⚡ electrical engineering

A Tutorial on AI-Empowered Integrated Sensing and Communications

이 논문은 AI 기반의 통합 감지 및 통신 (ISAC) 설계, 특히 단일 파형, 빔포밍, 및 심볼 구성 최적화를 통해 성능과 복잡성 간의 균형을 찾는 방법과 세 가지 사례 연구를 소개합니다.

원저자: Mojtaba Vaezi, Gayan Aruma Baduge, Esa Ollila, Sergiy A. Vorobyov

게시일 2026-02-16

📖 4 분 읽기☕ 가벼운 읽기

원저자: Mojtaba Vaezi, Gayan Aruma Baduge, Esa Ollila, Sergiy A. Vorobyov

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

📡 핵심 개념: "한 마디로 두 마리 토끼를 잡는다"

과거에는 **통신 (휴대폰 통화, 인터넷)**과 **레이더 (자동차의 충돌 방지, 비행기 감시)**가 완전히 다른 시스템으로 따로 작동했습니다. 마치 한 집 안에 전화기와 감시 카메라가 따로 따로 있는 것과 같죠. 서로 전파를 쓰다 보니 공간이 부족하고 장비도 비쌌습니다.

**ISAC (통합 감지 및 통신)**은 이 두 기능을 하나로 합치는 기술입니다.

비유: 마치 "스마트폰으로 통화도 하면서, 동시에 주변을 스캔해서 장애물을 찾는" 일종의 **'슈퍼 스마트폰'**을 만드는 것과 같습니다. 하나의 신호로 두 가지 일을 동시에 해내는 것이죠.

하지만 여기서 문제가 생깁니다.

통신은 데이터를 빠르게 보내려면 신호가 무작위적이고 복잡해야 합니다. (비유: 빠르게 말하기 위해 다양한 단어를 섞어 쓰는 것)
레이더는 물체를 정확히 감지하려면 신호가 규칙적이고 단순해야 합니다. (비유: 메아리를 잘 듣기 위해 단조롭고 명확한 소리를 내는 것)

이 두 가지 요구사항은 서로 **상충 (Trade-off)**합니다. 마치 "소리를 크게 내면 말소리가 잘 들리지만, 동시에 다른 사람의 말을 방해할 수 있는" 상황과 비슷하죠.

🤖 해결책: 인공지능 (AI) 의 등장

기존의 수학적 계산 (모델 기반) 으로 이 복잡한 균형을 맞추는 것은 너무 어렵거나, 계산하는 데 시간이 너무 오래 걸려 실시간으로 쓸 수 없었습니다.

이때 **인공지능 (AI)**이 등장합니다. AI 는 정해진 공식에 얽매이지 않고, 수많은 데이터를 학습해서 "어떻게 하면 통신도 잘 되고 레이더도 잘 작동할지" 스스로 찾아냅니다.

비유:

기존 방식: 요리사가 레시피 (수식) 를 보고 재료를 재서 요리하는 것. 하지만 레시피가 너무 복잡하거나 재료가 부족하면 실패합니다.

AI 방식: 요리사가 수많은 요리를 맛보고 경험한 뒤, "이 재료를 이렇게 섞으면 맛이 가장 좋겠다"라고 직관적으로 찾아내는 것. 레시피가 없어도 최고의 요리를 만들어냅니다.

🧪 논문이 소개한 3 가지 실전 사례 (Case Studies)

이 논문은 AI 가 실제로 어떻게 작동하는지 세 가지 예시로 보여줍니다.

1. 신호 모양 (Waveform) 디자인: "유연한 점토"

문제: 통신용 신호와 레이더용 신호를 어떻게 섞을지 고민해야 합니다.
AI 의 역할: AI 는 통신과 레이더의 균형을 맞추는 **'최적의 신호 모양'**을 스스로 만들어냅니다.
결과: 기존 수학 계산으로 구한 정답과 거의 똑같은 성능을 내면서, 계산 속도는 훨씬 빠르고 복잡도는 훨씬 낮아졌습니다. 마치 고급 요리사가 손으로 반죽을 빚는 것처럼 유연하게 신호를 조절합니다.

2. 빔포밍 (Beamforming): "손전등과 레이저"

문제: 전파를 특정 방향으로 집중시켜야 합니다. (예: 사용자에게는 통신 신호를, 자동차에는 레이더 신호를 쏘기)
AI 의 역할: AI 는 전파를 쏘는 방향을 조절하는 **'스마트 손전등'**이 됩니다.
결과: 기존 방식은 전파 방향을 계산하는 데 시간이 많이 걸렸지만, AI 는 학습된 패턴을 바탕으로 순간적으로 최적의 방향을 찾아냅니다. 마치 유령처럼 빠르게 움직이는 손전등처럼 정교하게 작동합니다.

