[논문 리뷰] Downlink Extrapolation for FDD Multiple Antenna Systems Through Neural Network Using Extracted Uplink Path Gains

Hyuckjin Choi, Junil Choi|arXiv (Cornell University)|2020. 04. 03.

Advanced MIMO Systems Optimization참고 문헌 39인용 수 18

한 줄 요약

이 논문은 FDD 마스터 MIMO 시스템을 위한 새로운 신경망 기반 다운링크(DL) 채널 상태 정보(CSI) 외삽 기법을 제안한다. 이 기법은 전체 차원의 상行 및 하행 채널 대신 추출된 경로 이득을 사용함으로써 학습 복잡도를 감소시키고 정확도를 향상시킨다. 공통된 채널 파rameter인 출발 각도(AoD)와 지연 시간을 활용하여, 경로 이득에만 기반한 신경망을 학습시킴으로써 기존 방법에 비해 특히 고속 이동 환경에서 뛰어난 성능을 달성한다.

ABSTRACT

When base stations (BSs) are deployed with multiple antennas, they need to have downlink (DL) channel state information (CSI) to optimize downlink transmissions by beamforming. The DL CSI is usually measured at mobile stations (MSs) through DL training and fed back to the BS in frequency division duplexing (FDD). The DL training and uplink (UL) feedback might become infeasible due to insufficient coherence time interval when the channel rapidly changes due to high speed of MSs. Without the feedback from MSs, it may be possible for the BS to directly obtain the DL CSI using the inherent relation of UL and DL channels even in FDD, which is called DL extrapolation. Although the exact relation would be highly nonlinear, previous studies have shown that a neural network (NN) can be used to estimate the DL CSI from the UL CSI at the BS. Most of previous works on this line of research trained the NN using full dimensional UL and DL channels; however, the NN training complexity becomes severe as the number of antennas at the BS increases. To reduce the training complexity and improve DL CSI estimation quality, this paper proposes a novel DL extrapolation technique using simplified input and output of the NN. It is shown through many measurement campaigns that the UL and DL channels still share common components like path delays and angles in FDD. The proposed technique first extracts these common coefficients from the UL and DL channels and trains the NN only using the path gains, which depend on frequency bands, with reduced dimension compared to the full UL and DL channels. Extensive simulation results show that the proposed technique outperforms the conventional approach, which relies on the full UL and DL channels to train the NN, regardless of the speed of MSs.

연구 동기 및 목표

• 고속 이동 시에 제한된 코herence 시간과 큰 파ilot 오버헤드로 인해 기존 FDD 마스터 MIMO 시스템의 높은 학습 및 피드백 오버헤드를 해결한다.
• 전체 차원의 상행 및 하행 채널 행렬에 의존하는 기존의 하행 외삽 방법의 한계를 극복한다. 이는 신경망 학습 복잡도를 증가시키기 때문이다.
• 경로 지연 및 각도와 같은 주요 채널 파rameter의 물리적 상호 reciprocity를 활용하여 고속 이동 환경에서의 하행 CSI 추정 정확도와 강인성을 향상시킨다.
• 입력 및 출력을 경로 이득으로만 단순화함으로써 신경망 학습 복잡도와 시간을 감소시키면서도 추정 정확도를 유지하거나 향상시킨다.
• 이동성, 캐리어 주파수, 대역폭 영향을 포함한 현실적인 QuaDRiGa 기반 채널 샘플을 사용해 학습함으로써 실용성 확보

제안 방법

• 매개변수 기반 채널 모델을 사용하여 상행(UL) 및 하행(DL) 채널에서 공통 채널 파rameter인 출발 각도(AoD), 지연 시간, 경로 이득을 추출한다.
• 전체 채널 학습 대비 차원을 크게 감소시켜, 신경망의 입력 및 출력으로서 추출된 경로 이득만을 사용한다.
• 경로 이득이 주파수 및 전파 환경에 따라 달라지므로, 상행 경로 이득을 입력으로 하여 예측된 하행 경로 이득을 출력하는 신경망을 학습시킨다.
• 이미 상행 측정에서 확보된 AoD 및 지연 시간과 함께 예측된 하행 경로 이득을 조합하여 기지국에서 전체 하행 CSI를 재구성한다.
• 고속 이동 환경에서의 강인성을 확보하기 위해 학습 과정에서 처리 지연을 고려한다.
• 다양한 이동성 시나리오와 대역폭에서 실제 QuaDRiGa 기반 채널 트레이스를 사용해 방법을 검증한다.

실험 결과

연구 질문

• RQ1 상행 및 하행 채널에서 경로 이득을 추출함으로써 신경망 학습 복잡도를 크게 감소시키면서도 하행 CSI 추정 정확도를 유지하거나 향상시킬 수 있는가?
• RQ2 고속 이동 조건에서 전통적인 전채널 학습 방법에 비해 추출된 경로 이득을 사용한 신경망 기반 하행 외삽의 성능은 어떻게 비교되는가?
• RQ3 처리 지연이 하행 CSI 추정 정확도에 미치는 영향은 어느 정도이며, 이는 학습 시 모델링을 통해 보완될 수 있는가?
• RQ4 제안된 방법은 다양한 수의 기지국 안테나와 이동 속도에서 높은 정확도를 유지하는가?
• RQ5 특히 코herence 간격이 짧은 고속 이동 환경에서 제한된 학습 데이터에 대해 강인한가?

주요 결과

• 제안된 경로 이득 기반 학습(PG-학습) 방법은 특히 고속 이동 시 기존의 전채널 학습(CH-학습)에 비해 추정된 하행 CSI와 실제 하행 CSI 간 상관계수를 더 높게 달성한다.
• 40개의 MS 샘플 세트로도 PG-학습은 안정된 성능과 높은 정확도를 유지하지만, CH-학습은 데이터 부족으로 성능 저하를 겪는다.
• NBS = 32개 안테나 및 150 km/h 속도 조건에서 PG-학습은 약 0.74의 상관계수를 달성하며, 동일 조건에서 CH-학습은 0.5 이하로 급격히 떨어진다.
• 150 km/h 속도에서 32개 안테나 조건에서 PG-학습 방법의 유효 스펙트럼 효율은 13 비트/초/㎐를 초과 유지되며, 하행 학습은 과도한 오버헤드로 인해 실현 불가능해진다.
• 입력/출력 차원을 낮춤으로써 신경망 학습 복잡도를 감소시켜 더 빠른 수렴과 낮은 계산 비용을 달성하면서도 정확도를 손상시키지 않는다.
• 처리 지연은 학습 과정에서 효과적으로 보완되어, 이동 속도가 빠른 환경에서 채널 추정치가 오래되었을 경우에도 강인성을 확보한다.