Network-wide channel estimation based on transformer

다국어 초록 (Multilingual Abstract)

Conventional single-base station (BS) centric channel estimation strategies face significant limitations for large-scale multiple-input multiple-output (MIMO) systems comprising numerous base stations. These isolated approaches neglect network-wide spatial correlations and require disjoint models for distinct tasks. To overcome these inefficiencies, this paper proposes a unified neural channel estimation framework for large-scale MIMO-orthogonal frequency-division multiplexing (OFDM) networks. By exploiting mutual correlations among channels to distributed BSs and user equipment (UE) positions, the framework simultaneously addresses uplink-to-downlink frequency translation, cross-BS channel estimation, and location-based channel inference. We introduce a sparse domain channel representation to capture essential propagation characteristics and employ a masked transformer architecture to handle dynamic input availability. Extensive evaluations using a developed large-scale ray tracing-based simulator demonstrate that the proposed framework outperforms conventional methods, offering significant potential for AI-driven cell-free MIMO communications and location-aware network optimization.

국문 초록 (Abstract)

수많은 기지국으로 구성된 MIMO 시스템에서, 기존의 단일 기지국(BS) 중심 채널 추정 기법들은 상당한 한계에 직면해있다. 이러한 개별적인 접근 방식들은 네트워크의 공간적 상관관계를 무시할 뿐만 아니라, 서로 다른 작업을 수행하기 위해 별개의 모델들을 필요로 한다. 이러한 비효율성을 극복하기 위해, 본 논문에서는 대규모 MIMO-OFDM 네트워크를 위한 통합 신경망 채널 추정 프레임워크를 제안한다. 제안된 프레임워크는 분산된 BS들의 채널과 사용자 단말(UE) 위치 간의 상호 상관관계를 활용하여, 상향링크-하향링크 주파수 변환, 기지국 간 채널 추정, 그리고 위치 기반 채널 추론을 동시에 처리한다. 본 연구에서는 핵심적인 전파 특성을 포착하기 위해 희소 도메인 채널 표현을 도입하였으며, 가변적인 입력 데이터 가용성을 처리하기 위해 마스스크 트랜스포머 아키텍처를 적용했다. 대규모 광선 추적(Ray tracing) 기반 시뮬레이터를 활용한 광범위한 성능 평가 결과, 제안된 프레임워크가 기존 방식보다 우수한 성능을 보임을 입증하였고, 이는 AI 기반 Cell-free MIMO 통신 및 위치 인식 네트워크 최적화를 위한 중요한 잠재력을 시사한다.

목차 (Table of Contents)

• 1. INTRODUCTION 1
• 2. SYSTEM MODEL 6
• 2.1. Ray-Based Channel Model 8
• 2.2. Uplink Channel Measurement 11
• 2.3. Sparse Domain Channel 12
• 3. NEURAL CHANNEL ESTIMATION 15
• 3.1. Overview 15
• 3.2. Transformer-based Site-Specific Channel Estimation 18
• 3.3. Transformer 21
• 3.4. Training 26
• 4. MIMO CHANNEL SIMULATOR 27
• 4.1. Virtual Environment 29
• 4.2. Mobility Simulator 29
• 4.3. Ray Tracing Simulator 30
• 5. PERFORMANCE EVALUATION 31
• 5.1. Experimental Setup 31
• 5.2. Channel Estimation with Various Input Configurations 35
• 5.3. Comparison with Interpolation-Based CKMs 39
• 5.4. Comparison with MLP and CNN-based Algorithm 44
• 6. CONCLUSION 49
• References 51