3. 문자 모양 (Constellation) 디자인: "새로운 알파벳"

문제: 데이터를 보내는 방식 (문자 모양) 이 통신에는 좋지만 레이더에는 나쁜 경우가 많습니다.
AI 의 역할: AI 는 통신과 레이더 모두에 좋은 **새로운 '문자 모양 (알파벳)'**을 발명합니다.
결과: 기존에 없던 새로운 형태의 문자 모양을 만들어내어, 통신 오류는 줄이고 레이더 감지 능력은 높였습니다. 마치 기존의 A, B, C 가 아닌, 두 가지 목적에 모두 맞는 새로운 글자를 invented 한 것과 같습니다.

💡 우리가 배운 교훈 (Lessons Learned)

AI 는 복잡한 문제를 단순하게 만듭니다: 수학적 공식으로 풀기 어려운 문제를 AI 가 학습을 통해 쉽게 해결합니다.
실시간성이 중요합니다: 6G 는 매우 빠르기 때문에, 계산이 느린 기존 방식은 쓸 수 없습니다. AI 는 학습된 결과를 바로 적용하므로 빠른 반응이 가능합니다.
한계도 있습니다: AI 는 학습한 데이터와 비슷한 상황에서는 잘 작동하지만, 완전히 새로운 환경 (예: 갑자기 날씨가 변하거나 차량이 많아지는 상황) 에서는 다시 학습이 필요할 수 있습니다.

🚀 결론: 6G 의 미래는 AI 가 이끕니다

이 논문은 **"앞으로 통신과 레이더가 하나로 합쳐진 6G 시대가 오면, AI 가 그 핵심 엔진이 될 것"**이라고 말합니다.

기존의 딱딱한 수학적 계산 대신, 유연하고 똑똑한 AI가 전파를 설계하고 관리함으로써, 우리는 더 빠르고, 더 정확하며, 더 안전한 통신과 자율주행, 스마트 시티를 경험하게 될 것입니다.

한 줄 요약: "AI 가 통신과 레이더의 '갈등'을 중재하여, 한 번에 두 마리 토끼를 잡는 6G 시대를 열어줍니다."

1. 문제 정의 (Problem Definition)

배경: 6G 네트워크는 "모든 것이 감지되고, 연결되며, 지능화된다"는 목표를 가지고 있으며, 통합 감지 및 통신 (ISAC, Integrated Sensing and Communications) 은 제한된 스펙트럼과 고가의 하드웨어 문제를 해결하기 위한 핵심 기술입니다.
핵심 과제: ISAC 시스템은 통신 (데이터 전송) 과 감지 (레이더/위치 추적) 두 가지 기능을 단일 하드웨어와 파형으로 수행해야 합니다. 그러나 두 기능은 상충되는 목표를 가집니다.
- 통신: 높은 정보 전송률 (Mutual Information, MI) 을 위해 가우시안 분포에 가까운 무작위성 (Randomness) 이 필요합니다.
- 감지: 정확한 파라미터 추정 (거리, 속도 등) 을 위해 결정론적이고 일정한 진폭을 가진 파형 (예: PSK) 이 유리합니다.
기존 방법의 한계: 기존의 모델 기반 (Model-based) 최적화 기법 (가중치 합, $\epsilon$ -제약, 파레토 최적화 등) 은 복잡한 다목적 최적화 문제를 풀 때 계산 비용이 매우 높거나, 시스템 모델이 불완전할 경우 최적해를 찾기 어렵습니다. 또한, 실시간 구현에 필요한 복잡도가 너무 높다는 문제가 있습니다.

2. 방법론 (Methodology)

이 논문은 AI(특히 딥러닝) 를 활용하여 ISAC 시스템의 파형, 빔포밍, 심볼 구성 (Constellation) 설계를 최적화하는 다양한 접근법을 제시합니다.

가. 학습 기반 최적화 기법 분류

단일 작업 학습 (Single-Task Learning): 감지와 통신 목표를 하나의 손실 함수로 결합하여 단일 네트워크로 최적화합니다.
다중 작업 학습 (Multi-Task Learning, MTL): 공유 레이어와 작업별 레이어를 사용하여 채널 추정, 타겟 탐지 등 여러 작업을 동시에 수행합니다.
다목적 학습 (Multi-Objective Learning, MOL): 단일 작업 내에서 상충되는 목표 (예: 정확도 vs 지연 시간) 를 균형 있게 최적화합니다.
모델 기반 학습 (Model-Based Learning):
- Plug-and-Play (PnP): 복잡한 최적화 알고리즘의 특정 단계를 신경망으로 대체합니다.
- 알고리즘 언롤링 (Algorithm Unrolling): 반복적 최적화 알고리즘 (예: 투영 경사 상승법) 을 신경망 레이어로 변환하여 학습 가능한 파라미터 (예: 스텝 사이즈) 를 학습시킵니다.
엔드 - 투 - 엔드 학습 (End-to-End Learning): 송신기부터 수신기까지 전체 체인을 하나의 신경망 (오토인코더) 으로 모델링하여 파형과 변조 방식을 공동으로 설계합니다.

나. 주요 사례 연구 (Case Studies)

논문의 핵심은 세 가지 구체적인 사례 연구를 통해 AI 의 효과를 입증하는 것입니다.

