Universal Approximation with XL MIMO Systems: OTA Classification via Trainable Analog Combining

논문 요약: XL MIMO 시스템을 활용한 범용 함수 근사 및 OTA 분류

이 논문은 초거대 (eXtremely Large, XL) MIMO 무선 시스템이 적절한 아날로그 결합 (Analog Combining) 구성 요소를 통해 범용 함수 근사기 (Universal Function Approximator) 의 성질을 가지며, 이는 피드포워드 신경망과 유사한 기능을 수행할 수 있음을 증명합니다. 저자들은 채널 계수를 무작위 은닉층 노드로, 수신기의 아날로그 결합기를 학습 가능한 출력층으로 간주하여 시스템을 극한 학습기 (Extreme Learning Machine, ELM) 프레임워크로 재구성했습니다. 이를 통해 송신기에서의 디지털 전처리나 수신기에서의 전통적인 디지털 신호 처리 없이도 공중 (Over-The-Air, OTA) 을 통한 엣지 추론 (Edge Inference) 이 가능함을 제시했습니다.

1. 연구 배경 및 문제 정의 (Problem)

• 기존 한계: 차세대 장치 간 (D2D) 및 목표 지향적 (Goal-Oriented) 네트워크에서는 센서 데이터를 단순히 전송하는 것을 넘어, 자율적인 행동을 위한 특징 추출이 필요합니다. 기존 방식은 송신기 (Tx) 에서 모든 데이터를 전송하여 수신기 (Rx) 에서 처리하거나, Tx 에서 로컬 계산을 수행해야 하므로 대역폭 소모가 크거나 저전력 장치의 계산 부하가 큽니다.
• OTA 컴퓨팅의 과제: 최근 OTA 컴퓨팅 연구에서는 무선 채널을 DNN 의 은닉층으로 활용하려는 시도가 있었으나, 대부분 디지털 DNN 연산을 병행하거나, 페이딩 (fading) 조건 변화에 따른 재학습 오버헤드가 크고 이론적 보장 (범용 근사성 등) 이 부족했습니다.
• 핵심 문제: 디지털 처리 없이 파동 (wave) 영역에서 직접 계산을 수행하면서도, 페이딩 채널 환경에서 실시간으로 적응 가능한 효율적인 OTA 학습 및 추론 프레임워크를 구축하는 것.

2. 제안된 방법론 (Methodology)

저자들은 XL-MIMO-ELM이라는 새로운 아키텍처를 제안했습니다.

• 시스템 모델:
  • 송신기 (Tx): $N_t$개의 안테나를 사용하여 관측 벡터 $x$와 편향 (bias) 항 (1) 을 포함하는 신호를 전송합니다.
  • 채널: 라이시안 (Ricean) 페이딩 채널을 가정하며, 채널 행렬 $H$는 결정적 LoS 성분과 무작위 NLoS (다중 경로) 성분으로 구성됩니다.
  • 수신기 (Rx): 메타물질 기반의 대규모 안테나 어레이를 가지며, 각 안테나 요소는 비선형 아날로그 활성화 함수를 거쳐 아날로그 결합 가중치와 결합됩니다.
• 비선형 활성화 함수 (Analog Activation):
  • 이론적 범용 근사성을 보장하기 위해 비선형 연산이 필수적입니다.
  • Rapp 모델을 기반으로 한 소프트 임계값 (Soft Thresholding) 함수를 아날로그 RF 회로로 구현합니다. 이는 시그모이드 함수와 유사한 형태를 가지며, 포화 신호 임계값 ($y_{sat}$) 과 비선형성 제어 파라미터 ($\alpha$) 로 조절됩니다.
• 학습 프레임워크 (ELM 기반):
  • 은닉층: 채널의 페이딩 계수 ($H_r$) 가 무작위 고정 가중치로 작용합니다.
  • 출력층: 수신된 신호에 비선형 활성화 함수를 적용한 후, 학습 가능한 아날로그 결합 가중치 벡터 $w$를 곱하여 최종 출력을 생성합니다.
  • 학습 알고리즘: 은닉층 가중치 (채널) 는 고정된 채, 출력층 가중치 $w$만 최소제곱법 (Least Squares, LS) 을 통해 폐쇄형 (closed-form) 으로 한 번에 학습합니다. 이는 $w^* = G^\dagger t$로 표현되며, 여기서 $G$는 활성화된 은닉층 출력 행렬, $t$는 목표 값입니다.
• 동적 채널 적응:
  • 시간 변화 (Time-Varying) 채널 환경에서는 1 차 자기회귀 (AR) 모델을 가정하고, 이전 시간 단계의 최적 가중치를 초기값으로 사용하여 미니배치 기반의 경사 하강법과 유사한 가벼운 재학습 (Re-training) 정책을 통해 빠른 적응을 수행합니다.

