[논문 리뷰] Deep Learning based Joint Precoder Design and Antenna Selection for Partially Connected Hybrid Massive MIMO Systems

Salman Khalid, Waqas Bin Abbas외 1명|arXiv (Cornell University)|2021. 02. 02.

Millimeter-Wave Propagation and Modeling참고 문헌 17인용 수 4

한 줄 요약

이 논문은 밀리미터파 대역의 부분적으로 연결된 하이브리드 막대 MIMO 시스템을 위한 딥러닝 기반의 동시 조절기 설계 및 안테나 선택 기법을 제안한다. 두 개의 연결된 합성곱 신경망(1개는 최적의 안테나 서브셋을 분류하고, 다른 1개는 아날로그 조절기 가중치를 회귀)을 사용하여, 기존의 교대 최소화 및 SIC 알고리즘에 비해 더 높은 스펙트럼 효율성과 상당히 낮은 계산 지연을 달성한다. 144개의 안테나에 대해 예측 시간은 단 0.01초이다.

ABSTRACT

Efficient resource allocation with hybrid precoder design is essential for massive MIMO systems operating in millimeter wave (mmW) domain. Owing to a higher energy efficiency and a lower complexity of a partially connected hybrid architecture, in this letter, we propose a joint deep convolutional neural network (CNN) based scheme for precoder design and antenna selection of a partially connected massive MIMO hybrid system. Precoder design and antenna selection is formulated as a regression and classification problem, respectively, for CNN. The channel data is fed to the first CNN network which outputs a subset of selected antennas having the optimal spectral efficiency. This subset is again fed to the second CNN to obtain the block diagonal precoder for a partially connected architecture. Simulation results verifies the superiority of CNN based approach over conventional iterative and alternating minimization (alt-min) algorithms. Moreover, the proposed scheme is computationally efficient and is not very sensitive to channel irregularities.

연구 동기 및 목표

• 부분적으로 연결된 막대 MIMO 시스템에서 하이브리드 조절기 설계를 위한 기존 반복 알고리즘의 높은 계산 복잡도와 비최적 성능 문제를 해결하기 위해.
• 5G 및 B5G mmWave 시스템에서 에너지 효율적이고 저지연 자원 할당을 가능하게 하기 위해 조절기 설계와 활성 안테나 선택을 동시에 최적화하기 위해.
• 기존의 딥러닝 접근법이 오직 완전히 연결된 아키텍처에 집중하는 한계를 극복하기 위해, 이를 부분적으로 연결된 하이브리드 구조로 확장하기 위해.
• 딥러닝을 활용해 데이터 기반의 지능적인 활성 안테나 및 조절기 가중치 선택을 통해 시스템 복잡도를 감소시키고 스펙트럼 효율성을 향상시키기 위해.

제안 방법

• 두 단계의 딥 합성곱 신경망(CNN) 프레임워크를 제안한다: 첫 번째 CNN은 분류를 통해 안테나 선택을 수행하고, 두 번째 CNN은 회귀를 통해 아날로그 조절기 설계를 수행한다.
• 첫 번째 CNN의 입력은 노이즈가 첨가된 채널 행렬이며, 실수부, 허수부, 노이즈 성분을 모두 포함하는 크기 $N_R \times N_T \times 3$ 의 3차원 텐서로 표현된다.
• 두 번째 CNN은 선택된 $N_r$개의 안테나 서브셋을 입력으로 받아, $N_T \times N^{RF}_T$ 크기의 아날로그 조절기 $\mathbf{F}_{RF}$의 비영성분을 출력하며, 이후 블록 대각 행렬 구조로 재정렬된다.
• 아날로그 조절기 $\mathbf{F}_{RF}$ 확보 후 등가 채널 접근법을 사용해 디지털 조절기 $\mathbf{F}_{BB}$ 를 계산한다.
• 두 CNN은 사전에 합성 채널 실현값과 SVD, 스펙트럼 효율 최대화를 통해 생성된 레이블 데이터를 사용해 오프라인으로 훈련된다.
• 훈련은 확률적 경사 하강법을 사용하며, 안테나 선택에는 교차 엔트로피 손실, 조절기 회귀에는 평균 제곱 오차를 사용하고, 정규화를 위해 ReLU 활성화 함수와 드롭아웃 레이어를 적용한다.

실험 결과

연구 질문

• RQ1 부분적으로 연결된 mmWave 막대 MIMO 시스템에서 딥러닝 기반 접근법이 안테나 선택과 하이브리드 조절기 설계를 동시에 최적화할 수 있는가?
• RQ2 제안된 CNN 기반 방법이 스펙트럼 효율성과 계산 지연 측면에서 기존의 SDR 기반 교대 최소화 및 SIC 알고리즘과 비교해 어떻게 성능을 냈는가?
• RQ3 CNN 기반 접근법이 채널 비정상성과 다양한 어레이 크기에 대해 얼마나 강인한가?
• RQ4 반복 최적화 기법에 비해 제안된 방법이 상당히 낮은 계산 복잡도로 높은 스펙트럼 효율성을 달성할 수 있는가?

주요 결과

• 제안된 CNN 기반 하이브리드 조절기는 SDR 기반 교대 최소화 및 SIC 알고리즘보다 더 높은 스펙트럼 효율성을 달성한다. 특히 고 SNR에서 두드러진다.
• 특히 $N_T = 144$ 일 때, 동일한 조건에서 SIC 및 SDR 방법 대비 1.5 bps/Hz 이상의 스펙트럼 효율성 향상을 달성했다.
• CNN 기반 조절기는 온라인 예측에 단 0.01초가 소요되었으며, SDR alt-min의 1.6초 및 SIC의 0.02초에 비해 뛰어난 계산 효율성을 보였다.
• 안테나 선택 모듈(DAS)은 무작위 안테나 선택(RAS)에 비해 상당히 뛰어나 고 SNR 영역에서 2 bps/Hz 이상의 스펙트럼 효율성 향상을 기록했다.
• 채널 비정상성에 대해 강인하며, $N_T = 36$ 와 $N_T = 144$ 를 포함한 다양한 어레이 구성에서도 높은 성능을 유지한다.
• CNN의 오프라인 훈련 덕분에 온라인 추론가 빠르고 확장 가능하여 실시간 5G 및 B5G mmWave 시스템에 적합하다.