[논문 리뷰] Deep Learning for Massive MIMO with 1-Bit ADCs: When More Antennas Need Fewer Pilots

Yu Zhang, Muhammad Alrabeiah외 1명|arXiv (Cornell University)|2019. 10. 15.

Advanced MIMO Systems Optimization참고 문헌 13인용 수 7

한 줄 요약

이 논문은 1비트 ADC를 갖는 대량 MIMO 시스템을 위한 딥 러닝 기반 채널 추정 프레임워크를 제안한다. 이 프레임워크는 양자화된 파ilot 측정값에서 채널 벡터로의 학습된 매핑을 활용한다. 놀랍게도, 더 많은 기지국 안테나 수가 증가할수록 필요한 파ilot 오버헤드가 감소함을 발견하였다. 이는 측정의 유일성이 증가함에 따라 더 적은 수의 파ilot로도 더 나은 추정 성능을 달성할 수 있기 때문이다. 이는 분석적 분석과 시뮬레이션을 통해 검증되었다.

ABSTRACT

This paper considers uplink massive MIMO systems with 1-bit analog-to-digital converters (ADCs) and develops a deep-learning based channel estimation framework. In this framework, the prior channel estimation observations and deep neural network models are leveraged to learn the non-trivial mapping from quantized received measurements to channels. For that, we derive the sufficient length and structure of the pilot sequence to guarantee the existence of this mapping function. This leads to the interesting, and extit{counter-intuitive}, observation that when more antennas are employed by the massive MIMO base station, our proposed deep learning approach achieves better channel estimation performance, for the same pilot sequence length. Equivalently, for the same channel estimation performance, this means that when more antennas are employed, fewer pilots are required. This observation is also analytically proved for some special channel models. Simulation results confirm our observations and show that more antennas lead to better channel estimation both in terms of the normalized mean squared error and the achievable signal-to-noise ratio per antenna.

연구 동기 및 목표

• 기존 방법이 긴 파ilot 시퀀스가 필요로 하는 1비트 ADC 대량 MIMO 시스템에서의 높은 학습 오버헤드 문제를 해결한다.
• 1비트 ADC를 갖는 업링크 대량 MIMO 환경에서, 극도로 양자화된 '기호만'의 측정값으로부터 채널을 추정하는 과제를 해결한다.
• 양자화된 측정값에서 채널 상태 정보로의 비선형 매핑을 학습하는 딥 러닝 프레임워크를 개발한다.
• 이 매핑이 존재하는 기본 조건, 특히 필요한 파ilot 시퀀스 길이와 구조를 조사한다.
• 역설적인 통찰, 즉 더 많은 안테나가 더 적은 파ilot 수가 필요로 하는 이유를 드러내고 증명한다.

제안 방법

• 1비트 ADC 이후의 양자화된 업링크 파ilot 측정값에서 추정된 채널 벡터로 매핑하는 딥 신경망을 제안한다.
• 채널에서 양자화된 측정값으로의 이遍성 매핑이 존재하도록 보장하기 위한 파ilot 시퀀스 길이와 각도 구조에 대한 충분조건을 유도한다.
• 위상 차이를 모델링하기 위해 복소수 벡터를 사용하여, 서로 다른 채널이 구별 가능한 부호 패턴을 생성하도록 보장한다.
• 채널에 의해 유도된 양자화된 측정값 간의 분리도를 극대화하기 위해 복소평면을 균일하게 샘플링하는 각도를 갖는 파ilot 시퀀스를 설계한다.
• 단일 경로 채널의 경우, 필요한 파ilot 길이가 채널 쌍 간 최소 각도 간격에 반비례함을 분석적으로 증명한다.
• 다양한 수의 안테나와 파ilot 길이에서 정규화된 평균 제곱오차(NMSE)와 안테나 당 신호 대 잡음비(SNR)를 비교하는 시뮬레이션을 통해 프레임워크를 검증한다.

실험 결과

연구 질문

• RQ1 1비트 ADC 대량 MIMO 시스템에서 채널 벡터에서 양자화된 측정값으로의 유일한 매핑을 보장하기 위해 필요한 최소 파ilot 시퀀스 길이와 구조는 무엇인가?
• RQ2 딥 러닝은 1비트 ADC 시스템에서 기호만의 측정값에서 전체 채널 상태 정보로의 비트리플 매핑을 효과적으로 학습할 수 있는가?
• RQ3 왜 기지국 안테나 수를 늘일수록 동일한 추정 성능을 위해 필요한 파ilot 오버헤드가 감소하는가?
• RQ4 더 많은 안테나 또는 더 긴 파ilot로 인해 측정값에서 채널로의 매핑의 이遍성은 어떻게 향상되는가?
• RQ5 딥 러닝 기반 추정은 얼마나 적은 파ilot 오버헤드로도 1비트 ADC 대량 MIMO에서 거의 최적의 성능에 도달할 수 있는가?

주요 결과

• 제안된 딥 러닝 프레임워크는 기존 방법에 비해 상당히 감소된 파ilot 오버헤드로 신뢰할 수 있는 채널 추정을 달성한다.
• 동일한 파ilot 길이에서 기지국 안테나 수를 늘일수록 정규화된 평균 제곱오차(NMSE) 기준으로 채널 추정 성능이 향상된다.
• 단지 2개의 파ilot로도 안테나 수가 증가함에 따라 안테나 당 신호 대 잡음비(SNR)가 이론적 상한선에 가까워진다.
• 시뮬레이션 결과, 10개의 파ilot로도 고차원 채널에서 조차 채널 상태를 구별하는 데 99.5%의 성공률를 기록하였다.
• 분석적 증명을 통해 필요한 파ilot 길이가 $ N \geq \left\lceil \frac{\pi}{2\alpha} \right\rceil $로 스케일링됨을 확인하였으며, 여기서 $ \alpha $는 채널 쌍 간 최소 각도 간격이다.
• 역설적인 결과가 검증되었다: 더 많은 안테나가 더 적은 파ilot 수가 필요로 하는데, 이는 양자화된 측정값의 유일성이 증가하기 때문이다.