[논문 리뷰] Learning Beam Codebooks with Neural Networks: Towards Environment-Aware mmWave MIMO

Yu Zhang, Muhammad Alrabeiah외 1명|arXiv (Cornell University)|2020. 02. 25.

Millimeter-Wave Propagation and Modeling참고 문헌 15인용 수 4

한 줄 요약

이 논문은 하드웨어 제약 조건이 있는 mmWave MIMO 시스템을 위한 환경 및 사용자 인지 기반의 신경망 기반 프레임워크를 제안한다. 단일 위상, 일정 모듈러스, 양자화된 위상 제약 조건을 통합함으로써, 비선형성 없는 시나리오에서 16개의 빔만으로도 최적의 속도의 90% 이상을 달성하면서 빔 트레이닝 오버헤드를 줄이는 적응형 다로브 빔을 설계한다.

ABSTRACT

Scaling the number of antennas up is a key characteristic of current and future wireless communication systems. The hardware cost and power consumption, however, motivate large-scale MIMO systems, especially at millimeter wave (mmWave) bands, to rely on analog-only or hybrid analog/digital transceiver architectures. With these architectures, mmWave base stations normally use pre-defined beamforming codebooks for both initial access and data transmissions. Current beam codebooks, however, generally adopt single-lobe narrow beams and scan the entire angular space. This leads to high beam training overhead and loss in the achievable beamforming gains. In this paper, we propose a new machine learning framework for learning beamforming codebooks in hardware-constrained large-scale MIMO systems. More specifically, we develop a neural network architecture that accounts for the hardware constraints and learns beam codebooks that adapt to the surrounding environment and the user locations. Simulation results highlight the capability of the proposed solution in learning multi-lobe beams and reducing the codebook size, which leads to noticeable gains compared to classical codebook design approaches.

연구 동기 및 목표

• 사전 정의된 비적응형 코드북을 사용함으로써 mmWave MIMO 시스템에서 높은 빔 트레이닝 오버헤드와 최적화되지 않은 빔포밍 성능을 해결한다.
• 사용자 위치나 환경에 관계없이 모든 각도를 스캔하는 단일 로브, 넓은 빔 코드북(예: DFT)의 한계를 극복한다.
• 실제 사용자 분포와 전파 환경에 맞게 최적화된 하드웨어 인지 기반의 신경망 프레임워크를 개발하여 빔 코드북을 학습한다.
• 선형 및 비선형 시나리오 모두에서 스펙트럼 효율성을 유지하거나 향상시키면서 코드북 크기를 줄인다.
• 위상 이동기 제약 조건이 있는 아날로그 전용 또는 하이브리드 아날로그/디지털 mmWave 시스템에서 실용적인 구현을 가능하게 한다.

제안 방법

• 신경망 가중치가 직접 빔포밍 및 복조 벡터를 나타내는 복소수 신경망을 설계하여 하드웨어 제약 조건 하에서 물리적 타당성을 확보한다.
• 실제 구현 가능성을 확보하기 위해 위상 전용, 일정 모듈러스, 양자화된 위상 이동기(예: 3비트 해상도) 등의 하드웨어 제약 조건을 네트워크 아키텍처에 통합한다.
• 외부 선로 및 실내 비선로 시나리오를 포함한 DeepMIMO 플랫폼에서의 실제 mmWave 채널 데이터셋을 사용해 네트워크를 훈련시킨다.
• 훈련의 안정성과 가속성을 향상시키기 위해 각 데이터셋의 최대 절대값을 사용해 채널 데이터를 정규화한다.
• 주어진 사용자 분포와 환경 기하학적 구조에 대해 가용 비트레이트를 최대화하는 데 목표를 둔 빔 코드북을 학습하도록 네트워크를 최적화한다.
• 학습된 빔포밍 이득이 이론적 상한선(예: 완전 디지털 빔포밍에 해당)과의 격차를 최소화하는 손실 함수를 사용한다.

실험 결과

연구 질문

• RQ1 비적응형 코드북에 비해 사용자 분포와 환경 기하학에 적응하는 학습된 코드북이 빔 트레이닝 오버헤드를 줄일 수 있는가?
• RQ2 신경망이 비선로 환경에서 다수의 전파 경로를 포착하는 다로브 빔을 얼마나 잘 학습할 수 있는가?
• RQ3 스펙트럼 효율성과 빔 트레이닝 오버헤드 측면에서 학습된 코드북은 전통적인 DFT 코드북에 비해 얼마나 우수한가?
• RQ4 학습된 코드북이 64빔 DFT 코드북의 성능을 따라잡거나 초월하기 위해 필요한 최소 코드북 크기는 얼마인가?
• RQ5 실제 하드웨어 제약 조건이 있는 시스템에서 위상 이동기 해상도(예: 3비트)는 학습된 코드북의 성능에 어떤 영향을 미치는가?

주요 결과

• 비선로 시나리오에서 16빔만으로도 학습된 코드북이 64빔 DFT 코드북과 유사하거나 뛰어난 성능을 달성하여 코드북 크기를 75% 감소시켰다.
• 64빔으로도 학습된 코드북은 선로 및 비선로 시나리오 모두에서 상한선 비트레이트의 90% 이상을 달성하여 뛰어난 스펙트럼 효율성을 보였다.
• 3비트 위상 이동기 조건에서도 64빔으로는 상한선의 85% 이상, 128빔으로는 90% 이상의 성능을 달성하여 하드웨어 양자화에 대한 강건성을 입증했다.
• 모델은 비선로 환경에서 다수의 주요 전파 경로를 포착하는 다로브 빔을 성공적으로 학습하여 에너지 집중도와 신호 이득을 향상시켰다.
• 선로 조건에서는 64빔으로는 최적 비트레이트의 90% 이상, 128빔으로는 95% 이상을 달성하여 완전 디지털 빔포밍에 근접한 성능을 보였다.
• 환경 인지 기반의 빔 설계 프레임워크는 사용자 위치와 전파 조건에 따라 적응하여 불필요한 빔 트레이닝 오버헤드를 크게 줄였다.