[논문 리뷰] Neural Calibration for Scalable Beamforming in FDD Massive MIMO with Implicit Channel Estimation

Yifan Ma, Yifei Shen외 4명|arXiv (Cornell University)|2021. 08. 03.

Advanced MIMO Systems Optimization참고 문헌 12인용 수 5

한 줄 요약

이 논문은 FDD 마이크로모드 MIMO 시스템에서 확장 가능한 빔포밍을 위한 신경망 캘리브레이션 프레임워크를 제안한다. 이 방법은 직접적인 다운링크 채널 추정을 생략하고 상行 피일러를 통해 빔포머를 직접 최적화함으로써 이를 달성한다. 최소 제곱법과 제로 포싱 기반의 핵심 기술을 유지하면서, 입력을 캘리브레이션하기 위해 경량의 순열에 대한 불변성을 가지는 신경망을 사용함으로써, 특히 고밀도 사용자 수를 가진 대규모 네트워크에서 전면 데이터 기반 엔드 투 엔드 학습보다 뛰어난 스펙트럼 효율성과 확장성을 달성한다.

ABSTRACT

Channel estimation and beamforming play critical roles in frequency-division duplexing (FDD) massive multiple-input multiple-output (MIMO) systems. However, these two modules have been treated as two stand-alone components, which makes it difficult to achieve a global system optimality. In this paper, we propose a deep learning-based approach that directly optimizes the beamformers at the base station according to the received uplink pilots, thereby, bypassing the explicit channel estimation. Different from the existing fully data-driven approach where all the modules are replaced by deep neural networks (DNNs), a neural calibration method is proposed to improve the scalability of the end-to-end design. In particular, the backbone of conventional time-efficient algorithms, i.e., the least-squares (LS) channel estimator and the zero-forcing (ZF) beamformer, is preserved and DNNs are leveraged to calibrate their inputs for better performance. The permutation equivariance property of the formulated resource allocation problem is then identified to design a low-complexity neural network architecture. Simulation results will show the superiority of the proposed neural calibration method over benchmark schemes in terms of both the spectral efficiency and scalability in large-scale wireless networks.

연구 동기 및 목표

• FDD 마이크로모드 MIMO 시스템에서 전면 데이터 기반 엔드 투 엔드 딥 러닝의 확장성 한계를 해결하기 위해.
• 명시적인 다운링크 채널 상태 정보(CSI) 추정 없이도 효율적인 빔포밍을 가능하게 하기 위해.
• 대규모 고밀도 사용자 FDD 마이크로모드 MIMO 네트워크에서 스펙트럼 효율성과 시스템의 확장성을 향상시키기 위해.
• 도메인 특화된 신호 처리 지식(LS 및 ZF)을 딥 러닝 프레임워크에 통합하여 일반화 및 강인성을 향상시키기 위해.
• 사용자 자원 할당 문제에서 순열에 대한 불변성을 활용한 저복잡도 신경망 아키텍처 설계를 위해.

제안 방법

• 방법은 최소 제곱법(LS) 채널 추정기와 제로 포싱(ZF) 빔포머를 핵심 구성 요소로 유지하여, 완전히 DNN로 대체하지 않는다.
• 딥 러닝 네트워크를 사용해 LS 및 ZF 모듈의 입력을 캘리브레이션하여, 핵심 구조를 변경하지 않은 채 성능을 향상시킨다.
• 신경망 아키텍처는 순열에 대한 불변성을 가지도록 설계되어, 사용자 간에 단일 경량 MLP를 공유할 수 있어 복잡도를 감소시킨다.
• 엔드 투 엔드 시스템은 상행 피일러 신호를 직접 다운링크 빔포머로 매핑하도록 훈련되며, 암묵적으로 다운링크 채널을 추정한다.
• 훈련 목표는 스펙트럼 효율성을 최적화하며, 캘리브레이션된 LS 및 ZF 모듈를 통해 역전파를 수행한다.
• 시뮬레이션을 통해 상행 전송 전력 불일치 상황에서도 성능이 안정됨을 입증하여, SNR 불일치에 대해 강인함을 입증한다.

실험 결과

연구 질문

• RQ1 딥 러닝과 신호 처리의 하이브리드 접근 방식이 FDD 마이크로모드 MIMO 빔포밍에서 전면 데이터 기반 엔드 투 엔드 학습을 능가할 수 있는가?
• RQ2 기존 알고리즘(LS 및 ZF)의 도메인 지식을 어떻게 딥 러닝 프레임워크에 통합하여 확장성을 향상시킬 수 있는가?
• RQ3 사용자 자원 할당 문제에서 순열에 대한 불변성을 활용하면 저복잡도 신경망 아키텍처를 얻을 수 있는가?
• RQ4 신경망 캘리브레이션을 통한 암묵적 채널 추정이 명시적 CSI 피드백 없이도 높은 스펙트럼 효율성을 달성할 수 있는가?
• RQ5 제안된 방법은 사용자 수가 증가하는 대규모 네트워크에서 어떻게 성능를 발휘하는가?

주요 결과

• 제안된 신경망 캘리브레이션 방법은 K=10명의 사용자에서 완벽한 CSI 하에 WMMSE 기준값의 91.1%의 스펙트럼 효율성을 달성하며, 동일 조건에서 전면 데이터 기반 엔드 투 엔드 방법보다 유의미하게 뛰어나 78.7%를 기록한다.
• 기지국 안테나 수 M이 증가할수록 제안된 방법과 블록 단위 처리 방법 간의 성능 격차가 감소함을 확인하여, M이 클수록 더 나은 확장성 확보 가능함을 시사한다.
• 테스트 시 상행 전력이 훈련 시 값과 다를 경우에도 높은 스펙트럼 효율성을 유지함으로써, SNR 불일치에 대해 강인함을 입증한다.
• 신경망 캘리브레이션 설계는 대규모 네트워크에서도 확장 가능하며, 전면 데이터 기반 엔드 투 엔드 방법은 사용자 수 증가에 따라 급격히 성능 저하됨을 확인했다.
• 순열에 대한 불변성을 활용한 신경망 아키텍처는 사용자 간에 경량의 공유 MLP를 가능하게 하여 모델 복잡도를 감소시키고, 고밀도 네트워크에의 구현 가능성을 높인다.
• 기울기 분석 결과, ZF 빔포머가 스펙트럼 효율성을 국소적으로 최대화하지는 않으며, 이는 성능 향상을 위해 캘리브레이션의 필요성을 정당화한다.