[논문 리뷰] Enabling FDD Massive MIMO through Deep Learning-based Channel Prediction

Maximilian Arnold, Sebastian Dörner외 4명|arXiv (Cornell University)|2019. 01. 08.

Full-Duplex Wireless Communications참고 문헌 25인용 수 45

한 줄 요약

이 논문은 FDD 대규모 MIMO에서 인접 주파수 대역의 UL CSI로 DL CSI를 예측하는 딥러닝 기반 접근 방식을 보여주며, DL 파일럿 오버헤드 없이 폐루프 프리코딩을 가능하게 한다. SISO 및 MIMO 모델 및 측정에서 타당성을 보이고, TDD에 비해 중간 정도의 스펙트럴 효율 손실을 나타낸다.

ABSTRACT

A major obstacle for widespread deployment of frequency division duplex (FDD)-based Massive multiple-input multiple-output (MIMO) communications is the large signaling overhead for reporting full downlink (DL) channel state information (CSI) back to the basestation (BS), in order to enable closed-loop precoding. We completely remove this overhead by a deep-learning based channel extrapolation (or "prediction") approach and demonstrate that a neural network (NN) at the BS can infer the DL CSI centered around a frequency $f_ ext{DL}$ by solely observing uplink (UL) CSI on a different, yet adjacent frequency band around $f_ ext{UL}$; no more pilot/reporting overhead is needed than with a genuine time division duplex (TDD)-based system. The rationale is that scatterers and the large-scale propagation environment are sufficiently similar to allow a NN to learn about the physical connections and constraints between two neighboring frequency bands, and thus provide a well-operating system even when classic extrapolation methods, like the Wiener filter (used as a baseline for comparison throughout) fails. We study its performance for various state-of-the-art Massive MIMO channel models, and, even more so, evaluate the scheme using actual Massive MIMO channel measurements, rendering it to be practically feasible at negligible loss in spectral efficiency when compared to a genuine TDD-based system.

연구 동기 및 목표

• DLDD Massive MIMO에서 DL CSI 보고의 높은 시그날링 오버헤드를 동기적으로 다루기 위해 동기를 부여하고 해결한다.
• UL에서 인접 DL 주파수 대역으로의 CSI 추정 extrapolation을 위한 신경망 기반 방법을 제안한다.
• 단순 LoS, 표준화된 채널 모델, 실제 측정에서 접근 방식을 평가한다.
• 스펙트럴 효율 영향과 Wiener 필터 기준선과의 비교를 정량화한다.

제안 방법

• CSI 예측을 입력이 UL CSI이고 대상이 OFDM 서브캐리어 전체에 걸친 DL CSI인 회귀(regression) 문제로 형식화한다.
• OFDM 채널의 주파수 도메인 상관성을 활용하기 위해 컨볼루션 신경망(CNN) 아키텍처를 사용한다.
• 다양한 채널 모델과 측정 데이터에 걸친 라벨링된 쌍(h_UL, h_DL)을 사용해 네트워크를 학습한다.
• NN 예측을 Wiener 필터(LMMSE) 기준선 및 해석적 LoS 솔루션과 비교한다.
• CSI 예측을 시스템 성능과 연결하기 위해 NMSE, 상관계수, BER로 평가한다.

실험 결과

연구 질문

• RQ1 DL 대역이 주파수에서 인접한 경우 신경망이 DL CSI를 UL CSI로 예측할 수 있는가?
• RQ2 LoS 및 NLoS 채널 모델 및 측정된 채널에서 NN 기반 예측의 성능은 어떠한가?
• RQ3 전통적 추정기와 비교했을 때 스펙트럴 효율 및 BER에 어떤 영향을 미치는가?
• RQ4 SISO에서 MIMO 시나리오 및 실제 측정으로 일반화되는가?

주요 결과

• 신경망은 LoS 및 특정 표준화 모델에서 SISO 케이스에 대해 UL CSI로부터 DL CSI를 예측할 수 있다.
• 주파수 외삽을 위한 Wiener 필터는 많은 시나리오에서 실패하는 반면, 충분한 학습 데이터가 주어지면 NN은 강건한 예측을 제공한다.
• 예측은 (예: δ_h ≳ 0.8) LoS에서 여러 모델의 경우 유의한 상관계수를 얻고, 32-안테나 구성에서의 스펙트럴 효율 손실은 관리 가능한 수준이다(≈10% LoS, ≈20% NLoS).
• 측정 데이터는 SNR 약 20 dB에서 각 시나리오당 4,000 샘플로 실제로도 방법의 타당성을 보여준다.
• 예측 성능은 UL-DL 대역 간 간격이 커지면 감소하고 특정 NLoS 모델에서 감소하지만, 더 많은 학습 데이터와 적절한 환경 모델링으로 증가한다.
• 이 접근 방식은 채널 희소성에 의존하지 않으며 SISO에서도 적용 가능하여 독립 추정기를 통한 평범한 MIMO를 가능하게 한다.