[论文解读] Machine Learning Inspired Energy-Efficient Hybrid Precoding for MmWave Massive MIMO Systems

Xinyu Gao, Linglong Dai+3 more|arXiv (Cornell University)|Aug 23, 2017

Millimeter-Wave Propagation and Modeling参考文献 14被引用 5

一句话总结

本文提出一种基于开关与反相器（SI）的混合波束成形架构，用于毫米波大规模MIMO系统，通过用低功耗开关和反相器替代高分辨率移相器，显著降低能耗。受机器学习中交叉熵优化的启发，提出一种自适应交叉熵（ACE）算法，高效设计混合波束成形器，在保持接近最优 sum-rate 性能的同时，能量效率远高于传统的移相器或仅使用开关的架构。

ABSTRACT

Hybrid precoding is a promising technique for mmWave massive MIMO systems, as it can considerably reduce the number of required radio-frequency (RF) chains without obvious performance loss. However, most of the existing hybrid precoding schemes require a complicated phase shifter network, which still involves high energy consumption. In this paper, we propose an energy-efficient hybrid precoding architecture, where the analog part is realized by a small number of switches and inverters instead of a large number of high-resolution phase shifters. Our analysis proves that the performance gap between the proposed hybrid precoding architecture and the traditional one is small and keeps constant when the number of antennas goes to infinity. Then, inspired by the cross-entropy (CE) optimization developed in machine learning, we propose an adaptive CE (ACE)-based hybrid precoding scheme for this new architecture. It aims to adaptively update the probability distributions of the elements in hybrid precoder by minimizing the CE, which can generate a solution close to the optimal one with a sufficiently high probability. Simulation results verify that our scheme can achieve the near-optimal sum-rate performance and much higher energy efficiency than traditional schemes.

研究动机与目标

• 解决传统毫米波大规模MIMO系统因混合波束成形架构中大量高分辨率移相器导致的高能耗问题。
• 通过在模拟波束成形链路中用低功耗开关和反相器替代移相器，降低硬件复杂度与能耗。
• 为新型SI架构开发一种高效的混合波束成形算法，同时保持高 spectral efficiency。
• 证明随着天线数量增加，所提架构与传统移相器基架构之间的性能差距保持有界且恒定。
• 在显著提升能量效率的同时，实现接近最优的sum-rate性能，优于现有混合波束成形方案。

提出的方法

• 提出一种新型混合波束成形架构，使用少量开关与反相器替代移相器，以实现模拟波束成形器。
• 模拟波束成形器的元素被限制在集合 {0, 1, -1} 内，可通过简单开关与反相器实现。
• 将混合波束成形设计建模为组合优化问题，以最小化当前概率分布与最优解之间的交叉熵（CE）。
• 开发一种自适应交叉熵（ACE）算法，通过选择高性能候选波束成形器并根据可实现的sum-rate更新其概率，迭代优化波束成形器元素的概率分布。
• 引入精英候选选择机制以提升收敛性并避免陷入局部最优，参数包括 S（候选数）、S_elite（精英子集大小）和 I（迭代次数）。
• 利用ACE算法在模拟波束成形器元素被限制为 {0, 1, -1} 的约束下，联合优化模拟与数字波束成形器。

实验结果

研究问题

• RQ1 基于开关与反相器的混合波束成形架构，其与最优系统之间的性能差距是否在天线数量增加时仍保持有界且恒定？
• RQ2 所提出的SI架构在sum-rate与能量效率方面，相较于传统移相器基与仅使用开关的混合波束成形架构，性能如何？
• RQ3 受机器学习启发的交叉熵优化能否有效适配于组合性、低分辨率设置下的混合波束成形器设计？
• RQ4 关键算法参数（S, S_elite, I）对ACE基混合波束成形方案的收敛性与性能有何影响？
• RQ5 所提出的ACE基方案是否在显著降低能耗的同时，实现接近最优的sum-rate性能，优于传统混合波束成形方法？

主要发现

• 如引理1中分析证明，随着天线数量增加，所提SI基混合波束成形架构与传统移相器基架构之间的性能差距保持有界且恒定。
• ACE基混合波束成形方案的sum-rate性能与采用4位移相器的两阶段混合波束成形方案相比，仅相差约1 dB，同时显著降低能耗。
• ACE算法相比标准CE算法在sum-rate性能上提升约1 dB，且因增加一个加权步骤，计算复杂度仅略有增加。
• 所提ACE基方案的能量效率远高于两阶段混合波束成形（PS基）与基于波束选择的（SW基）方案，尤其在射频链路数K较小时（如K ≤ 12）表现更优。
• 当K ≥ 8时，采用4位移相器的两阶段混合波束成形方案的能量效率低于全数字ZF波束成形，原因在于移相器数量迅速增加且其能耗成本过高。
• 仿真结果表明，S = 200个候选与I = 20次迭代已足够实现良好收敛，表明ACE算法在中等计算负载下可实现高性能。