[논문 리뷰] Improving Massive MIMO Belief Propagation Detector with Deep Neural Network

Xiaosi Tan, Weihong Xu외 4명|arXiv (Cornell University)|2018. 04. 02.

Wireless Signal Modulation Classification참고 문헌 28인용 수 37

한 줄 요약

이 논문은 다량의 MIMO 시스템에서 민감도가 낮은 요소 그래프와 공간상 상관성이 있는 fading으로 인한 민감도 감소 문제를 해결하기 위해, 감쇠 BP와 최대합 BP에 최적의 보정 인자를 학습하는 DNN 기반 검출기를 제안한다. 이 알고리즘을 DNN 아키텍처로 전개함으로써, 동일한 계산 복잡도 수준에서 기존 최고 수준의 검출기와 비교해도 뒤지지 않는 낮은 비트 오류율(BER)과 다양한 채널 조건 및 안테나 구성에서 뛰어난 내성 확보를 달성한다.

ABSTRACT

In this paper, deep neural network (DNN) is utilized to improve the belief propagation (BP) detection for massive multiple-input multiple-output (MIMO) systems. A neural network architecture suitable for detection task is firstly introduced by unfolding BP algorithms. DNN MIMO detectors are then proposed based on two modified BP detectors, damped BP and max-sum BP. The correction factors in these algorithms are optimized through deep learning techniques, aiming at improved detection performance. Numerical results are presented to demonstrate the performance of the DNN detectors in comparison with various BP modifications. The neural network is trained once and can be used for multiple online detections. The results show that, compared to other state-of-the-art detectors, the DNN detectors can achieve lower bit error rate (BER) with improved robustness against various antenna configurations and channel conditions at the same level of complexity.

연구 동기 및 목표

• 루프가 있는 요소 그래프와 공간상 상관성이 있는 fading으로 인한 민감도 전파(BP) 성능 저하 문제 해결.
• 감쇠, 정규화, 오프셋 등의 조정 인자가 최적화하기 어려운 문제를 야기하는 BP 수정 기법들인 감쇠 BP와 최대합 BP의 한계 극복.
• 오프라인에서 효율적으로 이 보정 인자를 최적화할 수 있는 딥 러닝 프레임워크 개발으로, 온라인 계산 부담 감소.
• 계산 복잡도를 증가시키지 않고 다양한 안테나 구성과 채널 조건에서 검출의 내성 향상.
• 기존 BP 및 그 변종보다 동일한 복잡도 수준에서 뛰어난 비트 오류율(BER) 성능 달성.

제안 방법

• 감쇠 BP와 최대합 BP 알고리즘을 DNN 아키텍처로 전개하여 보정 인자의 엔드 투 엔드 학습을 가능하게 한다.
• 대규모 훈련 데이터를 사용해 한 번의 오프라인 훈련을 통해 DNN-dBP의 최적 감쇠 인자와 DNN-MS의 정규화/오프셋 파라미터를 학습한다.
• 모든 레이어에 걸쳐 공유된 가중치를 가진 완전 연결 피드포워드 네트워크 구조를 사용해 온라인 복잡도를 낮춘다.
• 역전파와 확률적 경사 하강법을 사용해 네트워크를 최적화하며, 손실 함수는 비트 오류율(BER) 최소화 기반으로 설정한다.
• 학습된 DNN을 메시지 전달 프레임워크에 통합하여 반복적인 보정 인자 갱신을 학습된 파라미터로 대체한다.
• 원래 BP와 동일한 계산 복잡도 순서 O(MNL)를 유지함으로써 실시간 구현이 가능하도록 보장한다.

실험 결과

연구 질문

• RQ1 딥 러닝은 감쇠 BP와 최대합 BP의 보정 인자를 효과적으로 최적화하여 다량의 MIMO 시스템에서 검출 성능 향상에 기여할 수 있는가?
• RQ2 제안된 DNN 기반 검출기는 다양한 채널 조건에서 기존 BP 및 그 변종보다 더 낮은 BER 성능을 달성하는가?
• RQ3 DNN 검출기는 복잡도를 증가시키지 않고 공간 상관성과 비대칭 안테나 구성에 대한 내성 향상을 유지할 수 있는가?
• RQ4 신호 대 잡음비(SNR) 수준과 변조 방식에 따라 DNN 검출기의 성능는 어떻게 변화하는가?
• RQ5 재학습 없이도 다양한 MIMO 구성에 대해 학습된 DNN가 일반화 가능한가?

주요 결과

• DNN-dBP는 공간상 상관성이 있는 fading 채널에서 표준 BP 및 HAD보다 유의미하게 낮은 비트 오류율(BER)을 달성한다.
• DNN-MS는 원래의 최대합(MS) 알고리즘을 능가하며, 특히 상관성이 있는 채널에서 BP 성능에 가까워지며 계산 복잡도에 변화가 없다.
• DNN 검출기는 다양한 안테나 구성에서 향상된 내성 확보를 보이며, 특히 ρ < 1일 때 비대칭 구성에서 성능 향상이 두드러진다.
• ρ = 1(대칭 구성)일 경우 DNN 검출기의 성능 향상은 제한적이며, 이는 훈련 데이터 분포에 민감함을 시사한다.
• DNN 검출기는 동일한 복잡도 수준에서 DetNet과 같은 최고 수준의 검출기보다 낮은 BER 성능 달성하며, 훈련에 채널 지식이 필요하다는 장점이 있다.
• 오프라인 훈련은 계산적으로 집약적이지만, 온라인 추론은 저복잡도를 유지하므로 실시간 다량의 MIMO 검출에 적합하다.