深層学習を用いたミリ波システムにおけるビーム予測

深層学習を用いたビーム予測では、ビームトレーニングを最適化するために、左図に示すように、ユーザ（UE : User Equipment）からフィードバックされたチャネル状態情報（Channel State Information : CSI）を教師あり学習モデル（Deep Learning Model : DL Model）に入力し、事前定義されたDFTコードブックに基づいて、達成可能な伝送レートが最大となるビーム方向を探索します（図3）。関連研究では、従来のDeep Neaural Network（DNN）やConvolutional Neural network（CNN）を教師あり学習モデルとして用いることで、小さな学習オーバーヘッド量でビームトレーニング可能なことが報告されています。しかしながら、従来モデルの問題点として、次に述べることが考えられます。まず、Massive MIMOミリ波システムやIRS支援ミリ波システムでは、CSIは周波数情報だけでなく、空間情報も含みますが、従来の深層学習モデルでは、CSIを周波数領域でベクトル化して、深層学習モデルに入力されていました。そのため，IRS上の素子に関する空間情報の特徴量を抽出することができず、学習効率の低下が懸念されます。 また、ミリ波のような高周波帯の電波は、実環境において、ノイズやチャネル減衰の影響によるビーム予測精度の低下が懸念されるので、ノイズに対するロバスト性の高い深層学習モデルが要求されます。

そこで、本研究室では、これらの問題を解決するために、新たにメモリ共有自己回帰エンコーダと空間アテンションから構成されるMemory-Shared Transformerを提案しました（図4）。このモデルは、自己回帰エンコーダにおいて、CSIの周波数領域の特徴量を抽出し、空間アテンションにおいて、空間領域の特徴量を抽出できるので、高い学習効率が期待できます。 また、自己回帰エンコーダのゲート操作により、ノイズを除去することができるので、ノイズに対するロバスト性の改善も期待できます。本研究では、自己回帰エンコーダとして、Long Short-Term Memory（LSTM）とGated Reccurent Unit（GRU）を使用しています。これまでに、提案モデルが、Massive MIMOミリ波システムとIRS支援ミリ波システムにおいて、高いビーム予測精度を示すことを明らかにしています。また、提案モデルは、低Signal-to-Noise Ratio（SNR）において、従来モデルと比較して、高いビーム予測精度を実現しており、高信頼ビーム予測可能であることも確認しています。