[论文解读] Deep Learning-Based Rate-Splitting Multiple Access for Reconfigurable Intelligent Surface-Aided Tera-Hertz Massive MIMO

Minghui Wu, Z. Gao+4 more|arXiv (Cornell University)|Sep 18, 2022

Advanced Wireless Communication Technologies被引用 4

一句话总结

该论文提出了一种基于深度学习（DL）的率分割多址接入（RSMA）方案，用于可重构智能表面（RIS）辅助的太赫兹大规模MIMO系统，结合了混合数据-模型驱动预编码框架与基于Transformer的信道状态信息（CSI）获取网络（CAN）。该方法通过利用DL实现低开销CSI估计与预编码，在不完美CSI条件下实现了鲁棒的频谱效率，其精度与复杂度优于传统方法。

ABSTRACT

Reconfigurable intelligent surface (RIS) can significantly enhance the service coverage of Tera-Hertz massive multiple-input multiple-output (MIMO) communication systems. However, obtaining accurate high-dimensional channel state information (CSI) with limited pilot and feedback signaling overhead is challenging, severely degrading the performance of conventional spatial division multiple access. To improve the robustness against CSI imperfection, this paper proposes a deep learning (DL)-based rate-splitting multiple access (RSMA) scheme for RIS-aided Tera-Hertz multi-user MIMO systems. Specifically, we first propose a hybrid data-model driven DL-based RSMA precoding scheme, including the passive precoding at the RIS as well as the analog active precoding and the RSMA digital active precoding at the base station (BS). To realize the passive precoding at the RIS, we propose a Transformer-based data-driven RIS reflecting network (RRN). As for the analog active precoding at the BS, we propose a match-filter based analog precoding scheme considering that the BS and RIS adopt the LoS-MIMO antenna array architecture. As for the RSMA digital active precoding at the BS, we propose a low-complexity approximate weighted minimum mean square error (AWMMSE) digital precoding scheme. Furthermore, for better precoding performance as well as lower computational complexity, a model-driven deep unfolding active precoding network (DFAPN) is also designed by combining the proposed AWMMSE scheme with DL. Then, to acquire accurate CSI at the BS for the investigated RSMA precoding scheme to achieve higher spectral efficiency, we propose a CSI acquisition network (CAN) with low pilot and feedback signaling overhead, where the downlink pilot transmission, CSI feedback at the user equipments (UEs), and CSI reconstruction at the BS are modeled as an end-to-end neural network based on Transformer.

研究动机与目标

• 解决在有限导频与反馈开销下，太赫兹大规模MIMO系统中获取高维CSI的挑战。
• 克服太赫兹频段中由于CSI不完善导致传统空分多址接入（SDMA）性能下降的问题。
• 设计一种在RIS辅助的太赫兹MIMO系统中，即使CSI不完善也能保持高谱效率的鲁棒预编码方案。
• 开发一种低复杂度、端到端可训练的CSI获取网络（CAN），利用深度学习减少信令开销。
• 整合模型驱动与数据驱动的深度学习技术，以优化RIS无源预编码、基站模拟与数字RSMA预编码。

提出的方法

• 提出一种混合数据-模型驱动的RSMA预编码框架，结合数据驱动的RIS反射网络（RRN）用于无源RIS预编码、基于模型的匹配滤波（MF）模拟预编码在基站（BS）上，以及基于模型驱动的深度展开有源预编码网络（DFAPN）用于数字RSMA预编码。
• 设计一种基于Transformer的RRN，以学习最优RIS相位偏移实现无源波束成形，采用负平均加权和速率（ARWU）作为损失函数进行端到端训练。
• 提出一种低复杂度的近似加权最小均方误差（AWMMSE）算法用于数字预编码，随后将其展开为深度学习网络（DFAPN）以提升性能并降低复杂度。
• 开发一种基于Transformer架构的CSI获取网络（CAN），将下行导频传输、CSI反馈与CSI重构建模为一个端到端神经网络。
• 在RRN与DFAPN训练中采用负ARWU作为损失函数，在CAN训练中采用归一化均方误差（NMSE）以提升频谱效率与估计精度。
• 采用混合训练策略，结合离线预训练与在线微调，以优化整个系统的鲁棒性与低信令开销。

实验结果

研究问题

• RQ1 如何利用深度学习在不完美CSI条件下实现RIS辅助的太赫兹大规模MIMO系统中鲁棒的率分割多址接入（RSMA）？
• RQ2 在RIS辅助的高维太赫兹MIMO系统中，如何设计一种低开销、高精度的CSI获取框架？
• RQ3 模型驱动与数据驱动的深度学习技术的集成，如何改善RIS辅助RSMA预编码中的性能与复杂度权衡？
• RQ4 基于Transformer的神经网络在精度与信令开销方面，相较于传统信道估计与反馈方法，能有多大程度的性能超越？
• RQ5 在CSI不完善条件下，所提出的混合DL-RSMA方案相较于传统SDMA与RSMA方案，在频谱效率与鲁棒性方面能带来多大的性能增益？

主要发现

• 所提出的RRN与DFAPN在不完美CSI条件下显著优于传统方案，尤其在平均加权和速率（ARWU）性能方面表现更优。
• 所提出的CAN通过实现更低的归一化均方误差（NMSE），显著降低了CSI估计误差，即使在低导频与反馈开销下亦表现优异。
• 所提出的DL-CAN、RRN与DFAPN的运行时间在GPU上为3.24–5.63 ms，在CPU上为15.64–25.39 ms，远快于基于模型的方案（如AWMMSE在CPU上耗时70.14 s）。
• 所提出的DL方案计算复杂度仅为基于模型方案的$\tfrac{1}{10}$至$\tfrac{1}{100}$，CAN/RRN/DFAPN的复杂度仅为AWMMSE的$\tfrac{1}{100}$。
• 所提出的AWMMSE算法在频谱效率方面优于传统方法，但计算开销昂贵（CPU上耗时70.14 s），这促使开发DFAPN以降低复杂度。
• 数值结果证实，所提出的端到端DL框架在低导频与反馈开销下实现了高谱效率，同时保持了对CSI不完善的鲁棒性。