[论文解读] Learning to Beamform in Heterogeneous Massive MIMO Networks

Minghe Zhu, Tsung‐Hui Chang+1 more|arXiv (Cornell University)|Nov 8, 2020

Advanced MIMO Systems Optimization参考文献 36被引用 5

一句话总结

本文提出了一种可学习的波束成形框架 RNN-PGP，通过展开投影梯度法来解决 MISO 干扰信道中的加权和速率最大化问题。通过利用最优波束成形波束的低维结构，并将网络复杂度与系统规模解耦，该方法在计算量极低的情况下实现了高性能，并在不同天线数、基站数和基站间距离下展现出强大的泛化能力。

ABSTRACT

It is well-known that the problem of finding the optimal beamformers in massive multiple-input multiple-output (MIMO) networks is challenging because of its non-convexity, and conventional optimization based algorithms suffer from high computational costs. While computationally efficient deep learning based methods have been proposed, their complexity heavily relies upon system parameters such as the number of transmit antennas, and therefore these methods typically do not generalize well when deployed in heterogeneous scenarios where the base stations (BSs) are equipped with different numbers of transmit antennas and have different inter-BS distances. This paper proposes a novel deep learning based beamforming algorithm to address the above challenges. Specifically, we consider the weighted sum rate (WSR) maximization problem in multi-input and single-output (MISO) interference channels, and propose a deep neural network architecture by unfolding a parallel gradient projection algorithm. Somewhat surprisingly, by leveraging the low-dimensional structures of the optimal beamforming solution, our constructed neural network can be made independent of the numbers of transmit antennas and BSs. Moreover, such a design can be further extended to a cooperative multicell network. Numerical results based on both synthetic and ray-tracing channel models show that the proposed neural network can achieve high WSRs with significantly reduced runtime, while exhibiting favorable generalization capability with respect to the antenna number, BS number and the inter-BS distance.

研究动机与目标

• 解决大规模 MIMO 网络中传统波束成形优化带来的高计算成本问题。
• 克服现有深度学习波束成形方法在天线数和基站数变化的异构场景下泛化能力差的问题。
• 开发一种与系统规模无关的波束成形解决方案，包括发射天线数量和基站数量。
• 实现在具有多样化配置的协作式多小区网络中的有效波束成形。
• 在极短运行时间内实现高加权和速率性能，并对系统参数变化保持鲁棒性。

提出的方法

• 将并行投影梯度（PGP）算法展开为循环神经网络（RNN）结构，命名为 RNN-PGP，以学习波束成形解。
• 利用最优波束成形解和梯度向量的低维结构，将网络复杂度与发射天线数量解耦。
• 设计 RNN-PGP 时引入输入和输出机制，消除对基站数量的依赖，提升可扩展性。
• 使用 PGP 解作为监督信号，端到端训练 RNN-PGP，实现对多样化网络配置的泛化能力。
• 优化 RNN-PGP 中多层感知机（MLP）组件，降低对系统参数（如基站数量和小区半径）的敏感性。
• 通过将 RNN-PGP 适配为跨多个小区的联合波束成形，将框架扩展至协作式多小区波束成形。

实验结果

研究问题

• RQ1 基于深度学习的波束成形方法是否能在大规模 MIMO 系统中实现与发射天线数量无关的低计算复杂度？
• RQ2 所提方法在包含不同基站数量和基站间距离的异构网络配置中是否具有良好的泛化能力？
• RQ3 与传统迭代算法相比，RNN-PGP 在和速率和运行时间方面的性能如何？
• RQ4 当部署在未见过的网络规模或天线配置下时，RNN-PGP 能在多大程度上保持高精度？
• RQ5 RNN-PGP 是否能有效扩展至具有多样化小区布局的协作式多小区波束成形场景？

主要发现

• 所提出的 RNN-PGP 在 36 根天线时达到 24.84 bps/Hz（最优值的 93.52%），在 64 根天线时达到 27.80 bps/Hz（93.49%），在 216 根天线时达到 36.47 bps/Hz（93.51%），在不同天线数下均表现出高精度。
• 在 12 个活跃基站时，RNN-PGP 在 36 根天线时达到 37.88 bps/Hz（最优值的 93.49%），在 64 根天线时达到 43.35 bps/Hz（93.43%），在 216 根天线时达到 55.42 bps/Hz（93.13%），表明其在系统规模变化下具有强大的泛化能力。
• 在随机选取的 6–18 个基站子集上测试时，RNN-PGP 保持了 92.78% 的准确率（全量训练为 93.31%），表明其对活跃基站数量变化具有鲁棒性。
• 在协作式多小区场景中，RNN-PGP 在不同基站数量和小区半径下均表现出良好泛化能力，且运行时间极短。
• 与传统迭代算法（如 PGP）相比，RNN-PGP 实现了接近最优的性能，同时显著降低了运行时间，且其复杂度与系统规模无关。
• 该方法在真实世界 DeepMIMO 信道轨迹上也表现出有效泛化，能在多样化传播环境和网络配置下保持高精度。