[论文解读] A Survey on Deep-Learning based Techniques for Modeling and Estimation of MassiveMIMO Channels

Makan Zamanipour|arXiv (Cornell University)|Oct 8, 2019

Millimeter-Wave Propagation and Modeling参考文献 50被引用 10

一句话总结

本综述全面分析了基于深度学习（DL）的大规模MIMO信道建模与估计技术，将信道状态信息（CSI）表示为二维/三维图像，以实现高效学习。该综述提出了新颖的DL架构，以应对反馈开销和导频-数据权衡问题，引入了一种基于斯塔克尔伯格博弈的Q-learning优化框架，并指出了在精度-复杂度权衡、模数转换器（ADC）损伤以及上下行信道互易性方面存在的七个开放研究挑战。

ABSTRACT

extit{Why does the literature consider the channel-state-information (CSI) as a 2/3-D image? What are the pros-and-cons of this consideration for accuracy-complexity trade-off?} Next generations of wireless communications require innumerable disciplines according to which a low-latency, low-traffic, high-throughput, high spectral-efficiency and low energy-consumption are guaranteed. Towards this end, the principle of massive multi-input multi-output (MaMIMO) is emerging which is conveniently deployed for millimeter wave (mmWave) bands. However, practical and realistic MaMIMO transceivers suffer from a huge range of challenging bottlenecks in design the majority of which belong to the issue of channel-estimation. Channel modeling and prediction in MaMIMO particularly suffer from computational complexity due to a high number of antenna sets and supported users. This complexity lies dominantly upon the feedback-overhead which even degrades the pilot-data trade-off in the uplink (UL)/downlink (DL) design. This comprehensive survey studies the novel deep-learning (DLg) driven techniques recently proposed in the literature which tackle the challenges discussed-above - which is for the first time. In addition, we consequently propose 7 open trends e.g. in the context of the lack of Q-learning in MaMIMO detection - for which we talk about a possible solution to the saddle-point in the 2-D pilot-data axis for a extit{Stackelberg game} based scenario.

研究动机与目标

• 提供首份关于基于深度学习的大规模MIMO信道建模与估计技术的全面综述。
• 分析在高维、多天线系统中，CSI估计的精度与计算复杂度之间的权衡。
• 识别并提出针对基于深度学习的大规模MIMO的七个开放挑战的解决方案，包括缺乏Q-learning、导频污染、ADC损伤以及上下行信道互易性破坏等问题。
• 引入一种基于斯塔克尔伯格博弈的Q-learning框架，以优化导频-数据权衡，并解决系统设计中的鞍点问题。
• 弥合基于深度学习的大规模MIMO收发器设计中信息论分析与实际硬件损伤（如ADC）之间的差距。

提出的方法

• 将信道状态信息（CSI）表示为二维/三维图像，以利用卷积神经网络（CNN）对大规模MIMO中的空间相关性进行建模。
• 应用深度神经网络（DNN）从导频信号到完整CSI之间学习复杂且非线性的映射关系，从而降低反馈开销并提高估计精度。
• 提出一种基于斯塔克尔伯格博弈的框架，采用两阶段决策机制：一名参与者控制导频分配，另一名参与者优化数据传输，通过最优动作策略推导出均衡点。
• 引入一种基于Q-learning的算法，采用$ abla$-学习更新规则：$w^{(d)}_z(t+1) = w^{(d)}_z(t) + ho( ilde{R}_d^{(*)} - ilde{Q}_d(e^{(d)}, a^{(d)}_z))$，其中$ ilde{Q}_d = w^{(d)T}_z m{x}^{(d)} + b^{(d)}_z$，以学习导频-数据权衡空间中的最优动作。
• 采用双智能体系统，分别设计奖励函数$ ilde{R}_d^{(*)}$和$ ilde{R}_p^{(*)}$以建模上行链路与下行链路性能，实现在博弈论约束下的联合优化。
• 通过将现有工作划分为四类技术类别进行分析，并对15项关键文献进行精度-复杂度权衡评估，识别出信息论与硬件感知设计方面的研究空白。

实验结果

研究问题

• RQ1 为何大规模MIMO中的CSI通常被建模为二维/三维图像？这种表示方式在精度与复杂度之间存在怎样的权衡？
• RQ2 深度学习如何克服大规模MIMO系统中（尤其是频分双工FDD模式下）的导频-数据权衡与反馈开销问题？
• RQ3 基于深度学习的大规模MIMO检测中的关键开放挑战是什么，特别是关于Q-learning、导频污染、ADC损伤以及上下行信道互易性问题？
• RQ4 基于斯塔克尔伯格博弈的Q-learning框架能否有效解决导频-数据权衡空间中的鞍点问题？
• RQ5 如何将信息论原理整合到基于深度学习的大规模MIMO信道估计中，以提升鲁棒性与最优性？

主要发现

• 将CSI有效建模为二维/三维图像，可利用空间相关性并支持基于CNN的学习，与传统方法相比显著降低了估计复杂度。
• 所提出的基于Q-learning的斯塔克尔伯格博弈框架通过迭代权重更新实现稳定均衡：$w^{(d)}_z(t+1) = w^{(d)}_z(t) + ho( ilde{R}_d^{(*)} - ilde{Q}_d(e^{(d)}, a^{(d)}_z))$，成功解决了导频分配中的鞍点问题。
• 在所调研的15项研究中，仅有六项同时显式分析了精度与复杂度，凸显了文献中性能评估的关键空白。
• 综述识别出七个开放挑战，包括检测中缺乏Q-learning、在非完美CSI下导频污染、ADC损伤以及实际中互易性破坏等问题。
• 该框架在时间推移中展现出更优的收敛性与稳定性，如图11所示，平均奖励随训练迭代次数增加而提升。
• 当前基于深度学习的大规模MIMO研究中，对信息论概念（如信息瓶颈、$L_s < N_t$ 与 $L_s less N_t$ 之间的权衡）的整合仍处于探索阶段。