Over-The-Air Extreme Learning Machines with XL Reception via Nonlinear Cascaded Metasurfaces

이 논문은 **2026 년 취리히 정보통신 국제 세미나 (IZS)**에 초청된 발표로, 초대형 (XL) MIMO 시스템을 활용하여 **에지 추론 (Edge Inference)**을 수행하는 새로운 아키텍처를 제안합니다. 저자들은 **비선형 캐스케이드 메타표면 (Nonlinear Cascaded Metasurfaces)**을 사용하여 무선 신호 처리를 통해 **극한 학습기 (Extreme Learning Machine, ELM)**를 구현하는 오버 - 더 - 에어 (OTA, Over-The-Air) 컴퓨팅 방식을 제시합니다.

다음은 논문의 문제 정의, 방법론, 주요 기여, 결과 및 의의에 대한 상세한 기술적 요약입니다.

1. 문제 정의 (Problem)

• 목표 지향 통신 (Goal-Oriented Communications) 의 필요성: 차세대 무선 네트워크는 데이터 전송 자체보다 수신된 데이터로부터 특정 작업 (예: 분류, 감지) 을 수행하는 '목표 지향 통신'이 요구됩니다. 이를 위해 송수신기를 엔드 - 투 - 엔드 머신러닝 (ML) 모델로 통합하는 에지 추론 (EI) 이 필요합니다.
• 기존 방식의 한계:
  • 기존 OTA 컴퓨팅은 주로 선형 연산에 국한되거나, 디지털 처리를 병행하여 계산 효율성이 낮습니다.
  • 기존 MS 기반 DNN 구현은 대부분 선형 연산만 지원하여 비선형성 (Non-linearity) 이 부족하고, 복잡한 RF 체인 (RF chains) 이나 비선형 전력 증폭기를 사용하여 하드웨어 복잡도가 높습니다.
  • 기존 XL-MIMO-ELM 연구 [11] 는 채널을 은닉층 가중치로 사용하지만, 실수 신호 제약과 하드웨어 복잡성 문제로 확장성에 한계가 있었습니다.
• 핵심 과제: 디지털 처리 없이 무선 전파 영역 (RF domain) 에서만 비선형 활성화 함수와 가중치 학습을 수행하여, 하드웨어 복잡도를 낮추면서도 디지털 ML 모델과 유사한 성능을 내는 OTA 학습 시스템 구축.

2. 방법론 (Methodology)

제안된 시스템은 XL-MIMO-ELM 아키텍처로, 송신기 (TX) 와 수신기 (RX) 간의 무선 채널과 메타표면 (MS) 을 신경망의 구성 요소로 활용합니다.

A. 시스템 아키텍처

1. 송신기 (TX): 입력 데이터 $x$를 진폭 변조 (AM) 신호 $\bar{x}$로 변환하여 송신합니다.
2. 무선 채널 (MIMO Channel): 채널 응답 $H$는 은닉층의 랜덤 가중치 역할을 합니다. (레이리 페이딩 환경 가정)
3. 수신기 (RX) 구조:
   • 전면 메타표면 (Front MS Layer): 고정된 비선형 (NL) 응답을 가진 단위 셀들로 구성됩니다. 이는 ELM 의 활성화 함수 (Activation Function) 역할을 수행합니다.
     • 구체적으로, 입력 신호의 크기에 따라 문턱값 (bias) 을 가진 ReLU 와 유사한 함수를 구현합니다.
   • 캐스케이드 선형 메타표면 (Cascaded Linear MSs): 전면 NL 층 뒤에 여러 개의 선형 MS 층이 적층됩니다 (Stacked Intelligent Metasurfaces, SIM).
     • 이 층들의 가변적인 위상/진폭 조절을 통해 학습된 ELM 가중치를 OTA 방식으로 근사합니다.
   • 단일 RF 체인: 모든 층을 통과한 신호는 단일 안테나와 RF 체인으로 수렴하여 최종 출력을 생성합니다.

