[论文解读] Deep Learning for Physical-Layer 5G Wireless Techniques: Opportunities, Challenges and Solutions

Hongji Huang, Song Guo+5 more|arXiv (Cornell University)|Apr 21, 2019

Wireless Signal Modulation Classification参考文献 13被引用 28

一句话总结

本文提出基于深度学习的框架，用于关键的5G物理层技术——非正交多址接入（NOMA）、大规模MIMO以及毫米波（mmWave）混合预编码，通过端到端优化展示了卓越的性能。通过利用神经网络联合优化系统组件，该方法克服了传统模块化设计的局限性，在复杂信道环境中实现了更高的频谱效率、更低的导频开销以及更强的鲁棒性。

ABSTRACT

The new demands for high-reliability and ultra-high capacity wireless communication have led to extensive research into 5G communications. However, the current communication systems, which were designed on the basis of conventional communication theories, signficantly restrict further performance improvements and lead to severe limitations. Recently, the emerging deep learning techniques have been recognized as a promising tool for handling the complicated communication systems, and their potential for optimizing wireless communications has been demonstrated. In this article, we first review the development of deep learning solutions for 5G communication, and then propose efficient schemes for deep learning-based 5G scenarios. Specifically, the key ideas for several important deep learningbased communication methods are presented along with the research opportunities and challenges. In particular, novel communication frameworks of non-orthogonal multiple access (NOMA), massive multiple-input multiple-output (MIMO), and millimeter wave (mmWave) are investigated, and their superior performances are demonstrated. We vision that the appealing deep learning-based wireless physical layer frameworks will bring a new direction in communication theories and that this work will move us forward along this road.

研究动机与目标

• 解决传统模块化5G通信系统在整体性能优化方面的局限性。
• 克服大规模MIMO和mmWave系统中在信道估计、波束成形和多址接入方面的性能瓶颈。
• 开发端到端的深度学习框架，联合优化发射机、接收机和信号处理组件，以实现更高的频谱效率和能量效率。
• 识别并解决深度学习无线系统中的关键挑战，如高计算复杂度、可解释性不足以及泛化能力有限的问题。
• 推动标准化、可泛化的深度学习模型以及共享数据集的发展，以加速5G物理层设计的研究与部署。

提出的方法

• 采用端到端深度神经网络（DNN）联合优化发射机、接收机和信号处理模块，替代传统的模块化设计。
• 在大规模MIMO和mmWave系统中，利用卷积神经网络（CNN）和长短期记忆（LSTM）网络进行信道估计和信号检测。
• 在mmWave系统中，利用DNN设计混合预编码架构，联合优化模拟与数字波束成形器，降低反馈开销。
• 应用深度强化学习（DRL）实现动态无线资源管理，实时优化信道状态信息（CSI）反馈、时延和带宽分配。
• 实施模型压缩技术——剪枝、量化和哈夫曼编码——以降低DNN复杂度，便于在低复杂度终端上部署。
• 引入稀疏感知学习，利用大规模MIMO中的信道稀疏性，以更少的导频实现更高的估计精度。

实验结果

研究问题

• RQ1 端到端深度学习框架是否能在频谱效率和可靠性方面超越传统模块化优化的5G物理层系统？
• RQ2 深度学习在多用户大规模MIMO系统中如何有效解决导频污染和信道估计误差问题？
• RQ3 在NOMA系统中使用深度学习的性能增益与权衡是什么，特别是在用户公平性与解码准确性之间的平衡？
• RQ4 深度强化学习在高速移动、高数据速率的5G环境中，能在多大程度上优化动态资源分配？
• RQ5 如何通过增强模型压缩与泛化能力，实现深度学习模型在移动设备和物联网设备上的实际部署？

主要发现

• 在大规模MIMO中，基于深度学习的信道估计通过利用空间和角度稀疏性，优于传统方法，显著降低了导频开销并提高了估计精度。
• 针对NOMA的端到端深度学习框架在用户速率权衡方面表现更优，且相比传统系统中的连续干扰 cancellation（SIC）方法，可降低误码地板。
• 在mmWave系统中，利用DNN实现的混合预编码在显著降低反馈和计算复杂度的同时，实现了接近最优的频谱效率。
• 深度强化学习在动态5G环境中实现了更低时延和更高吞吐量的自适应资源分配，优于启发式和基于规则的方法。
• 量化和剪枝等模型压缩技术可将DNN参数减少高达90%，使模型能够在低功耗移动设备上部署。
• 本文指出，缺乏标准化数据集和可解释模型是阻碍广泛应用的主要障碍，呼吁建立社区级数据共享机制和理论发展。