FARIS: Fluid-Active-RIS

1. 연구 배경 및 문제 정의 (Problem)

• 배경: 6G 무선 네트워크에서 재구성 가능한 지능형 표면 (RIS) 은 전파 환경을 능동적으로 제어하여 커버리지와 스펙트럼 효율을 향상시키는 핵심 기술로 부상했습니다.
• 기존 기술의 한계:
  1. 수동형 RIS (PRIS): 수동 반사 요소만 사용하여 신호를 증폭하지 못하므로, 송신기-RIS-수신기 간의 이중 경로 손실 (Multiplicative Fading) 로 인해 성능이 급격히 저하됩니다.
  2. 능동형 RIS (ARIS): 신호 증폭 기능을 추가하여 경로 손실을 보상하지만, 고정된 기하학적 구조를 가지므로 공간적 이득을 극대화하는 데 한계가 있습니다.
  3. 유체형 RIS (FRIS): 유체 안테나 시스템 (FAS) 의 개념을 도입하여 요소의 위치를 동적으로 변경함으로써 공간적 자유도 (DoF) 를 확보하지만, 여전히 수동 반사에 의존하여 증폭 이득이 부족합니다.
• 핵심 문제: 기존 기술들은 '공간적 이동성 (Position Reconfigurability)'과 '신호 증폭 (Active Amplification)'을 별개 또는 단순 중첩된 형태로만 다뤘습니다. 본 논문은 이 두 가지 이점을 단일 아키텍처 내에서 본질적으로 결합하여, 신호가 상호작용하는 위치와 그 강도를 동시에 최적화할 수 있는 새로운 패러다임의 필요성을 제기합니다.

2. 제안된 방법론 및 시스템 모델 (Methodology)

가. 시스템 모델: FARIS (Fluid-Active RIS)

• 개념: FARIS 는 유체형 포트 재배치 (Fluid Port Repositioning) 와 요소별 능동 증폭 (Per-element Active Amplification) 을 통합한 새로운 RIS 아키텍처입니다.
• 하드웨어 구조:
  • $M$개의 후보 포트 중 $M_o$개의 포트가 선택되어 활성화됩니다.
  • 선택된 각 요소는 유동적 이동성 (지정된 서브영역 내 위치 조정) 과 능동 반사 (증폭 및 위상 조정) 기능을 동시에 수행합니다.
  • 비활성화된 요소는 부합 부하 (Matched Load) 에 연결되어 신호를 흡수하며, 이는 간섭을 방지하고 전력 소모를 관리합니다.
• 전력 소비 모델: 논리는 제어/스위칭 전력 ($P_c$) 과 능동 반사에 필요한 DC 바이어스 전력 ($P_{DC}$) 을 포함하는 회로 수준의 모델을 정립했습니다. 이는 실제 하드웨어 제약을 반영합니다.

나. 최적화 문제

• 목표: 평균 채널 용량 (Ergodic Rate) 을 최대화합니다.
• 변수:
  1. 연속 변수: 증폭 및 위상 벡터 ($v = g_i e^{j\phi_i}$).
  2. 이산 변수: 유체 포트의 선택 ($S_{M_o}$).
• 제약 조건: 총 전력 예산, 최대 증폭 이득, 포트 개수 제한 등.
• 문제 특성: 혼합 정수 비볼록 (Mixed-Integer Non-Convex) 문제로, 직접적인 해법이 어렵습니다.

다. 제안된 알고리즘: 교대 최적화 (Alternating Optimization, AO) 프레임워크

문제를 해결하기 위해 두 단계로 나누어 반복적으로 최적화하는 AO 프레임워크를 개발했습니다.

1. 고정된 포트 선택 ($S_{M_o}$) 에 대한 증폭/위상 설계:

   • Sample Average Approximation (SAA): 기대값을 샘플 평균으로 근사화합니다.
   • Quadratic Transform: 분수형 목적 함수를 볼록한 2 차 형식으로 변환합니다.
   • Semidefinite Relaxation (SDR): 랭크 1 제약을 완화하여 반양정 (PSD) 행렬 문제로 변환 후, 가우시안 랜덤화 (Gaussian Randomization) 와 크기 투영 (Magnitude Projection) 을 통해 해를 복원합니다.
   • 수렴성: 이 과정은 목적 함수를 단조 증가시킵니다.

