[논문 리뷰] Beamspace Channel Estimation in Terahertz Communications: A Model-Driven Unsupervised Learning Approach.

Hengtao He, Rui Wang외 3명|arXiv (Cornell University)|2020. 06. 30.

Terahertz technology and applications참고 문헌 41인용 수 6

한 줄 요약

이 논문은 광대역 테라헤르츠 MIMO 시스템에서 빔스페이스 채널 추정을 위한 모델 기반 비지도 학습 프레임워크인 LDGEC를 제안한다. 스텐의 무편향 리스크 추정자 손실을 활용하여, 실제 채널 데이터 없이도 피로트 기반 및 제한된 측정값만으로 학습이 가능하게 하여 사전 학습 단계에서 실제 채널 데이터가 필요 없도록 하고, 특히 저 RF 체인 및 저해상도 ADC 제약 조건 하에서도 압축 감지 방법보다 뛰어난 성능을 달성한다.

ABSTRACT

Terahertz (THz)-band communications have been one of the promising technologies for future wireless networks that integrate a wide range of data-demanding applications. To compensate for the large channel attenuation in THz band and avoid high hardware cost, a lens-based beamspace massive multiple-input multiple-output (MIMO) system is considered. However, the beam squint effect appeared in wideband THz systems, making channel estimation very challenging, especially when the receiver is equipped with a limited number of radio-frequency (RF) chains. Furthermore, the real channel data cannot be obtained before the THz system is used in a new environment, which makes it impossible to train a deep learning (DL)-based channel estimator using real data set beforehand. To solve the problem, we propose a model-driven unsupervised learning network, named learned denoising-based generalized expectation consistent (LDGEC) signal recovery network. By utilizing the Steins unbiased risk estimator loss, the LDGEC network can be trained only with limited measurements corresponding to the pilot symbols, instead of the real channel data. Even if designed for unsupervised learning, the LDGEC network can be supervisingly trained with the real channel via the denoiser-by-denoiser way. The numerical results demonstrate that the LDGEC-based channel estimator significantly outperforms state-of-the-art compressive sensing-based algorithms when the receiver is equipped with a small number of RF chains and low-resolution ADCs.

연구 동기 및 목표

• 광대역 테라헤르츠 MIMO 시스템에서 발생하는 빔 스쿼이트 문제를 해결하여 채널 추정 정확도를 향상시키기.
• 신규 환경에 도입하기 전에 실제 채널 데이터 확보가 불가능한 점이 지도 학습 기반 딥러닝의 주요 장벽이 되는 문제를 해결하기.
• 실제 채널 데이터 없이도 훈련이 가능한 채널 추정기를 설계하여 미리 경험하지 못한 환경에 쉽게 도입할 수 있도록 하기.
• 제한된 RF 체인 및 저해상도 ADC 등의 하드웨어 제약 조건 하에서도 추정 정확도를 향상시키기.
• 피로트 기반 기반 및 제한된 측정값만으로도 훈련이 가능한 방법을 개발하여 성능 저하 없이 높은 정확도를 유지하기.

제안 방법

• 빔스페이스 채널 추정을 위한 학습된 디노이징 기반 일반화 기대 일致 (LDGEC) 신호 복원 네트워크를 제안한다.
• 스텐의 무편향 리스크 추정자(SURE) 손실을 활용하여, 피로트 기반 및 측정 데이터만으로도 비지도 학습을 가능하게 한다.
• 지식 기반 채널 행렬이 필요 없이 디노이징을 통해 채널 구조를 암묵적으로 학습하는 네트워크 아키텍처를 설계한다.
• 하이브리드 훈련 전략을 도입하여, 나중에 실제 채널 데이터를 활용해 '디노이저-바이-디노이저' 방식으로 미세조정할 수 있도록 한다.
• 빔스페이스 MIMO 시스템 모델의 모델 기반 사전 지식을 신경망 아키텍처에 통합하여 일반화 능력을 향상시킨다.
• 실제 채널에 접근할 수 없더라도 진짜 복원 오차를 추정할 수 있는 손실 함수를 최적화하여 네트워크를 학습시킨다.

실험 결과

연구 질문

• RQ1 딥러닝 기반 채널 추정기는 실제 채널 데이터 없이 피로트 기반 및 측정 데이터만으로도 훈련이 가능한가?
• RQ2 저 RF 체인 및 저해상도 ADC 설정 조건 하에서 LDGEC 네트워크는 빔스페이스 채널 추정에서 어떤 성능을 보이는가?
• RQ3 SURE 기반 비지도 학습 전략은 테라헤르츠 시스템에서 레이블이 부여된 채널 데이터의 필요성을 얼마나 줄일 수 있는가?
• RQ4 추정 정확도 측면에서 LDGEC는 최신 압축 감지 기반 알고리즘과 비교해 어떻게 성능을 냈는가?
• RQ5 비지도 사전 훈련 이후 LDGEC 프레임워크는 실제 채널 데이터로 효과적으로 미세조정이 가능한가?

주요 결과

• 저 RF 체인 및 저해상도 ADC 조건 하에서 LDGEC 네트워크는 최신 압축 감지 기반 알고리즘보다 뚜렷이 뛰어난 채널 추정 성능을 달성한다.
• 피로트 기반 및 측정 데이터만으로도 비지도 학습이 가능하여 사전 훈련 단계에서 실제 채널 데이터가 필요 없이 효과적인 채널 추정이 가능하다.
• SURE 기반 손실 함수 덕분에 지식 기반 채널이 없더라도 복원 오차를 정확하게 추정할 수 있어 비지도 학습이 가능해졌다.
• LDGEC 프레임워크는 '디노이저-바이-디노이저' 미세조정 전략을 지원하여, 실제 채널 데이터 확보 후에 지도 학습 기반 개선이 가능하다.
• 모델 기반 설계 덕분에 미리 경험하지 못한 환경에서의 일반화 능력과 강인성이 향상되었다.
• 수치적 결과는 LDGEC가 제한된 하드웨어 자원 조건에서도 높은 정확도를 유지함을 확인하였으며, 실용적인 테라헤르츠 시스템에 적합함을 입증한다.