[论文解读] Learning to Reflect and to Beamform for Intelligent Reflecting Surface with Implicit Channel Estimation

Tao Jiang, Hei Victor Cheng+1 more|arXiv (Cornell University)|Sep 30, 2020

Advanced Wireless Communication Technologies参考文献 38被引用 7

一句话总结

该论文提出了一种深度学习框架，通过接收的导频信号直接优化基站的波束成形和智能反射面（IRS）的反射系数，绕过显式的信道估计。通过采用排列等变图神经网络（GNN），该方法在远少于传统方法所需的导频数下，学习最大化和速率或最小速率效用，实现可解释且可泛化的配置，与视 Line-of-Sight（LoS）方向一致。

ABSTRACT

Intelligent reflecting surface (IRS), which consists of a large number of tunable reflective elements, is capable of enhancing the wireless propagation environment in a cellular network by intelligently reflecting the electromagnetic waves from the base-station (BS) toward the users. The optimal tuning of the phase shifters at the IRS is, however, a challenging problem, because due to the passive nature of reflective elements, it is difficult to directly measure the channels between the IRS, the BS, and the users. Instead of following the traditional paradigm of first estimating the channels then optimizing the system parameters, this paper advocates a machine learning approach capable of directly optimizing both the beamformers at the BS and the reflective coefficients at the IRS based on a system objective. This is achieved by using a deep neural network to parameterize the mapping from the received pilots (plus any additional information, such as the user locations) to an optimized system configuration, and by adopting a permutation invariant/equivariant graph neural network (GNN) architecture to capture the interactions among the different users in the cellular network. Simulation results show that the proposed implicit channel estimation based approach is generalizable, can be interpreted, and can efficiently learn to maximize a sum-rate or minimum-rate objective from a much fewer number of pilots than the traditional explicit channel estimation based approaches.

研究动机与目标

• 解决在IRS元件为无源特性导致显式信道估计不切实际的多用户MIMO系统中，优化IRS相位偏移与基站波束成形器的挑战。
• 克服大规模IRS具有大量反射元件时产生的高维、非凸优化问题。
• 开发一种数据驱动框架，直接将接收的导频信号映射到最优波束成形向量和反射系数，与系统级目标（如和速率或最小速率）对齐。
• 通过排列等变GNN架构实现在不同用户数量和用户位置下的泛化能力。
• 在保持或提升频谱效率的同时，减少导频开销，相比传统显式信道估计方法。

提出的方法

• 使用图神经网络（GNN）建模基站、IRS与多个用户之间的相互作用，其中波束成形器采用排列等变结构，IRS反射系数采用排列不变结构。
• GNN直接将接收的导频信号和用户位置信息映射到基站的优化波束成形向量与IRS的反射系数。
• 网络端到端训练，以最大化系统效用目标（和速率或最小速率），使用可微分损失函数。
• 通过在用户排列下保持等变性，确保对任意用户数量的网络具有泛化能力。
• 该方法隐式学习有效信道响应，无需显式估计，依赖于系统的物理层响应和导频信号。
• 分析基站与IRS的阵列响应波束成形模式，以验证学习到的配置与用户视 Line-of-Sight（LoS）角度一致。

实验结果

研究问题

• RQ1 深度学习模型能否在不进行显式信道估计的情况下，直接从导频信号学习配置IRS反射系数与基站波束成形器？
• RQ2 与基于传统信道估计的波束成形相比，所提出的基于GNN的方法在频谱效率和导频开销方面表现如何？
• RQ3 所学习的波束成形与反射模式在多大程度上可解释为与视 Line-of-Sight（LoS）方向对齐？
• RQ4 该模型在不同用户数量和用户位置下的泛化能力如何？
• RQ5 通过优化最小用户速率，该模型能否在多用户场景中实现公平性？

主要发现

• 所提方法在频谱效率上优于传统基于信道估计的波束成形，尤其在低导频场景下（仅使用25K个导频）表现更优。
• 学习到的基站波束成形器能量聚焦于IRS方向，阵列响应图显示在真实IRS方向处出现主瓣峰值，验证了其方向性。
• IRS反射系数被优化为将信号波束指向目标用户，阵列响应主瓣峰值与真实用户视 LoS 角度完全匹配。
• 随着IRS元件数量增加（从30增至100），波束成形的波束宽度更窄，主瓣更集中，方向性增强。
• 在三用户场景中，GNN学习到通过平衡波束成形与反射配置以最大化最小用户速率，对最远用户通过更强的基站波束成形补偿较弱的IRS响应。
• 系统具有可解释性：波束成形与反射模式与用户的物理视 LoS 角度对齐，证实模型学习到了具有物理意义的配置。