[논문 리뷰] Scalable Predictive Beamforming for IRS-Assisted Multi-User Communications: A Deep Learning Approach

Chang Liu, Xuemeng Liu외 3명|arXiv (Cornell University)|2022. 11. 23.

Advanced Wireless Communication Technologies인용 수 6

한 줄 요약

이 논문은 역사적 채널 데이터를 사용해 IRS 위상 보정을 예측함으로써 채널 추정 오버헤드를 줄이는 딥러닝 기반 예측 빔포밍 프레임워크를 제안한다. 위치 인식 CLSTM-GNN를 활용한 예측적 위상 보정 설계와 순수하게 연결된 신경망을 활용한 순순간 빔포밍을 조합함으로써, 사용자 수에 대한 확장성과 다양한 이동성 조건에서의 일반화 능력을 확보하면서도 높은 가중합산율 성능을 달성한다.

ABSTRACT

Beamforming design for intelligent reflecting surface (IRS)-assisted multi-user communication (IRS-MUC) systems critically depends on the acquisition of accurate channel state information (CSI). However, channel estimation (CE) in IRS-MUC systems causes a large signaling overhead for training due to the large number of IRS elements. In this paper, taking into account user mobility, we adopt a deep learning (DL) approach to implicitly learn the historical line-of-sight (LoS) channel features and predict the IRS phase shifts to be adopted for the next time slot for maximization of the weighted sum-rate (WSR) of the IRS-MUC system. With the proposed predictive approach, we can avoid full-scale CSI estimation and facilitate low-dimensional CE for transmit beamforming design such that the signaling overhead is reduced by a scale of $\frac{1}{N}$, where $N$ is the number of IRS elements. To this end, we first develop a universal DL-based predictive beamforming (DLPB) framework featuring a two-stage predictive-instantaneous beamforming mechanism. As a realization of the developed framework, a location-aware convolutional long short-term memory (CLSTM) graph neural network (GNN) is developed to facilitate effective predictive beamforming at the IRS, where a CLSTM module is first adopted to exploit the spatial and temporal features of the considered channels and a GNN is then applied to empower the designed neural network with high scalability and generalizability. Furthermore, in the second stage, based on the predicted IRS phase shifts, an instantaneous CSI-aware fully-connected neural network is designed to optimize the transmit beamforming at the access point. Simulation results demonstrate that the proposed framework not only achieves a better WSR performance and requires a lower CE overhead compared with state-of-the-art benchmarks, but also is highly scalable in the numbers of users.

연구 동기 및 목표

• 대규모 IRS 요소 수로 인해 발생하는 IRS 보조 다중 사용자 통신(IRS-MUC) 시스템에서 채널 추정의 높은 신호 오버헤드를 해결한다.
• 과도한 오버헤드를 유발하거나 정확도가 저하되는 기존의 CSI 확보 방법의 한계를 극복한다.
• 시간이 변화하는 환경과 사용자 이동성 조건에서 저오버헤드, 확장 가능하고 일반화 능력이 뛰어난 빔포밍을 위해 향후 IRS 위상 보정을 예측함으로써 실현한다.
• 예측 빔포밍과 순순간 빔포밍 최적화를 분리하는 두 단계의 딥러닝 프레임워크를 개발한다.

제안 방법

• 두 단계의 딥러닝 기반 예측 빔포밍(DLPB) 프레임워크를 제안: 먼저 IRS 위상 보정을 예측하고, 그 예측 결과를 바탕으로 전송 빔포밍을 최적화한다.
• 역사적 LOS 채널 데이터로부터 공간적 및 시간적 채널 특징을 모델링하기 위해 위치 인식형 순환 장기 기억 그래프 신경망(LA-CLGNN)을 설계한다.
• 시간 슬롯 간 채널 변화의 시간적 의존성을 포착하기 위해 CLSTM 모듈을 활용하여 이동 사용자에 대한 예측 정확도를 향상시킨다.
• 사용자-IRS 및 사용자-사용자 채널 상호작용을 모델링하기 위해 그래프 신경망(GNN)을 활용하여 임의의 사용자 수에 대한 확장성을 확보한다.
• 두 번째 단계에서 예측된 위상 보정을 바탕으로 빔포밍을 정밀하게 보정하기 위해 순순간 빔포밍 인식형 완전 연결 신경망(IA-FNN)을 통합한다.
• 가중합산율 손실을 최소화하기 위해 역사적 채널 상태와 관련된 최적의 위상 보정 데이터셋을 사용해 종단간 프레임워크를 훈련시킨다.

실험 결과

연구 질문

• RQ1 딥러닝이 IRS-MUC 시스템에서 전체 CSI 추정을 피하기 위해 향후 시간 슬롯의 IRS 위상 보정을 효과적으로 예측할 수 있는가?
• RQ2 제안된 DLPB 프레임워크는 감소된 CSI 피드백 조건에서 최첨단 기준 대비 가중합산율(WSR) 성능에서 어떻게 성과를 내는가?
• RQ3 재학습 없이 사용자 수 증가에 대해 얼마나 잘 확장되는가?
• RQ4 다양한 사용자 이동 패턴과 속도에서 얼마나 잘 일반화되는가?
• RQ5 역사적 시간 단계 길이가 예측 정확도와 시스템 성능에 어떤 영향을 미치는가?

주요 결과

• 제안된 DLPB 프레임워크는 전체 스케일의 CSI 확보를 회피함으로써 IRS 요소 수 $ N $ 에 비례해 채널 추정 오버헤드를 $ \frac{1}{N} $ 배로 감소시킨다.
• LA-CLGNN 기반 예측 빔포밍은 훈련 데이터에 포함되지 않은 사용자 수에 대해서도 전체 훈련 기준 성능과 유사한 가중합산율(WSR) 성능를 달성한다.
• 프레임워크는 높은 확장성을 보이며, $ K=3 $ 명의 사용자로 훈련된 경우 $ K=2 $ 에서 $ 6 $ 명의 사용자 시스템에서도 재학습 없이 거의 최적의 WSR 성능를 달성한다.
• 일반화 능력이 크게 향상되었으며, 사용자 속도가 10 km/h에서 60 km/h로 변화하더라도 제안된 방법의 WSR는 안정적으로 유지되지만, 단순한 FP 기반 기법은 속도 증가에 따라 급격히 성능이 저하된다.
• 역사적 시간 단계 수 $ \tau $ 가 증가할수록 DLPB 방식의 평균 WSR가 증가함으로써 시간적 채널 의존성을 효과적으로 활용하고 있음을 나타내지만, $ \tau $ 가 크면 성능 향상 폭이 둔화된다.
• 특히 고속 이동성 및 다양한 사용자 수 조건에서 FP-ICSI, 단순한 FP, 무작위 위상 보정 기법과 비교해도 DLPB 방법이 WSR 성능에서 뛰어난 성능를 보인다.