[论文解读] Deep Learning-Empowered Predictive Beamforming for IRS-Assisted Multi-User Communications

Chang Liu, Xuemeng Liu+4 more|arXiv (Cornell University)|Apr 26, 2021

Advanced Wireless Communication Technologies参考文献 20被引用 4

一句话总结

该论文提出了一种基于深度学习的智能反射面（IRS）辅助多用户通信系统的预测波束成形方案，通过利用历史视 Line-of-Sight（LoS）信道特征预测IRS相位偏移，显著降低了训练开销。通过结合一种面向位置的卷积长短期记忆网络（LA-CLNet）用于预测相位偏移估计，以及一种面向即时信道状态信息（ICSI）的全连接神经网络（IA-FNN）用于即时波束成形，该方法在仅需极少即时CSI反馈的情况下，实现了接近完美CSI理想方案的容量性能，显著降低了信道估计开销。

ABSTRACT

The realization of practical intelligent reflecting surface (IRS)-assisted multi-user communication (IRS-MUC) systems critically depends on the proper beamforming design exploiting accurate channel state information (CSI). However, channel estimation (CE) in IRS-MUC systems requires a significantly large training overhead due to the numerous reflection elements involved in IRS. In this paper, we adopt a deep learning approach to implicitly learn the historical channel features and directly predict the IRS phase shifts for the next time slot to maximize the average achievable sum-rate of an IRS-MUC system taking into account the user mobility. By doing this, only a low-dimension multiple-input single-output (MISO) CE is needed for transmit beamforming design, thus significantly reducing the CE overhead. To this end, a location-aware convolutional long short-term memory network (LA-CLNet) is first developed to facilitate predictive beamforming at IRS, where the convolutional and recurrent units are jointly adopted to exploit both the spatial and temporal features of channels simultaneously. Given the predictive IRS phase shift beamforming, an instantaneous CSI (ICSI)-aware fully-connected neural network (IA-FNN) is then proposed to optimize the transmit beamforming matrix at the access point. Simulation results demonstrate that the sum-rate performance achieved by the proposed method approaches that of the genie-aided scheme with the full perfect ICSI.

研究动机与目标

• 为解决大规模IRS反射单元导致的IRS辅助多用户通信（IRS-MUC）系统中训练开销过高的问题。
• 通过利用历史信道特征进行预测波束成形，降低对频繁信道状态信息（CSI）估计的依赖。
• 设计一种低开销波束成形框架，在用户移动性和不完美CSI条件下仍能保持高 spectral efficiency。
• 开发一种深度学习架构，联合利用空间与时间信道相关性，实现精确的IRS相位偏移预测。
• 在仅需极少即时CSI反馈的情况下，实现接近理论上限的容量性能。

提出的方法

• 提出一种面向位置的卷积长短期记忆网络（LA-CLNet），通过建模历史LoS信道的空间与时间特征，预测IRS相位偏移。
• LA-CLNet利用卷积层提取IRS各单元间的空间相关性，同时利用LSTM层捕捉过去信道状态的时间动态特性。
• 接入点（AP）仅需基于预测的IRS相位偏移，进行低维多输入单输出（MISO）信道估计。
• 设计一种面向ICSI的全连接神经网络（IA-FNN），利用有效即时CSI在AP端优化波束成形矩阵。
• IA-FNN经过训练，可将有效CSI（经预测IRS波束成形后）映射至最优预编码向量，以最大化容量。
• 端到端框架以无监督方式运行，仅从历史LoS数据中学习，推理阶段无需实时CSI反馈。

实验结果

研究问题

• RQ1 基于历史LoS信道数据的预测波束成形是否能降低IRS-MUC系统中的训练开销？
• RQ2 深度学习模型在多大程度上能有效利用空间与时间信道特征来预测IRS相位偏移？
• RQ3 预测的IRS相位偏移在多大程度上可实现高容量性能，同时仅需极少即时CSI反馈？
• RQ4 与依赖过时或随机相位偏移的基线方案相比，所提方法表现如何？
• RQ5 所提方法能否实现接近具有完美即时CSI的“向导”方案的性能？

主要发现

• 所提DLPB方法在容量性能上与具备完整即时CSI的向导方案相差不超过5 dB，表现出接近最优的性能。
• 所提方法的容量随Rician因子β增大而提升，在β = 10 dB时趋近于理论上限，表明LoS分量越强，波束对准越精确。
• 在β = 8 dB且P = 30 dBm条件下，所提方法相比朴素深度学习（naive DL）与随机相位偏移方案，容量增益达5 dB。
• 由于有效利用了历史信道数据，该方法在高速移动场景下显著优于朴素DL与随机PS方案。
• 向导方案的DL-ICSI容量随β增大而下降，因信道自由度减少；而所提方法在LoS主导条件下性能反而提升。
• 该框架通过将全尺寸IRS信道估计替换为预测相位偏移后的低维MISO估计，显著降低了CSI反馈开销。