[논문 리뷰] Channel Estimation in Massive MIMO under Hardware Non-Linearities: Bayesian Methods versus Deep Learning

Özlem Tuğfe Demir, Emil Björnson|arXiv (Cornell University)|2019. 11. 17.

Advanced MIMO Systems Optimization참고 문헌 27인용 수 54

한 줄 요약

이 논문은 기본국과 사용자 단말기 양측에서 제3차 및 고차 비선형성으로 인한 영향을 받는 대량 MIMO 시스템을 대상으로, 딥러닝 기반의 채널 및 왜곡 분산 추정을 제안한다. 유효 채널과 왜곡 상관관계에 대한 분석 모델을 활용하여, 저자들은 순방향 신경망을 훈련시켜 기존의 베이지안 LMMSE 추정기보다 우수한 성능을 달성한다—특히 사용자 수가 증가할수록 더욱 두드러진다. 이는 하드웨어 왜곡의 구조적 특성을 활용하여 독립적인 노이즈로 간주하지 않고, 오히려 그 구조를 효과적으로 활용함으로써 상당히 낮은 NMSE와 BER를 달성한다.

ABSTRACT

This paper considers the joint impact of non-linear hardware impairments at the base station (BS) and user equipments (UEs) on the uplink performance of single-cell massive MIMO (multiple-input multiple-output) in practical Rician fading environments. First, Bussgang decomposition-based effective channels and distortion characteristics are analytically derived and the spectral efficiency (SE) achieved by several receivers are explored for third-order non-linearities. Next, two deep feedforward neural networks are designed and trained to estimate the effective channels and the distortion variance at each BS antenna, which are used in signal detection. We compare the performance of the proposed methods with state-of-the-art distortion-aware and -unaware Bayesian linear minimum mean-squared error (LMMSE) estimators. The proposed deep learning approach improves the estimation quality by exploiting impairment characteristics, while LMMSE methods treat distortion as noise. Using the data generated by the derived effective channels for general order of non-linearities at both the BS and UEs, it is shown that the deep learning-based estimator provides better estimates of the effective channels also for non-linearities more than order three.

연구 동기 및 목표

• 기지국과 사용자 단말기 양측의 비선형 하드웨어 손상이 업링크 대량 MIMO 성능에 미치는 동시 영향을 다루기.
• 임의의 차수의 준기억 없는 다항식 비선형성 하에서 유효 채널과 왜곡 상관행렬에 대한 해석적 표현 유도하기.
• 하드웨어 왜곡의 구조를 활용하는 딥러닝 기반 추정기 설계하기—독립적인 노이즈로 간주하지 않고서.
• 딥러닝 기반 추정기가 추정 정확도 및 스펙트럼 효율성 측면에서 기존 LMMSE 추정기보다 뚜렷이 뛰어나다는 것을 입증하기.
• 실제 Rician fading 환경에서 다양한 SNR 및 사용자 수 조건에 대해 동일한 훈련된 신경망이 잘 일반화되는지 보여주기.

제안 방법

• 기지국과 사용자 단말기에서 제3차 비선형성을 모델링하기 위해 Bussgang 분해를 사용하여 유효 채널과 왜곡 상관행렬 유도하기.
• 1차 및 2차 채널 통계를 기반으로 한 왜곡 인식 LMMSE 채널 추정에 대한 해석적 표현 유도하기.
• 두 개의 딥 순방향 신경망 설계: 하나는 유효 채널 추정을 위해, 다른 하나는 왜곡 분산 추정을 위해, 유도된 모델에서 생성된 합성 데이터로 훈련하기.
• 비선형 왜곡의 전체 구조, 특히 목적 신호에 대한 의존성을 고려하여 훈련시키며, 이를 독립적인 색노이즈로 모델링하지 않기.
• 고차수(예: 7차) 준기억 없는 다항식 왜곡으로 모델 일반화하고 딥러닝 접근의 강건성을 검증하기.
• 완전한 CSI, LMMSE 추정치, 딥러닝 기반 추정치를 사용한 여러 수신기(예: RZF, MMSE)의 구현 및 비교를 통해 BER 및 스펙트럼 효율 평가하기.

실험 결과

연구 질문

• RQ1 기지국과 사용자 단말기 양측에서 제3차 및 고차 비선형성이 대량 MIMO의 유효 채널 추정에 어떤 영향을 미치는가?
• RQ2 딥러닝 기반 추정기는 왜곡을 독립적인 색노이즈로 간주하는 기존의 베이지안 LMMSE 추정기보다 우수한가?
• RQ3 사용자 수가 증가할수록 딥러닝 접근이 하드웨어 왜곡의 구조적 특성을 얼마나 잘 활용하는가?
• RQ4 딥러닝 기반 추정기는 다양한 SNR 및 비선형성 차수에 대해 얼마나 강건한가?
• RQ5 3차 비선형성에서 훈련된 딥러닝 모델이 실질적인 Rician fading 환경에서 다른 SNR 조건으로도 잘 일반화되는가?

주요 결과

• 딥러닝 기반 채널 추정기는 특히 사용자 수가 증가할수록 왜곡 인식 및 비인식 LMMSE 추정기보다 상당히 낮은 NMSE를 달성한다.
• K = 20명의 UEs 및 3차 비선형성 조건에서, 딥러닝 추정기는 DuA-RZF(LMMSE) 대비 BER을 4~10배 감소시키고, DA-RZF(LMMSE) 대비 1.5~4배 감소시킨다.
• 딥러닝 기반 왜곡 분산 추정기는 LMMSE 기반 추정기 대비 NMSE에서 10 dB 향상(−20 dB에서 −30 dB로)을 달성한다.
• 제안된 딥러닝 기반 추정기는 다양한 SNR 수준에서 뛰어난 성능 유지를 유지하며, 재훈련 없이도 잘 일반화된다.
• 딥러닝 기반 추정치를 사용하는 원소별 MMSE 수신기(EW-DA-MMSE)는 DA-RZF와 LMMSE 추정을 사용할 때보다 6번차 및 7번차 UEs의 BER을 10배 이상 감소시킨다.
• 3차 비선형성에서 훈련된 딥러닝 모델은 7차 비선형성으로도 효과적으로 일반화되어 고차수 손상에 대한 강건성을 입증한다.