2. 고정된 증폭/위상 ($v$) 에 대한 포트 선택:

   • Cardinality-Constrained Cross-Entropy Method (CEM): 베르누이 분포를 사용하여 포트 선택 확률을 업데이트합니다.
   • 엘리트 샘플링: 높은 성능을 보이는 포트 조합 (Elite Set) 의 통계적 특성을 반영하여 선택 확률을 갱신합니다.
   • 라그랑주 승수법: 포트 개수 제약 ($M_o$) 을 만족하도록 단일 라그랑주 승수를 통해 최적 선택 확률을 폐형식 (Closed-form) 으로 유도합니다.

3. 주요 기여 (Key Contributions)

1. FARIS 프레임워크 제안: 공간적 이동성과 능동 증폭을 통합한 최초의 RIS 패러다임을 정립하고, 회로 수준의 전력 소비 모델을 포함한 정교한 신호 모델을 제시했습니다.
2. 효율적인 AO 알고리즘 개발: 혼합 정수 비볼록 문제를 해결하기 위해 SAA, 2 차 변환, CEM 을 결합한 알고리즘을 설계했습니다. 이는 이론적으로 단조 수렴을 보장하며, 계산 복잡도를 다항 시간 (Polynomial-time) 수준으로 낮췄습니다.
3. 성능 및 효율성 입증: 기존 PRIS, ARIS, FRIS 및 AF 릴레이와 비교하여, 더 적은 수의 활성 요소나 더 작은 물리적 개구면 (Aperture) 으로도 훨씬 높은 데이터 전송률을 달성함을 시뮬레이션을 통해 입증했습니다.

4. 시뮬레이션 결과 (Results)

• 근사 최적 성능: 제안된 AO 프레임워크는 완전 탐색 (Brute-Force Search, BFS) 과 비교하여 계산 부하를 획기적으로 줄이면서도, 평균적으로 0.48~0.69 bps/Hz 의 미미한 손실만 발생하며 거의 최적의 성능을 달성했습니다.
• 수렴성: 15~20 회 이내의 반복으로 빠르게 수렴하며, 포트 수 ($M_o$) 가 증가함에 따라 탐색 공간이 커지지만 여전히 실용적인 수렴 속도를 보입니다.
• 성능 우위:
  • FARIS vs ARIS/FRIS: FARIS 는 ARIS 보다 높은 전송률을 제공하며, 특히 FRIS 대비 더 작은 개구면에서도 우수한 성능을 보입니다. (예: $P=25$ dBm 일 때, $M_o=16$인 FARIS 는 $M_o=81$인 FRIS 보다 약 4.04 bps/Hz 더 높은 성능).
  • 전력 효율성: AF 릴레이 아키텍처에 비해 하드웨어 전력 소모가 현저히 낮으며, ARIS 대비는 약간 높은 전력 소모가 있더라도 그로 인한 성능 향상 (Rate Gain) 이 훨씬 큽니다.
• 포트 선택 패턴: 최적화된 포트 선택은 배열의 중심이 아닌 가장자리 (Boundary) 쪽으로 편향되는 경향을 보였는데, 이는 공간적 상관관계를 줄이고 공간적 다양성 (Spatial Diversity) 을 극대화하기 위함으로 해석됩니다.

5. 의의 및 결론 (Significance)

본 논문은 FARIS를 통해 6G 네트워크의 스마트 라디오 환경을 위한 새로운 패러다임을 제시했습니다.

• 기술적 혁신: 단순히 기존 기술의 조합을 넘어, 유체적 재구성 가능성과 능동 증폭이 상호 보완적으로 작용하여 채널 형상화 (Channel Shaping) 의 공간적 자유도를 극대화함을 증명했습니다.
• 실용성: 복잡한 하드웨어 구조 없이도 높은 데이터 전송률과 에너지 효율성을 동시에 달성할 수 있는 실현 가능한 아키텍처를 제시하여, 향후 6G 시스템의 핵심 구성 요소로서의 가능성을 보여주었습니다.
• 미래 전망: 본 연구는 유체 안테나와 능동 RIS 의 융합이 무선 통신의 한계를 극복하고, 더욱 지능적이고 적응적인 통신 환경을 구축하는 데 중요한 이정표가 될 것입니다.