[논문 리뷰] Deep Learning Based Spatial User Mapping on Extra Large MIMO Arrays

Abolfazl Amiri, Carles Navarro Manchón외 1명|arXiv (Cornell University)|2020. 02. 02.

Advanced MIMO Systems Optimization참고 문헌 16인용 수 10

한 줄 요약

이 논문은 초대규모 MIMO(XL-MIMO) 시스템에서 병렬 분산 컨volution 신경망(PaSUMCNN)을 사용하여 각 사용자별 최적의 beamforming 하위집합을 식별하기 위한 딥러닝 기반 공간 사용자 매핑(SUM) 솔루션을 제안한다. 대규모 어레이에서의 비정상적인 채널 특성을 활용하도록 훈련된 이 방법은 완전 탐색 대비 근사적으로 무시할 만한 sum-rate 손실을 동반하면서도 80% 이상의 최적 솔루션 비율을 달성하여 XL-MIMO 시스템에서 확장 가능하고 저복잡도의 프리코딩을 가능하게 한다.

ABSTRACT

In an extra-large scale MIMO (XL-MIMO) system, the antenna arrays have a large physical size that goes beyond the dimensions in traditional MIMO systems. Because of this large dimensionality, the optimization of an XL-MIMO system leads to solutions with prohibitive complexity when relying on conventional optimization tools. In this paper, we propose a design based on machine learning for the downlink of a multi-user setting with linear pre-processing, where the goal is to select a limited mapping area per user, i.e. a small portion of the array that contains the beamforming energy to the user. We refer to this selection as spatial user mapping (SUM). Our solution relies on learning using deep convolutional neural networks with a distributed architecture that is built to manage the large system dimension. This architecture contains one network per user where all the networks work in parallel and exploit specific non-stationary properties of the channels along the array. Our results show that, once the parallel networks are trained, they provide the optimal SUM solution in more than $80\%$ of the instances, resulting in a negligible sum-rate loss compared to a system using the optimal SUM solution while providing an insightful approach to rethink these kinds of problems that have no closed-form solution.

연구 동기 및 목표

• 기하급수적인 안테나 어레이를 가진 초대규모 MIMO(XL-MIMO) 시스템에서 beamforming 최적화의 금지적인 계산 복잡도를 해결하기 위해.
• 각 사용자별로 가장 효과적인 어레이 요소 하위집합만 선택하는 확장 가능하고 저복잡도의 사용자 특화 공간 사용자 매핑(SUM) 솔루션을 개발하기 위해.
• 딥러닝을 활용하여 XL-MIMO 프리코딩에서의 조합 최적화 과제를 회피하면서도 근사 최적의 스펙트럼 효율을 유지하기 위해.
• 분산형 병렬 신경망을 통해 각 사용자별로 계산 부담을 줄여 XL-MIMO의 실용적 구현을 가능하게 하기 위해.

제안 방법

• 대규모 XL-MIMO 시스템 차원을 처리하기 위해 각 사용자별로 독립된 네트워크를 갖춘 분산형 병렬 컨volution 신경망 아키텍처(PaSUMCNN)를 설계하였다.
• 각 사용자 특화 신경망은 공간 비정상성으로 인해 빔포밍 에너지가 집중되는 국소적 어레이 영역인 가시성 영역(VR)으로 사용자를 매핑하는 것을 학습한다.
• 최대 안테나 하위집합 제약 조건 하에 sum-rate 최적화를 위해 ZF 프리코딩을 사용한 레이블이 부여된 채널 행렬을 사용하여 네트워크를 훈련시켰다.
• 과적합을 방지하고 미리 알 수 없는 채널 실현치에 대한 일반화 능력을 향상시키기 위해 배치 정규화, 드롭아웃, L2 정규화를 적용하였다.
• 훈련 과정은 데이터의 80%를 훈련용으로, 20%를 검증용으로 사용하였으며, 수렴이 약 훈련 기간의 20% 지점에서 달성되었다.
• 오프라인 훈련 이후 실시간으로 채널 상태 정보(CSI)를 각 병렬 네트워크에 입력하여 각 사용자별 최적의 안테나 하위집합을 출력하는 추론을 수행하였다.

실험 결과

연구 질문

• RQ1 금지적인 조합 복잡도를 가진 XL-MIMO 시스템에서 딥러닝이 최적의 공간 사용자 매핑(SUM)을 효과적으로 근사할 수 있는가?
• RQ2 sum-rate와 솔루션 최적성 측면에서, 병렬 사용자 특화 CNN 아키텍처가 완전 탐색에 비해 얼마나 잘 성능을 내는가?
• RQ3 대규모 어레이에서의 비정상적인 채널 특성은 SUM에 대해 효율적이고 국소적인 학습을 얼마나 잘 가능하게 하는가?
• RQ4 기존 최적화 방법에 비해 상당히 감소된 계산 복잡도로 근사 최적 성능를 달성할 수 있는가?
• RQ5 해결 공간에서 연속된 안테나 집합을 가정하는 것이 성능 저하를 유발하는가?

주요 결과

• PaSUMCNN 방법은 테스트 사례의 80% 이상에서 최적의 SUM 솔루션을 달성하여 효과적인 빔포밍 하위집합을 식별하는 데 높은 정확도를 보였다.
• 전체 어레이에 대한 최적 ZF 프리코딩과 비교했을 때 sum-rate 손실은 극히 미미하여 다양한 SNR 값에서 6.4%에서 7.4%의 범위를 보였다.
• 완전 탐색 대비 약 2×10^7 배의 계산 복잡도 감소를 이룩하여 실시간 구현에 실용적이게 되었다.
• 훈련 과정이 빠르게 수렴하여 총 훈련 시간의 1/5 이내에 80%의 정확도에 도달하여 지연 민감한 응용 분야에 대한 빠른 적응이 가능했다.
• 연속된 안테나 집합을 단순화 가정으로 사용하는 것이 성능 저하를 유의미하게 유발하지 않아 그 실용성이 검증되었다.
• 배치 정규화, 드롭아웃, L2 정규화의 조합은 과적합을 효과적으로 완화하여 미리 알 수 없는 채널 조건에 대한 강건한 일반화를 보장했다.