[논문 리뷰] Lightweight Convolutional Neural Networks for CSI Feedback in Massive MIMO

Zheng Cao, Wan-Ting Shih외 3명|arXiv (Cornell University)|2020. 05. 01.

Wireless Signal Modulation Classification참고 문헌 17인용 수 12

한 줄 요약

이 논문은 2차원 공간 채널 구조를 유지함으로써 복원 정확도를 향상시키기 위해 컨volutional autoencoder를 사용하는 FDD 마이크로모미 채널 상태 정보(CSI) 피드백 네트워크인 ConvCsiNet을 제안한다. 이는 이동 단말기 구현을 가능하게 하기 위해, 깊이 분리형 컨볼루션과 채널 셔플링을 사용하는 경량 버전인 ShuffleCsiNet을 추가로 도입하여, ConvCsiNet 대비 79% 적은 파라미터와 80% 낮은 FLOPs를 달성하면서도 1/32 압축 비율에서 최적에 가까운 복원 성능을 유지한다.

ABSTRACT

In frequency division duplex mode of massive multiple-input multiple-output systems, the downlink channel state information (CSI) must be sent to the base station (BS) through a feedback link. However, transmitting CSI to the BS is costly due to the bandwidth limitation of the feedback link. Deep learning (DL) has recently achieved remarkable success in CSI feedback. Realizing high-performance and low-complexity CSI feedback is a challenge in DL based communication. We develop a DL based CSI feedback network in this study to complete the feedback of CSI effectively. However, this network cannot be effectively applied to the mobile terminal because of the excessive numbers of parameters. Therefore, we further propose a new lightweight CSI feedback network based on the developed network. Simulation results show that the proposed CSI network exhibits better reconstruction performance than that of other CsiNet-related works. Moreover, the lightweight network maintains a few parameters and parameter complexity while ensuring satisfactory reconstruction performance. These findings suggest the feasibility and potential of the proposed techniques.

연구 동기 및 목표

• 모바일 단말기에서 딥러닝 기반 CSI 피드백의 높은 계산 및 메모리 비용을 해결하기 위해.
• 주파수 분할 이중화(FDD) 마이크로모미 시스템에서 CSI 피드백의 복원 정확도를 향상시키기 위해.
• 실제 이동 단말기 구현을 위해 복잡도와 파라미터 수를 줄이면서도 높은 복원 성능를 유지하기 위해.
• 엄격한 대역폭 제약 조건 하에서도 강건성과 성능를 유지하는 경량 네트워크 아키텍처를 개발하기 위해.

제안 방법

• CSI 행렬의 2차원 공간 상관관계를 유지하기 위해 컨볼루션 레이어, 평균 풀링, 업샘플링을 사용하는 컨volutional autoencoder 기반의 CSI 피드백 네트워크(ConCsiNet)를 설계한다.
• 특징 복원을 정교화하고 공간 해상도를 향상시키기 위해 디코더에 RefineNet 및 DN 유닛을 도입한다.
• 표준 컨볼루션을 깊이 분리형 컨볼루션으로 대체하고 채널 셔플링 연산을 통합하여 파라미터 수와 FLOPs를 줄인다.
• 모든 컨볼루션 블록에서 배치 정규화(BN)와 ReLU 활성화 함수를 적용하여 학습 안정성 향상과 특징 학습 강화를 도모한다.
• 에코더 경로에서는 특징 맵을 다운샘플링하고, 디코더 경로에서는 업샘플링하기 위해 평균 풀링 및 업샘플링 레이어를 사용한다.
• 완전 연결 레이어를 최소화하고 셔플 메커니즘에서의 功能 재사용을 활용하여 저복잡도 구현을 최적화한다.

실험 결과

연구 질문

• RQ1 딥러닝 기반 CSI 피드백 네트워크가 FDD 마이크로모미 시스템에서 CsiNet 및 그 변종 대비 뛰어난 복원 성능를 달성할 수 있는가?
• RQ2 CNN 기반 CSI 피드백 네트워크의 파라미터 수와 계산 복잡도를 복원 품질에 큰 영향을 주지 않고 어떻게 줄일 수 있는가?
• RQ3 깊이 분리형 컨볼루션에서의 채널 셔플링 메커니즘이 CSI 피드백에서 모델의 강건성과 효율성에 얼마나 기여하는가?
• RQ4 경량 네트워크 아키텍처가 낮은 피드백 압축 비율(예: 1/32)에서도 높은 복원 정확도를 유지할 수 있는가?
• RQ5 컨볼루션 레이어를 통한 공간적 특징 추출 방식이 CSI 피드백에서 완전 연결 또는 피드포워드 네트워크 대비 어떤가?

주요 결과

• 1/16 압축 비율에서 실내 환경에서는 -13.79 dB, 실외 환경에서는 -6.00 dB의 정규화 평균 제곱 오차(NMSE)를 기록하여 CsiNet, CRNet, DS-NLCsiNet를 모두 능가하는 성능을 확보했다.
• 1/32 압축 비율에서 실내에서는 -10.10 dB, 실외에서는 -5.21 dB의 NMSE를 기록하여 고압축 조건에서도 뛰어난 복원 정확도를 입증했다.
• 1/32 압축 비율에서 ShuffleCsiNet는 ConvCsiNet 대비 파라미터 수를 21.05%로 줄였으며, 파라미터 수는 1,623,416에서 341,800으로 감소했다.
• 1/32 압축 비율에서 ShuffleCsiNet는 ConvCsiNet 대비 FLOPs를 19.8%로 줄였으며, 58.2M에서 11.6M로 감소하여 계산 복잡도를 크게 낮췄다.
• 낮은 복잡도에도 불구하고 ShuffleCsiNet는 거의 최적의 성능을 유지하여, 1/32 압축 비율에서 실내에서는 -9.41 dB, 실외에서는 -3.50 dB의 NMSE를 기록했다.
• ShuffleCsiNet의 채널 셔플링 및 깊이 분리형 컨볼루션 설계는 모델의 강건성과 기능 재사용을 향상시켜 자원 사용을 최소화하면서도 높은 성능를 달성한다.