사례 연구 I: 비지도 학습 기반 ISAC 파형 설계
- 방법: 커스텀 손실 함수 (통신의 다중 사용자 간섭 최소화 + 감지 파형의 상관관계 유지) 를 사용하여 비지도 학습 신경망 (DNN) 을 훈련시킵니다.
- 특징: 라벨이 없는 데이터를 사용하며, Lambda 레이어를 통해 전력 제약 조건을 신경망 내부에 직접 적용합니다.
- 목표: 통신용 합계 용량 (Sum Rate) 과 감지 성능 (탐지 확률) 을 동시에 최적화하면서 계산 복잡도를 낮춥니다.
사례 연구 II: 학습된 최적화기를 활용한 하이브리드 빔포밍
- 방법: 알고리즘 언롤링 (Unrolled PGA) 기법을 적용합니다. 기존의 투영 경사 상승법 (PGA) 알고리즘을 신경망 레이어로 변환하고, 스텝 사이즈 같은 하이퍼파라미터를 데이터로부터 학습합니다.
- 특징: 국소 최적점 (Local Minima) 에 빠지는 것을 방지하고, 기존 알고리즘보다 더 적은 반복 횟수로 수렴하여 높은 스펙트럼 효율을 달성합니다.
사례 연구 III: 오토인코더 기반 ISAC 심볼 구성 (Constellation) 설계
- 방법: 엔드 - 투 - 엔드 학습 (통신용) 과 지도 학습 (감지용) 을 결합합니다. 하나의 송신 신호가 통신 (비트 오류율 최소화) 과 감지 (타겟 존재 여부 탐지) 를 모두 수행하도록 심볼 구성을 학습시킵니다.
- 특징: 통신 중심 (QAM 유사), 감지 중심 (PSK 유사), 그리고 균형 잡힌 (멀티링 구조) 등 트레이드오프 파라미터 ( $\eta$ ) 에 따라 새로운 심볼 구성을 생성합니다.

3. 주요 기여 및 결과 (Key Contributions & Results)

성능 비교:
- 파형 설계 (Case I): 학습 기반 파형은 전통적인 볼록 최적화 (Convex Optimization) 기반의 해석적 해법과 거의 유사한 합계 용량 (Sum Rate) 과 탐지 확률 (Probability of Detection) 을 달성하면서도 계산 복잡도를 획기적으로 감소시켰습니다. (예: 10dB SNR 에서 용량 격차는 1% 미만).
- 빔포밍 (Case II): 언롤링 PGA 는 기존 PGA 보다 더 빠른 수렴 속도와 더 높은 합계 용량을 보여주었습니다. 특히 저 SNR 환경에서도 우월한 성능을 유지했습니다.
- 심볼 구성 (Case III): 학습된 심볼 구성은 전통적인 QAM 또는 PSK 보다 더 나은 균형 성능을 보였습니다. 감지 중심 설정에서는 PSK 와 유사한 성능을, 통신 중심 설정에서는 QAM 과 유사한 성능을 내면서도 두 기능을 동시에 수행했습니다.
계산 효율성: AI 기반 접근법은 실시간 구현이 어려운 고차원 최적화 문제를 저복잡도 신경망 추론으로 대체하여 6G 의 실시간 요구사항을 충족시킵니다.
유연성: 하드웨어 결함, 채널 불완전성 (CSI 에러), 동적 환경 변화에 대해 모델 기반 방법보다 **강건성 (Robustness)**이 뛰어납니다.

4. 의의 및 시사점 (Significance)

6G 의 핵심 기술: ISAC 는 6G 의 필수 요소이며, AI 는 이 두 가지 상충되는 목표를 효율적으로 조율할 수 있는 유일한 실용적인 도구로 부상했습니다.
설계 패러다임의 전환: 기존의 "모델 기반 분석 및 최적화"에서 "데이터 기반 학습 및 최적화"로의 전환을 촉진합니다. 특히 최적 알고리즘이 알려지지 않았거나 모델이 불완전한 상황에서 AI 가 강력한 대안이 됩니다.
미래 연구 방향 제시:
- 엔드 - 투 - 엔드 ISAC: 간섭 제거를 포함한 완전한 통합 설계.
- Transformer 활용: 멀티모달 데이터 (레이더, 카메라, LiDAR) 융합을 통한 지능형 빔포밍.
- 디지털 트윈 (Digital Twin): 가상 환경에서의 AI 모델 훈련 및 실시간 의사결정 지원.
- FR3 대역 (7-24 GHz): 새로운 주파수 대역에 특화된 학습 알고리즘 개발.

5. 결론

이 튜토리얼 논문은 AI 기반 ISAC 설계의 이론적 배경, 최적화 방법론, 그리고 구체적인 사례 연구를 체계적으로 정리했습니다. AI 는 ISAC 시스템의 파형, 빔포밍, 심볼 구성을 설계할 때 발생하는 복잡한 다목적 최적화 문제를 해결하고, 계산 효율성과 성능을 동시에 향상시킬 수 있음을 입증했습니다. 특히, 전통적인 최적화 기법의 계산적 한계를 극복하고 동적 환경에 적응할 수 있는 능력을 제공함으로써 6G 네트워크 구현에 필수적인 기술로 평가됩니다.