[论文解读] Learning Beam Codebooks with Neural Networks: Towards Environment-Aware mmWave MIMO

Yu Zhang, Muhammad Alrabeiah+1 more|arXiv (Cornell University)|Feb 25, 2020

Millimeter-Wave Propagation and Modeling参考文献 15被引用 4

一句话总结

本文提出了一种基于神经网络的框架，用于在硬件受限的毫米波MIMO系统中学习环境感知和用户感知的波束赋形码本。通过整合仅相位、恒包络和量化相位约束，该模型设计出自适应的多瓣波束，显著降低了波束训练开销，并优于传统的DFT码本，在非视 Line-of-sight 场景下仅使用16个波束即可实现超过90%的最优速率。

ABSTRACT

Scaling the number of antennas up is a key characteristic of current and future wireless communication systems. The hardware cost and power consumption, however, motivate large-scale MIMO systems, especially at millimeter wave (mmWave) bands, to rely on analog-only or hybrid analog/digital transceiver architectures. With these architectures, mmWave base stations normally use pre-defined beamforming codebooks for both initial access and data transmissions. Current beam codebooks, however, generally adopt single-lobe narrow beams and scan the entire angular space. This leads to high beam training overhead and loss in the achievable beamforming gains. In this paper, we propose a new machine learning framework for learning beamforming codebooks in hardware-constrained large-scale MIMO systems. More specifically, we develop a neural network architecture that accounts for the hardware constraints and learns beam codebooks that adapt to the surrounding environment and the user locations. Simulation results highlight the capability of the proposed solution in learning multi-lobe beams and reducing the codebook size, which leads to noticeable gains compared to classical codebook design approaches.

研究动机与目标

• 通过使用预定义的、非自适应的码本，解决毫米波MIMO系统中波束训练开销过高和波束赋形增益次优的问题。
• 克服如DFT等单瓣宽波束码本的局限性，这些码本无论用户位置或环境如何，均需扫描所有角度方向。
• 开发一种硬件感知的神经网络框架，学习针对实际用户分布和传播环境定制的波束赋形码本。
• 在保持或提升频谱效率的前提下，减小码本大小，适用于视 Line-of-sight 和非视 Line-of-sight 场景。
• 实现在仅含模拟波束成形或混合模拟/数字毫米波系统中的实际部署，满足移相器约束条件。

提出的方法

• 设计一个复值神经网络，其中网络权重直接表示波束成形和波束合并向量，确保在硬件约束下具备物理可行性。
• 将硬件约束（如仅相位、恒包络和量化移相器，例如3位分辨率）整合到网络架构中，以确保实际可部署性。
• 使用来自DeepMIMO平台的真实毫米波信道数据集进行网络训练，涵盖室外视 Line-of-sight 和室内非视 Line-of-sight 场景。
• 通过按数据集取最大绝对值对信道数据进行归一化，以稳定并加速训练过程。
• 优化网络以学习在给定用户分布和环境几何结构下最大化可实现速率的波束赋形码本。
• 采用损失函数，最小化学习到的波束成形增益与理论上限（例如等效于全数字波束成形）之间的差距。

实验结果

研究问题

• RQ1 与固定码本相比，学习到的码本是否能够根据用户分布和环境几何结构自适应调整，从而降低波束训练开销？
• RQ2 神经网络在非视 Line-of-sight 环境中，能够在多大程度上学习到捕捉多个传播路径的多瓣波束？
• RQ3 在频谱效率和波束训练开销方面，学习到的码本与经典DFT码本相比表现如何？
• RQ4 学习到的码本达到或超过64波束DFT码本性能所需的最小码本大小是多少？
• RQ5 在实际硬件受限系统中，移相器分辨率（如3位）对学习到的码本性能有何影响？

主要发现

• 在非视 Line-of-sight 场景中，仅使用16个波束的学习码本性能可与64波束DFT码本相当或更优，码本大小减少了75%。
• 当使用64个波束时，学习码本在视 Line-of-sight 和非视 Line-of-sight 场景下均实现了超过90%的理论上限速率，表现出强大的频谱效率。
• 即使在3位移相器条件下，使用64个波束的学习码本仍可实现超过85%的理论上限速率，而使用128个波束时可超过90%，表明对硬件量化具有强鲁棒性。
• 该模型成功学习到多瓣波束，能够捕捉非视 Line-of-sight 环境中的多个主要传播路径，提升能量集中度和信号增益。
• 在视 Line-of-sight 条件下，使用64个波束的学习码本可实现超过90%的最优速率，使用128个波束时可超过95%，接近全数字波束成形的性能。
• 该框架实现了环境感知的波束设计，能够根据用户位置和传播条件自适应调整，显著降低不必要的波束训练开销。