Performance Analysis of a Novel Lightweight Transformer-Based CSI Feedback Framework for 5G-Advanced Massive MIMO Systems

技術要約：5G-Advanced Massive MIMO システムにおける新規軽量 Transformer ベース CSI フィードバック・フレームワークの性能解析

問題提起
5G-Advanced および将来の 6G システムにおいて、大規模アンテナアレイ（32 から 1024 素子）を利用する Massive MIMO-OFDM アーキテクチャは、効果的なビームフォーミングと干渉緩和を実現するために、アクセスポイント（AP）における正確なチャネル状態情報（CSI）を必要とします。周波数分割複信（FDD）モードでは、ユーザ端末（UT）はダウンリンクチャネルを推定し、その情報を AP にフィードバックしなければなりません。しかし、完全な CSI を伝送するために必要なデータ量は、受信アンテナ数（$N_r$）が増加するにつれて膨大になり、フィードバックのオーバーヘッドが深刻な問題となります。3GPP が推奨する圧縮スキーム（Type-I、Type-II、enhanced Type-II）は、性能を制限する既定の構造に依存していますが、ディープラーニング（DL）手法が代替案として台頭しています。CsiNet や様々な Transformer ベースのフレームワーク（CsiFormer、TransNet など）といった既存の DL 手法は、多くの場合、明示的な CSI 行列の再構成に焦ニ集中しています。これらのアプローチは、受信アンテナ数の増加に伴ってフィードバックのオーバーヘッドが増大するというスケーラビリティの問題に頻繁に直面し、高い再構成精度を実現するために高い計算量（FLOPs）を要することがあります。

手法
本論文では、明示的な CSI 再構成から直接的な プリコーダ推定へとパラダイムを転換する、新しい軽量フレームワークである TPCNet を提案します。全チャネル行列を再構成する代わりに、UT は主要な伝送レイヤーに対応するプリコーディング行列を直接推定します。

このフレームワークは、以下の特定のコンポーネントを持つオートエンコーダ–オートデコーダ・アーキテクチャを利用しています。

• エンコーダ（UT 側）:

  • 入力処理: プリコーディング行列は、2D 離散フーリエ変換（DFT）を介して角度遅延（AD）ドメインに変換され、有意なエネルギーを保持するように切り詰められた後、実数値テンソルに変換されます。
  • マルチスケール解像度特徴抽出ネットワーク（MRFEN）: 方向性および非一様な相関をサブキャリア次元およびレイヤー次元に沿って捉えるために、$3\times3$、$1\times9$、$9\times1$ のカーネルサイズを持つ並列畳み込みブランチを使用するフロントエンドモジュールです。
  • Transformer ブロック（TB）: パッチ埋め込みと 2D 位置エンコーディングに続いて、マルチヘッド自己注意（MHSA）メカニズムが AD ドメインにおけるグローバルな依存関係を捉え、局所的な畳み込み受容野の限界を克服します。
  • 空間解像度ネットワーク（SRN）: ステージ化された転置畳み込みを使用して、パッチレベルの特徴から空間構造を段階的に復元するモジュールです。
  • 出力: 受信アンテナ数に関わらず、単一のコンパクトなコードワード（CW）を生成します。

• デコーダ（AP 側）:

  • 入力処理: 受信した CW を拡張し、空間構造へと再形成します。
  • 特徴精緻化ネットワーク（FRN）: 逐次的な方向性畳み込みと並列マルチスケール畳み込みを採用し、空間特性を精緻化し、局所的なパターンを捉えます。
  • 再構成: SRN と残差接続を利用してプリコーダ行列を再構成し、その後、逆離散フーリエ変換（IDFT）を介して元のドメインに戻します。

主な貢献

1. 直接的なプリコーダ推定: TPCNet は、明示的な CSI 再構成という中間ステップを排除し、主要なレイヤーに対するプリコーダ行列を直接出力します。
2. スケーラビリティとオーバーヘッドの削減: 本フレームワークは、受信アンテナ数（$N_r$）に関わらず単一の CW を生成します。これにより、フィードバックのオーバーヘッドが $N_r$ 倍削減され、入力テンソルの次元が受信アンテナ数に依存しないため、$N_r$ の増加に伴うスケーラビリティのボトルネックが解消されます。
3. ハイブリッド・アーキテクチャ: 方向性特徴抽出のための MRFEN、グローバルな依存関係モデリングのための Transformer ブロック、および空間精緻化のための SRN/FRN の統合により、特徴学習と再構成のバランスの取れたアーキテクチャを実現しています。
4. 効率性: 本設計は、高い再構成忠実度を維持しながら計算負荷を軽減し、優れた精度–複雑性のトレードオフを実現することを目指しています。

結果
大規模 MIMO セットアップ（32 送信アンテナ、4 受信アンテナ）を用いた 3GPP 標準化 CDL-C MIMO チャネルモデル を使用し、様々な圧縮率（CR: 1/4, 1/8, 1/32, 1/64）にわたる広範なシミュレーションを実施しました。TPKNet を CsiNet、CRNet、DeConvD-CRNet、および CsiFormer と比較しました。

• 再構成精度: TPCNet は一貫してすべてのベースライン・スキームを上回りました。すべての CR において、最も高性能なベンチマーク（例：CsiFormer）に対して約 0.5–2 dB の正規化平均二乗誤差（NMSE）の改善を達成しました。同様に、優れた部分空間余弦類似度（SCS）スコアを示しました。
• 計算複雑性: 高い性能にもかかわらず、TPKNet は主要な Transformer ベースのベンチマーク（CsiFormer）と比較して、計算量（FLOPs）において約 25% 削減しました。
• アブレーション研究: MRFEN および FRN モジュール、ならびに SRN における 2 段階の漸進的アップサンプリング戦略の導入が、性能向上に大きく寄寄与していることが実験によって確認されました。

意義と主張
著者らは、TPKNet が実用的な 5G-Advanced および将来の 6 世代（6G）展開に適した、効率的で低複雑度かつスケーラブルなソリューションを提供すると主張しています。プリコーダを直接推定し、受信アンテナ数に依存しない単一のコードワードを生成することにより、本フレームワークは Massive MIMO システムに固有の重要なフィードバック・オーバーヘッドとスケーラビリティの課題に対処します。結果は、TPKNet が既存の最先端手法よりも、再構成性能と計算コストの間のより良好なバランスを提供することを示唆しており、次世代の無線通信システムにとって有力な候補であることを示しています。