을 발휘한다.

ABSTRACT

Reconfigurable intelligent surface (RIS) can significantly enhance the service coverage of Tera-Hertz massive multiple-input multiple-output (MIMO) communication systems. However, obtaining accurate high-dimensional channel state information (CSI) with limited pilot and feedback signaling overhead is challenging, severely degrading the performance of conventional spatial division multiple access. To improve the robustness against CSI imperfection, this paper proposes a deep learning (DL)-based rate-splitting multiple access (RSMA) scheme for RIS-aided Tera-Hertz multi-user MIMO systems. Specifically, we first propose a hybrid data-model driven DL-based RSMA precoding scheme, including the passive precoding at the RIS as well as the analog active precoding and the RSMA digital active precoding at the base station (BS). To realize the passive precoding at the RIS, we propose a Transformer-based data-driven RIS reflecting network (RRN). As for the analog active precoding at the BS, we propose a match-filter based analog precoding scheme considering that the BS and RIS adopt the LoS-MIMO antenna array architecture. As for the RSMA digital active precoding at the BS, we propose a low-complexity approximate weighted minimum mean square error (AWMMSE) digital precoding scheme. Furthermore, for better precoding performance as well as lower computational complexity, a model-driven deep unfolding active precoding network (DFAPN) is also designed by combining the proposed AWMMSE scheme with DL. Then, to acquire accurate CSI at the BS for the investigated RSMA precoding scheme to achieve higher spectral efficiency, we propose a CSI acquisition network (CAN) with low pilot and feedback signaling overhead, where the downlink pilot transmission, CSI feedback at the user equipments (UEs), and CSI reconstruction at the BS are modeled as an end-to-end neural network based on Transformer.

연구 동기 및 목표

• 제한된 파ilot 및 피드백 오버헤드 조건에서 고차원 CSI 획득의 정확성을 확보하는 데 도전한다.
• 테라헤르츠 대역에서 CSI 불완전성으로 인한 기존 공간 분할 다중접근(SDMA)의 성능 저하 문제를 해결한다.
• RIS를 활용한 테라헤르츠 MIMO 시스템에서 불완전한 CSI 조건 하에서도 높은 스펙트럼 효율성을 유지할 수 있는 강건한 예측 프레임워크를 설계한다.
• 신호 전송 오버헤드를 줄이기 위해 딥 러닝을 활용한 저복잡도, 종단 간 훈련 가능한 CSI 획득 네트워크(CAN)를 개발한다.
• 모델 기반과 데이터 기반 딥 러닝 기법을 통합하여 RIS 수동 예측, 기지국 아날로그 및 디지털 RSMA 예측을 최적화한다.

제안 방법

• 데이터 기반 RIS 반사 네트워크(RRN)를 통한 수동 RIS 예측, 기지국(BS)에서의 모델 기반 매치필터(MF) 아날로그 예측, 그리고 디지털 RSMA 예측을 위한 모델 기반 딥 언폴딩 활성 예측 네트워크(DFAPN)를 조합한 하이브리드 데이터-모델 기반 RSMA 예측 프레임워크를 제안한다.
• 트랜스포머 기반 RRN을 설계하여 수동 beamforming을 위한 최적의 RIS 위상 이격을 학습하며, 종단 간 훈련을 통해 음성 평균 가중합산율(ARWU)을 손실 함수로 사용한다.
• 디지털 예측을 위한 저복잡도 근사 가중 최소 제곱 오차(AWMMSE) 알고리즘을 도입하고, 성능 향상과 복잡도 감소를 위해 딥 러닝 네트워크(DFAPN)로 언폴딩한다.
• 다운링크 파ilot 전송, CSI 피드백, CSI 재구성 과정을 종단 간 신경망으로 모델링한 트랜스포머 기반 아키텍처를 활용한 CSI 획득 네트워크(CAN)를 개발한다.
• RRN 및 DFAPN 훈련에 음성 ARWU를 손실 함수로, CAN 훈련에 정규화된 평균 제곱 오차(NMSE)를 사용하여 스펙트럼 효율성과 추정 정확도를 향상시킨다.
• 시스템 전체의 강건성과 낮은 신호 전송 오버헤드를 확보하기 위해 오프라인 사전 훈련과 온라인 미세조정을 융합한 하이브리드 훈련 전략을 적용한다.

실험 결과

연구 질문

• RQ1 불완전한 CSI 조건 하에서 딥 러닝을 어떻게 활용하여 RIS를 활용한 테라헤르츠 대량 MIMO 시스템에서 강건한 레이트 스플릿 링크 다중접근(RSMA)을 실현할 수 있는가?
• RQ2 RIS가 포함된 고차원 테라헤르츠 MIMO 시스템에서 저오버헤드, 고정밀도 CSI 획득 프레임워크의 최적 설계는 무엇인가?
• RQ3 모델 기반과 데이터 기반 딥 러닝 기법의 통합은 RIS를 활용한 RSMA 예측의 성능 및 복잡도 트레이드오프를 어떻게 향상시키는가?
• RQ4 트랜스포머 기반 신경망은 정확도와 신호 전송 오버헤드 측면에서 기존 채널 추정 및 피드백 방법에 비해 어느 정도 뛰어나게 성능을 발휘하는가?
• RQ5 불완전한 CSI 조건 하에서 제안된 하이브리드 DL 기반 RSMA 방식은 기존의 SDMA 및 RSMA 방식에 비해 스펙트럼 효율성과 강건성 측면에서 얼마나 높은 성능 향상을 이룰 수 있는가?

주요 결과

• 제안된 RRN 및 DFAPN는 특히 불완전한 CSI 조건에서 기존 방법에 비해 유의미하게 높은 평균 가중합산율(ARWU) 성능을 달성한다.
• 제안된 CAN은 낮은 파ilot 및 피드백 오버헤드 조건에서도 기존 방법보다 낮은 정규화된 평균 제곱 오차(NMSE)를 달성하여 CSI 추정 오차를 감소시킨다.
• 제안된 DL 기반 CAN, RRN, DFAPN의 실행 시간은 GPU 기준 3.24–5.63 ms, CPU 기준 15.64–25.39 ms로, 모델 기반 방법인 AWMMSE(70.14 s, CPU)에 비해 현저히 빠르다.
• 제안된 DL 기반 방식의 계산 복잡도는 모델 기반 대비 $ frac{1}{10}$에서 $ frac{1}{100}$ 수준이며, CAN/RRN/DFAPN의 복잡도는 AWMMSE의 $ frac{1}{100}$ 수준이다.
• 제안된 AWMMSE 알고리즘은 기존 방법보다 뛰어난 스펙트럼 효율성을 확보하지만 계산 비용이 매우 높아(70.14 s, CPU), 이에 따라 DFAPN를 통한 복잡도 감소의 필요성이 부각된다.
• 수치 결과는 제안된 종단 간 DL 기반 프레임워크가 낮은 파ilot 및 피드백 오버헤드 조건에서도 높은 스펙트럼 효율성을 달성하면서도 CSI 불완전성에 대한 강건성을 유지함을 확인한다.