[논문 리뷰] Online and Offline Deep Learning Strategies For Channel Estimation and Hybrid Beamforming in Multi-Carrier mm-Wave Massive MIMO Systems

Ahmet M. Elbir, Kumar Vijay Mishra외 2명|arXiv (Cornell University)|2019. 12. 20.

Millimeter-Wave Propagation and Modeling인용 수 16

한 줄 요약

이 논문은 광대역 mm-Wave 대량 MIMO-OFDM 시스템에서 복합 신호 추정 및 하이브리드 beamforming을 위한 컨volution 신경망(CNN)을 사용하는 딥러닝 프레임워크를 제안한다. 이는 최신 기술보다 더 높은 스펙트럼 효율성, 더 낮은 계산 비용, 그리고 피LOT 간섭과 채널 불일치에 더 강건한 성능을 보이는 오프라인 및 온라인 추론 기법을 도입한다.

ABSTRACT

Hybrid analog and digital beamforming transceivers are instrumental in addressing the challenge of expensive hardware and high training overheads in the next generation millimeter-wave (mm-Wave) massive MIMO (multiple-input multiple-output) systems. However, lack of fully digital beamforming in hybrid architectures and short coherence times at mm-Wave impose additional constraints on the channel estimation. Prior works on addressing these challenges have focused largely on narrowband channels wherein optimization-based or greedy algorithms were employed to derive hybrid beamformers. In this paper, we introduce a deep learning (DL) approach for joint channel estimation and hybrid beamforming for frequency-selective, wideband mm-Wave systems. In particular, we consider a massive MIMO Orthogonal Frequency Division Multiplexing (MIMO-OFDM) system and propose three different DL frameworks comprising convolutional neural networks (CNNs), which accept the received pilot signal as input and yield the hybrid beamformers at the output. We also introduce both offline and online prediction schemes for channel estimation and hybrid beamforming. Numerical experiments demonstrate that, compared to the current state-of-the-art optimization and DL methods, our approach provides higher spectral efficiency, lesser computational cost, and higher tolerance against the deviations in the received pilot data, corrupted channel matrix, and propagation environment.

연구 동기 및 목표

• 하이브리드 아날로그-디지털 beamforming을 사용하는 mm-Wave 대량 MIMO 시스템에서의 높은 학습 오버헤드와 하드웨어 비용 문제를 해결하기 위해.
• 이전의 협대역, 최적화 기반 접근법의 한계를 극복하기 위해 주파수 선택성과 광대역 MIMO-OFDM 시스템으로 확장하기 위해.
• 피LOT 신호로부터 채널을 동시 추정하고 하이브리드 beamformer를 설계하는 딥러닝 프레임워크를 개발하기 위해.
• 성능과 계산 효율성의 균형을 맞추기 위해 오프라인 및 온라인 추론 전략을 도입하기 위해.
• 피LOT 간섭, 채널 행렬의 편차, 전파 환경 변화에 대한 강건성을 향상시키기 위해.

제안 방법

• 수신된 피LOT 신호를 입력으로 받아 하이브리드 beamformer를 출력하는 세 가지 별도의 CNN 기반 프레임워크를 설계하기 위해.
• 컨volution 신경망을 활용하여 피LOT 관측치에서 최적의 beamforming 벡터로의 복잡한 비선형 매핑을 학습하기 위해.
• 오프라인 학습 기법을 구현하여, 네트워크를 배포 전에 합성 또는 이력 채널 데이터로 학습시키기 위해.
• 신규 피LOT 피드백을 사용해 실시간으로 예측을 개선할 수 있도록 온라인 적응 기법을 개발하기 위해.
• 광대역 mm-Wave 시스템에서 채널 추정과 beamformer 설계를 동시에 최적화하기 위해 네트워크를 엔드 투 엔드로 학습하기 위해.
• MIMO-OFDM의 주파수 선택성 특성을 활용하여, 서브차원 간 상관관계를 공유하는 CNN 레이어를 통해 효율적으로 처리하기 위해.

실험 결과

연구 질문

• RQ1 딥러닝 기법이 광대역 mm-Wave 대량 MIMO-OFDM 시스템에서 동시 채널 추정 및 하이브리드 beamforming을 효과적으로 처리할 수 있는가?
• RQ2 제안된 딥러닝 프레임워크는 스펙트럼 효율성과 계산 비용 측면에서 최적화 기반 및 기존 딥러닝 방법과 비교해 어떻게 성능가능한가?
• RQ3 온라인 및 오프라인 추론 기법이 피LOT 신호 오염과 채널 행렬 편차에 대해 얼마나 강건성을 향상시키는가?
• RQ4 불완전한 채널 상태 정보와 다양한 전파 환경 하에서 제안된 모델의 일반화 능력은 얼마나 우수한가?
• RQ5 실시간 mm-Wave beamforming 응용에서 모델 복잡도, 추론 속도, 성능 간의 상충 관계는 어떠한가?

주요 결과

• 제안된 딥러닝 프레임워크는 최신 기술의 최적화 및 딥러닝 방법보다 더 높은 스펙트럼 효율성을 달성한다.
• 효율적인 CNN 기반 특징 추출과 엔드 투 엔드 학습 덕분에 계산 비용이 낮아진다.
• 온라인 추론 기법은 수신된 피LOT 데이터의 편차와 손상된 채널 행렬에 대해 더 높은 내성성을 보이다.
• 특히 피LOT 간섭과 채널 추정 오차 상황에서, 불일치하는 전파 환경에서도 강건성이 향상된다.
• 오프라인 학습 기법은 실시간 처리 부담을 줄이며 강력한 기준 성능을 제공한다.
• 채널 추정과 beamforming의 동시 학습은 순차적 또는 독립적인 최적화보다 시스템 성능을 향상시킨다.