[논문 리뷰] Efficient MIMO Detection with Imperfect Channel Knowledge - A Deep Learning Approach

Qian Chen, Shunqing Zhang외 2명|arXiv (Cornell University)|2019. 03. 19.

Advanced MIMO Systems Optimization참고 문헌 19인용 수 4

한 줄 요약

이 논문은 불완전한 채널 상태 정보(CSI) 하에서 검출 정확도와 계산 복잡도 사이의 우수한 트레이드오프를 달성하는 딥 뉴럴 네트워크(DNN) 기반 MIMO 검출 방법을 제안한다. 직접 수신 신호에서 전송 비트로의 엔드 투 엔드 맵핑을 DNN를 통해 학습함으로써, 기존의 ZF, MMSE 및 DetNet 방법보다 비트 오류율(BER) 성능과 CSI 불완전성에 대한 강건성에서 뛰어나면서도, 거의 ZF 수준의 Throughput를 유지한다.

ABSTRACT

Multiple-input multiple-output (MIMO) system is the key technology for long term evolution (LTE) and 5G. The information detection problem at the receiver side is in general difficult due to the imbalance of decoding complexity and decoding accuracy within conventional methods. Hence, a deep learning based efficient MIMO detection approach is proposed in this paper. In our work, we use a neural network to directly get a mapping function of received signals, channel matrix and transmitted bit streams. Then, we compare the end-to-end approach using deep learning with the conventional methods in possession of perfect channel knowledge and imperfect channel knowledge. Simulation results show that our method presents a better trade-off in the performance for accuracy versus decoding complexity. At the same time, better robustness can be achieved in condition of imperfect channel knowledge compared with conventional algorithms.

연구 동기 및 목표

• 실제 5G 및 LTE 시스템에서 흔히 발생하는 불완전한 채널 상태 정보(CSI) 하에서 강건한 MIMO 검출 문제를 해결하기 위해.
• 기존 선형 및 비선형 MIMO 검출기들과 비교해 높은 검출 정확도를 유지하면서 디코딩 복잡도를 줄이는 효율적인 딥 러닝 프레임워크를 개발하기 위해.
• 기존 방법이 성능 저하를 겪는 불완전한 CSI 조건에서 딥 러닝 모델의 일반화 능력을 평가하기 위해.
• DNN 및 CNN 아키텍처를 MIMO 검출에 적용하고, 더 효과적이고 효율적인 접근 방식을 규명하기 위해.
• 제안된 DNN 기반 방법이 기존 방법보다 훨씬 우수한 BER 성능을 보이며, 거의 ZF 수준의 Throughput를 달성할 수 있음을 입증하기 위해.

제안 방법

• 수신 신호와 채널 행렬 추정치에서 탐지된 비트 스트림으로의 비선형 맵핑을 학습하기 위해 딥 뉴럴 네트워크(DNN)를 사용하며, 명시적 채널 역행 또는 반복적 검출을 회피한다.
• 기존에 알려진 전송 기호와 시뮬레이션된 fading 채널에서 생성된 레이블이 부여된 데이터를 사용해 엔드 투 엔드로 학습함으로써, 불완전한 CSI 조건에서도 일반화 능력을 갖춘다.
• 경량 아키텍처를 설계하여 완전 연결층만을 사용하고, 이전 연구에서 사용된 컨볼루션층의 계산 오버헤드를 피한다.
• 훈련 데이터가 송신기 측에서 필요로 하지 않는 수신기 측 지식(수신 신호 벡터 및 채널 행렬 추정치)에만 의존한다.
• 완전한 및 불완전한 CSI 시나리오 하에서 비트 오류율(BER) 및 Throughput 메트릭을 사용해 성능을 평가한다.
• 2×2 및 4×4 MIMO 시스템에서 QPSK 및 BPSK 변조를 사용해 DNN를 ZF, MMSE, ML 및 DetNet와 비교한다.

실험 결과

연구 질문

• RQ1 딥 러닝 기반 MIMO 검출 방법은 불완전한 CSI 하에서 기존 ZF 및 MMSE 검출기보다 더 낮은 BER 성능을 달성할 수 있는가?
• RQ2 DNN 기반 접근 방식은 기존 검출 알고리즘보다 채널 추정 오차에 대해 더 뛰어난 강건성을 보일 수 있는가?
• RQ3 ML 및 ZF 방법과 비교해 DNN 기반 방법의 디코딩 복잡도와 Throughput는 어떻게 되는가?
• RQ4 DetNet과 같은 이전 딥 러닝 접근 방식보다 DNN 기반 방법이 불완전한 CSI를 다루는 데 더 효과적인가?
• RQ5 더 복잡한 CNN 기반 모델에 비해 더 단순한 DNN 아키텍처가 낮은 계산 복잡도를 유지하면서도 MIMO 검출에서 더 뛰어난 성능을 낼 수 있는가?

주요 결과

• 완전한 CSI 하에서 2×2 MIMO 및 QPSK 변조 조건에서 BER = 10⁻³일 때, DNN 기반 방법은 DetNet보다 4.5 dB의 성능 향상을 보였다.
• BPSK를 사용하는 4×4 MIMO에서, BER = 2×10⁻³일 때 DNN 기반 방법은 불완전한 CSI 조건에서도 DetNet보다 3.5 dB의 성능 향상을 달성했다.
• 불완전한 CSI 조건에서 2×2 MIMO 및 QPSK 조건에서 BER = 10⁻²일 때, DNN 기반 방법은 ZF 및 MMSE보다 4.5 dB 이상 뛰어난 성능을 보였다.
• BPSK를 사용하는 4×4 MIMO에서 DNN 기반 방법은 Throughput 4.8×10⁴ Kbps를 달성했으며, ZF 방법과 동일하고 ML 방법(8.8×10³ Kbps)을 크게 초월했다.
• DetNet가 완전한 CSI로 훈련된 경우조차도 DNN 기반 방법이 더 낮은 BER 성능을 보이며, CSI 불완전성에 대한 뛰어난 강건성을 입증했다.
• DNN 기반 방법은 CSI 품질의 변화에 관계없이 안정적인 성능을 유지하며, ML과는 달리 불완전한 CSI 조건에서 심각한 성능 저하 없이 BER 변동이 최소한이었다.