[論文レビュー] A Family of Deep Learning Architectures for Channel Estimation and Hybrid Beamforming in Multi-Carrier mm-Wave Massive MIMO

Ahmet M. Elbir, Kumar Vijay Mishra+2 more|arXiv (Cornell University)|Dec 20, 2019

Millimeter-Wave Propagation and Modeling被引用数 7

ひとこと要約

本稿では、広帯域ミリ波マッスィブMIMO-OFDMシステムにおけるチャネル推定とハイブリッドビームフォーミングを同時に実行する、畳み込みニューラルネットワーク（CNN）を用いた3つの深層学習（DL）フレームワーク（F1、F2、F3）を提案する。モデルは完全なCSIを必要とせず、生の受信信号を処理することで、最先端の手法よりも高いスペクトル効率、低いパイロットオーバヘッド、およびチャネル劣化やビームミスアライメントに対してより高いロバスト性を達成する。

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 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 raw data of received signal as input and yield channel estimates and the hybrid beamformers at the output. We also introduce both offline and online prediction schemes. 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 fewer number of pilot signals, and higher tolerance against the deviations in the received pilot data, corrupted channel matrix, and propagation environment.

研究の動機と目的

• 深層学習を活用することで、ミリ波マッスィブMIMOシステムにおける高いトレーニングオーバーヘッドとハードウェアコストの課題に対処する。
• 周波数選択性を持つ広帯域ミリ波チャネルにおいて、完全なCSIや狭帯域仮定に依存する既存のハイブリッドビームフォーミング手法の限界を克服する。
• 生の受信信号から同時にチャネル推定とハイブリッドビームフォーマーを計算するエンドツーエンドのDLアーキテクチャを設計する。
• ミリ波環境に一般的に見られる短いコherエンス時間や不完全なチャネルデータ下でも、ロバストな運用を可能にする。
• 最適化ベースおよび先行するDL手法と比較して、パイロットオーバヘッドと計算複雑度を低減する。

提案手法

• 生の受信OFDM信号を入力とし、チャネル推定値とハイブリッドビームフォーマーを出力する3つのCNNベースのDLフレームワーク（F1、F2、F3）を提案する。
• 1つのアーキテクチャ内でサブキャリアごとの応答をモデル化することで、周波数選択性を持つミリ波チャネルに対応するネットワークを設計する。
• オフラインおよびオンライン予測スキームを実装し、オンライン学習により運用中にモデルを更新し、環境変化に適応可能にする。
• 合成ノイズと最大4°のビームミスアライメントを含む多様なチャネルシナリオでネットワークをトレーニングし、ロバスト性を向上させる。
• 完全なCSIに依存しないように、チャネル推定とビームフォーマー設計を同時に最適化するための統合学習目的関数を採用する。
• GPU加速による推論を活用し、低遅延を実現する。F1は構造の単純さのおかげで最も高速である。

実験結果

リサーチクエスチョン

• RQ1 完全なCSIを必要とせずに、広帯域ミリ波マッスィブMIMOシステムにおいて、深層学習アーキテクチャがチャネルを推定すると同時にハイブリッドビームフォーマーを設計できるか？
• RQ2 提案されたDLフレームワークは、最先端の最適化手法およびDL手法と比較して、スペクトル効率およびチャネル劣化やビームミスアライメントに対するロバスト性においてどのように優れているか？
• RQ3 短いコherエンス時間を持つ動的で変化しやすいミリ波環境において、オンライン学習が性能と計算コストに与える影響は何か？
• RQ4 提案されたDLフレームワークは、高い推定精度を維持しつつ、パイロットオーバヘッドをどの程度低減できるか？
• RQ5 ネットワークアーキテクチャの違いが、リアルタイムのミリ波ビームフォーミング応用における計算複雑度と推論時間に与える影響は何か？

主な発見

• 提案されたDLフレームワークは、特に信号対雑音比（SNR）が高い領域において、最先端の最適化およびDL手法よりも高いスペクトル効率を達成する。
• DLHBフレームワークは、SF-CNNや他のDLベースの手法よりもチャネル推定精度が高く、後者に見られる固有の推定バイアスのため、SNRが高い領域で性能が頭打ちになるのを回避できる。
• トレーニングデータに最大4°のビームミスアライメントを組み込むことで、再トレーニングが不要な長期間の運用が可能になる。
• オンライン学習バージョンは、1000回分のチャネルコherエンスインターバルを処理するのに14.06秒で済み（解析的手法の25秒と比較）、時間効率に優れる。
• F1は構造が単純なため、DLフレームワークの中で最も低い計算時間で推論を実行できつつ、良好な性能を維持している。
• 提案手法はパイロットオーバヘッドを顕著に低減し、従来の技術よりも少ないトレーニングパイロットで効果的な運用が可能になる。