[논문 리뷰] Deep learning for location based beamforming with NLOS channels

Luc Le Magoarou, Taha Yassine외 2명|arXiv (Cornell University)|2022. 01. 26.

Millimeter-Wave Propagation and Modeling참고 문헌 32인용 수 16

한 줄 요약

이 논문은 랜덤 푸리에 특징(RFFs)를 사용하는 신경망을 통해 사용자 위치를 직접 조절기 벡터로 매핑하는 딥러닝 기반의 위치 기반 빔포밍 방법을 제안한다. 이는 LOS 및 NLOS 환경 모두에서 정확한 빔포밍을 가능하게 하며, RFF가 강화된 네트워크는 채널 계수의 고주파 수치 변화를 학습하여 채널과의 중앙 상관계수 0.946을 달성한다. 이는 고전적 LBB 및 표준 MLP 기준선보다 유의미하게 뛰어나다.

ABSTRACT

Massive MIMO systems are highly efficient but critically rely on accurate channel state information (CSI) at the base station in order to determine appropriate precoders. CSI acquisition requires sending pilot symbols which induce an important overhead. In this paper, a method whose objective is to determine an appropriate precoder from the knowledge of the user's location only is proposed. Such a way to determine precoders is known as location based beamforming. It allows to reduce or even eliminate the need for pilot symbols, depending on how the location is obtained. the proposed method learns a direct mapping from location to precoder in a supervised way. It involves a neural network with a specific structure based on random Fourier features allowing to learn functions containing high spatial frequencies. It is assessed empirically and yields promising results on realistic synthetic channels. As opposed to previously proposed methods, it allows to handle both line-of-sight (LOS) and non-line-of-sight (NLOS) channels.

연구 동기 및 목표

• 고전적 위치 기반 빔포밍(LBB) 방법이 선로 간섭(LOS) 경로에만 의존하고 비선로 간섭(NLOS) 상황에서는 실패하는 한계를 해결한다.
• 사용자 위치 정보만으로도 조절기 벡터를 결정함으로써 대규모 MIMO 시스템의 피LOT 오버헤드를 감소하거나 제거한다.
• fading으로 인한 채널 계수의 고주파 수치 변화를 학습할 수 있는 신경망을 개발한다. 이는 고전적 MLP가 포착하지 못하는 부분이다.
• LOS 및 NLOS 전파 조건이 모두 존재하는 복잡한 도시 환경에서도 견고한 빔포밍을 가능하게 한다.
• 라벨이 부여된 훈련 데이터베이스를 사용하여, RFF를 활용한 지도 기반 딥러닝 접근 방식이 다양한 전파 환경에서 잘 일반화됨을 입증한다.

제안 방법

• 사용자 위치(2D 또는 3D)에서 단위 노름 조절기 벡터로의 직접 매핑을 학습하기 위해 딥 뉴럴 네트워크를 훈련한다.
• 공간 주파수 정보를 인코딩하기 위해 랜덤 푸리에 특징(RFFs)을 첫 번째 레이어로 사용하여, 네트워크가 고주파 채널 변화를 모델링할 수 있도록 한다.
• RFF 레이어는 입력 위치 좌표를 무작위 기저 함수를 사용해 변환한다: γ(l) = [cos(2πBl), sin(2πBl)]^T, 여기서 B는 무작위로 샘플된 공간 주파수 행렬이다.
• RFF 출력을 다층 퍼셉트론(MLP, 깊이 Q=4, 너비 M=512)과 스택하여 복잡한 비선형 매핑을 학습한다. 활성화 함수로는 ReLU를 사용한다.
• 최종 레이어는 예측된 조절기 벡터 w의 실수부와 허수부를 나타내는 2A개의 실수 값을 출력한다.
• 예측된 조절기와 실제 채널 간의 음의 상관계수를 최소화하도록, 10,000개의 훈련 채널과 위치로 구성된 라벨이 부여된 데이터셋에서 확률적 경사 하강법(Adam)을 사용해 네트워크를 최적화한다.

실험 결과

연구 질문

• RQ1 사용자 위치 및 채널 데이터로 훈련된 딥러닝 모델이 LOS 및 NLOS 전파 조건 모두에 일반화될 수 있는가?
• RQ2 랜덤 푸리에 특징(RFFs)을 사용할 경우, 표준 MLP에 비해 신경망이 채널 계수의 고주파 수치 변화를 학습하는 데에 유의미하게 향상되는가?
• RQ3 제안된 RFF 기반 LBB 방법의 성능은 고전적 LBB 및 표준 딥러닝 기준선 대비 조절기-채널 상관계수 측면에서 어떻게 비교되는가?
• RQ4 실제 도시 환경에서 높은 성능을 달성하기 위해 필요한 훈련 데이터의 밀도(단위 면적당 훈련 채널 수)는 얼마인가?
• RQ5 위치 정보만을 활용하여 피LOT 기반 기반의 의존도를 제거함으로써, 높은 스펙트럼 효율을 달성할 수 있는가?

주요 결과

• 제안된 RFF 기반 딥러닝 방법은 10,000개의 합성 채널로 구성된 테스트 세트에서 예측된 조절기와 실제 채널 간 중앙 상관계수 0.946을 달성한다.
• 이 성능은 고전적 LBB(중앙 상관계수: 0.708) 및 표준 MLP 기준선(중앙 상관계수: 0.714)보다 유의미하게 뛰어나며, 특히 NLOS 영역에서 두드러진다.
• 공간 성능 지ap은 제안된 방법이 LOS 및 NLOS 영역 모두에서 높은 상관계수(노란색)를 제공하는 반면, 고전적 LBB는 NLOS 영역에서 실패함(파란 영역)을 보여준다.
• 훈련 채널 수가 3,000개를 초과할 때부터 테스트 데이터에서 성능이 향상되기 시작하며, 이는 20,520 m² 영역에서 약 7 m²당 하나의 훈련 샘플에 해당한다.
• RFF의 사용은 네트워크가 채널 계수의 고주파 수치 변화를 학습할 수 있도록 하며, 이는 고전적 MLP가 스펙트럼 편향으로 인해 모델링할 수 없는 부분이다.
• 이 방법은 선로 간섭 경로의 부재에도 견고하며 다양한 전파 환경에 잘 일반화되어, 도시 환경에서의 실생활 적용 잠재력을 보여준다.