[论文解读] Deep Learning for Near-Field XL-MIMO Transceiver Design: Principles and Techniques

Wentao Yu, Yifan Ma+4 more|arXiv (Cornell University)|Sep 18, 2023

Antenna Design and AnalysisEngineering被引用 3

一句话总结

该论文提出两种AI原生的深度学习框架——用于迭代算法的固定点网络（FPNs）和用于非迭代算法的神经校准（NC），以实现在近场超大规模MIMO（UM-MIMO）系统中可扩展、低复杂度且鲁棒的波束成形与信道估计。这些框架在运行时间降低数个数量级的同时，实现了接近最优的性能（例如，达到WMMSE的94.2%），并在分布偏移下表现出强大的泛化能力。

ABSTRACT

Massive multiple-input multiple-output (MIMO) has been a critical enabling technology in 5th generation (5G) wireless networks. With the advent of 6G, a natural evolution is to employ even more antennas, potentially an order of magnitude more, to meet the ever-increasing demand for spectral efficiency. This is beyond a mere quantitative scale-up. The enlarged array aperture brings a paradigm shift towards near-field communications, departing from traditional far-field approaches. However, designing advanced transceiver algorithms for near-field systems is extremely challenging because of the enormous system scale, the complicated channel characteristics, and the uncertainties in the propagation environments. Hence, it is important to develop scalable, low-complexity, and robust algorithms that can efficiently characterize and leverage the properties of the near-field channel. In this article, we discuss the principles and advocate two general frameworks to design deep learning-based near-field transceivers covering both iterative and non-iterative algorithms. Case studies on channel estimation and beam focusing are presented to provide a hands-on tutorial. Finally, we discuss open issues and shed light on future directions.

研究动机与目标

• 解决超大规模系统规模、复杂的近场信道特性以及动态传播环境带来的挑战，这些是超大规模MIMO（UM-MIMO）系统中的关键问题。
• 设计可扩展、低复杂度且鲁棒的收发器算法，有效利用近场区域特有的球面波前和距离相关信道特性。
• 开发AI原生框架，能够在用户数量、信道条件和导频模式变化的情况下实现泛化，克服经典基于稀疏性的方法和黑盒深度学习方法的局限性。
• 在黑盒模型无法收敛或训练的大规模近场UM-MIMO系统中，证明基于模型的深度学习相较于端到端黑盒网络的优越性。

提出的方法

• 提出固定点网络（FPNs）作为用于迭代算法的基于模型的深度学习框架，将物理约束（如利普希茨连续性）嵌入网络架构，以确保稳定收敛。
• 将FPNs集成到正交AMP（OAMP）框架中用于信道估计，用残差卷积神经网络（CNN）替换非线性估计器（NLE），同时保持线性估计器（LE）不变。
• 设计神经校准（NC）作为非迭代框架，用于波束成形优化，用学习到的、可微的映射替代迭代WMMSE，实现接近最优性能且运行时间极短。
• 通过仅存储迭代过程中固定的点来训练FPNs，显著降低空间复杂度，使低性能设备也能实现训练。
• 通过解析计算神经NLE的利普希茨常数，确保整体映射的压缩性，从而保证单调收敛。
• 采用包含远场和近场路径的混合场信道模型，并在多样化的导频模式、信噪比（SNR）水平和信道分布上训练FPN-OAMP估计器，以测试其鲁棒性和泛化能力。

实验结果

研究问题

• RQ1 在近场UM-MIMO信道估计中，当DFT字典因球面波前而失效时，基于模型的深度学习框架是否能优于经典基于稀疏性的方法？
• RQ2 如何将深度学习整合到OAMP等迭代信号处理算法中，以在保持稳定性和收敛性的同时提升性能？
• RQ3 在大规模近场UM-MIMO系统中，非迭代、端到端学习的收发器设计（NC）在性能上能在多大程度上匹配计算成本高昂的WMMSE方法？
• RQ4 AI原生框架是否能在不重新训练的情况下，有效应对用户数量、导频模式或噪声功率变化等分布偏移？
• RQ5 为何黑盒深度神经网络在大规模近场UM-MIMO系统中会失效？基于模型的方法能否克服这一局限？

主要发现

• FPN-OAMP估计器相比最先进的ISTA-Net+ DUN方法实现了10倍的加速和1.5 dB的SNR增益，且收敛过程单调稳定。
• 基于NC的波束成形器在至少150个用户的情况下，实现了WMMSE性能的94.2%以上，运行时间减少115倍，展现出极高的效率和可扩展性。
• FPN-OAMP在分布外偏移（包括信道分布、导频模式和噪声功率）下表现出可忽略的性能下降，证明了其强大的鲁棒性和泛化能力。
• FPN框架通过仅存储迭代过程的固定点，显著降低了空间复杂度，使大规模UM-MIMO系统也能在低性能设备上实现训练。
• 黑盒深度学习模型在大规模近场UM-MIMO系统中无法收敛或训练，而所提出的基于模型的框架则保持稳定且高效。
• 在FPN-OAMP的NLE中引入残差CNN，实现了更优的去噪效果和对先验分布的更好保真度，从而提升了估计精度。