面向 MIMO Turbo 接收机的图神经网络增强期望传播算法

深度神经网络（NN）因其准确的特征提取、高并行性与优异推理能力，被视为平衡多输入多输出（MIMO）接收机性能与复杂度的有力工具。图神经网络（GNN）近期展现出学习增强消息传递规则的突出能力，并成功克服了基于期望传播（EP）的 MIMO 检测器高斯近似不准确的缺陷。然而，由于迭代处理对外在信息的需求，将 GNN 增强 EP 检测器应用于 MIMO turbo 接收机尚待探索且并非易事。本文提出一种面向 MIMO turbo 接收机的 GNN 增强 EP 算法，通过专门设计的训练流程实现从 MIMO 检测器生成外在信息的 turbo 原理。此外，设计了一种边剪枝策略，利用 EP 算法固有的相关信息消除 GNN 原始全连接模型中的冗余连接。边剪枝大幅降低计算成本，并使网络更关注对性能至关重要的权重。仿真结果与复杂度分析表明，所提 MIMO turbo 接收机在误码率 $10^{-5}$ 下比 EP turbo 方法优逾 1 dB，性能等价于最先进接收机且运行时间缩短 2.5 倍，并可适应多种场景。