[논문 리뷰] Deep Learning-based CSI Feedback for RIS-assisted Multi-user Systems

Jiajia Guo, Xi Yang외 3명|arXiv (Cornell University)|2020. 03. 06.

Advanced Wireless Communication Technologies인용 수 5

한 줄 요약

이 논문은 근접한 사용자 기기(UE) 간 상관관계를 활용하는 딥러닝 기반의 CSI 피드백 및 협업 복원 프레임워크인 CoCsiNet을 제안한다. CSI를 공유 및 개별 구성요소로 분해하고, 기지국에서 공유 디코더를 사용해 두 UE의 피드백에서 공통 채널 특징을 복원함으로써, D2D 통신이나 UE 수정 없이도 중복 피드백 오버헤드를 감소시키며, 제한된 피드백 비트율 조건에서도 성능 향상을 크게 달성한다.

ABSTRACT

In the realm of reconfigurable intelligent surface (RIS)-assisted wireless communications, efficient channel state information (CSI) feedback is paramount. This paper introduces RIS-CoCsiNet, a novel deep learning-based framework designed to greatly enhance feedback efficiency. By leveraging the inherent correlation among proximate user equipments (UEs), our approach strategically categorizes RIS-UE CSI into shared and unique data sets. This nuanced understanding allows for significant reductions in feedback overhead, as the shared data is no longer redundantly relayed. Setting RIS-CoCsiNet apart from traditional autoencoder systems, we incorporate an additional decoder and a combination neural network at the base station. These enhancements are tasked with the precise retrieval and fusion of shared and individual data. And notably, all these innovations are achieved without modifying the UEs. For those UEs boasting multiple antennas, our design seamlessly integrates long short-term memory modules, capturing the intricate correlations between antennas. With a recognition of the non-sparse nature of the RIS-UE CSI phase, we pioneer two magnitude-dependent phase feedback strategies. These strategies adeptly weave in both statistical and real-time CSI magnitude data. The potency of RIS-CoCsiNet is further solidified through compelling simulation results drawn from two diverse channel datasets.

연구 동기 및 목표

• 근접한 UEs 간의 공간 상관관계를 활용해 FDD 대량 MIMO 시스템의 높은 피드백 오버헤드 문제를 해결한다.
• 근접한 UEs 간에 공유되는 채널 정보의 중복 피드백을 최소화하는 협업 CSI 피드백 프레임워크를 개발한다.
• UE 하드웨어나 프로토콜 수정 없이도 CSI를 복원할 수 있도록 공유 디코더와 조합 네트워크를 갖춘 기지국 아키텍처를 설계한다.
• 비희박한 CSI 단위의 정밀도를 높이기 위해 크기에 따라 단위를 조절하는 피드백 전략을 도입한다.
• 실제 구현에서 다양한 수준의 UE 상관관계에 대응하기 위해 스위치 가능한 또는 혼합 학습 전략을 통해 강인성을 확보한다.

제안 방법

• 기지국에서 CSI를 근접한 UEs에 공통인 공유 구성요소와 각 UE 고유의 개별 구성요소로 분해한다.
• 두 근접한 UEs의 피드백 비트로부터 공통 CSI를 복원하는 공유 디코더를 기지국에 구현하여 공유 데이터의 반복 전송을 제거한다.
• 각 UE의 고유 CSI 구성요소를 복원하기 위한 개별 디코더를 사용한 후, 공유 및 개별 복원 결과를 융합하는 융합 네트워크를 적용한다.
• 다중 안테나 간 공간 상관관계를 모델링하기 위해 UE 인코더에 장기 단기 기억(LSTM) 모듈을 통합한다.
• 통계적 및 실시간 CSI 크기를 기반으로 단위를 조절하는 두 가지 MDPF 전략을 제안하여 단위 양자화 정확도를 향상시킨다.
• 실제 및 합성 CSI 데이터 세트의 조합을 사용해 네트워크를 종단 간(end-to-end)으로 학습하며, UE 송신기의 수정 없이 진행한다.

실험 결과

연구 질문

• RQ1 근접한 UEs 간 공간 상관관계를 활용하면 FDD 대량 MIMO 시스템에서 CSI 피드백 오버헤드를 크게 줄일 수 있는가?
• RQ2 D2D 통신이나 UE 측 수정 없이도 딥러닝 프레임워크가 공유 및 개별 CSI 구성요소를 동시에 기지국에서 정확히 복원할 수 있는가?
• RQ3 CSI 단위의 비희박성은 피드백 성능에 어떤 영향을 미치며, 크기 정보는 단위 양자화 정확도 향상에 기여하는가?
• RQ4 실제 구현에서 다양한 수준의 UE 상관관계에 대응할 수 있는 협업 프레임워크의 성능 유지를 어떻게 달성할 수 있는가?
• RQ5 공유 및 개별 디코더를 포함한 네트워크 아키텍처는 제한된 피드백 비트 수 조건에서 효율적이고 정확한 CSI 복원을 얼마나 잘 지원하는가?

주요 결과

• 특히 저비트 비율 환경에서 매우 제한된 피드백 오버헤드 조건에서도 CoCsiNet은 비협업 딥러닝 기반의 CSI 피드백 방법보다 큰 성능 향상을 보이며 뛰어난 성능을 달성한다.
• 공유 디코더는 두 UE의 피드백에서 공통 채널 특징을 효과적으로 복원하여 공유 CSI 구성요소의 중복 전송을 줄인다.
• 파rameter 시각화 결과, CoCsiNet의 두 개의 인코더가 서로 다른 주요 채널 경로에 집중함을 확인하여 협업 특징 추출이 이루어짐을 입증한다.
• 제안된 크기에 따라 단위를 조절하는 피드백(MDPF) 전략은 통계적 및 실시간 CSI 크기 정보를 활용해 단위 복원 정확도를 향상시킨다.
• 혼합 학습 데이터 세트 또는 UE 거리 또는 CSI 상관관계 기반의 스위치 가능한 메커니즘을 사용할 경우, 다양한 상관관계 수준에 대응하는 강인성을 유지한다.
• 특히 UEs 간 높은 공간 상관관계가 존재하는 시나리오에서 기준(autoencoder 기반) 방법 대비 뛰어난 성능을 달성한다.