[论文解读] Deep Learning Based Spatial User Mapping on Extra Large MIMO Arrays

Abolfazl Amiri, Carles Navarro Manchón+1 more|arXiv (Cornell University)|Feb 2, 2020

Advanced MIMO Systems Optimization参考文献 16被引用 10

一句话总结

该论文提出了一种基于深度学习的超大规模MIMO（XL-MIMO）系统空间用户映射（SUM）解决方案——并行分布式卷积神经网络（PaSUMCNN），用于为每个用户识别最优波束成形子集。该方法通过利用大规模阵列中的非平稳信道特性进行训练，在与穷举搜索相比仅产生可忽略的和速率损失的前提下，实现了超过80%的最优解率，从而在XL-MIMO系统中实现了可扩展的、低复杂度的预编码。

ABSTRACT

In an extra-large scale MIMO (XL-MIMO) system, the antenna arrays have a large physical size that goes beyond the dimensions in traditional MIMO systems. Because of this large dimensionality, the optimization of an XL-MIMO system leads to solutions with prohibitive complexity when relying on conventional optimization tools. In this paper, we propose a design based on machine learning for the downlink of a multi-user setting with linear pre-processing, where the goal is to select a limited mapping area per user, i.e. a small portion of the array that contains the beamforming energy to the user. We refer to this selection as spatial user mapping (SUM). Our solution relies on learning using deep convolutional neural networks with a distributed architecture that is built to manage the large system dimension. This architecture contains one network per user where all the networks work in parallel and exploit specific non-stationary properties of the channels along the array. Our results show that, once the parallel networks are trained, they provide the optimal SUM solution in more than $80\%$ of the instances, resulting in a negligible sum-rate loss compared to a system using the optimal SUM solution while providing an insightful approach to rethink these kinds of problems that have no closed-form solution.

研究动机与目标

• 解决在大规模阵列下，XL-MIMO系统中波束成形优化带来的难以承受的计算复杂度问题。
• 开发一种可扩展的、低复杂度的用户特定空间用户映射（SUM）解决方案，仅选择每个用户最有效的阵元子集。
• 利用深度学习绕过XL-MIMO预编码中的组合优化挑战，同时保持接近最优的频谱效率。
• 通过使用每个用户独立的分布式并行神经网络，降低计算负载，实现XL-MIMO的实际部署。

提出的方法

• 设计了一种每个用户独立的分布式并行CNN架构（PaSUMCNN），以处理大规模XL-MIMO系统的维度。
• 每个用户特定的CNN学习将用户映射到其可见区域（VRs）——即由于空间非平稳性导致波束成形能量集中于局部阵列区域的区域。
• 使用带零迫（ZF）预编码的标注信道矩阵进行训练，优化在最大阵元子集约束下的和速率最大化。
• 应用批量归一化、dropout和L2正则化以防止过拟合并提高对未见信道实现的泛化能力。
• 训练过程使用80%的数据进行训练，20%用于验证，收敛时间约为总训练周期的20%。
• 离线训练完成后，通过将CSI输入每个并行网络，实时执行推理，各网络输出每个用户对应的最优阵元子集。

实验结果

研究问题

• RQ1 深度学习能否有效近似具有难以承受的组合复杂度的XL-MIMO系统中的最优空间用户映射（SUM）？
• RQ2 与穷举搜索相比，分布式用户特定CNN架构在和速率与解的最优性方面表现如何？
• RQ3 大规模阵列中非平稳信道特性在多大程度上能够支持SUM的高效局部化学习？
• RQ4 与传统优化方法相比，所提方法能否在显著降低计算复杂度的同时实现接近最优的性能？
• RQ5 在解空间中假设使用连续的阵元集合是否会导致显著的性能下降？

主要发现

• PaSUMCNN方法在超过80%的测试实例中实现了最优SUM解，表明其在识别有效波束成形子集方面具有高精度。
• 与在整个阵列上使用最优ZF预编码相比，和速率损失可忽略不计，不同信噪比（SNR）下范围在6.4%至7.4%之间。
• 与穷举搜索相比，该方法将计算复杂度降低了约2×10^7倍，使其适用于实时部署。
• 训练过程收敛迅速，在总训练时间的1/5内即达到80%的准确率，从而为延迟敏感应用提供了更快的适应能力。
• 将连续阵元集合作为简化假设并未显著降低性能，验证了其实际可行性。
• 批量归一化、dropout和L2正则化的组合有效缓解了过拟合，确保了对未见信道条件的稳健泛化能力。