[논문 리뷰] Learning Based Hybrid Beamforming Design for Full-Duplex Millimeter Wave Systems

Shaocheng Huang, Yu Ye외 1명|arXiv (Cornell University)|2020. 04. 16.

Full-Duplex Wireless Communications참고 문헌 38인용 수 9

한 줄 요약

이 논문은 기존 최적화 기반 HBF 방법의 한계를 극복하기 위해 풀디럭스 밀리미터파 시스템을 위한 학습 기반 하이브리드 beamforming(HBF) 기법—ELM-HBF 및 CNN-HBF—을 제안한다. ADMM 기반 자기간섭 제거와 MM 기반 동시 beamforming 최적화를 융합함으로써, 학습 모델은 OMP보다 22.1% 높은 스펙트럼 효율성과 20배 빠른 온라인 예측 성능을 달성하며, ELM-HBF는 CNN-HBF보다 학습 속도가 600배 빠르다.

ABSTRACT

Millimeter Wave (mmWave) communications with full-duplex (FD) have the potential of increasing the spectral efficiency, relative to those with half-duplex. However, the residual self-interference (SI) from FD and high pathloss inherent to mmWave signals may degrade the system performance. Meanwhile, hybrid beamforming (HBF) is an efficient technology to enhance the channel gain and mitigate interference with reasonable complexity. However, conventional HBF approaches for FD mmWave systems are based on optimization processes, which are either too complex or strongly rely on the quality of channel state information (CSI). We propose two learning schemes to design HBF for FD mmWave systems, i.e., extreme learning machine based HBF (ELM-HBF) and convolutional neural networks based HBF (CNN-HBF). Specifically, we first propose an alternating direction method of multipliers (ADMM) based algorithm to achieve SI cancellation beamforming, and then use a majorization-minimization (MM) based algorithm for joint transmitting and receiving HBF optimization. To train the learning networks, we simulate noisy channels as input, and select the hybrid beamformers calculated by proposed algorithms as targets. Results show that both learning based schemes can provide more robust HBF performance and achieve at least 22.1% higher spectral efficiency compared to orthogonal matching pursuit (OMP) algorithms. Besides, the online prediction time of proposed learning based schemes is almost 20 times faster than the OMP scheme. Furthermore, the training time of ELM-HBF is about 600 times faster than that of CNN-HBF with 64 transmitting and receiving antennas.

연구 동기 및 목표

• 잔류 자기간섭(SI)과 높은 경로감쇠로 인한 풀디럭스 mmWave 시스템의 성능 저하 문제를 해결한다.
• 기존 최적화 기반 하이브리드 beamforming(HBF)의 높은 계산 복잡도와 CSI에 대한 의존성 문제를 해결한다.
• 불완전한 채널 상태 정보(CSI) 조건에서도 높은 스펙트럼 효율성을 유지하는 강건하고 저복잡도의 HBF 솔루션을 설계한다.
• 노이즈가 있는 및 불완전한 채널 조건에서도 잘 일반화되는 학습 기반 HBF 프레임워크를 개발한다.
• 최소한의 학습 오버헤드로 실시간 beamforming 예측 성능을 달성하면서도, 기존 OMP 기반 HBF를 능가한다.

제안 방법

• ADMM 기반 알고리즘을 제안하여 자기간섭 제거 beamformer를 설계함으로써, mmWave 풀디럭스 시스템에서 선형 및 비선형 경로의 자기간섭을 효과적으로 억제한다.
• 주요화 최소화(MM) 알고리즘을 개발하여 하이브리드 beamforming 아키텍처 내 디지털 및 어날로그 프리코더, 컨버터를 동시에 최적화한다.
• ADMM-MM 알고리즘으로 생성한 노이즈 있는 채널 입력과 기저값으로 사용된 beamformer를 사용하여 극단적 학습 기계(ELM) 및 컨volutional 신경망(CNN) 모델을 학습시킨다.
• ADMM-MM 프레임워크를 서rogate로 사용하여 엔드 투 엔드 학습을 위한 레이블 데이터를 생성함으로써, 학습된 beamformer가 물리적으로 타당하고 성능 최적화된 상태를 유지하도록 보장한다.
• 채널 상태 정보(CSI)에서 최적의 하이브리드 beamformer로의 매핑을 가능하게 하며, 최소한의 추론 지연을 갖는 ELM-HBF 및 CNN-HBF 네트워크를 설계한다.
• 노이즈가 있고 불완전한 CSI로 학습시킴으로써 강건성을 확보하여, 실제 채널 추정 오차 조건에서도 일반화 성능을 유지를 한다.

실험 결과

연구 질문

• RQ1 불완전한 CSI 조건에서 풀디럭스 mmWave 시스템의 스펙트럼 효율성에서 학습 기반 HBF 기법이 기존 OMP 기반 최적화 기법을 능가할 수 있는가?
• RQ2 기존 OMP 기반 HBF에 비해 제안된 학습 기반 HBF는 온라인 예측 속도와 학습 효율성 측면에서 어떻게 비교되는가?
• RQ3 ELM-HBF 및 CNN-HBF는 성능 저하 없이 노이즈가 있거나 불완전한 채널 상태 정보에 얼마나 잘 일반화되는가?
• RQ4 자기간섭 제거와 beamforming 최적화를 동시에 수행할 경우, 풀디럭스 mmWave 시스템의 시스템 스펙트럼 효율성에 어떤 영향을 미치는가?
• RQ5 제안된 학습 프레임워크는 반복 최적화 방법에 비해 훨씬 낮은 계산 복잡도로 근사 최적 성능를 달성할 수 있는가?

주요 결과

• 제안된 ELM-HBF 및 CNN-HBF 기법은 기존 OMP 기반 HBF 알고리즘 대비 최소 22.1% 높은 스펙트럼 효율성을 달성한다.
• 학습 기반 기법의 온라인 예측 시간은 OMP 기반 방법 대비 약 20배 빠르며, 실시간 beamforming 적응이 가능하다.
• 64개의 송신 및 수신 안테나를 사용할 경우, ELM-HBF의 학습 시간은 CNN-HBF보다 약 600배 빠르며, 이는 대규모 시스템에서 매우 효율적이다.
• ADMM-MM 기반 beamforming 설계는 선로경로 및 비선로경로 자기간섭을 효과적으로 억제하여 안정적인 풀디럭스 운영을 가능하게 한다.
• 학습 기반 HBF 프레임워크는 노이즈가 있고 불완전한 CSI에 대해 강건성을 보이며, 채널 추정 오차 조건에서도 높은 성능을 유지한다.
• 제안된 ADMM-MM 알고리즘의 수렴성은 이론적으로 증명되었으며, 목적 함수가 감소하는 수열이면서 하한으로 유계이므로 안정적인 최적화를 보장한다.