[论文解读] Unsupervised Learning for Passive Beamforming

Jiabao Gao, Caijun Zhong+3 more|arXiv (Cornell University)|Jan 8, 2020

Advanced Wireless Communication Technologies被引用 14

一句话总结

本文提出了一种用于可重构智能表面（RIS）辅助无线系统中被动波束成形的无监督深度学习方法，采用离线训练的定制深度神经网络，无需标注数据即可预测最优相位偏移。该方法在计算时间上比传统半定规划（SDR）技术降低数个数量级，同时实现近似最优性能，从而实现实际系统中的实时部署。

ABSTRACT

Reconfigurable intelligent surface (RIS) has recently emerged as a promising candidate to improve the energy and spectral efficiency of wireless communication systems. However, the unit modulus constraint on the phase shift of reflecting elements makes the design of optimal passive beamforming solution a challenging issue. The conventional approach is to find a suboptimal solution using the semi-definite relaxation (SDR) technique, yet the resultant suboptimal iterative algorithm usually incurs high complexity, hence is not amenable for real-time implementation. Motivated by this, we propose a deep learning approach for passive beamforming design in RIS-assisted systems. In particular, a customized deep neural network is trained offline using the unsupervised learning mechanism, which is able to make real-time prediction when deployed online. Simulation results show that the proposed approach maintains most of the performance while significantly reduces computation complexity when compared with SDR-based approach.

研究动机与目标

• 解决基于半定规划（SDR）的RIS辅助系统中被动波束成形的高计算复杂度问题。
• 通过采用无监督学习而非监督学习，消除对昂贵标注数据的需求。
• 设计一种适用于动态无线环境的实时、低复杂度波束成形解决方案。
• 在显著降低计算时间的同时，保持高 spectral efficiency（频谱效率）。
• 在信道相干时间有限的实际系统中，实现RIS的实用化部署。

提出的方法

• 使用无监督学习在离线阶段训练一种定制的深度神经网络（RISBFNN），将信道状态信息映射到最优相位偏移配置。
• 网络架构设计用于处理复数信道矩阵，并通过归一化层强制相位偏移满足单位模长约束。
• 训练采用自监督损失函数，通过最大化接收信干噪比（SINR）实现，无需真实标签。
• 在包含瑞利衰落和路径损耗的合成信道数据上进行训练，使用大量随机信道实现。
• 推理阶段，训练好的网络以实时方式预测相位偏移，其复杂度为 O((64M + 804)N²)，其中 M 为接入点（AP）的天线数，N 为RIS的单元数。
• 通过学习从信道状态到波束成形解的端到端直接映射，避免了迭代优化。

实验结果

研究问题

• RQ1 无监督深度学习是否能在无需标注数据的情况下实现接近最优的被动波束成形性能？
• RQ2 与SDR相比，所提出的无监督学习方法在频谱效率和计算时间方面表现如何？
• RQ3 RIS尺寸（N）和AP天线数（M）对基于无监督学习的波束成形性能有何影响？
• RQ4 所提出的方法是否能在信道相干时间有限的实际无线系统中满足实时性要求？
• RQ5 该无监督方法在不同信道条件和系统配置下的鲁棒性如何？

主要发现

• 在单天线场景下（N=8），所提出的RISBFNN实现了SDR性能的96.26%，并在各种配置下保持超过90%的性能。
• 当 M=2，N=16 时，RISBFNN实现了SDR性能的93.90%，同时将计算时间从SDR的199.2 ms降低至RISBFNN的0.0399 ms。
• 与SDR相比，RISBFNN的运行速度提高了约1,000至7,000倍，即使在大型系统（M=8，N=64）下，平均推理时间也低于0.12 ms。
• 该方法在包含路径损耗和瑞利衰落的真实室内衰落条件下依然有效，表现出对信道变化的鲁棒性。
• 在所考虑的场景中，信道相干时间为13.77 ms，不足以支持SDR（例如，当 M=8，N=64 时，SDR需715.3 ms），因此SDR不可行，而RISBFNN在此时间限制内运行良好。
• 随着N和M的增加，性能仅略有下降，且RISBFNN与SDR之间的差距保持稳定或略有增加，表明其具备良好的可扩展性。