[论文解读] Deep Learning based Antenna Selection and CSI Extrapolation in Massive MIMO Systems

Bo Lin, Feifei Gao+3 more|arXiv (Cornell University)|Jan 18, 2021

Advanced MIMO Systems Optimization参考文献 37被引用 6

一句话总结

该论文提出了一种深度学习框架，结合了天线域外推网络（ADEN）与天线选择网络（ASN），通过从少量天线中预测信道状态信息（CSI），以减少大规模MIMO系统中的训练开销。通过将精细CSI外推建模为基于ODE的优化过程，并采用可微分的约束退化算法处理不可微分的天线选择，该方法在性能上优于传统方法，其中ADEN在性能上超越全连接网络，而ASN能够学习到超越均匀选择的最优选择模式。

ABSTRACT

A critical bottleneck of massive multiple-input multiple-output (MIMO) system is the huge training overhead caused by downlink transmission, like channel estimation, downlink beamforming and covariance observation. In this paper, we propose to use the channel state information (CSI) of a small number of antennas to extrapolate the CSI of the other antennas and reduce the training overhead. Specifically, we design a deep neural network that we call an antenna domain extrapolation network (ADEN) that can exploit the correlation function among antennas. We then propose a deep learning (DL) based antenna selection network (ASN) that can select a limited antennas for optimizing the extrapolation, which is conventionally a type of combinatorial optimization and is difficult to solve. We trickly designed a constrained degradation algorithm to generate a differentiable approximation of the discrete antenna selection vector such that the back-propagation of the neural network can be guaranteed. Numerical results show that the proposed ADEN outperforms the traditional fully connected one, and the antenna selection scheme learned by ASN is much better than the trivially used uniform selection.

研究动机与目标

• 通过从有限数量的天线中外推CSI，减少大规模MIMO系统中的训练开销。
• 解决深度学习中不可微分离散天线选择的挑战，实现反向传播。
• 通过利用天线间的空间相关性，采用结构化深度学习架构，提升CSI外推的准确性。
• 联合优化天线选择与CSI外推，以实现优于均匀选择或启发式方法的整体性能。

提出的方法

• ADEN通过全连接神经网络执行粗略CSI外推，并利用粗略估计作为初始条件，通过基于ODE的初值问题实现精细外推。
• 精细外推子网络被建模为ODE：d𝐮f(t)/dt = ψ[𝐮f(t), 𝛚(t)]，其中𝐮f(0) = ŝu_A^c，实现连续优化。
• 提出一种约束退化算法（CDA），用于生成离散天线选择向量的可微分近似，使反向传播能够通过选择过程。
• 天线选择网络（ASN）通过与ADEN联合训练，并对预测误差与选择稀疏性进行惩罚，学习最优天线选择。
• 该框架采用端到端训练，联合损失函数平衡CSI预测精度与选择向量的稀疏性。
• 该方法在CSI外推任务上进行了评估，包括从部分观测中恢复完整CSI以及频域外推。

实验结果

研究问题

• RQ1 深度学习能否在大规模MIMO系统中有效从少量天线中外推CSI，从而减少训练开销？
• RQ2 如何将不可微分的天线选择整合到深度学习框架中，以实现端到端训练？
• RQ3 与标准DNN相比，将精细CSI外推建模为基于ODE的过程是否能提升预测精度？
• RQ4 所提出的ASN能否学习到优于均匀或随机选择的天线选择模式？
• RQ5 天线选择与CSI外推的联合优化如何影响整体系统性能？

主要发现

• 所提出的ADEN由于其基于ODE的优化机制，在CSI外推精度上优于传统全连接DNN。
• 天线选择网络（ASN）学习到非均匀、环境感知的天线子集，其在CSI外推精度上显著优于均匀选择。
• 约束退化算法（CDA）成功实现了对离散天线选择过程的可微分反向传播，使端到端训练成为可能。
• ASN与ADEN的联合训练带来了整体性能的提升，其外推误差低于单独优化或启发式选择方法。
• 数值结果表明，所提方法在复杂传播环境中能以显著降低的训练开销实现高精度的CSI预测。
• 该框架在多种应用场景中均表现有效，包括从部分观测中恢复完整CSI以及频域CSI外推。