[论文解读] Neural Calibration for Scalable Beamforming in FDD Massive MIMO with Implicit Channel Estimation

Yifan Ma, Yifei Shen+4 more|arXiv (Cornell University)|Aug 3, 2021

Advanced MIMO Systems Optimization参考文献 12被引用 5

一句话总结

该论文提出了一种用于FDD大规模MIMO系统中可扩展波束成形的神经校准框架，通过直接从上行导频信号优化波束成形器，避免了显式的下行链路信道估计。该方法保留了最小二乘法（LS）和迫零（ZF）的核心结构，并利用轻量级、排列等变的神经网络对输入进行校准，从而在大规模高用户密度网络中，相较于完全数据驱动的端到端学习，实现了更高的频谱效率和可扩展性。

ABSTRACT

Channel estimation and beamforming play critical roles in frequency-division duplexing (FDD) massive multiple-input multiple-output (MIMO) systems. However, these two modules have been treated as two stand-alone components, which makes it difficult to achieve a global system optimality. In this paper, we propose a deep learning-based approach that directly optimizes the beamformers at the base station according to the received uplink pilots, thereby, bypassing the explicit channel estimation. Different from the existing fully data-driven approach where all the modules are replaced by deep neural networks (DNNs), a neural calibration method is proposed to improve the scalability of the end-to-end design. In particular, the backbone of conventional time-efficient algorithms, i.e., the least-squares (LS) channel estimator and the zero-forcing (ZF) beamformer, is preserved and DNNs are leveraged to calibrate their inputs for better performance. The permutation equivariance property of the formulated resource allocation problem is then identified to design a low-complexity neural network architecture. Simulation results will show the superiority of the proposed neural calibration method over benchmark schemes in terms of both the spectral efficiency and scalability in large-scale wireless networks.

研究动机与目标

• 解决完全数据驱动的端到端深度学习在FDD大规模MIMO系统中的可扩展性限制。
• 实现在无需显式下行链路信道状态信息（CSI）估计情况下的高效波束成形。
• 提升大规模、高用户密度FDD大规模MIMO网络中的频谱效率和系统可扩展性。
• 将领域特定的信号处理知识（LS和ZF）与深度学习相结合，以提升泛化能力和鲁棒性。
• 设计一种利用用户资源分配中排列等变性的低复杂度神经架构。

提出的方法

• 该方法保留最小二乘法（LS）信道估计器和迫零（ZF）波束成形器作为骨干组件，避免被DNN完全替代。
• 使用深度神经网络对LS和ZF模块的输入进行校准，从而在不改变其核心结构的前提下提升性能。
• 神经网络架构设计为排列等变，使得单个轻量级MLP可跨用户共享，降低复杂度。
• 端到端系统被训练为将上行导频信号直接映射到下行波束成形器，隐式估计下行链路信道。
• 训练目标优化频谱效率，梯度通过校准后的LS和ZF模块反向传播。
• 仿真结果表明，该方法对上行链路发射功率失配具有鲁棒性，即使推理时信噪比（SNR）与训练时不匹配，性能仍稳定。

实验结果

研究问题

• RQ1 混合深度学习与信号处理的方法是否能在FDD大规模MIMO波束成形中超越完全数据驱动的端到端学习？
• RQ2 如何将传统算法（LS和ZF）中的领域知识整合到深度学习框架中以提升可扩展性？
• RQ3 在用户资源分配问题中利用排列等变性是否能带来更低复杂度的神经网络架构？
• RQ4 通过神经校准实现的隐式信道估计是否能在无显式CSI反馈的情况下实现高频频谱效率？
• RQ5 该方法在用户数量不断增加的大规模网络中表现如何？

主要发现

• 所提出的神经校准方法在K=10用户时达到完美CSI下WMMSE基准91.1%的频谱效率，显著优于完全数据驱动的端到端方法（相同条件下仅达78.7%）。
• 随着基站天线数M的增加，该方法与逐块处理方法之间的性能差距逐渐缩小，表明其在大规模MIMO系统中具备优异的可扩展性。
• 即使测试时上行链路发射功率与训练值不同，该方法仍保持高频频谱效率，证明其对SNR失配具有鲁棒性。
• 神经校准设计在大规模网络中保持可扩展性，而完全数据驱动的端到端方法在用户数增加时性能迅速下降。
• 排列等变神经架构使轻量级、共享的MLP可在所有用户间复用，降低模型复杂度，适用于密集网络部署。
• 梯度分析表明，ZF波束成形器并未全局最大化频谱效率，从而验证了校准的必要性以进一步提升性能。