[论文解读] Hybrid Knowledge-Data Driven Channel Semantic Acquisition and Beamforming for Cell-Free Massive MIMO

Zhen Gao, Shicong Liu+3 more|arXiv (Cornell University)|Jul 6, 2023

Advanced MIMO Systems OptimizationEngineering被引用 3

一句话总结

该论文提出了一种混合知识-数据驱动框架，用于在无蜂窝大规模MIMO系统中进行信道语义获取与波束成形，结合了基于数据驱动的MLP-Mixer自编码器用于CSI反馈，以及基于知识驱动的深度展开波束成形器，实现鲁棒、低复杂度的多用户传输。该方法仅用三轮迭代即达到约96%的收敛频谱效率，在CSI不完美条件下显著提升了性能。

ABSTRACT

This paper focuses on advancing outdoor wireless systems to better support ubiquitous extended reality (XR) applications, and close the gap with current indoor wireless transmission capabilities. We propose a hybrid knowledge-data driven method for channel semantic acquisition and multi-user beamforming in cell-free massive multiple-input multiple-output (MIMO) systems. Specifically, we firstly propose a data-driven multiple layer perceptron (MLP)-Mixer-based auto-encoder for channel semantic acquisition, where the pilot signals, CSI quantizer for channel semantic embedding, and CSI reconstruction for channel semantic extraction are jointly optimized in an end-to-end manner. Moreover, based on the acquired channel semantic, we further propose a knowledge-driven deep-unfolding multi-user beamformer, which is capable of achieving good spectral efficiency with robustness to imperfect CSI in outdoor XR scenarios. By unfolding conventional successive over-relaxation (SOR)-based linear beamforming scheme with deep learning, the proposed beamforming scheme is capable of adaptively learning the optimal parameters to accelerate convergence and improve the robustness to imperfect CSI. The proposed deep unfolding beamforming scheme can be used for access points (APs) with fully-digital array and APs with hybrid analog-digital array. Simulation results demonstrate the effectiveness of our proposed scheme in improving the accuracy of channel acquisition, as well as reducing complexity in both CSI acquisition and beamformer design. The proposed beamforming method achieves approximately 96% of the converged spectrum efficiency performance after only three iterations in downlink transmission, demonstrating its efficacy and potential to improve outdoor XR applications.

研究动机与目标

• 解决室外无蜂窝大规模MIMO系统在扩展现实（XR）应用中因导频开销高和CSI不完美带来的挑战。
• 相比传统的压缩感知和基于学习的方法，降低CSI反馈开销并提高重建精度。
• 设计一种鲁棒、低复杂度的波束成形方案，能够适应不完美的CSI并加速收敛。
• 将所提出的框架扩展至全数字和混合式模拟-数字阵列架构，以实现实际部署。
• 在最小化训练和推理时间的同时，保持在动态室外XR环境中的鲁棒性，实现高谱效率。

提出的方法

• 提出一种端到端优化的基于MLP-Mixer的自编码器，用于信道语义获取，联合学习导频信号、CSI量化与重建。
• 提出一种基于逐次松弛法（SOR）的深度展开波束成形架构，将迭代步骤建模为神经网络中的层，以学习最优参数。
• 将波束成形器适配至全数字和混合式模拟-数字阵列AP，实现真实系统中的实际部署。
• 采用基于CSF（信道语义反馈）损失函数的信道状态信息反馈方案，以提升语义表征与重建精度。
• 通过训练学习正则化因子与收敛因子，替代在实际场景中次优的解析解。
• 采用分布式与集中式处理范式，分别使用反馈方案（MixerS用于集中式，MixerUL用于分布式），以在每个AP处重建本地CSI。

实验结果

研究问题

• RQ1 基于数据驱动的自编码器，若联合优化导频、量化与重建，是否能降低CSI反馈开销并提高精度？
• RQ2 对传统基于SOR的波束成形器进行深度展开，如何提升收敛速度并增强对不完美CSI的鲁棒性？
• RQ3 所提出的波束成形方案在仅少数迭代下，能否在不完美CSI条件下仍保持高谱效率？
• RQ4 在实际室外XR场景中，所学习的参数自适应（如正则化因子与收敛因子）是否优于人工选择的解析值？
• RQ5 所提出的框架能否在不牺牲性能的前提下，有效扩展至混合式模拟-数字阵列AP？

主要发现

• 所提出的混合反馈方案相比最先进的基于学习的CSI反馈方法，显著降低了训练与推理时间。
• 深度展开波束成形器在下行链路传输中仅用三轮迭代即达到约96%的收敛频谱效率，表现出快速收敛特性。
• 所学习的收敛因子优于手动选择的值，尤其在低发射功率下表现更优，并在所有功率水平下均保持卓越性能。
• 集中式与分布式处理范式之间的性能差距极小，表明分布式波束成形在实际中具有高度可行性。
• 所提出的波束成形器对不完美CSI表现出鲁棒性，性能退化程度低于传统迭代方案。
• 所学习的正则化因子持续提升频谱效率，尤其在低信噪比（SNR）条件下，此时解析解无法实现最优性能。