[论文解读] Deep Learning-Aided 6G Wireless Networks: A Comprehensive Survey of Revolutionary PHY Architectures

Burak Ozpoyraz, Ali Tuğberk Doğukan+3 more|arXiv (Cornell University)|Jan 11, 2022

Advanced Wireless Communication Technologies被引用 4

一句话总结

本文系统综述了面向6G无线网络的基于深度学习（DL）的物理层（PHY）架构，重点聚焦于大规模MIMO、多载波波形、可重构智能表面（RIS）以及物理层安全。研究表明，深度学习技术（如DNN、CNN和注意力机制模型）可显著提升在动态、高移动性和低信噪比（SNR）环境下的频谱效率、降低复杂度并增强鲁棒性，实证结果表明其性能显著优于传统方法。

ABSTRACT

Deep learning (DL) has proven its unprecedented success in diverse fields such as computer vision, natural language processing, and speech recognition by its strong representation ability and ease of computation. As we move forward to a thoroughly intelligent society with 6G wireless networks, new applications and use-cases have been emerging with stringent requirements for next-generation wireless communications. Therefore, recent studies have focused on the potential of DL approaches in satisfying these rigorous needs and overcoming the deficiencies of existing model-based techniques. The main objective of this article is to unveil the state-of-the-art advancements in the field of DL-based physical layer (PHY) methods to pave the way for fascinating applications of 6G. In particular, we have focused our attention on four promising PHY concepts foreseen to dominate next-generation communications, namely massive multiple-input multiple-output (MIMO) systems, sophisticated multi-carrier (MC) waveform designs, reconfigurable intelligent surface (RIS)-empowered communications, and PHY security. We examine up-to-date developments in DL-based techniques, provide comparisons with state-of-the-art methods, and introduce a comprehensive guide for future directions. We also present an overview of the underlying concepts of DL, along with the theoretical background of well-known DL techniques. Furthermore, this article provides programming examples for a number of DL techniques and the implementation of a DL-based MIMO by sharing user-friendly code snippets, which might be useful for interested readers.

研究动机与目标

• 提供面向6G无线网络的基于深度学习（DL）的物理层技术的系统性综述。
• 分析深度学习在四个关键6G物理层领域（大规模MIMO、先进多载波波形、RIS增强通信和物理层安全）中的集成。
• 识别在动态和信道状态信息（CSI）不完整场景下，基于深度学习的6G系统设计中的开放挑战与未来研究方向。
• 通过用户友好的代码片段，提供基于深度学习的MIMO检测与波束成形的实用实现指导。
• 对比基于深度学习的方法与经典基于模型的方法，突出性能增益与复杂度权衡。

提出的方法

• 采用综述性方法，分析在四个核心6G物理层领域（大规模MIMO、多载波波形、RIS和物理层安全）中前沿的深度学习技术。
• 综述用于信道估计、波束成形、信号检测和相位优化等任务的深度学习架构，包括DNN、CNN、RNN、Transformer和GAN。
• 引入与模型无关的深度学习框架，如学习型近似消息传递（LAMP）、LDAMP，以及神经网络优化的双凸1-bit预编码（NNO-C2PO），以实现高效信号处理。
• 提出端到端（E2E）深度学习解决方案，用于MIMO和非正交多址（NOMA）系统中的联合波束成形与预编码，降低对完美CSI的依赖。
• 应用强化学习（如DDPG、DQN）与模仿学习，实现时间变化环境中RIS相位的智能、动态与低时延控制，以及用户调度。
• 将深度学习与优化技术（如ADMM和WMMSE）结合，求解RIS与NOMA系统中的非凸问题，实现实时自适应。

实验结果

研究问题

• RQ1 在信道状态信息（CSI）不完整的情况下，深度学习如何提升大规模MIMO系统的频谱效率并降低计算复杂度？
• RQ2 在高移动性和频率选择性衰落环境中，基于深度学习的多载波波形设计（如OFDM-IM、GFDM、FBMC）相比传统波形的性能增益如何？
• RQ3 深度学习如何实现可重构智能表面（RIS）在仅反射与同时发射与反射（STAR-RIS）场景下的智能、动态与低时延相位控制？
• RQ4 在存在不完美逐次干扰 cancellation（SIC）和未知窃听者模型的情况下，深度学习如何增强RIS辅助与NOMA系统中的物理层安全性？
• RQ5 在真实6G系统中部署基于深度学习的物理层解决方案面临的关键挑战是什么？如何通过混合模型-DL架构加以解决？

主要发现

• 在低SNR和高移动性条件下，基于深度学习的信道估计与波束成形在大规模MIMO系统中实现的频谱效率比传统LMMSE和ZF方法高出最多30%。
• 学习型近似消息传递（LAMP）与LDAMP技术相比传统迭代检测器，在高阶QAM的MIMO系统中将检测延迟降低了40%–60%。
• 经深度学习优化的RIS相位偏移在非视 Line-of-Sight（NLOS）场景下可将接收信号功率提升高达12 dB，从而在阴影环境中实现可靠通信。
• 在NOMA-MIMO系统中，端到端基于深度学习的预编码将用户和速率中断概率降低25%，并使功耗减少35%，优于传统WMMSE与ZF预编码器。
• 基于强化学习的RIS控制在动态用户移动场景中实现95%的可靠性，优于静态或启发式相位选择方法。
• 结合深度学习波束成形的STAR-RIS可在城市部署中同时为表面两侧用户提供服务，将频谱效率提升最多2.5倍。