[論文レビュー] A Modular Neural Network Based Deep Learning Approach for MIMO Signal Detection

Songyan Xue, Yi Ma+2 more|arXiv (Cornell University)|Apr 1, 2020

Wireless Signal Modulation Classification参考文献 44被引用数 7

ひとこと要約

本稿では、並列干渉キャンセレーション（PIC）を再利用可能なネットワークモジュールに統合することで、深層学習ベースのMIMO検出におけるスケーラビリティの問題を軽減するモジュラーなニューラルネットワーク手法MNNetを提案する。フィードフォワード層において干渉を線形に低減することで、エンドツーエンドの深層学習手法と比較して、大幅に低い学習および推論の複雑さでほぼ最適性能を達成する。

ABSTRACT

In this paper, we reveal that artificial neural network (ANN) assisted multiple-input multiple-output (MIMO) signal detection can be modeled as ANN-assisted lossy vector quantization (VQ), named MIMO-VQ, which is basically a joint statistical channel quantization and signal quantization procedure. It is found that the quantization loss increases linearly with the number of transmit antennas, and thus MIMO-VQ scales poorly with the size of MIMO. Motivated by this finding, we propose a novel modular neural network based approach, termed MNNet, where the whole network is formed by a set of pre-defined ANN modules. The key of ANN module design lies in the integration of parallel interference cancellation in the MNNet, which linearly reduces the interference (or equivalently the number of transmit-antennas) along the feed-forward propagation; and so as the quantization loss. Our simulation results show that the MNNet approach largely improves the deep-learning capacity with near-optimal performance in various cases. Provided that MNNet is well modularized, the learning procedure does not need to be applied on the entire network as a whole, but rather at the modular level. Due to this reason, MNNet has the advantage of much lower learning complexity than other deep-learning based MIMO detection approaches.

研究の動機と目的

• 送信アンテナ数の増加に伴い、既存の深層学習ベースのMIMO検出手法のスケーラビリティが著しく低下する問題に対処すること。
• ANN支援MIMO検出とロスレスベクトル量子化（MIMO-VQ）の根本的関係を解明し、送信アンテナ数の増加に伴い量子化誤差が線形に増加することを明らかにすること。
• 階層的構造において並列干渉キャンセレーション（PIC）を活用することで、スケーラブルで低複雑性の学習と推論を実現するモジュラーなニューラルネットワークアーキテクチャ（MNNet）を構築すること。
• 全ネットワークを一括して学習するのではなく、個々のコンponentsを別々に学習するモジュラー学習が、計算コストを低減しつつ高い性能を達成できることを示すこと。

提案手法

• MIMO信号検出を、統計的チャネル量子化と信号量子化の統合プロセスとしてモデル化し、MIMO-VQと呼ぶ。これにより、送信アンテナ数の増加に伴い量子化誤差が線形に増加することが明らかになる。
• 並列干渉キャンセレーション（PIC）を統合した、事前に定義された再利用可能なANNモジュールから構成されるモジュラーなニューラルネットワーク（MNNet）を設計し、各層における有効干渉と量子化誤差を低減する。
• 各モジュールが信号のサブセットを処理するフィードフォワードネットワークとしてMNNetを構造化し、伝搬経路に沿って干渉とアクティブな送信アンテナ数を線形に低減する。
• 階層的スーパーエンティティアーキテクチャを採用し、各モジュールを独立して学習可能にするモジュラー学習を実現。これにより、全体の学習複雑度が低減される。
• 行列の逆行列計算や分解を必要とせず、受信信号ベクトル 𝐲 とチャネル状態情報 𝐇 を入力として使用。計算効率が向上する。
• 予測値と実際の送信シンボルの差を最小化する目的で、平均二乗誤差（MSE）損失関数を用い、バックプロパゲーションによる学習を実装。

実験結果

リサーチクエスチョン

• RQ1 ANN支援MIMO検出における量子化誤差は、送信アンテナ数の増加に伴いどのように変化するか。その根本的要因は何か？
• RQ2 モジュラーなニューラルネットワークアーキテクチャは、エンドツーエンドの深層学習におけるMIMO検出のスケーラビリティ制限を緩和できるか？
• RQ3 並列干渉キャンセレーション（PIC）を深層学習モジュールにどれほど統合できるか。有効干渉を低減し、性能を向上させることに寄与するか？
• RQ4 ネットワークの個々のコンponentを別々に学習するモジュラー学習は、計算コストを低減しつつ高い検出精度を維持できるか？
• RQ5 さまざまなMIMO構成において、提案手法MNNetは、DetNet、OAMPNet、TPG-Detectorといった最先端の深層学習ベースMIMO検出器と比較して、どのように性能を発揮するか？

主な発見

• ANN支援MIMO検出を表すMIMO-VQモデルは、送信アンテナ数の増加に伴い量子化誤差が線形に増加することを示し、そのスケーラビリティの低さの根本的要因を解明した。
• MNNetは、M<N（アンダーロード）、M=N（クリティカルロード）、M>N（オーバーロード）のさまざまなMIMO構成において、ほぼ最適性能を達成した。
• QPSKを用いた4×8 MIMOシステムにおいて、MNNetはBER = 10⁻⁵の時点でMLSDからわずか0.4 dBの性能ギャップに留め、DetNetやMIMO-VQを上回った。
• QPSKを用いた8×4 MIMOシステムでは、高SNR領域でMIMO-VQベースラインに対して1.7 dBの利点を示した。一方、TPG-Detector や IW-SOAV は誤差フロアに陥っていた。
• 行列の逆行列計算を回避し、モジュラー学習を可能にすることで、MNNetは低計算複雑性を維持。全ネットワーク学習と比較して、学習オーバーヘッドを顕著に低減した。
• さまざまな変調方式（BPSKおよびQPSK）においてMNNetの性能は安定しており、BPSKからQPSKに移行しても劣化が最小限に抑えられた。これに対して、他の手法では性能ギャップが顕著に拡大した。