Bridging Neural Networks and Wireless Systems with MIMO-OFDM Semantic Communications

기술 요약: MIMO-OFDM 시맨틱 통신을 통한 신경망과 무선 시스템의 가교 형성

문제 정의
시맨틱 통신—특히 심층 결합 소스-채널 코딩(DeepJSCC)—은 기존의 모듈형 시스템(별도의 소스 코딩, 채널 코딩 및 변조)에 비해 시뮬레이션에서 우수한 성능을 입증해 왔으나, 실제 무선 환경에 배치될 때는 상당한 성능 격차가 지속적으로 발생하고 있다. 기존 연구들은 시뮬레이션 결과와 프로토타입 측정치 사이의 불일치를 확인했으나, 하드웨어 제한 및 실제 채널 특성과 관련된 구체적인 원인은 여전히 미개척 영역으로 남아 있다. 본 논문은 전력 증폭기(PA)의 비선형성, 정점 대 평균 전력비(PAPR) 변동, 그리고 MIMO-OFDM 시스템에서의 주파수 선택적 잡음이 발생하는 이유를 중심으로, 왜 이론적 이득이 실제 환경에서 실현되지 못하는지를 조사한다.

방법론
저자들은 실제 환경에서의 성능 검증을 위해 기능적인 MIMO-OFDM 시맨틱 통신 프로토타입을 개발하였다. 시스템 아키텍처는 CNN-Transformer 인코더가 이미지 패치를 직접 복소수 형태의 무선 심볼로 매핑하여 전통적인 비트 스트림 처리를 우회하는 엔드 투 엔드(end-to-end) 딥러닝 방식을 채택한다.

• 하드웨어 구성: 프로토타입은 2×2 및 4×4 MIMO를 구성한 NI USRP-2953R 소프트웨어 정의 라디오(SDR)를 사용하며, 정적인 실내 가시거리(LoS) 환경에서 작동한다. 제어된 PA 비선형성을 도입하여 테스트하기 위해 Mini-Circuits ZVA-183W-S+ 증폭기가 통합되었다.
• 신호 처리: 시스템은 32×32 이미지 패치를 512개의 복소수 심볼로 전송하며, 이를 위해 OFDM(128-point FFT, 72개 활성 부반송파)을 사용한다. 수신기는 제로 포싱(Zero-Forcing, ZF) 채널 추정 및 결합 방식을 사용한다.
• 완화 전략: 실제적인 임페어먼트(impairments)를 해결하기 위해 저자들은 다음을 구현하였다:
  1. 심볼 셔플링(Symbol Shuffling): 부반송파와 공간 스트림 전체에 심볼 할당을 무작위화하여 주파수 선택적 페이딩과 SNR 변동을 평균화함으로써, 가우시안 백색 잡음(AWGN) 조건과 유사하게 만든다.
  2. PAPR 조절: 학습 과정 중 손실 함수에 PAPR 페널티 항을 포함시켜 심볼 전력 레벨을 제한함으로써, PA의 비선형 영역에서 발생하는 왜곡을 줄인다.
  3. 정규화(Normalization): DAC/ADC 하드웨어의 고정 소수점 동적 범위 내에서 심별 클리핑(clipping)을 방지하도록 심볼을 스케일링한다.

주요 기여

1. 프로토타입 검증: 본 연구는 단일 입력 단일 출력(SISO) 또는 순수 시뮬레이션 기반 연구를 넘어, MIMO-OFDM 프로토타입을 사용하여 시맨틱 통신의 성능을 검증한 첫 사례를 제시한다.
2. 성능 격차 진단: 본 연구는 서로 다른 부반송파와 공간 스트림 간의 신호 대 잡음비(SNR) 변동이 시뮬레이션과 프로토타입 결과 사이의 불일치를 일으키는 주요 원인임을 밝혀냈다.
3. PAPR 이득의 입증: 저자들은 PAPR 제한 모델이 표현력 감소로 인해 이상적인(AWGN) 시뮬레이션에서는 성능이 저하될 수 있음에도 불구하고, PA 비선형성이 존재하는 실제 시나리오에서는 베이스라인 모델보다 우수한 성능을 보인다는 것을 경험적으로 입증하였다.
4. 오픈 소스 기반 마련: 저자들은 향후 실제 환경의 시맨틱 통신 시스템 연구를 촉진하기 위해 소스 코드와 하드웨어 설정을 공개하였다.

실험 결과

• 선형 전력 영역: 선형 동작 영역에서 시맨틱 시스템은 테스트된 모든 SNR 레벨에서 기존의 BPG+LDPC+QAM 베이스라인을 능가했다. 결정적으로, 심볼 셔플링을 적용한 프로토타입 결과는 시뮬레이션된 AWGN 성능과 밀접하게 일치한 반면, 셔플링을 적용하지 않은 프로토타입은 특히 낮은 SNR에서 상당한 성능 저하를 보였다. 이는 자원 간의 SNR 변동이 성능 격차의 핵심 원인임을 확인시켜 준다.
• 비선형 전력 영역: PA의 비선형 영역(높은 입력 전력)에서 작동할 때, PAPR 감소 기술로 학습된 모델은 베이스라인 모델에 비해 약 1 dB 개선된 수신 SNR을 보였다. 강력한 PAPR 조절은 정점 대 평균 전력비를 크게 낮추었지만(약 7.6 dB에서 4.3 dB로), 심볼 표현력의 감소로 인해 최대 신호 대 잡음비(PSNR) 측면에서 트레이드오프를 초래했다. 그러나 "약한" PAPR 조절 모델이 과도한 표현력 손실 없이 비선형 왜곡을 완화함으로써 높은 전력 레벨에서 PS별 베이스라인보다 우수한 성능을 보이는 최적의 균형을 달 achievement 했다.

의의 및 주장
본 논문은 이론적인 시맨틱 통신 모델과 실제 배포 사이의 기초적인 가교를 구축한다고 주장한다. 시맨틱 통신의 이론적 이점은 특정 하드웨어 및 채널 제약 조건이 해결될 경우 실제 무선 시스템에서 실현될 수 있다고 논한다. 구체적으로, 본 연구는 다음을 강조한다:

• 성능 격차는 시맨틱 방식 자체의 결함이 아니라, 해결되지 않은 채널 변동과 하드웨어 비선형성에 의한 산물이다.
• 심볼 셔플링 및 PAPR 인지 학습과 같은 표적 완화 전략은 프로토타입 성능을 이론적 기대치에 맞추는 데 필수적이다.
• 향후 시스템 설계는 역동적인 무선 환경에서 견고성을 확보하기 위해 이상적인 AWGN 가정을 넘어 채널 적응형 메커니즘과 하드웨어 인지 학습을 포함해야 한다.

저자들은 현재의 설정(정적 LoS, ZF 등화, AWGN 학습 모델)이 모든 배포 시나리오(예: 비가시거리, 고이동성, 대규모 MIMO)를 포괄하지 못함을 인정하며 신중한 태도를 유지한다. 이들은 본 연구를 모든 미래 무선 세대를 위한 완전한 해결책이라기보다, 실제적인 제약 조건을 이해하기 위한 단계로 규정한다.