[논문 리뷰] DeepMIMO: A Generic Deep Learning Dataset for Millimeter Wave and Massive MIMO Applications

Ahmed Alkhateeb|arXiv (Cornell University)|2019. 02. 18.

Millimeter-Wave Propagation and Modeling인용 수 259

한 줄 요약

DeepMIMO은 mmWave/대용량 MIMO ML 연구를 위한 레이 트레이싱 기반의 매개변수화된 데이터셋을 제공하여 재현 가능한 벤치마킹을 가능하게 한다. 18 BS와 백만 명이 넘는 사용자가 포함된 야외 예제가 빔 예측의 활용을 보여준다.

ABSTRACT

Machine learning tools are finding interesting applications in millimeter wave (mmWave) and massive MIMO systems. This is mainly thanks to their powerful capabilities in learning unknown models and tackling hard optimization problems. To advance the machine learning research in mmWave/massive MIMO, however, there is a need for a common dataset. This dataset can be used to evaluate the developed algorithms, reproduce the results, set benchmarks, and compare the different solutions. In this work, we introduce the DeepMIMO dataset, which is a generic dataset for mmWave/massive MIMO channels. The DeepMIMO dataset generation framework has two important features. First, the DeepMIMO channels are constructed based on accurate ray-tracing data obtained from Remcom Wireless InSite. The DeepMIMO channels, therefore, capture the dependence on the environment geometry/materials and transmitter/receiver locations, which is essential for several machine learning applications. Second, the DeepMIMO dataset is generic/parameterized as the researcher can adjust a set of system and channel parameters to tailor the generated DeepMIMO dataset for the target machine learning application. The DeepMIMO dataset can then be completely defined by the (i) the adopted ray-tracing scenario and (ii) the set of parameters, which enables the accurate definition and reproduction of the dataset. In this paper, an example DeepMIMO dataset is described based on an outdoor ray-tracing scenario of 18 base stations and more than one million users. The paper also shows how this dataset can be used in an example deep learning application of mmWave beam prediction.

연구 동기 및 목표

• mmWave/대용량 MIMO ML 연구를 위한 크고 환경 인식된 대규모 데이터셋의 필요성을 제시한다.
• 환경 기하학과 송신기/수신기 위치를 포착하는 일반적이고 매개변수화된 데이터셋 생성 프레임워크를 제안한다.
• 레이 트레이싱 시나리오와 매개변수 세트에 의해 데이터셋이 완전히 정의되도록 하여 재현성을 보장한다.
• mmWave 빔 예측의 예제 응용을 통해 데이터셋을 시연한다.
• ML 작업에 데이터셋을 생성하고 사용하는 실용적 워크플로우와 코드를 제공한다.

제안 방법

• 환경 의존성을 반영하기 위해 정확한 레이 트레이싱 출력(Wireless InSite)으로 채널을 구성한다.
• 시나리오 R과 매개변수 세트 S로 데이터셋을 맞춤화하는 매개변수식 데이터셋 프레임워크를 정의한다.
• 선정된 서브캐리어에서 L 경로의 합과 배열 응답 a(·)를 사용하여 OFDM-채널 벡터 h_k^{b,u}를 계산한다(식 1–5).
• ML 입력으로 채널 외의 피처를 가능하게 하기 위해 사용자 위치 및 기타 피처를 포함한다.
• 채널과 사용자 위치에 구조화된 접근을 제공하는 MATLAB MAT-file DeepMIMO_dataset.mat를 출력한다.
• 선택된 시나리오와 매개변수 설정에 대해 데이터셋을 생성하기 위한 상세한 워크플로우를 제공한다.

실험 결과

연구 질문

• RQ1 mmWave/MIMO ML 연구를 위해 어떻게 크고 환경 인식적이며 매개변수화된 데이터셋을 구축할 수 있는가?
• RQ2 레이 트레이싱 출력물을 ML 준비가 된 채널 입력과 빔포밍 대상로 어떻게 변환할 수 있는가?
• RQ3 데이터셋 매개변수(안테나 수, 대역폭, OFDM, 경로 수)가 빔 예측과 같은 학습 과제에 미치는 영향은 무엇인가?
• RQ4 DeepMIMO가 mmWave/MIMO에서 다양한 ML 접근법 간 재현 가능한 벤치마킹을 가능하게 하는가?

주요 결과

• DeepMIMO 데이터셋은 정확한 레이 트레이싱 데이터에 의해 구동되며 환경 기하학 및 송신기/수신기 위치를 포착한다.
• 해당 프레임워크는 일반적이고 매개변수화되어 연구자들이 S를 조정하고 R 시나리오를 선택하여 ML 작업에 맞게 데이터셋을 조정할 수 있다.
• 예제 DeepMIMO 데이터셋(O1)은 18개의 기지국과 백만 명이 넘는 사용자를 포함하여 대규모 ML 실험을 촉진한다.
• 데이터셋은 mmWave 빔 예측과 같은 감독 학습 응용을 위한 입력/출력을 구성하는 것을 지원한다.
• 본 논문은 여러 BS에서 Omni 수신 시퀀스를 사용하여 빔포밍 벡터를 예측하는 빔 예측 응용을 시연한다.
• 데이터셋과 동반 코드는 재현성과 ML 방법 간의 간단한 비교를 가능하게 한다.