[논문 리뷰] Sparse Channel Estimation and Hybrid Precoding Using Deep Learning for Millimeter Wave Massive MIMO

Wenyan Ma, Chenhao Qi외 2명|arXiv (Cornell University)|2020. 02. 15.

Millimeter-Wave Propagation and Modeling참고 문헌 25인용 수 9

한 줄 요약

이 논문은 mmWave 대량 MIMO 시스템을 위한 딥러닝 기반 희소 채널 추정(DLCS) 및 하이브리드 조정( DLQP) 프레임워크를 제안한다. 사전에 신경망을 학습시켜 주요 비트스페이스 채널 항목과 양자화된 위상 이동을 예측함으로써, 낮은 훈련 피로와 저해상도 위상 이동기 조건에서도 기존의 OMP, DGMP, QALS 방법보다 뛰어난 노멀라이즈드 평균 제곱 오차(NMSE) 및 스펙트럼 효율을 달성한다.

ABSTRACT

Channel estimation and hybrid precoding are considered for multi-user millimeter wave massive multi-input multi-output system. A deep learning compressed sensing (DLCS) channel estimation scheme is proposed. The channel estimation neural network for the DLCS scheme is trained offline using simulated environments to predict the beamspace channel amplitude. Then the channel is reconstructed based on the obtained indices of dominant beamspace channel entries. A deep learning quantized phase (DLQP) hybrid precoder design method is developed after channel estimation. The training hybrid precoding neural network for the DLQP method is obtained offline considering the approximate phase quantization. Then the deployment hybrid precoding neural network (DHPNN) is obtained by replacing the approximate phase quantization with ideal phase quantization and the output of the DHPNN is the analog precoding vector. Finally, the analog precoding matrix is obtained by stacking the analog precoding vectors and the digital precoding matrix is calculated by zero-forcing. Simulation results demonstrate that the DLCS channel estimation scheme outperforms the existing schemes in terms of the normalized mean-squared error and the spectral efficiency, while the DLQP hybrid precoder design method has better spectral efficiency performance than other methods with low phase shifter resolution.

연구 동기 및 목표

• mmWave 대량 MIMO에서 전통적인 압축 감지 기반 채널 추정의 높은 훈련 피로와 열악한 성능 문제를 해결한다.
• OMP 및 DGMP와 같은 탐욕적이고 순차적인 희소 복원 방법의 국소 최적성 부족 문제를 극복한다.
• 고해상도 하드웨어나 철저한 탐색이 필요 없이 저해상도 위상 이동기에 적응하는 하이브리드 조정기를 설계한다.
• 시뮬레이션된 데이터로부터 딥러닝을 통해 최적의 아날로그 및 디지털 조정을 학습함으로써 다중 사용자 mmWave 시스템에서 높은 스펙트럼 효율을 달성한다.
• 고정 코드북 대신 학습된 양자화된 위상 표현을 사용함으로써 비트 정렬의 계산 복잡도를 감소시키고 강건성을 향상시킨다.

제안 방법

• 시뮬레이션된 mmWave 채널을 사용하여 주요 비트스페이스 채널 항목의 인덱스와 진폭을 예측하는 딥 네트워크(DLCS)를 사전에 학습시킨다.
• mmWave 채널의 비트스페이스 도메인에서의 희소성에 기반하여 예측된 진폭과 알려진 비트 인덱스를 조합하여 전체 채널을 재구성한다.
• 하드웨어 제약이 있는 위상 이동기의 해상도를 고려하여 아날로그 조정 벡터를 학습하는 딥러닝 양자화된 위상(DLQP) 네트워크를 설계한다.
• 실제 하드웨어 제약을 시뮬레이션하기 위해 근사적 위상 양자화를 사용해 DLQP 네트워크를 학습한 후, 최종 아날로그 조정기를 생성하기 위해 이상적인 위상 양자화를 적용해 배포한다.
• 추정된 채널과 DHPNN 출력에서 유도된 아날로그 조정기를 기반으로 제로포지싱을 통해 디지털 조정기를 구성한다.
• 스티어링 벡터의 사전 행렬을 사용하여 각도 도메인 경로를 비트스페이스로 매핑함으로써 채널의 희소 표현을 가능하게 한다.

실험 결과

연구 질문

• RQ1 시뮬레이션된 데이터로 학습된 딥러닝 모델이 낮은 피로로 기존의 압축 감지 방법(Omp 및 DGMP)보다 mmWave 채널 추정에서 더 우수한 성능을 내는가?
• RQ2 기존의 희소 복원 기법과 비교해 본다면, 제안된 DLCS 기법은 NMSE 및 스펙트럼 효율 측면에서 어떻게 성능을 내는가?
• RQ3 양자화된 위상 이동을 갖춘 학습된 하이브리드 조정기 설계가 기존 방법보다 더 높은 스펙트럼 효율을 달성할 수 있는가, 특히 저해상도 위상 이동기 제약 조건 하에서?
• RQ4 DLCS 기법이 근사 최적의 채널 추정 성능을 달성하기 위해 필요한 최소한의 훈련 피로 슬롯 수는 얼마인가?
• RQ5 위상 이동기 비트 수가 감소할 경우, DLQP 방법이 철저한 탐색 및 DFT 기반 코드북 방법보다 높은 스펙트럼 효율을 유지하는가?

주요 결과

• J=7 조건에서 DLCS 기법은 동일한 피로 피로 조건에서 OMP 및 DGMP 대비 각각 8.3% 및 2.6%의 스펙트럼 효율 향상을 달성한다.
• K=7 훈련 시간 슬롯 조건에서 DLCS 기법은 NMSE 측면에서 OMP 및 DGMP 대비 각각 56.1% 및 85.2% 향상되어 뛰어난 채널 추정 정확도를 입증한다.
• DLCS 기법은 단지 K=8 훈련 슬롯으로도 전체 채널 상태 정보를 확보할 수 있어 K=8가 최적 성능을 달성하는 데 충분함을 시사한다.
• 10 dB SNR 조건에서 DLQP 방법은 Exhaustion 및 QALS(Q=16) 방법 대비 각각 62.0% 및 86.5%의 스펙트럼 효율 향상을 달성한다.
• K=7 훈련 슬롯 조건에서 DLQP 방법은 Exhaustion 및 QALS(Q=16) 방법 대비 각각 51.0% 및 71.0%의 스펙트럼 효율 향상을 기록한다.
• DLQP 방법은 저해상도 위상 이동기 조건에서도 높은 성능을 유지하며, Q=64인 QALS를 능가함으로써 하드웨어 제약에 대한 강건성을 입증한다.