[论文解读] Graph Neural Networks for Massive MIMO Detection

Andrea Scotti, Nima N. Moghadam+3 more|arXiv (Cornell University)|Jul 11, 2020

Advanced MIMO Systems Optimization参考文献 11被引用 13

一句话总结

该论文提出MIMO-GNN，一种基于图神经网络（GNN）的大规模MIMO检测方法，通过学习消息传递规则以超越传统检测器。与信念传播不同，MIMO-GNN在独立同分布（i.i.d.）和相关性为ρ=0.3的衰落信道下，相较于最小均方误差（MMSE）检测器，实现了约2.5 dB的信噪比（SNR）增益，即使在使用均匀先验的情况下也表现出色，证明了其在高阶QAM系统中的鲁棒性和优越性能。

ABSTRACT

In this paper, we innovately use graph neural networks (GNNs) to learn a message-passing solution for the inference task of massive multiple multiple-input multiple-output (MIMO) detection in wireless communication. We adopt a graphical model based on the Markov random field (MRF) where belief propagation (BP) yields poor results when it assumes a uniform prior over the transmitted symbols. Numerical simulations show that, under the uniform prior assumption, our GNN-based MIMO detection solution outperforms the minimum mean-squared error (MMSE) baseline detector, in contrast to BP. Furthermore, experiments demonstrate that the performance of the algorithm slightly improves by incorporating MMSE information into the prior.

研究动机与目标

• 为解决大规模MIMO系统中大规模天线带来的高复杂度检测问题。
• 在相关衰落信道条件下，提升检测性能，超越MMSE和信念传播（BP）等传统方法。
• 开发一种可学习的、数据驱动的消息传递框架，以适应时变和相关信道条件。
• 评估GNN在替代概率图模型中手工设计的消息更新规则方面在MIMO检测中的有效性。
• 探究在GNN-based检测中，均匀先验是否足够，以减少对精确先验知识的依赖。

提出的方法

• 该方法将MIMO检测问题建模为成对马尔可夫随机场（MRF），通过信念传播近似后验分布。
• 采用GNN框架学习消息传递规则，而非使用固定更新函数，从而实现端到端训练。
• MIMO-GNN模型利用来自信道矩阵元素、接收信号和噪声方差的节点与边特征，消息更新通过可学习的神经网络计算。
• 一种改进变体MIMO-GNN-MMSE将MMSE估计值引入先验，通过在输入特征中加入信道协方差和MMSE估计值来提升性能。
• 模型在i.i.d.和高斯分布信道上进行训练，并在Kronecker模型相关信道上进行测试，以评估泛化能力。
• 训练使用独热编码标签，通过Adam优化器最小化交叉熵损失，并采用早停策略。

实验结果

研究问题

• RQ1 在i.i.d.和相关信道条件下，基于GNN的消息传递框架是否能超越MMSE等传统检测器？
• RQ2 在均匀先验假设下，基于学习的GNN检测器是否能实现优于信念传播的性能？
• RQ3 将基于MMSE的先验信息引入GNN检测器后，其性能如何变化？
• RQ4 GNN模型能否泛化到训练过程中未见过的相关信道条件？
• RQ5 消息传递深度和消息维度对检测精度与复杂度有何影响？

主要发现

• 在i.i.d.和高斯分布信道下，MIMO-GNN在符号误码率（SER）为10⁻²时，相比MMSE检测器实现2.5 dB的SNR增益。
• 在相关性ρ=0.3的信道下，MIMO-GNN在SER=10⁻²时仍保持约2 dB的增益，证明其对信道相关性的强鲁棒性。
• 在MIMO-GNN-MMSE中引入基于MMSE的先验信息后，在SER=10⁻³时相比MIMO-GNN额外获得0.5 dB增益，表明存在边际但可测量的性能提升。
• 在均匀先验假设下，信念传播（BP）性能表现较差，而MIMO-GNN在所有测试场景中均显著优于BP。
• 尽管在i.i.d.信道上进行训练，GNN-based方法仍能很好地泛化到未见过的相关信道模型（Kronecker模型），表明其具备强大的泛化能力。
• MIMO-GNN中消息更新的并行特性使得通过硬件级并行化可降低计算复杂度。