[论文解读] Scalable Predictive Beamforming for IRS-Assisted Multi-User Communications: A Deep Learning Approach

Chang Liu, Xuemeng Liu+3 more|arXiv (Cornell University)|Nov 23, 2022

Advanced Wireless Communication Technologies被引用 6

一句话总结

该论文提出了一种基于深度学习的智能反射面（IRS）辅助多用户通信预测波束成形框架，通过利用历史信道数据预测IRS相位偏移，从而减少信道估计开销。该方法结合了位置感知的卷积长短期记忆图神经网络（CLSTM-GNN）用于预测相位偏移设计，以及全连接神经网络用于瞬时波束成形，实现了在用户数量变化和不同移动性条件下均具备高权值和速率性能、良好可扩展性与泛化能力。

ABSTRACT

Beamforming design for intelligent reflecting surface (IRS)-assisted multi-user communication (IRS-MUC) systems critically depends on the acquisition of accurate channel state information (CSI). However, channel estimation (CE) in IRS-MUC systems causes a large signaling overhead for training due to the large number of IRS elements. In this paper, taking into account user mobility, we adopt a deep learning (DL) approach to implicitly learn the historical line-of-sight (LoS) channel features and predict the IRS phase shifts to be adopted for the next time slot for maximization of the weighted sum-rate (WSR) of the IRS-MUC system. With the proposed predictive approach, we can avoid full-scale CSI estimation and facilitate low-dimensional CE for transmit beamforming design such that the signaling overhead is reduced by a scale of $\frac{1}{N}$, where $N$ is the number of IRS elements. To this end, we first develop a universal DL-based predictive beamforming (DLPB) framework featuring a two-stage predictive-instantaneous beamforming mechanism. As a realization of the developed framework, a location-aware convolutional long short-term memory (CLSTM) graph neural network (GNN) is developed to facilitate effective predictive beamforming at the IRS, where a CLSTM module is first adopted to exploit the spatial and temporal features of the considered channels and a GNN is then applied to empower the designed neural network with high scalability and generalizability. Furthermore, in the second stage, based on the predicted IRS phase shifts, an instantaneous CSI-aware fully-connected neural network is designed to optimize the transmit beamforming at the access point. Simulation results demonstrate that the proposed framework not only achieves a better WSR performance and requires a lower CE overhead compared with state-of-the-art benchmarks, but also is highly scalable in the numbers of users.

研究动机与目标

• 解决由于IRS元件数量庞大导致的IRS辅助多用户通信（IRS-MUC）系统中信道估计的高信令开销问题。
• 克服传统CSI获取方法的局限性，这些方法要么开销过大，要么准确度下降。
• 通过预测未来IRS相位偏移，在时变、用户移动的环境中实现低开销、可扩展且泛化能力强的波束成形。
• 设计一种两阶段深度学习框架，将预测波束成形与瞬时波束成形优化解耦。

提出的方法

• 提出一种两阶段基于深度学习的预测波束成形（DLPB）框架：首先预测IRS相位偏移，然后基于预测结果优化发射波束成形。
• 设计一种位置感知的卷积长短期记忆图神经网络（LA-CLGNN），从历史视 Line-of-Sight（LoS）信道数据中建模空间与时间信道特征。
• 采用CLSTM模块捕捉时隙之间信道变化的时间依赖性，提升对移动用户的预测准确性。
• 利用图神经网络（GNN）建模用户-IRS与用户-用户之间的信道交互，实现对任意用户数的可扩展性。
• 在第二阶段集成一种波束成形感知的全连接神经网络（IA-FNN），基于预测相位偏移进一步优化波束成形。
• 使用历史信道状态及其对应最优相位偏移的数据集对端到端框架进行训练，以最小化加权和速率损失。

实验结果

研究问题

• RQ1 深度学习能否有效预测未来时隙的IRS相位偏移，从而在IRS-MUC系统中避免完整CSI获取？
• RQ2 与现有最优基准相比，所提出的DLPB框架在减少CSI反馈情况下的加权和速率（WSR）表现如何？
• RQ3 该方法在不重新训练的情况下，能够多大程度上适应用户数量的增加？
• RQ4 该框架在不同用户移动模式与速度下的泛化能力如何？
• RQ5 历史时隙长度对预测准确率与系统性能有何影响？

主要发现

• 所提出的DLPB框架通过避免大规模CSI获取，将信道估计开销降低了$ \frac{1}{N} $倍，其中$ N $为IRS元件数量。
• 基于LA-CLGNN的预测波束成形在未见过的用户数量下，仍能实现接近完整训练基线的加权和速率（WSR）性能。
• 该框架展现出极高的可扩展性：当在$ K=3 $用户下训练时，无需重新训练即可在$ K=2 $至$ 6 $用户的系统中实现接近最优的WSR。
• 泛化能力显著提升：所提方法在用户速度从10 km/h到60 km/h范围内，WSR保持稳定，而朴素的FP基方案随速度增加迅速恶化。
• DLPB方案的平均WSR随历史时隙数$ \tau $的增加而提升，表明有效利用了时间信道依赖性，但当$ \tau $较大时增益趋于饱和。
• 所提方法在WSR方面优于多种基准方案，包括FP-ICSI、朴素FP和随机相位偏移方案，尤其在高移动性与用户数量变化条件下表现更优。