[논문 리뷰] Robust Precoding in Massive MIMO: A Deep Learning Approach

Junchao Shi, Wenjin Wang외 3명|arXiv (Cornell University)|2020. 05. 27.

Advanced MIMO Systems Optimization참고 문헌 41인용 수 4

한 줄 요약

이 논문은 힘들어진 채널 상태 정보(CSI)를 가진 대규모 MIMO 시스템을 위한 딥러닝 기반 강건한 프리코딩 프레임워크를 제안한다. 전력 제약 하에 에르고딕 속도를 최대화하기 위해 순순간 및 통계적 CSI를 모두 활용한다. 라그랑주 이중성에 의해 프리코딩 문제를 재구성하고, 최적의 프리코더 구조를 일반화된 고유값 문제로 식별함으로써 고차원 프리코더 설계를 저차원 라그랑주 승수 학습으로 감소시켜, 사전 훈련된 신경망을 통해 실시간, 저복잡도 프리코딩을 가능하게 하며, near-optimal 성능을 달성한다.

ABSTRACT

In this paper, we consider massive multiple-input-multiple-output (MIMO) communication systems with a uniform planar array (UPA) at the base station (BS) and investigate the downlink precoding with imperfect channel state information (CSI). By exploiting both instantaneous and statistical CSI, we aim to design precoding vectors to maximize the ergodic rate (e.g., sum rate, minimum rate and etc.) subject to a total transmit power constraint. To maximize an upper bound of the ergodic rate, we leverage the corresponding Lagrangian formulation and identify the structural characteristics of the optimal precoder as the solution to a generalized eigenvalue problem. As such, the high-dimensional precoder design problem turns into a low-dimensional power control problem. The Lagrange multipliers play a crucial role in determining both precoder directions and power parameters, yet are challenging to be solved directly. To figure out the Lagrange multipliers, we develop a general framework underpinned by a properly designed neural network that learns directly from CSI. To further relieve the computational burden, we obtain a low-complexity framework by decomposing the original problem into computationally efficient subproblems with instantaneous and statistical CSI handled separately. With the off-line pretrained neural network, the online computational complexity of precoding is substantially reduced compared with the existing iterative algorithm while maintaining nearly the same performance.

연구 동기 및 목표

• 기지국에서 채널 상태 정보(CSI)가 불완전하고 오래되었을 때 발생하는 성능 저하 문제를 해결하기 위해.
• 전체 전송 전력 제약 하에 에르고딕 속도(예: 합산 속도 또는 최소 속도)를 최대화하는 저복잡도 강건 프리코딩 방안을 설계하기 위해.
• 라그랑주 완화를 통해 유도된 최적 프리코더의 구조적 특성을 활용하여 고차원 프리코딩 문제를 저차원 전력 제어 문제로 변환하기 위해.
• CSI를 직접 라그랑주 승수로 매핑하는 신경망을 훈련시켜 반복 최적화를 우회함으로써 실시간 프리코딩을 가능하게 하기 위해.

제안 방법

• 사후 채널 모델을 사용하여 순순간 및 통계적 CSI를 모두 포함하는 불확실한 CSI 하에서 에르고딕 속도 최대화 문제를 제안한다.
• 라그랑주 이중성을 적용하여 최적의 프리코더 구조를 유도하고, 프리코더 방향과 전력 배분이 일반화된 고유값 문제의 해와 대응됨을 보여준다.
• 원래의 고차원 프리코딩 문제를 저차원 라그랑주 승수 추정 문제로 감소시키며, 이 승수들이 비례 방향과 전력 수준을 모두 결정함을 보여준다.
• CSI(순순간 및 통계적)에서 최적의 라그랑주 승수로의 매핑을 학습하는 딥 뉴럴 네트워크를 설계하여, 빠른 온라인 프리코더 계산을 가능하게 한다.
• 순순간 및 통계적 CSI 처리를 별도의 하위문제로 분해하여 계산 복잡도를 추가로 감소시킨다.
• 채널 샘플을 사용해 사전에 신경망을 훈련시켜 온라인 추론 시 최소한의 지연과 계산 부담을 유도한다.

실험 결과

연구 질문

• RQ1 불완전한 CSI 하에서 최적의 강건 프리코더 구조는 일반화된 고유값 문제로 어떻게 특성화될 수 있는가?
• RQ2 라그랑주 승수는 강건 프리코딩에서 비례 방향과 전력 할당을 결정하는 데 어떤 역할을 하는가?
• RQ3 딥 뉴럴 네트워크는 CSI에서 라그랑주 승수로의 매핑을 효과적으로 학습하여 저복잡도 온라인 프리코딩을 가능하게 할 수 있는가?
• RQ4 CSI 불확실성 하에서 기존 반복 알고리즘인 RZF나 WMMSE와 비교해 본다면, 제안된 방법은 성능 및 복잡도 측면에서 어떻게 비교되는가?
• RQ5 순순간 및 통계적 CSI 처리를 분리함으로써 계산 복잡도를 얼마나 줄일 수 있으며, 이로 인해 에르고딕 속도 성능을 손상시키지 않을 수 있는가?

주요 결과

• 최적의 프리코더 구조는 일반화된 고유값 문제의 해로 유도되며, 이는 고차원 프리코딩 문제를 저차원 라그랑주 승수 추정 과제로 변환하는 데 기여한다.
• 제안된 방법은 반복 알고리즘과 비교해 near-optimal 수준의 에르고딕 속도 성능을 달성하며, 온라인 계산 복잡도가 크게 감소한다.
• 딥 뉴럴 네트워크는 사전에 훈련되어 CSI에서 라그랑주 승수로의 매핑을 수행하며, 최소한의 처리 지연으로 실시간 프리코딩을 가능하게 한다.
• 순순간 및 통계적 CSI 처리를 별도의 하위문제로 분해함으로써 온라인 계산 부담을 줄이면서도 높은 성능을 유지한다.
• 채널 추정 오차와 CSI 노후화에 대해 강건성을 유지하며, 특히 고속 이동 환경에서 유리하다.
• 시뮬레이션 결과는 제안된 방법이 불완전한 CSI 하에서도 이론적 에르고딕 속도 상한선에 매우 가까운 성능을 달성함을 확인한다.