[논문 리뷰] Deep Learning Detection Networks in MIMO Decode-Forward Relay Channels

Xianglan Jin, Hyoung-Nam Kim|arXiv (Cornell University)|2018. 07. 12.

Cooperative Communication and Network Coding참고 문헌 27인용 수 6

한 줄 요약

이 논문은 MIMO 디코딩-포워딩 리레이 채널을 위한 딥러닝 기반 탐지 네트워크(NMLDNs)를 제안하며, 근사 최대우도(NML) 탐지의 복잡도를 크게 감소시켜 실시간으로 작동하게 한다. NMLDNs는 복잡도가 매우 낮아지면서도 정확도가 고전적 방법보다 최대 2 dB의 SNR 이득을 확보한 채로, 소스-리레이 링크의 순간적인 채널 상태 정보(CSI)가 없어도 실시간으로 작동한다.

ABSTRACT

In this paper, we consider signal detection algorithms in a multiple-input multiple-output (MIMO) decode-forward (DF) relay channel with one source, one relay, and one destination. The existing suboptimal near maximum likelihood (NML) detector and the NML with two-level pair-wise error probability (NMLw2PEP) detector achieve excellent performance with instantaneous channel state information (CSI) of the source-relay (SR) link and with statistical CSI of the SR link, respectively. However, the NML detectors require an exponentially increasing complexity as the number of transmit antennas increases. Using deep learning algorithms, NML-based detection networks (NMLDNs) are proposed with and without the CSI of the SR link at the destination. The NMLDNs detect signals in changing channels after a single training using a large number of randomly distributed channels. The detection networks require much lower detection complexity than the exhaustive search NML detectors while exhibiting good performance. To evaluate the performance, we introduce semidefinite relaxation detectors with polynomial complexity based on the NML detectors. Additionally, new linear detectors based on the zero gradient of the NML metrics are proposed. Applying various detection algorithms at the relay (DetR) and detection algorithms at the destination (DetD), we present some DetR-DetD methods in MIMO DF relay channels. An appropriate DetR-DetD method can be employed according to the required error probability and detection complexity. The complexity analysis and simulation results validate the arguments of this paper.

연구 동기 및 목표

• 전송 안테나 수가 증가함에 따라 MIMO 디코딩-포워딩 리레이 시스템에서 근사 최대우도(NML) 탐지의 복잡도가 기하급수적으로 증가하는 문제를 해결한다.
• 단일 학습 단계로 랜덤 채널 변동에 일반화되는 딥러닝 기반 탐지 네트워크(NMLDNs)를 개발한다.
• 소스-리레이(SR) 링크의 순간적인 채널 상태 정보(CSI)가 필요 없이 저복잡도, 실시간 신호 탐지가 가능한 도착지에서의 탐지 기능을 구현한다.
• NML 지표의 영점 기울기와 준정방형 이완(SDR) 근사 기반의 새로운 선형 탐지기들을 제안하여 성능 및 복잡도 기준을 마련한다.
• 다양한 리레이 탐지(DetR) 및 도착지 탐지(DetD) 조합의 성능-복잡도 트레이드오프를 평가하고, 시스템 설계를 안내한다.

제안 방법

• 반복적인 NML 탐지 알고리즘을 딥 네트워크 레이어로 전개하여 실시간 추론을 위한 NML 기반 탐지 네트워크(NMLDNs)를 구축한다.
• 손실 함수로 $ l_1 $ 및 $ l_2 $를 사용한 지도 학습 방식으로 NMLDNs를 학습하며, $ l_1 $은 예측된 전송 기호와 실제 기호 간의 추정 오차를 최소화한다.
• SR 링크의 영향을 제곱된 리레이 신호 거리로 모델링하여 순간적인 SR CSI가 도착지에 필요 없는 CSI-free NMLDN 변종(DNwRSD, sDNwRSD)을 설계한다.
• 통계적 지식을 리레이 신호 거리 지표를 통해 통합한 부분 최적의 NMLwRSD 탐지기를 도입한다.
• 다항식 시간 복잡도를 가지는 준정방형 이완(SDR) 탐지기를 개발하여 NMLDNs의 성능 기준으로 활용한다.
• NML 지표의 영점 기울기 기반으로 새로운 선형 탐지기(ZGwSRC, ZGwREP, ZGwRSD)를 제안하며, ZFwMRC보다 성능이 향상된 저복잡도 대안을 제공한다.

실험 결과

연구 질문

• RQ1 딥러닝을 활용해 MIMO 디코딩-포워딩 리레이 채널에서 복잡한 NML 탐지를 계산 복잡도를 크게 감소시켜 근사화할 수 있는가?
• RQ2 도착지에서 소스-리레이(SR) 링크의 순간적인 채널 상태 정보(CSI)가 없을 경우, NMLDNs의 성능이 고전적 전수 탐색 NML 및 SDR 기반 탐지기와 비교해 어떻게 되는가?
• RQ3 다양한 손실 함수와 네트워크 깊이가 동적 fading 환경에서 NMLDNs의 오차율 성능에 어떤 영향을 미치는가?
• RQ4 CSI-free NMLDNs가 CSI 인식 탐지기와 유사한 성능을 달성할 수 있으며, ZFwMRC와 같은 전통적인 선형 탐지기보다 얼마나 향상되는가?
• RQ5 실제 MIMO DF 리레이 시스템에서 오차율과 복잡도의 트레이드오프 측면에서 최적의 DetR-DetD 조합은 무엇인가?

주요 결과

• 손실 함수로 $ l_1 $과 $ L = 6N $ 레이어를 사용한 DNaR-NMLDN은 광범위한 SNR 범위에서 전수 탐색 NML 탐지기와 0.5 dB 이내의 성능를 확보한다.
• SR 링크에 대한 어떤 지식도 없이 DNaR-DNwRSD 및 sDNaR-DNwRSD 방법은 BER = $10^{-2}$에서 SDRaR-SDRwRSD보다 약 2 dB의 SNR 이득을 확보한다.
• SR CSI가 도착지에 제공되지 않을 경우, NMLwRSD 탐지기는 MD 탐지기 대비 BER = $10^{-3}$에서 3.6 dB의 SNR 향상을 달성한다.
• ZGwRSD 선형 탐지기는 BER = $10^{-3}$에서 ZFwMRC 대비 6.8 dB의 SNR 이득을 보이며, 낮은 복잡도로도 뚜렷한 성능 향상을 입증한다.
• 학습에 $ N_{ ext{iteration}} = 5 imes 10^4 $ 반복 및 $ N_{ ext{batch}} = 10^4 $ 배치를 사용할 경우 안정된 성능가 확보되며, BER은 $ L ightarrow 6N $ 레이어에서 수렴한다.
• SDR 기반 탐지기(SDRaR)는 DNaR-NMLDN과 매우 유사한 성능를 확보하여, DNaR가 고복잡도 NML 탐지기의 강력한 저복잡도 대안임을 검증한다.