[논문 리뷰] Neural Networks Based Beam Codebooks: Learning mmWave Massive MIMO Beams that Adapt to Deployment and Hardware

Muhammad Alrabeiah, Yu Zhang외 1명|arXiv (Cornell University)|2020. 06. 25.

Millimeter-Wave Propagation and Modeling인용 수 7

한 줄 요약

이 논문은 복소수 신경망을 사용하여 환경 및 하드웨어에 민감한 mmWave 대량 MIMO 빔 코드북을 설계하는 새로운 온라인 기계학습 프레임워크를 제안한다. 모델은 채널 상태 정보를 명시적으로 요구하지 않고, 하드웨어 제약 조건(일정 진폭, 양자화된 위상 이동) 하에서 자기지도 학습을 통해 직접 아날로그 빔 포밍 가중치를 학습하며, 빔 학습 오버헤드를 크게 감소시키고 하드웨어 결함에 대한 강건성을 향상시키면서 스펙트럼 효율성을 향상시킨다.

ABSTRACT

Millimeter wave (mmWave) and massive MIMO systems are intrinsic components of 5G and beyond. These systems rely on using beamforming codebooks for both initial access and data transmission. Current beam codebooks, however, generally consist of a large number of narrow beams that scan all possible directions, even if these directions are never used. This leads to very large training overhead. Further, these codebooks do not normally account for the hardware impairments or the possible non-uniform array geometries, and their calibration is an expensive process. To overcome these limitations, this paper develops an efficient online machine learning framework that learns how to adapt the codebook beam patterns to the specific deployment, surrounding environment, user distribution, and hardware characteristics. This is done by designing a novel complex-valued neural network architecture in which the neuron weights directly model the beamforming weights of the analog phase shifters, accounting for the key hardware constraints such as the constant-modulus and quantized-angles. This model learns the codebook beams through online and self-supervised training avoiding the need for explicit channel state information. This respects the practical situations where the channel is either unavailable, imperfect, or hard to obtain, especially in the presence of hardware impairments. Simulation results highlight the capability of the proposed solution in learning environment and hardware aware beam codebooks, which can significantly reduce the training overhead, enhance the achievable data rates, and improve the robustness against possible hardware impairments.

연구 동기 및 목표

• 기존 mmWave 빔 코드북에서 모든 가능한 방향을 스캔함으로써 발생하는 높은 빔 학습 오버헤드를 해결하기 위해.
• 사용자 분포나 비균일한 어레이 기하학적 구조를 고려하지 않는 고정된 단일 루프 코드북의 한계를 극복하기 위해.
• 위상 불일치 및 양자화된 위상 이동기와 같은 하드웨어 결함을 빔 코드북 설계에 고려하기 위해.
• 채널 상태 정보를 명시적으로 요구하지 않고, 빔 패턴의 자기지도 학습 및 온라인 학습을 가능하게 하여 의존도를 제거하기 위해.
• 설치 조건에 따라 동적으로 적응 가능한 학습 가능한 하드웨어 제약 조건을 갖춘 빔 코드북을 개발하기 위해.

제안 방법

• 신경망의 가중치가 직접 일정 진폭 및 양자화된 위상 제약 조건을 갖춘 아날로그 빔 포밍 가중치를 나타내는 복소수 신경망 아키텍처를 설계하였다.
• 채널 상태 정보의 참값이 필요 없도록, 수신 신호 강도와 빔 패턴 일관성을 활용한 자기지도 학습 목표를 사용하여 네트워크를 훈련시켰다.
• 백프로파게이션을 빔 포밍 과정을 통해 수행하며, 물리적 제약 조건을 고려한 구조적 자이아드 행렬을 통해 기울기를 계산하였다.
• 파rameter 업데이트 규칙(식 24)은 환경의 실시간 피드백에 기반하여 빔 코드북 빔을 온라인으로 적응시킬 수 있도록 한다.
• 기울기 전파가 가능한 빔 포밍 모델을 통합하여, 조정 가능한 위상 이동기에서 빔 패턴으로의 매핑을 가능하게 하여 최적의 코드북 빔을 종단 간 학습할 수 있도록 하였다.
• 이 아키텍처는 온라인 및 자기지도 학습을 모두 지원하여, 채널 추정치가 불완전하거나 확보되지 않은 실세계 구현에 실용적이다.

실험 결과

연구 질문

• RQ1 신경망은 명시적인 채널 상태 정보 없이도 특정 설치 환경과 사용자 분포에 적응하는 빔 코드북 패턴을 학습할 수 있는가?
• RQ2 mmWave 대량 MIMO 시스템에서 일정 진폭 및 양자화된 위상 이동을 포함한 하드웨어 제약 조건을 고려하여 빔 코드북을 어떻게 설계할 수 있는가?
• RQ3 자기지도 학습은 기존의 전체 스캔 코드북에 비해 빔 학습 오버헤드를 얼마나 줄일 수 있는가?
• RQ4 제안된 방법은 위상 불일치 및 어레이 비균일성과 같은 하드웨어 결함에 대해 얼마나 강건한가?
• RQ5 학습된 코드북은 기존의 DFT 또는 계층적 코드북보다 더 높은 스펙트럼 효율성과 더 낮은 학습 오버헤드를 달성할 수 있는가?

주요 결과

• 제안된 방법은 현재 설치 환경에 필요한 빔들만 학습함으로써 전체 각도 스캔을 피함으로써 빔 학습 오버헤드를 감소시켰다.
• 사용자 분포와 환경에 따라 빔 패턴을 적응시음으로써 기존 DFT 코드북에 비해 더 높은 스펙트럼 효율성을 달성하였다.
• 자기지도 학습 프레임워크는 채널 상태 정보가 확보되지 않거나 불완전한 상황에서도 효과적인 코드북 학습을 가능하게 하였다.
• 종단 간 학습을 통해 위상 불일치 및 비균일한 어레이 기하학적 구조와 같은 하드웨어 결함에 대한 강건성이 향상된 것을 확인하였다.
• 시뮬레이션 결과는 학습된 코드북이 가용 데이터 전송률과 학습 효율성 측면에서 표준 코드북보다 뛰어난 성능을 보임을 확인하였다.
• 프레임워크는 단일 루프 빔에 국한되지 않는 환경 인지 빔 패턴을 성공적으로 학습하여, 비선형 시선(LoS) 환경에서 더 나은 성능을 제공하였다.