[論文レビュー] Learning Beam Codebooks with Neural Networks: Towards Environment-Aware mmWave MIMO

Yu Zhang, Muhammad Alrabeiah+1 more|arXiv (Cornell University)|Feb 25, 2020

Millimeter-Wave Propagation and Modeling参考文献 15被引用数 4

ひとこと要約

本論文は、ハードウェア制約のあるミリ波MIMOシステムにおける環境およびユーザーに適応したビームコードブックを学習するニューラルネットワークベースのフレームワークを提案する。位相のみ、定常モジュラス、量子化位相制約を組み込むことで、ビームトレーニングのオーバーヘッドを低減する適応的でマルチローブのビームを設計し、古典的なDFTコードブックを凌駕する。非視線状況では16ビームで最適レートの90％以上を達成する。

ABSTRACT

Scaling the number of antennas up is a key characteristic of current and future wireless communication systems. The hardware cost and power consumption, however, motivate large-scale MIMO systems, especially at millimeter wave (mmWave) bands, to rely on analog-only or hybrid analog/digital transceiver architectures. With these architectures, mmWave base stations normally use pre-defined beamforming codebooks for both initial access and data transmissions. Current beam codebooks, however, generally adopt single-lobe narrow beams and scan the entire angular space. This leads to high beam training overhead and loss in the achievable beamforming gains. In this paper, we propose a new machine learning framework for learning beamforming codebooks in hardware-constrained large-scale MIMO systems. More specifically, we develop a neural network architecture that accounts for the hardware constraints and learns beam codebooks that adapt to the surrounding environment and the user locations. Simulation results highlight the capability of the proposed solution in learning multi-lobe beams and reducing the codebook size, which leads to noticeable gains compared to classical codebook design approaches.

研究の動機と目的

• 事前に定義された非適応的コードブックを用いることで、ミリ波MIMOシステムにおける高いビームトレーニングオーバーヘッドと最適でないビームフォーミングゲインを解消すること。
• ユーザーの位置や環境に関係なくすべての角度方向をスキャンするような、DFTのような単一ローブで広いビームコードブックの限界を克服すること。
• 実際のユーザー分布と伝搬環境に適合した、ハードウェアに配慮したニューラルネットワークフレームワークを構築し、ビームコードブックを学習すること。
• スペクトル効率を維持または向上させながら、視線状況および非視線状況の両方でコードブックのサイズを縮小すること。
• 位相シフター制約を伴うアナログオンリーまたはハイブリッドアナログ/デジタルのミリ波システムへの実用的導入を可能にすること。

提案手法

• ネットワーク重みが直接ビームフォーミングおよび結合ベクトルを表す複素数値のニューラルネットワークを設計し、ハードウェア制約下での物理的妥当性を保証する。
• 位相のみ、定常モジュラス、量子化位相シフター（例：3ビット解像度）などのハードウェア制約をネットワークアーキテクチャに組み込み、実世界での展開可能性を確保する。
• DeepMIMOプラットフォームから得たリアルなミリ波チャネルデータセットを用いてネットワークをトレーニングする。これには屋外の視線状況と屋内の非視線状況が含まれる。
• トレーニングの安定化と高速化を図るため、各データセットごとの最大絶対値でチャネルデータを正規化する。
• 与えられたユーザー分布と環境幾何学的形状に対して、達成可能なレートを最大化するようにネットワークを最適化する。
• 学習されたビームフォーミングゲインと理論的上限（例：完全デジタルビームフォーミングに相当）との差を最小化する損失関数を用いる。

実験結果

リサーチクエスチョン

• RQ1 学習されたコードブックは、固定コードブックと比較して、ユーザー分布と環境幾何学に適応することで、ビームトレーニングオーバーヘッドを低減できるか？
• RQ2 ニューラルネットワークは、非視線環境における複数の伝搬経路を捉えるマルチローブビームをどの程度学習できるか？
• RQ3 スペクトル効率およびビームトレーニングオーバーヘッドの観点から、学習されたコードブックは古典的なDFTコードブックと比較してどの程度の性能を示すか？
• RQ4 学習されたコードブックが64ビームのDFTコードブックと同等またはそれを上回る性能を達成するための最小コードブックサイズは何か？
• RQ5 3ビットなどの位相シフター解像度は、実用的なハードウェア制約下の学習されたコードブックの性能にどのように影響するか？

主な発見

• 非視線状況では、16ビームの学習コードブックが64ビームのDFTコードブックと同等またはそれ以上の性能を達成し、コードブックサイズを75％削減した。
• 64ビームの場合、学習コードブックは視線状況および非視線状況の両方で、上限レートの90％以上を達成し、優れたスペクトル効率を示した。
• 3ビットの位相シフターでさえ、64ビームでは上限レートの85％以上、128ビームでは90％以上を達成し、ハードウェア量子化に対して高いロバストネスを示した。
• モデルは、非視線環境における複数の主要な伝搬経路を捉えるマルチローブビームを効果的に学習し、エネルギー集中と信号ゲインの向上を実現した。
• 視線状況では、64ビームで最適レートの90％以上、128ビームで95％以上を達成し、完全デジタルビームフォーミングに近い性能を示した。
• このフレームワークにより、ユーザーの位置と伝搬状態に適応する環境に配慮したビーム設計が可能となり、不要なビームトレーニングオーバーヘッドを顕著に低減した。