[논문 리뷰] Deep Learning for UL/DL Channel Calibration in Generic Massive MIMO Systems

Chongwen Huang, George C. Alexandropoulos외 3명|arXiv (Cornell University)|2019. 03. 07.

Advanced MIMO Systems Optimization참고 문헌 33인용 수 6

한 줄 요약

이 논문은 비선형 하드웨어 임파임먼트가 있는 대규모 MIMO 시스템에서 업링크/다운링크(UL/DL) 채널 캘리브레이션을 위한 딥 신경망(Calinet)을 제안한다. 공동 UL 및 DL 채널 측정치를 기반으로 훈련된 DNN은 순간적인 UL 추정치로부터 校정된 DL 채널을 예측하며, 선형 시나리오에서는 크래머-라오 하한(Cramér-Rao bound)에 매우 가까운 성능를 달성하고, 제한된 훈련 데이터로도 일반적인 비선형 설정에서 강건성을 입증한다.

ABSTRACT

One of the fundamental challenges to realize massive Multiple-Input Multiple-Output (MIMO) communications is the accurate acquisition of channel state information for a plurality of users at the base station. This is usually accomplished in the UpLink (UL) direction profiting from the time division duplexing mode. In practical base station transceivers, there exist inevitably nonlinear hardware components, like signal amplifiers and various analog filters, which complicates the calibration task. To deal with this challenge, we design a deep neural network for channel calibration between the UL and DownLink (DL) directions. During the initial training phase, the deep neural network is trained from both UL and DL channel measurements. We then leverage the trained deep neural network with the instantaneously estimated UL channel to calibrate the DL one, which is not observable during the UL transmission phase. Our numerical results confirm the merits of the proposed approach, and show that it can achieve performance comparable to conventional approaches, like the Agros method and methods based on least squares, that however assume linear hardware behavior models. More importantly, considering generic nonlinear relationships between the UL and DL channels, it is demonstrated that our deep neural network approach exhibits robust performance, even when the number of training sequences is limited.

연구 동기 및 목표

• 비선형 베이스밴드 및 RF 프론트엔드 구성 요소로 인한 비상호성 채널 응답 문제를 해결한다.
• 기존 캘리브레이션 방법이 선형 하드웨어 행동을 가정하고 비선형 시나리오에서 실패하므로 이러한 제한을 극복한다.
• UL 및 DL 채널 간의 복잡하고 일반적인 비선형 매핑을 학습할 수 있는 데이터 기반 딥 러닝 프레임워크를 개발한다.
• 직접적인 DL 훈련 시퀀스가 필요 없이 순간적인 UL CSI만으로 정확한 DL 채널 추정을 가능하게 한다.
• 특히 제한된 훈련 데이터 조건에서 선형 및 비선형 하드웨어 모델 모두에서 강건한 성능을 입증한다.

제안 방법

• UL 채널 추정치에서 校정된 DL 채널로의 매핑을 학습하기 위해 다층 피드포워드 딥 신경망(Calinet)을 설계한다.
• 초기 훈련 단계 동안 수집된 쌍체 UL 및 DL 채널 측정치를 사용하여 네트워크를 훈련시킨다.
• 운영 중 실시간 UL 채널 추정치로부터 DL 채널 상태 정보를 예측하기 위해 훈련된 DNN을 활용한다.
• ReLU 활성화 함수를 사용한 완전 연결 아키텍처를 사용하며, Adam 옵티마이저를 사용한 확률적 경사 하강법으로 최적화한다.
• 일반화 성능 평가를 위해 비선형 관계를 세 가지 유형으로 모델링한다: 선형, tanh 기반, 제곱형(2차형) 모델.
• TensorFlow 및 MATLAB을 사용해 프레임워크를 구현하며, 데이터를 60% 훈련 세트와 40% 테스트 세트로 분할한다.

실험 결과

연구 질문

• RQ1 비선형 하드웨어 임파임먼트가 있는 대규모 MIMO 시스템에서 딥 신경망이 UL 및 DL 채널 간의 비선형 매핑을 효과적으로 학습할 수 있는가?
• RQ2 선형 TDD 시나리오에서 전통적인 선형 캘리브레이션 기법(예: Argos, NPC FC-II)과 비교해 제안된 DNN 기반 캘리브레이션 방법은 어떤 성능을 보이는가?
• RQ3 기존 방법이 실패하는 비선형 채널 시나리오에서 DNN 접근법의 성능는 어떠한가?
• RQ4 비선형 설정에서 DNN 캘리브레이션 성능는 훈련 데이터 세트 크기에 얼마나 민감한가?
• RQ5 이상적인 조건에서 DNN 기반 방법은 이론적 크래머-라오 하한(CRB)에 얼마나 가까이 접근하는가?

주요 결과

• 제안된 DNN 기반 캘리브레이션 방법은 선형 TDD 대규모 MIMO 시스템에서 평균 제곱오차(MSE) 성능이 크래머-라오 하한(CRB)에 매우 가까운 수준을 달성한다.
• 선형 시나리오에서는 Argos 방법과 논문 [14]의 방법을 초월하며, CRB에 아주 약간의 성능 격차만 존재한다.
• 비선형 시나리오—특히 제곱형(2차형) 모델에서는 더 높은 예측 오차가 존재하지만 DNN는 뛰어난 일반화 능력을 보이며 강건한 성능 유지를 한다.
• SNR이 높을수록 MSE 성능이 향상되며, 낮은 SNR에서 훈련 과정이 더 빠르게 수렴하지만, 최종 성능는 높은 SNR에서 더 우수하다.
• 그림 7에서 보듯이, 비선형 tanh 유형 모델에서 20 dB SNR 조건에서 예측된 값과 실제 값이 매우 유사하게 일치함을 통해 개별 DL 채널 계수를 정확히 예측함을 입증한다.
• 제한된 훈련 시퀀스 조건에서도 효과적이며, 기존 방법이 존재하지 않는 일반적인 비선형 하드웨어 모델에서 강력한 일반화 능력을 보인다.