[논문 리뷰] Deep UL2DL: Channel Knowledge Transfer from Uplink to Downlink

Mohammad S. Safari, Vahid Pourahmadi외 1명|arXiv (Cornell University)|2018. 12. 16.

Millimeter-Wave Propagation and Modeling참고 문헌 32인용 수 16

한 줄 요약

이 논문은 피드백이 없는 FDD 시스템에서 업링크 CSI로부터 다운링크 채널 상태 정보(CSI)를 예측하기 위한 데이터 기반 딥 러닝 프레임워크인 Deep UL2DL을 제안한다. 컨volutional 신경망(CNNs)과 생성적 적대적 네트워크(GANs), 특히 경계 균형 GAN(BEGAN)을 사용하여, EVA 및 ETU 다중경로 환경에서 낮은 NMSE로 정확한 다운링크 CSI를 추론하기 위해 업링크 채널에서 잠재적 전파 특성을 학습한다.

ABSTRACT

Knowledge of the channel state information (CSI) at the transmitter side is one of the primary sources of information that can be used for the efficient allocation of wireless resources. Obtaining downlink (DL) CSI in Frequency Division Duplexing (FDD) systems from uplink (UL) CSI is not as straightforward as in TDD systems. Therefore, users usually feed the DL-CSI back to the transmitter. To remove the need for feedback (and thus having less signaling overhead), we propose to use two recent deep neural network structures, i.e., convolutional neural networks and generative adversarial networks (GANs) to infer the DL-CSI by observing the UL-CSI. The core idea of our data-driven scheme is exploiting the fact that both DL and UL channels share the same propagation environment. As such, we extracted the environment information from the UL channel response to a latent domain and then transferred the derived environment information from the latent domain to predict the DL channel. To overcome incorrect latent domain and the problem of oversimplistic assumptions, in this work, we did not use any specific parametric model and instead used data-driven approaches to discover the underlying structure of data without any prior model assumptions. To overcome the challenge of capturing the UL-DL joint distribution, we used a mean square error-based variant of the GAN structure with improved convergence properties called boundary equilibrium GAN (BEGAN). For training and testing we used simulated data of Extended Vehicular-A (EVA) and Extended Typical Urban (ETU) models. Simulation results verified that our methods can accurately infer and predict the downlink CSI from the uplink CSI for different multipath environments in FDD communications.

연구 동기 및 목표

• 다운링크 CSI가 사용자로부터 피드백되어야 하는 FDD 시스템에서 높은 피드백 오버헤드와 지연 문제를 해결한다.
• 주파수 독립적 경로 손실, 작은 AOA-AOD 차이 등 제한적인 가정에 의존하는 기존의 파rametric 방법의 한계를 극복한다.
• 사전 채널 모델 없이 업링크 채널 관측치를 이용해 정확하고 데이터 기반으로 다운링크 CSI를 예측할 수 있도록 한다.
• FDD 마스터 MIMO 시스템에서 다양한 다중경로 환경과 사용자 속도에 일반화 가능한 프레임워크를 개발한다.

제안 방법

• 업링크 CSI에서 전파 환경 특징을 추출하기 위해 잠재 도메인 표현을 사용하여 컨volutional 신경망을 활용한다.
• 업링크 및 다운링크 채널의 공동 분포를 모델링하기 위해 경계 균형 GAN(BEGAN) 아키텍처를 사용하여 학습 안정성과 수렴성을 향상시킨다.
• 사전 파라미터 가정 없이 EVA 및 ETU 채널 모델의 시뮬레이션 데이터를 기반으로 네트워크를 엔드 투 엔드로 훈련하여 업링크에서 다운링크 CSI로의 매핑을 학습한다.
• 각 송신-수신 안테나 쌍을 독립적인 링크로 간주하여 MIMO로 확장함으로써 단일 쌍 훈련을 통해 전체 MIMO 채널 예측을 가능하게 한다.
• EVA 및 ETU 데이터를 연결하여 훈련한 단일 다중환경 네트워크를 통해 다양한 전파 시나리오 간 일반화 능력을 확보한다.
• 훈련된 모델을 다양한 속도에서 테스트하여 사용자 속도 변화에 대한 일반화 능력을 평가한다(예: 50 km/h 훈련, 다른 속도 테스트 시점).

실험 결과

연구 질문

• RQ1 명시적 피드백이나 파rametric 가정 없이 데이터 기반 딥 러닝 모델이 FDD 시스템에서 업링크 CSI로부터 다운링크 CSI를 정확하게 예측할 수 있는가?
• RQ2 CNN 기반 직접 예측 방법과 GAN 기반 생성적 접근 방식 간의 다운링크 CSI 예측 성능는 어떻게 비교되는가?
• RQ3 단일 딥 러닝 모델이 다양한 전파 환경(EVA 대비 ETU 등)과 사용자 속도에 얼마나 잘 일반화되는가?
• RQ4 채널 상호보정성 또는 beamforming 가정에 의존하지 않고도 제안된 방법이 복잡한 다중경로 환경(EVA 및 ETU)에서 낮은 NMSE를 달성할 수 있는가?

주요 결과

• 제안된 BEGAN 기반 생성적 접근 방식은 ETU 2×2 MIMO 채널에서 NMSE 0.0359를 달성하여 복잡한 다중경로 구조를 효과적으로 모델링함을 입증했다.
• CNN 기반 직접 예측 방법은 EVA 2×2 MIMO 채널에서 NMSE 0.0108을 기록하여 덜 복잡한 환경에서 뛰어난 성능을 보였다.
• EVA 및 ETU 모델에 동시에 훈련된 단일 네트워크가 개별 모델 오차 사이의 일반화 성능를 달성하여 환경 간 전이 능력을 증명했다.
• 훈련 시 사용된 속도와 다른 속도에서 테스트한 결과, 모델이 이동성 변화에 대해 높은 예측 정확도를 유지하여 강건성을 입증했다.
• 단지 업링크 CSI만을 사용하여 시간, 주파수, MIMO 차원 전역의 전체 다운링크 CSI를 성공적으로 예측하여 피드백 오버헤드를 제거했다.
• 시뮬레이션 결과는 전통적인 파arametric 방법이 주파수 독립적 경로 손실 등의 비현실적인 가정을 피하기 때문에 데이터 기반 접근 방식이 우월함을 확인했다.