[논문 리뷰] Deep Learning-Empowered Predictive Beamforming for IRS-Assisted Multi-User Communications

Chang Liu, Xuemeng Liu외 4명|arXiv (Cornell University)|2021. 04. 26.

Advanced Wireless Communication Technologies참고 문헌 20인용 수 4

한 줄 요약

이 논문은 역사적 Line-of-Sight (LoS) 채널 특징을 이용해 IRS 위상 보정을 예측함으로써 훈련 오버헤드를 줄이는 딥러닝 기반 예측 beamforming 기법을 제안한다. 위치 인식형 컨볼루션 리커런트 장단기 기억망(LA-CLNet)을 활용해 역사적 LoS 채널의 공간 및 시간적 특징을 모델링하고, 즉각적인 전송 beamforming을 위해 ICSI 인식형 완전 연결 신경망(IA-FNN)을 조합함으로써, 전체 CSI가 제공되는 지네-보조 기법과 유사한 합산율 성능을 달성하면서도 채널 추정 오버헤드를 크게 감소시킨다.

ABSTRACT

The realization of practical intelligent reflecting surface (IRS)-assisted multi-user communication (IRS-MUC) systems critically depends on the proper beamforming design exploiting accurate channel state information (CSI). However, channel estimation (CE) in IRS-MUC systems requires a significantly large training overhead due to the numerous reflection elements involved in IRS. In this paper, we adopt a deep learning approach to implicitly learn the historical channel features and directly predict the IRS phase shifts for the next time slot to maximize the average achievable sum-rate of an IRS-MUC system taking into account the user mobility. By doing this, only a low-dimension multiple-input single-output (MISO) CE is needed for transmit beamforming design, thus significantly reducing the CE overhead. To this end, a location-aware convolutional long short-term memory network (LA-CLNet) is first developed to facilitate predictive beamforming at IRS, where the convolutional and recurrent units are jointly adopted to exploit both the spatial and temporal features of channels simultaneously. Given the predictive IRS phase shift beamforming, an instantaneous CSI (ICSI)-aware fully-connected neural network (IA-FNN) is then proposed to optimize the transmit beamforming matrix at the access point. Simulation results demonstrate that the sum-rate performance achieved by the proposed method approaches that of the genie-aided scheme with the full perfect ICSI.

연구 동기 및 목표

• 대규모 IRS 반사 요소로 인해 발생하는 IRS 보조 다중 사용자 통신(IRS-MUC) 시스템에서의 높은 훈련 오버헤드 문제를 해결하기 위해.
• 예측 beamforming을 통해 빈번한 채널 상태 정보(CSI) 추정에 의존하는 것을 줄이기 위해 이전 채널 특징을 활용하기 위해.
• 사용자 이동성과 불완전한 CSI에도 불구하고 높은 스펙트럼 효율성을 유지할 수 있는 저오버헤드 beamforming 프레임워크를 설계하기 위해.
• 정확한 IRS 위상 보정 예측을 위해 공간 및 시간적 채널 상관관계를 동시에 활용하는 딥러닝 아키텍처를 개발하기 위해.
• 최소한의 즉각적 CSI 피드백으로 이론적 상한선에 가까운 합산율 성능를 달성하기 위해.

제안 방법

• 역사적 LoS 채널의 공간적 및 시간적 특징을 모델링하여 IRS 위상 보정을 예측하기 위해 위치 인식형 컨볼루션 리커런트 장단기 기억망(LA-CLNet)을 제안한다.
• LA-CLNet은 IRS 요소 간의 공간 상관관계를 추출하기 위해 컨볼루션 레이어를 사용하고, 과거 채널 상태의 시간 동적 특성을 포착하기 위해 LSTM 레이어를 활용한다.
• 접근점(AP)에서는 예측된 IRS 위상 보정 기반으로 저차원 다중입력 단일출력(MISO) 채널 추정만 필요로 한다.
• 효율적인 즉각적 CSI를 활용해 전송 beamforming 행렬을 최적화하기 위해 ICSI 인식형 완전 연결 신경망(IA-FNN)을 설계한다.
• IA-FNN은 예측된 IRS beamforming 이후의 효과적 CSI를 최적의 예측 벡터로 매핑하도록 훈련되어 합산율을 최대화한다.
• 종단 간 프레임워크는 추론 과정에서 실시간 CSI 피드백이 필요 없이 역사적 LoS 데이터로부터 학습하는 비지도 학습 방식으로 작동한다.

실험 결과

연구 질문

• RQ1 역사적 LoS 채널 데이터 기반 예측 beamforming이 IRS-MUC 시스템에서 훈련 오버헤드를 줄일 수 있는가?
• RQ2 딥러닝 모델이 공간 및 시간적 채널 특징을 얼마나 효과적으로 활용하여 IRS 위상 보정을 예측할 수 있는가?
• RQ3 예측된 IRS 위상 보정이 최소한의 즉각적 CSI 피드백으로 얼마나 높은 합산율 성능를 달성할 수 있는가?
• RQ4 기존의 오래된 또는 무작위 위상 보정에 의존하는 기준 기법과 비교해 제안된 방법은 어떻게 성능가능한가?
• RQ5 제안된 방법이 완전한 즉각적 CSI를 제공하는 지네-보조 기법과 유사한 성능를 달성할 수 있는가?

주요 결과

• 제안된 DLPB 방법은 전체 즉각적 CSI가 제공되는 지네-보조 기법과 5 dB 이내의 합산율 성능를 달성하여 근사 최적의 성능를 입증한다.
• 제안된 방법의 합산율은 Rician 계수 β가 증가함에 따라 증가하며, β = 10 dB에서 상한선에 수렴함으로써 더 강한 LoS 성분에 따른 보다 우수한 비트맵 정렬을 나타낸다.
• β = 8 dB 및 P = 30 dBm 조건에서 제안된 방법은 단순 딥러닝(DL) 및 무작위 위상 보정 기법보다 5 dB의 합산율 향상을 달성한다.
• 특히 고속 이동 환경에서 역사적 채널 데이터를 효과적으로 활용함으로써 제안된 방법은 단순 DL 및 무작위 PS 기법보다 뚜렷한 성능 향상을 보인다.
• 지네-보조 DL-ICSI 방법의 합산율은 β 증가에 따라 채널 자유도 감소로 인해 감소하는 반면, 제안된 방법은 강한 LoS 우세성 조건에서 성능 향상을 보인다.
• 프레임워크는 전체 스케일의 IRS 채널 추정을 예측된 위상 보정 설계 이후 저차원 MISO 추정으로 대체함으로써 CSI 피드백 오버헤드를 감소시킨다.