[논문 리뷰] Model-Driven Deep Learning Based Channel Estimation and Feedback for Millimeter-Wave Massive Hybrid MIMO Systems

Xisuo Ma, Zhen Gao외 2명|arXiv (Cornell University)|2021. 04. 22.

Millimeter-Wave Propagation and Modeling참고 문헌 42인용 수 6

한 줄 요약

이 논문은 각도-지연 도메인의 희박성 특성을 활용하여 광대역 mmWave 대량 하이브리드 MIMO 시스템에서 저비용 채널 추정 및 피드백을 위한 모델 기반 딥러닝(MDDL) 프레임워크를 제안한다. 다중 측정 벡터 학습된 근사 메시지 전파(MMV-LAMP) 네트워크와 부족한 사전 정보를 갖춘 다중 사전을 사용하여 위상 시프트 네트워크와 채널 추정기를 공동 최적화함으로써, 최신 기술 대비 낮은 피로트 오버헤드로 탁월한 성능을 달성한다.

ABSTRACT

This paper proposes a model-driven deep learning (MDDL)-based channel estimation and feedback scheme for wideband millimeter-wave (mmWave) massive hybrid multiple-input multiple-output (MIMO) systems, where the angle-delay domain channels' sparsity is exploited for reducing the overhead. Firstly, we consider the uplink channel estimation for time-division duplexing systems. To reduce the uplink pilot overhead for estimating the high-dimensional channels from a limited number of radio frequency (RF) chains at the base station (BS), we propose to jointly train the phase shift network and the channel estimator as an auto-encoder. Particularly, by exploiting the channels' structured sparsity from an a priori model and learning the integrated trainable parameters from the data samples, the proposed multiple-measurement-vectors learned approximate message passing (MMV-LAMP) network with the devised redundant dictionary can jointly recover multiple subcarriers' channels with significantly enhanced performance. Moreover, we consider the downlink channel estimation and feedback for frequency-division duplexing systems. Similarly, the pilots at the BS and channel estimator at the users can be jointly trained as an encoder and a decoder, respectively. Besides, to further reduce the channel feedback overhead, only the received pilots on part of the subcarriers are fed back to the BS, which can exploit the MMV-LAMP network to reconstruct the spatial-frequency channel matrix. Numerical results show that the proposed MDDL-based channel estimation and feedback scheme outperforms the state-of-the-art approaches.

연구 동기 및 목표

• 제한된 RF 체인으로 인해 업링크 mmWave 대량 하이브리드 MIMO 시스템에서 높은 피로트 오버헤드 문제를 해결하기 위해.
• FDD 시스템에서 각도-지연 도메인의 구조적 희박성을 활용하여 다운링크 채널 피드백 오버헤드를 줄이기 위해.
• 개선된 추정 정확도를 위해 위상 시프트 네트워크와 채널 추정기를 자동에코드로 공동 최적화하기 위해.
• 공통 희박성을 다중 서브대역에서 활용하여 효율적인 다중 서브대역 채널 복원을 위한 훈련 가능한 다중 측정 벡터 학습된 근사 메시지 전파(MMV-LAMP) 네트워크 개발을 위해.
• 영점 평균 베르누이-가우시안 사전 분포 하에서 훈련 가능한 수축 함수를 사용하여 최소한의 훈련 오버헤드로 고정밀 채널 추정 및 피드백을 달성하기 위해.

제안 방법

• 업링크 채널 추정은 사전 모델에서 유도된 구조적 희박성을 활용하여 위상 시프트 네트워크와 추정기를 자동에코드로 공동 훈련한다.
• 다중 서브대역의 채널을 공동으로 복원하기 위해 부족한 사전을 갖춘 다중 측정 벡터 학습된 근사 메시지 전파(MMV-LAMP) 네트워크를 설계한다.
• MMV-LAMP 네트워크는 영점 평균 베르누이-가우시안 사전 분포 하에서 MSE 최적의 노이즈 제거기에서 유도된 훈련 가능한 수축 함수를 사용하며, 훈련 가능한 매개변수 θ₁ 및 θ₂를 갖는다.
• 다운링크 피드백에서는 사용자 장치에서 일부 서브대역에만 피로트를 피드백하고, MMV-LAMP 네트워크가 전체 공간-주파수 채널 행렬을 재구성한다.
• 잔차 행렬의 프로베니우스 노름을 통한 적응형 노이즈 분산 추정과 기울기 기반 업데이트를 사용하여 훈련 가능한 매개변수를 조정한다.
• 백프로파게이션을 사용하여 엔드 투 엔드로 프레임워크를 훈련하며, 위상 시프트 네트워크와 추정기를 함께 최적화하여 추정 오차를 최소화한다.

실험 결과

연구 질문

• RQ1 모델 기반 딥러닝은 높은 채널 추정 정확도를 유지하면서 업링크 mmWave 대량 하이브리드 MIMO 시스템의 피로트 오버헤드를 줄일 수 있는가?
• RQ2 자기에코드를 통한 위상 시프트 네트워크와 채널 추정기의 공동 최적화는 기존 방법 대비 성능 향상을 얼마나 효과적으로 달성하는가?
• RQ3 MMV-LAMP를 통한 서브대역 간 공통 희박성의 활용은 광대역 mmWave 시스템에서 채널 복원에 얼마나 기여하는가?
• RQ4 선택된 서브대역에 한정된 피로트 피드백과 MMV-LAMP 복원을 조합하면 정확도를 손상시키지 않고 피드백 오버헤드를 크게 줄일 수 있는가?
• RQ5 제안된 MDDL 프레임워크는 추정 정확도와 강인성 측면에서 최신 압축 측정 및 딥러닝 기반 접근법과 비교해 어떻게 성능를 발휘하는가?

주요 결과

• 제안된 MDDL 기반의 채널 추정 및 피드백 방식은 다양한 SNR 조건에서 최신 기술 대비 뛰어난 추정 정확도와 강인성을 확보한다.
• 부족한 사전을 갖춘 MMV-LAMP 네트워크를 통해 구조적 희박성의 활용으로 다중 서브대역 채널의 공동 복원 성능이 크게 향상된다.
• 위상 시프트 네트워크와 추정기를 자동에코드로 공동 훈련함으로써 업링크 피로트 오버헤드를 줄이면서도 높은 추정 정확도를 유지한다.
• 단지 일부 서브대역에 한정된 피로트 피드백과 MMV-LAMP 복원을 조합함으로써 낮은 피드백 오버헤드로 고정밀 채널 행렬 복원이 가능하다.
• 영점 평균 베르누이-가우시안 사전 분포 하에서 훈련 가능한 수축 함수를 사용함으로써 최적의 노이즈 제거가 가능해지고 추정 수렴성 및 정확도가 향상된다.