[논문 리뷰] Enabling Large Intelligent Surfaces with Compressive Sensing and Deep Learning

Abdelrahman Taha, Muhammad Alrabeiah외 1명|arXiv (Cornell University)|2019. 04. 22.

Advanced Wireless Communication Technologies인용 수 139

한 줄 요약

본 논문은 희소-센서 LIS 아키텍처를 제안하고 압축 센싱과 심층 학습을 활용하여 훈련 오버헤드가 거의 없는 반사 행렬을 설계하며, 활성 소자 중 소수의 요소로도 거의 최적에 가까운 속도에 근접한다.

ABSTRACT

Employing large intelligent surfaces (LISs) is a promising solution for improving the coverage and rate of future wireless systems. These surfaces comprise a massive number of nearly-passive elements that interact with the incident signals, for example by reflecting them, in a smart way that improves the wireless system performance. Prior work focused on the design of the LIS reflection matrices assuming full knowledge of the channels. Estimating these channels at the LIS, however, is a key challenging problem, and is associated with large training overhead given the massive number of LIS elements. This paper proposes efficient solutions for these problems by leveraging tools from compressive sensing and deep learning. First, a novel LIS architecture based on sparse channel sensors is proposed. In this architecture, all the LIS elements are passive except for a few elements that are active (connected to the baseband of the LIS controller). We then develop two solutions that design the LIS reflection matrices with negligible training overhead. In the first approach, we leverage compressive sensing tools to construct the channels at all the LIS elements from the channels seen only at the active elements. These full channels can then be used to design the LIS reflection matrices with no training overhead. In the second approach, we develop a deep learning based solution where the LIS learns how to optimally interact with the incident signal given the channels at the active elements, which represent the current state of the environment and transmitter/receiver locations. We show that the achievable rates of the proposed compressive sensing and deep learning solutions approach the upper bound, that assumes perfect channel knowledge, with negligible training overhead and with less than 1% of the elements being active.

연구 동기 및 목표

• 가용 범위와 전송 속도 향상을 목표로 대형 지능형 표면(LIS)을 동기 부여하고 설계한다.
• LIS 채널 추정의 거대한 훈련 오버헤드와 하드웨어 복잡성 문제를 다룬다.
• 적은 수의 활성 센서를 갖는 에너지 효율적인 LIS 아키텍처를 제안한다.
• 훈련 오버헤드가 거의 없는 LIS 반사 행렬 설계를 위한 압축 센싱과 심층 학습 해법을 개발한다.

제안 방법

• 표면에 무작위로 분포된 M 개의 수동 요소와 Ḿ 개의 활성 채널 센서를 가진 LIS 아키텍처를 제안한다.
• LIS 상호작용을 대각 위상 편이 행렬과 양자화된 빔포밍 벡터의 코드북으로 수식화한다.
• 희소하게 샘플링된 채널로부터 압축 센싱(CS)과 OMP 유사 방식으로 전체 LIS-송신기/수신기 채널을 복구한다.
• 배열 응답 사전과 격자 기반 방위각/고도 방향을 사용한 희소 표현으로 전체 채널을 구성한다.
• 부분 반송파들에 걸친 합계 속도를 최대화하는 최적 반사 벡터를 코드북에 대한 오프라인 탐색으로 찾는다(온라인 빔 트레이닝 없음).
• 부분 채널 추정만으로도 최적 반사 구성을 매핑하는 병렬 심층 학습 접근법(논문에 설명된)을 공유한다.

실험 결과

연구 질문

• RQ1 희소하고 에너지 효율적인 하드웨어 아키텍처로 LIS 성능을 어떻게 향상시킬 수 있는가?
• RQ2 활성 센서의 소수 집합으로부터 압축 센싱이 전체 LIS 채널 정보를 복구하여 거의 최적의 반사 설계를 가능하게 할 수 있는가?
• RQ3 부분 채널 관측치를 이용해 전체 채널 지식 없이도 거의 최적의 LIS 반사 행렬로 매핑할 수 있는가?
• RQ4 완전 연결형 LIS 아키텍처와 비교했을 때, 희소 활성 LIS 요소로 어떤 훈련 오버헤드와 에너지 효율 이득을 달성할 수 있는가?

주요 결과

• 활성 센서의 매우 작은 분수(1% 미만)의 LIS 아키텍처가 훈련 오버헤드가 무시될 정도로 거의 상한 속도에 근접할 수 있다.
• 압축 센싱 기반 설계는 샘플링된 채널로부터 전체 채널을 복구하여 오프라인 반사 코드북 탐색을 통한 거의 최적의 속도 성능을 가능하게 한다.
• 3.5 GHz 및 28 GHz에서 DeepMIMO 레이 트레이싱 데이터로 성능 향상을 입증하여 희소 센싱으로 거의 최적의 속도를 보인다.
• 대부분의 LIS 요소가 수동 상태를 유지하므로 에너지 효율 이점이 큼.
• 한계로는 채널 희소성과 배열 기하학 지식 의존성, 다중 산란이 풍부한 환경에서의 잠재적 저하를 포함한다.