[논문 리뷰] Learning to Beamform in Heterogeneous Massive MIMO Networks

Minghe Zhu, Tsung‐Hui Chang외 1명|arXiv (Cornell University)|2020. 11. 08.

Advanced MIMO Systems Optimization참고 문헌 36인용 수 5

한 줄 요약

이 논문은 MISO 간섭 채널에서 가중합신호율 최적화를 해결하기 위해 투영근사법을 전개한 학습 가능한 빔포밍 프레임워크인 RNN-PGP를 제안한다. 최적 빔포밍의 저차원적 구조를 활용하고 네트워크 복잡도를 시스템 크기에서 분리함으로써, 최소한의 계산량으로도 높은 성능을 달성하며 안테나 수, 기지국 수, 기지국 간 거리의 변화에 강력한 일반화 능력을 보인다.

ABSTRACT

It is well-known that the problem of finding the optimal beamformers in massive multiple-input multiple-output (MIMO) networks is challenging because of its non-convexity, and conventional optimization based algorithms suffer from high computational costs. While computationally efficient deep learning based methods have been proposed, their complexity heavily relies upon system parameters such as the number of transmit antennas, and therefore these methods typically do not generalize well when deployed in heterogeneous scenarios where the base stations (BSs) are equipped with different numbers of transmit antennas and have different inter-BS distances. This paper proposes a novel deep learning based beamforming algorithm to address the above challenges. Specifically, we consider the weighted sum rate (WSR) maximization problem in multi-input and single-output (MISO) interference channels, and propose a deep neural network architecture by unfolding a parallel gradient projection algorithm. Somewhat surprisingly, by leveraging the low-dimensional structures of the optimal beamforming solution, our constructed neural network can be made independent of the numbers of transmit antennas and BSs. Moreover, such a design can be further extended to a cooperative multicell network. Numerical results based on both synthetic and ray-tracing channel models show that the proposed neural network can achieve high WSRs with significantly reduced runtime, while exhibiting favorable generalization capability with respect to the antenna number, BS number and the inter-BS distance.

연구 동기 및 목표

• 대규모 MIMO 네트워크에서 전통적인 빔포밍 최적화의 높은 계산 비용을 해결한다.
• 다양한 안테나 수와 기지국 수를 가진 이종 환경에서 기존 딥러닝 기반 빔포밍 방법의 열악한 일반화 능력을 극복한다.
• 전송 안테나 수와 기지국 수에 관계없이 낮은 복잡도를 유지하는 빔포밍 솔루션을 개발한다.
• 다양한 구성이 가능한 협업 다셀 네트워크에서 효과적인 빔포밍을 가능하게 한다.
• 최소한의 런타임으로 높은 가중합신호율 성능를 달성하고, 시스템 파라미터 변화에 대해 강건성을 확보한다.

제안 방법

• 병렬 기울기 투영(PGP) 알고리즘을 순환 신경망(RNN) 구조로 전개하여 빔포밍 솔루션을 학습하는 RNN-PGP를 제안한다.
• 최적 빔포밍 솔루션과 기울기 벡터의 저차원적 구조를 활용하여 네트워크 복잡도를 전송 안테나 수에서 분리한다.
• 입력 및 출력 메커니즘을 설계하여 기지국 수에 대한 의존도를 제거함으로써 확장성 향상을 도모한다.
• PGP 솔루션을 지도로 사용하여 RNN-PGP를 엔드 투 엔드로 훈련함으로써 다양한 네트워크 구성에 대한 일반화를 가능하게 한다.
• RNN-PGP 내의 다층퍼셉트론(MLP) 구성 요소를 개선하여 기지국 수 및 세포 반경과 같은 시스템 파라미터에 대한 민감도를 감소시킨다.
• 다중 셀 간 공동 빔포밍에 적합하도록 RNN-PGP를 다수 셀 간 공동 빔포밍에 맞게 확장한다.

실험 결과

연구 질문

• RQ1 딥러닝 기반 빔포밍 방법은 대규모 MIMO 시스템에서 전송 안테나 수에 관계없이 낮은 계산 복잡도를 달성할 수 있는가?
• RQ2 제안된 방법은 기지국 수와 기지국 간 거리가 다양하게 변화하는 이종 네트워크 구성에 대해 잘 일반화되는가?
• RQ3 RNN-PGP의 성능은 기존 반복적 알고리즘과 비교해 합신호율 및 런타임 측면에서 어떻게 되는가?
• RQ4 RNN-PGP는 예측되지 않은 네트워크 크기나 안테나 구성에서 높은 정확도를 얼마나 오랫동안 유지할 수 있는가?
• RQ5 RNN-PGP는 다양한 셀 레이아웃을 가진 협업 다셀 빔포밍 시나리오로 효과적으로 확장될 수 있는가?

주요 결과

• RNN-PGP는 36개 안테나에서 24.84 bps/Hz(최적 대비 93.52%), 64개 안테나에서 27.80 bps/Hz(93.49%), 216개 안테나에서 36.47 bps/Hz(93.51%)의 가중합신호율을 달성하여 안테나 수에 관계없이 높은 정확도를 보였다.
• 12개 활성 기지국에서 RNN-PGP는 36개 안테나에서 37.88 bps/Hz(93.49% of optimal), 64개 안테나에서 43.35 bps/Hz(93.43%), 216개 안테나에서 55.42 bps/Hz(93.13%)를 기록하여 시스템 크기에 걸쳐 강력한 일반화 능력을 입증했다.
• 6~18개 기지국의 무작위 서브셋에서 테스트한 결과 RNN-PGP는 92.78%의 정확도(완전 훈련 대비 93.31%)를 유지하여 활성 기지국 수의 변화에 강건함을 보였다.
• 협업 다셀 시나리오에서는 기지국 수와 세포 반경의 다양성에 걸쳐 RNN-PGP가 잘 일반화되며, 최소한의 런타임으로 높은 성능 유지를 보였다.
• 기존 반복적 알고리즘인 PGP와 비교해 높은 성능에 도달하면서도 런타임을 크게 줄였고, 복잡도 측면에서 시스템 크기와 무관하게 유지되었다.
• 실제 DeepMIMO 채널 트레이스 환경에서도 RNN-PGP는 다양한 전파 환경과 네트워크 구성에서 높은 정확도를 유지하며 효과적인 일반화를 보였다.