[논문 리뷰] Dilated Convolution based CSI Feedback Compression for Massive MIMO Systems

Shunpu Tang, Junjuan Xia외 4명|arXiv (Cornell University)|2021. 06. 08.

Advanced MIMO Systems Optimization인용 수 7

한 줄 요약

이 논문은 확장된 컨volution을 사용하여 커널 크기를 늘리지 않고도 수신 필드를 확장함으로써 FDD 마이크로모미 코herent MIMO 시스템을 위한 깊이 학습 기반 CSI 피드백 압축 프레임워크인 DCRNet을 제안한다. 이 방법은 CsiNet보다 최대 26% 낮은 FLOPs를 기록하며 최신 기술 수준의 재구성 성능를 달성하여 저복잡도 사용자 장비에 매우 효율적이다.

ABSTRACT

Although the frequency-division duplex (FDD) massive multiple-input multiple-output (MIMO) system can offer high spectral and energy efficiency, it requires to feedback the downlink channel state information (CSI) from users to the base station (BS), in order to fulfill the precoding design at the BS. However, the large dimension of CSI matrices in the massive MIMO system makes the CSI feedback very challenging, and it is urgent to compress the feedback CSI. To this end, this paper proposes a novel dilated convolution based CSI feedback network, namely DCRNet. Specifically, the dilated convolutions are used to enhance the receptive field (RF) of the proposed DCRNet without increasing the convolution size. Moreover, advanced encoder and decoder blocks are designed to improve the reconstruction performance and reduce computational complexity as well. Numerical results are presented to show the superiority of the proposed DCRNet over the conventional networks. In particular, the proposed DCRNet can achieve almost the state-of-the-arts (SOTA) performance with much lower floating point operations (FLOPs). The open source code and checkpoint of this work are available at https://github.com/recusant7/DCRNet.

연구 동기 및 목표

• 크고 차원이 큰 CSI 행렬로 인해 FDD 마이크로모미 코herent MIMO 시스템의 CSI 피드백에서 높은 계산 및 피드백 오버헤드가 발생하는 문제를 해결한다.
• CSI 희박성에 의존하고 반복 처리로 인해 높은 지연이 발생하는 전통적인 압축 감지 방법의 한계를 극복한다.
• 제한된 수신 필드와 높은 계산 복잡도로 인해 성능에 한계가 있는 기존의 딥 러닝 기반 CSI 압축 네트워크(CsiNet 등)를 향상시킨다.
• 실제 사용자 장비 제약 조건 하에서 효율적인 CSI 피드백을 가능하게 하는 경량이지만 고성능의 네트워크를 설계한다.

제안 방법

• 커널 크기나 파rameter 수를 늘리지 않고도 수신 필드를 확장하기 위해 인코더 및 디코더 블록 모두에 확장된 컨볼루션을 적용한다.
• 재구성 정확도를 향상시키면서도 계산 복잡도를 최소화하기 위해 고도화된 인코더 및 디코더 블록을 통합한다.
• 딥 러닝 처리 이전에 DFT를 통해 CSI 행렬을 각도-지연 도메인으로 변환하여 희박성을 활용하고 압축 가능성을 향상시킨다.
• 확장된 컨볼루션을 사용한 깊은 오토인코더 아키텍처를 활용하여 효율적인 피드백을 위한 CSI 행렬의 압축된 표현을 학습한다.
• 성능와 FLOPs 간의 균형을 맞추기 위해 네트워크 너비를 너비 확장 비율(ρ)을 통해 최적화하여 저복잡도 장치에의 배포를 가능하게 한다.
• 재구성된 CSI 행렬과 원본 CSI 행렬 간의 NMSE를 최소화하기 위해 네트워크를 엔드 투 엔드로 훈련한다.

Figure 1: Structure of the CSI feedback in massive MIMO system.

실험 결과

연구 질문

• RQ1 확장된 컨볼루션은 모델 복잡도를 증가시키지 않고도 CSI 피드백 네트워크에서 수신 필드를 효과적으로 확장할 수 있는가?
• RQ2 DCRNet는 CsiNet 및 ACRNet와 같은 최신 기술 수준의 네트워크와 비교해 재구성 정확도와 계산 효율성 측면에서 어떻게 성능을 내는가?
• RQ3 낮은 FLOPs로 유지하면서도 고압축 비율(예: 1/16, 1/32)에서 네트워크가 얼마나 높은 성능을 유지를 할 수 있는가?
• RQ4 인코더와 디코더 양쪽에 모두 확장된 컨볼루션을 사용할 경우, 인코더에만 사용하거나 전혀 사용하지 않을 경우보다 더 나은 성능을 내는가?
• RQ5 다양한 전파 환경(실내/실외)에서 제안된 네트워크가 상당히 낮은 FLOPs로 근접한 최신 기술 수준의 성능를 달성할 수 있는가?

주요 결과

• DCRNet-1×는 1/4 압축 비율에서 CsiNet보다 26% 낮은 FLOPs, CRNet보다 21% 낮은 FLOPs, ACRNet-1×보다 12% 낮은 FLOPs로 최신 기술 수준의 NMSE 성능를 기록한다.
• 실내 조건에서 DCRNet-1×는 모든 베이스라인을 초월하며 최신 기술 수준의 성능를 낮은 계산 비용으로 달성한다.
• 1/16 압축 비율에서 DCRNet-10×는 -14.18 dB의 NMSE를 기록했으며, 최고 성능를 보인 ACRNet-10×와 0.7 dB 이내로 유사한 성능를 보였지만 FLOPs가 크게 낮았다.
• DCRNet-8×는 6.69M FLOPs로 -13.52 dB의 NMSE를 기록했으며, DS-NLCsiNet(-12.93 dB, 4.98M FLOPs)보다 성능과 효율성 양면에서 뛰어나다.
• 절단 분석 결과, 인코더와 디코더 양쪽에 모두 확장된 컨볼루션을 사용할 경우 최고의 재구성 성능를 기록함(실내 1/16 비율에서 NMSE: -11.74 dB, 실외 1/16 비율에서 NMSE: -5.60 dB), 베이스라인 및 DCRNet-M1을 모두 능가한다.
• 네트워크는 실내 및 실외 시나리오 모두에서 강력한 성능를 유지하며 다양한 전파 환경에 대한 강건성과 적응성을 입증한다.

Figure 2: Architecture of the proposed DCRNet, where (a) and (b) illustrate the structures of the encoder and decoder of DCRNet. In addition, the structures of the encoder block and decoder block in (a) and (b) are illustrated in (c) and (d) with $N_{a}=N_{t}=32$ , respectively. In general, the enco