[論文レビュー] Deep Learning Optimized Sparse Antenna Activation for Reconfigurable Intelligent Surface Assisted Communication

Shunbo Zhang, Shun Zhang+3 more|arXiv (Cornell University)|Sep 3, 2020

Advanced Wireless Communication Technologies参考文献 45被引用数 12

ひとこと要約

本稿では、再構成可能知能表面（RIS）支援通信における深層学習最適化スパースアンテナ活性化方式を提案し、確率的サンプリングに基づくアクティブアンテナ選択ネットワークを用いて、効率的なチャネル拡張とビームフォーミングを実現する。本手法は、最小限のアクティブ素子で近似的最適性能を達成し、2つの深層学習ベースの手法（チャネル拡張と直接ビーム探索）により、パワー消費を低減しながら高いスペクトル効率を維持する。

ABSTRACT

To capture the communications gain of the massive radiating elements with low power cost, the conventional reconfigurable intelligent surface (RIS) usually works in passive mode. However, due to the cascaded channel structure and the lack of signal processing ability, it is difficult for RIS to obtain the individual channel state information and optimize the beamforming vector. In this paper, we add signal processing units for a few antennas at RIS to partially acquire the channels. To solve the crucial active antenna selection problem, we construct an active antenna selection network that utilizes the probabilistic sampling theory to select the optimal locations of these active antennas. With this active antenna selection network, we further design two deep learning (DL) based schemes, i.e., the channel extrapolation scheme and the beam searching scheme, to enable the RIS communication system. The former utilizes the selection network and a convolutional neural network to extrapolate the full channels from the partial channels received by the active RIS antennas, while the latter adopts a fully-connected neural network to achieve the direct mapping between the partial channels and the optimal beamforming vector with maximal transmission rate. Simulation results are provided to demonstrate the effectiveness of the designed DL-based schemes.

研究の動機と目的

• 信号処理能力が限られたパassing RISシステムにおける正確なチャネル状態情報（CSI）の取得という課題に対処する。
• 従来のRISの制限を克服するため、ベースバンド処理が可能な少数のアクティブアンテナを導入し、部分的CSI推定を可能にする。
• 確率的サンプリングに基づくニューラルネットワークによるアクティブRISアンテナの選択最適化を通じて、パワー消費を最小限に抑える。
• 部分的観測から全CSIを拡張する深層学習ベースの手法と、部分チャネルを最適ビームフォーミングベクトルに直接マッピングする手法を開発する。
• 部分的チャネルとシステム性能指標との間の学習済みマッピングを活用することで、低複雑度の信号処理で高いスペクトル効率を達成する。

提案手法

• 確率的サンプリング理論に基づくアクティブアンテナ選択ネットワークを提案し、少数のアクティブRISアンテナの最適な配置を特定する。
• 畳み込みニューラルネットワーク（CNN）を用いたチャネル拡張方式を設計し、アクティブアンテナにおける部分的観測から全チャネル行列を再構築する。
• 全結合ニューラルネットワークを用いたビーム探索方式を開発し、部分チャネルを最適ビームフォーミングベクトルに直接マッピングし、スペクトル効率を最大化する。
• 物理的内在要因、全チャネル、部分チャネルの間の理論的双対写像を確立し、チャネル拡張およびビーム選択の可能性を裏付ける。
• 部分チャネルから全チャネルへの変換および最適ビームフォーミングベクトルへの変換を形式化するための合成マッピング関数（ΨおよびΠ）を活用する。
• ビームフォーミング探索用の構造的コードブックを用意し、部分CSIから最適ビームベクトルへの明示的マッピングの存在を検証する。

実験結果

リサーチクエスチョン

• RQ1 深層学習は、パワーパフォーマンスを維持しつつ、RIS上のスパースアクティブアンテナの選択を効果的に最適化できるか？
• RQ2 少数のアクティブRIS素子を介して得られる部分的チャネル観測から、全チャネル行列を拡張することは可能か？
• RQ3 深層ニューラルネットワークは、全CSIが得られない状況下でも、部分チャネル状態情報から最適ビームフォーミングベクトルに直接マッピングできるか？
• RQ4 提案された確率的サンプリングに基づくアクティブアンテナ選択は、スペクトル効率および収束性において、均一またはランダムな活性化パターンを上回るか？
• RQ5 部分CSIを有するRIS支援システムにおけるチャネル拡張およびビーム選択の可能性について、理論的保証は存在するか？

主な発見

• 確率的サンプリングに基づく提案されたアクティブアンテナ選択ネットワークは、均一またはランダムな活性化パターンと比較して、チャネル拡張の精度を顕著に向上させる。
• CNNを用いたチャネル拡張方式は、RIS素子の10–20％しかアクティブにしなくても、ほぼ全チャネル性能を達成し、パワー消費を低減しながら高いスペクトル効率を維持する。
• 全結合ニューラルネットワークを用いたビーム探索方式は、限られたCSI条件下でも、全探索による最適解から5％以内のスペクトル効率を達成する。
• 理論的分析により、部分チャネルと全チャネルの間、および部分チャネルと最適ビームフォーミングベクトルの間の双対写像の存在が確認され、提案手法の妥当性が裏付けられる。
• シミュレーション結果は、DLベースの手法が、時間変動する散乱環境下でも、従来のRISビームフォーミング手法に比べ、合計スループットと耐性の両面で優れていることを示している。
• 深層学習とスパースアクティブRIS素子の統合により、6G無線システムにおけるエネルギー効率とスペクトル性能の実用的トレードオフが実現可能となる。