[论文解读] Deep Learning based Channel Extrapolation for Large-Scale Antenna Systems: Opportunities, Challenges and Solutions

Shun Zhang, Yushan Liu+4 more|arXiv (Cornell University)|Feb 25, 2021

Millimeter-Wave Propagation and Modeling参考文献 15被引用 4

一句话总结

本文提出基于深度学习（DL）的信道外推方法，以减少毫米波大规模MIMO、RIS辅助及无蜂窝MIMO等大规模天线系统中的训练开销。通过利用DL学习在天线、频率和用户端域之间稀疏信道测量与完整信道状态信息（CSI）之间的非线性映射，该方法显著降低了开销，并在性能上优于传统压缩感知方法。

ABSTRACT

With the depletion of spectrum, wireless communication systems turn to exploit large antenna arrays to achieve the degree of freedom in space domain, such as millimeter wave massive multi-input multioutput (MIMO), reconfigurable intelligent surface assisted communications and cell-free massive MIMO. In these systems, how to acquire accurate channel state information (CSI) is difficult and becomes a bottleneck of the communication links. In this article, we introduce the concept of channel extrapolation that relies on a small portion of channel parameters to infer the remaining channel parameters. Since the substance of channel extrapolation is a mapping from one parameter subspace to another, we can resort to deep learning (DL), a powerful learning architecture, to approximate such mapping function. Specifically, we first analyze the requirements, conditions and challenges for channel extrapolation. Then, we present three typical extrapolations over the antenna dimension, the frequency dimension, and the physical terminal, respectively. We also illustrate their respective principles, design challenges and DL strategies. It will be seen that channel extrapolation could greatly reduce the transmission overhead and subsequently enhance the performance gains compared with the traditional strategies. In the end, we provide several potential research directions on channel extrapolation for future intelligent communications systems.

研究动机与目标

• 解决由于大规模阵列天线和复杂传播环境导致的大规模MIMO系统中训练开销过高的问题。
• 克服传统压缩感知方法的局限性，后者依赖于线性稀疏性假设，难以准确建模真实信道特性。
• 通过利用空间、频率和用户端域之间信道的确定性关系，实现在最小导频开销下准确获取信道状态信息（CSI）。
• 开发一种数据驱动的深度学习框架，能够在不同信道子空间间泛化，以减少反馈和训练信令开销。
• 探索迁移学习与传感器融合技术，以在异构或动态环境中提升外推性能。

提出的方法

• 提出将少量信道参数（如导频符号）映射至完整信道状态信息的信道外推方法，建模为非线性函数。
• 应用深度神经网络（DNN），特别是基于常微分方程（ODE）的神经网络，学习FDD系统中不同天线单元之间信道状态的复杂非线性映射。
• 设计频域外推策略，利用带内子载波间及不同频段间的信道相关性，使用稀疏导频进行精炼。
• 引入基于迁移学习的用户端外推方法，结合多传感器数据（如视觉或雷达）以建模环境上下文，提升在分布式用户间的泛化能力。
• 利用迁移学习将预训练神经网络从一组用户适配至其他用户，降低训练成本并提升异构用户部署下的性能。
• 探索混合模型驱动与数据驱动的方法，以在不同传播条件和系统约束下增强鲁棒性与适应性。

Figure 1: The opportunities of DL-based channel extrapolation.

实验结果

研究问题

• RQ1 在FDD大规模MIMO系统中，深度学习如何有效建模天线单元之间非线性、非稀疏的信道关系？
• RQ2 当频段之间存在较大间隔时，频域信道外推的最佳导频部署策略是什么？
• RQ3 在具有多样化用户组的分布式系统中，迁移学习如何提升基于用户端的信道外推性能？
• RQ4 环境感知（如视觉、雷达）在提升物理用户端间信道外推精度方面发挥何种作用？
• RQ5 如何优化在天线、频率和用户端域之间的联合外推，以在保持高CSI精度的同时最小化训练开销？

主要发现

• 基于ODE的神经网络在天线域外推中优于传统DNN，展现出在FDD大规模MIMO系统中更优的泛化能力与鲁棒性。
• 对于频域外推，当频段间隔较大时，仅需少量额外导频即可精炼预测结果，显著降低导频开销。
• 当信道子空间差异显著时，用户端外推性能会下降；但引入传感数据与迁移学习可显著提升性能并减轻训练负担。
• 将深度学习与物理信道模型结合，可实现比纯数据驱动或纯模型驱动方法更精确、更具适应性的外推。
• 在天线、频率和用户端域之间实现联合外推是可行的，并为未来智能无线系统进一步降低训练开销提供了有前景的路径。
• 混合模型驱动与数据驱动的方法可根据环境动态与复杂度智能切换，从而同时提升精度与效率。

Figure 2: The channel extrapolation over antenna dimension for large-scale antenna systems.