[논문 리뷰] Hybrid Knowledge-Data Driven Channel Semantic Acquisition and Beamforming for Cell-Free Massive MIMO

Zhen Gao, Shicong Liu외 3명|arXiv (Cornell University)|2023. 07. 06.

Advanced MIMO Systems OptimizationEngineering인용 수 3

한 줄 요약

이 논문은 셀리스 매크로 MIMO 시스템에서 채널 의미 정보 확보 및 빔포밍을 위한 하이브리드 지식-데이터 기반 프레임워크를 제안한다. 데이터 기반의 MLP-Mixer 오토인코더를 통한 CSI 피드백과 지식 기반의 딥 언폴딩 빔포머를 조합하여, 강인하고 저복잡도의 다중 사용자 전송을 실현한다. 이 방법은 불완전한 CSI 하에서 약 96%의 수렴된 스펙트럼 효율을 달성하는 데에 단 3회 반복만으로도 가능하며, 성능 향상이著명하다.

ABSTRACT

This paper focuses on advancing outdoor wireless systems to better support ubiquitous extended reality (XR) applications, and close the gap with current indoor wireless transmission capabilities. We propose a hybrid knowledge-data driven method for channel semantic acquisition and multi-user beamforming in cell-free massive multiple-input multiple-output (MIMO) systems. Specifically, we firstly propose a data-driven multiple layer perceptron (MLP)-Mixer-based auto-encoder for channel semantic acquisition, where the pilot signals, CSI quantizer for channel semantic embedding, and CSI reconstruction for channel semantic extraction are jointly optimized in an end-to-end manner. Moreover, based on the acquired channel semantic, we further propose a knowledge-driven deep-unfolding multi-user beamformer, which is capable of achieving good spectral efficiency with robustness to imperfect CSI in outdoor XR scenarios. By unfolding conventional successive over-relaxation (SOR)-based linear beamforming scheme with deep learning, the proposed beamforming scheme is capable of adaptively learning the optimal parameters to accelerate convergence and improve the robustness to imperfect CSI. The proposed deep unfolding beamforming scheme can be used for access points (APs) with fully-digital array and APs with hybrid analog-digital array. Simulation results demonstrate the effectiveness of our proposed scheme in improving the accuracy of channel acquisition, as well as reducing complexity in both CSI acquisition and beamformer design. The proposed beamforming method achieves approximately 96% of the converged spectrum efficiency performance after only three iterations in downlink transmission, demonstrating its efficacy and potential to improve outdoor XR applications.

연구 동기 및 목표

• 확장된 현실(XR) 응용을 위한 실외 셀리스 매크로 MIMO 시스템에서 높은 파ilot 오버헤드와 불완전한 CSI의 과제를 해결한다.
• 기존의 압축 센싱 및 학습 기반 방법들과 비교해 CSI 피드백 오버헤드를 감소시키고 재구성 정확도를 향상시킨다.
• 불완전한 CSI에 적응하고 수렴 속도를 가속화하는 강인하고 저복잡도의 빔포밍 방식을 개발한다.
• 실제 구현을 위해 완전 디지털 및 하이브리드 아날로그-디지털 어레이 아키텍처 양쪽에 프레임워크를 확장한다.
• 최소한의 학습 및 추론 시간으로 높은 스펙트럼 효율을 달성하면서도, 다이나믹한 실외 XR 환경에서의 강인성을 유지한다.

제안 방법

• 파일럿 신호, CSI 양자화, 재구성의 공동 최적화를 통한 엔드 투 엔드 최적화된 MLP-Mixer 기반 오토인코더를 제안하여 채널 의미 정보 확보를 수행한다.
• 계속적인 과잉완화(SOR) 기반의 빔포밍 아키텍처를 딥 언폴딩하여, 반복 단계를 신경망의 레이어로 모델링하고 최적의 파rameter를 학습한다.
• 완전 디지털 및 하이브리드 아날로그-디지털 어레이 AP에 모두 적용 가능한 빔포머를 적응시켜 실제 시스템에서의 구현 가능성을 높인다.
• 채널 상태 정보 피드백 방식으로 채널 의미 피드백(CSF) 손실 함수를 사용하여 의미 표현과 재구성 정확도를 향상시킨다.
• 학습을 통해 얻은 정규화 인자와 수렴 인자를 사용하여 분석적 해법이 실제 상황에서 열 劣한 성능을 보이는 점을 보완한다.
• 분산 및 중심집중 처리 패러다임을 적용하며, 각 AP에서 국소 CSI를 재구성하기 위한 별도의 피드백 방식(MixerS: 중심집중형, MixerUL: 분산형)을 제공한다.

실험 결과

연구 질문

• RQ1 파일럿, 양자화, 재구성의 공동 최적화를 수행하는 데이터 기반 오토인코더는 CSI 피드백 오버헤드를 줄이고 정확도를 향상시킬 수 있는가?
• RQ2 기존의 SOR 기반 빔포머를 딥 언폴딩하면 수렴 속도가 향상되고 불완전한 CSI에 대해 강인성이 향상되는가?
• RQ3 제안된 빔포밍 방식은 불완전한 CSI 하에서도 몇 차례의 반복만으로도 높은 스펙트럼 효율을 유지할 수 있는가?
• RQ4 학습된 파rameter 적응(예: 정규화 및 수렴 인자)이 실외 XR 환경의 실제 상황에서 분석적 도출 값보다 우수한 성능을 보일 수 있는가?
• RQ5 제안된 프레임워크는 성능 저하 없이 하이브리드 아날로그-디지털 어레이 AP에 효과적으로 확장될 수 있는가?

주요 결과

• 제안된 하이브리드 피드백 방식은 최신의 학습 기반 CSI 피드백 방법보다 훨씬 낮은 학습 및 추론 시간을 기록한다.
• 딥 언폴딩 빔포머는 다운링크 전송에서 단 3회 반복 후 약 96%의 수렴된 스펙트럼 효율을 달성하여 매우 빠른 수렴 속도를 입증한다.
• 학습된 수렴 인자는 수동으로 선택한 값보다 뛰어나며, 특히 저전력 수준에서 성능이 뛰어나며 모든 전력 수준에서 뛰어난 성능 유지를 보인다.
• 중앙집중형과 분산형 처리 패러다임 간의 성능 격차는 미미하여, 실무에서 분산 빔포밍의 높은 실현 가능성과 타당성을 시사한다.
• 제안된 빔포머는 불완전한 CSI에 대해 강인하며, 기존의 반복적 방법보다 성능 저하가 낮다.
• 학습된 정규화 인자는 항상 스펙트럼 효율을 향상시키며, 특히 분석적 해법이 최적 성능을 도출하지 못하는 저SNR 조건에서 뚜렷한 성능 향상을 보인다.