[論文レビュー] Enabling Large Intelligent Surfaces with Compressive Sensing and Deep Learning

Abdelrahman Taha, Muhammad Alrabeiah+1 more|arXiv (Cornell University)|Apr 22, 2019

Advanced Wireless Communication Technologies被引用数 139

ひとこと要約

本論文は、スパースセンサ-LISアーキテクチャを提案し、圧縮感知（CS）と深層学習を用いて訓練オーバーヘッドをほとんど生じさせず反射マトリクスを設計する。活性要素のほんの一部だけでほぼ最適なレートを達成する。

ABSTRACT

Employing large intelligent surfaces (LISs) is a promising solution for\nimproving the coverage and rate of future wireless systems. These surfaces\ncomprise a massive number of nearly-passive elements that interact with the\nincident signals, for example by reflecting them, in a smart way that improves\nthe wireless system performance. Prior work focused on the design of the LIS\nreflection matrices assuming full knowledge of the channels. Estimating these\nchannels at the LIS, however, is a key challenging problem, and is associated\nwith large training overhead given the massive number of LIS elements. This\npaper proposes efficient solutions for these problems by leveraging tools from\ncompressive sensing and deep learning. First, a novel LIS architecture based on\nsparse channel sensors is proposed. In this architecture, all the LIS elements\nare passive except for a few elements that are active (connected to the\nbaseband of the LIS controller). We then develop two solutions that design the\nLIS reflection matrices with negligible training overhead. In the first\napproach, we leverage compressive sensing tools to construct the channels at\nall the LIS elements from the channels seen only at the active elements. These\nfull channels can then be used to design the LIS reflection matrices with no\ntraining overhead. In the second approach, we develop a deep learning based\nsolution where the LIS learns how to optimally interact with the incident\nsignal given the channels at the active elements, which represent the current\nstate of the environment and transmitter/receiver locations. We show that the\nachievable rates of the proposed compressive sensing and deep learning\nsolutions approach the upper bound, that assumes perfect channel knowledge,\nwith negligible training overhead and with less than 1% of the elements being\nactive.\n

研究の動機と目的

• カバレッジと通信速度を改善するための大規模知能表面（LIS）を動機づけ、設計する。
• LISチャネル推定における大規模な訓練オーバーヘッドとハードウェアの複雑さの課題に取り組む。
• 少数のアクティブセンサで構成される省エネルギーなLISアーキテクチャを提案する。
• 訓練オーバーヘッドをほとんど生じさせないLIS反射マトリクスを設計するための圧縮感知と深層学習のソリューションを開発する。

提案手法

• 表面上にランダムに分布するM個のパッシブ要素とḾ個のアクティブチャネルセンサを備えたLISアーキテクチャを提案する。
• 対角位相シフト行列と量子化ビームフォーミングベクトルのコードブックとして定式化する。
• CSとOMP様のアプローチを用いて、疎にサンプリングされたチャネルからLIS送信機/受信機の全チャネルを回復する。
• アレイ応答のディクショナリと格子ベースの方位/仰角方向を用いた疎表現を通じて全チャネルを構築する。
• サブキャリア間の合計レートを最大化する最適反射ベクトルをコードブック上でオフライン探索して求める（オンラインビームトレーニングは不要）。
• 論文で説明される並列ディープラーニングアプローチを共有し、サンプルチャネルから完全なチャネル情報なしで最適反射構成へと対応付ける方法。

実験結果

リサーチクエスチョン

• RQ1 スパースで省エネ設計のハードウェアアーキテクチャによりLISの性能をどのように高められるか？
• RQ2 アクティブセンサの少数集合から圧縮感知がLISチャネル情報の全体を回復し、ほぼ最適な反射設計を可能にするか？
• RQ3 部分的なチャネル観測を用いて、完全なチャネル知識なしに近似最適なLIS反射マトリクスへマップできるか？
• RQ4 完全に接続されたLISアーキテクチャと比較して、スパースなアクティブLIS要素で達成できる訓練オーバーヘッドとエネルギー効率の向上はどの程度か？

主な発見

• アクティブセンサーのごく一部（アクティブ要素が1%未満）のみを持つLISアーキテクチャは、訓練オーバーヘッドをほとんど生じさせずに上限レートに近づく。
• 圧縮感知に基づく設計はサンプルチャネルから全チャネルを回復し、オフライン反射コードブック探索を用いてほぼ最適レートを実現する。
• 3.5 GHzおよび28 GHzのDeepMIMOレイトレースデータで性能向上を示し、スパースセンサシングでほぼ最適レートを示す。
• 大半のLIS要素がパッシブのままであるため、エネルギー効率の大幅な向上をもたらす。
• 制約にはチャネルの疎性とアレイ幾何知識への依存、豊かな散乱環境での潜在的な性能低下が含まれる。