3. 주요 기여 (Key Contributions)

1. OTA 범용 근사성 증명: XL MIMO 시스템이 ELM 프레임워크 하에서 이론적으로 범용 함수 근사기로서 기능함을 증명했습니다. 채널 계수가 무작위 연속 분포를 따르고 활성화 함수가 비선형이며 미분 가능할 때, 임의의 작은 오차로 데이터를 근사할 수 있음을 보였습니다.
2. 디지털 처리 제거: 송신기와 수신기 모두에서 복잡한 디지털 신호 처리 (DSP) 나 사전 처리 없이, 아날로그 RF 회로와 무선 채널 자체를 신경망 연산으로 활용하는 방식을 제시했습니다.
3. 초저지연 학습: 기존 DNN 학습이 수 초~수 분 소요되는 반면, 제안된 방식은 수 밀리초 (ms) 내의 최적화 지연으로 학습이 가능하며, 채널 코히어런스 시간 내에 적응이 가능합니다.
4. 실제 하드웨어 구현 가능성: Rapp 모델을 아날로그 회로로 구현 가능한 활성화 함수로 제안하여, 실제 XL-MIMO 하드웨어에서의 구현 가능성을 높였습니다.

4. 실험 결과 (Results)

저자들은 파킨슨병 데이터, 유방암 진단 (WBCD), MNIST, 반도체 제조 (SECOM) 등 4 가지 이진 분류 데이터셋을 통해 성능을 평가했습니다.

• 성능 비교:
  • 정확도: XL-MIMO-ELM 은 동일한 수의 학습 가능 파라미터를 가진 디지털 ELM, MLP(다층 퍼셉트론), SVM 과 비교했을 때 90% 이상의 분류 정확도를 달성하며 동등하거나 더 나은 성능을 보였습니다.
  • 학습 시간: 학습 시간은 수 ms 에서 수십 ms 수준으로, 저속 이동 환경의 채널 코히어런스 시간 내에 충분히 완료됩니다.
• 활성화 함수 비교: 아날로그로 구현된 Rapp 활성화 함수는 디지털의 ReLU 및 시그모이드 함수와 유사한 성능을 보였으며, 특히 과적합 (Overfitting) 에 더 강건한 특성을 나타냈습니다.
• 채널 조건 영향:
  • 고 SNR: SNR 이 20dB 이상일 때 이상적인 경우와 유사한 성능을 발휘했습니다.
  • 페이딩 조건: 산란이 풍부한 환경 (낮은 라이시안 계수 $\kappa$) 에서 성능이 최적화되었으며, LoS 성분이 지배적인 환경에서는 성능이 저하되었습니다.
  • 동적 적응: AR 계수가 높은 (채널 변화가 느린) 환경에서 매우 적은 업데이트 횟수로 기존 성능을 빠르게 회복했습니다.

5. 의의 및 결론 (Significance)

이 연구는 초거대 MIMO 시스템을 단순 통신 장치를 넘어 '공중 신경망 (OTA Artificial Neural Networks)'으로 패러다임을 전환할 수 있음을 시사합니다.

• 에너지 효율성: 저전력 IoT 장치나 엣지 디바이스에서 복잡한 AI 추론을 수행할 때, 디지털 처리 부하를 무선 채널과 아날로그 회로로 분산시켜 에너지 효율을 극대화합니다.
• 실시간성: 채널 변화에 따른 빠른 재학습이 가능하여, 동적인 무선 환경에서도 실시간으로 의사결정을 내리는 자율 시스템에 적용 가능합니다.
• 이론적 토대: OTA 컴퓨팅의 이론적 근거 (범용 근사성) 를 확립하여, 향후 6G 및 차세대 지능형 무선 시스템 설계에 중요한 방향성을 제시합니다.

요약하자면, 이 논문은 무선 채널의 물리적 특성을 신경망 연산으로 활용하여, 디지털 처리 없이도 빠르고 효율적인 머신러닝 추론을 가능하게 하는 혁신적인 아날로그 AI 프레임워크를 제안하고 그 유효성을 이론적·실험적으로 입증했습니다.