B. 학습 알고리즘 (Two-Step Training)

시스템은 두 단계로 학습됩니다:

1. 이상적인 가중치 계산 (Closed-form Solution):
   • 입력 데이터와 NL 활성화 함수를 적용한 신호 행렬 $G$를 구성합니다.
   • 최소 제곱법 (Least Squares) 을 사용하여 이상적인 출력 가중치 $w^*$를 **폐쇄형 (Closed-form)**으로 계산합니다 (Tikhonov 정규화 적용).
2. MS 파라미터 최적화 (Approximation via PGD):
   • 물리적 제약으로 인해 $w^*$를 직접 적용할 수 없으므로, 캐스케이드 MS 의 가변 파라미터 (위상 $\theta_l$, 진폭 $\alpha_l$) 를 조정하여 $w^*$를 근사합니다.
   • **투사된 경사 하강법 (Projected Gradient Descent, PGD)**을 사용하여 MS 응답이 $w^*$를 최대한 잘 모사하도록 최적화합니다.

3. 주요 기여 (Key Contributions)

1. 비선형 캐스케이드 메타표면 기반 ELM 구현: 기존 선형 MS 기반 OTA 컴퓨팅의 한계를 극복하고, 전면 층의 고정된 비선형 소자를 통해 활성화 함수를 RF 영역에서 직접 구현했습니다.
2. 단일 RF 체인 아키텍처: 기존 XL-MIMO-ELM 이 요구하던 다수의 RF 체인 대신, 단일 RF 체인으로 전체 시스템을 구성하여 하드웨어 복잡도와 비용을 획기적으로 줄였습니다.
3. 폐쇄형 학습 및 빠른 재조정: 은닉층 가중치 (채널) 를 랜덤으로 고정하고 출력층 가중치만 폐쇄형으로 학습하는 ELM 특성을 활용하여, 채널 변화에 따른 빠른 재학습 (Re-tuning) 이 가능합니다.
4. 이론적 기반 및 보편적 근사성: 초대형 (XL) MIMO 환경에서 채널의 풍부한 산란 (Rich Scattering) 이 보편적 근사 정리 (Universal Approximation Theorem) 의 조건을 만족함을 논의했습니다.

4. 실험 결과 (Results)

저자들은 파킨슨병 데이터, WBCD(유방암 진단), MNIST(손글씨 숫자) 등 다양한 이진 분류 데이터셋을 사용하여 시뮬레이션을 수행했습니다.

• 성능 비교:
  • 제안된 OTA 가중치 (OTA weights) 방식은 이상적인 디지털 가중치 (Ideal weights) 방식과 매우 유사한 분류 정확도를 달성했습니다.
  • XL MIMO 요소 수 ($N_r$) 가 증가할수록 정확도가 향상되어, 디지털 DNN 의 성능 한계에 근접했습니다.
• 채널 환경 영향:
  • 레이리 페이딩 (Rich Scattering): 채널이 충분히 다양할 때 가장 높은 성능을 보였습니다.
  • 라이시안 페이딩 (LoS Dominant): 직진성 (LoS) 이 강해지거나 채널 다양성이 부족하면 분류 정확도가 감소하는 경향을 보였습니다 (랜덤 특징 추출 능력 저하).
• 확장성: XL 영역 (수백 개의 MS 요소) 에서 시스템이 디지털 ML 모델과 경쟁 가능한 성능을 입증했습니다.

5. 의의 및 결론 (Significance & Conclusion)

• 하드웨어 효율성: 복잡한 디지털 신호 처리와 다수의 RF 체인 없이, 메타표면의 물리적 특성을 활용하여 ML 추론을 수행함으로써 에너지 효율성과 하드웨어 복잡도를 크게 낮췄습니다.
• 실시간 OTA 추론: 무선 채널의 변화에 따라 폐쇄형 해법으로 빠르게 재학습이 가능하여, 동적인 무선 환경에서의 실시간 에지 추론에 적합합니다.
• 미래 무선 시스템의 방향성: 본 연구는 무선 통신 시스템이 단순한 데이터 전송 매체를 넘어, **계산 기능 (Computing)**을 내장한 지능형 인프라로 진화할 수 있음을 보여주며, 6G 및 그 이상의 차세대 통신 시스템 설계에 중요한 통찰을 제공합니다.

요약하자면, 이 논문은 메타표면 기술과 극한 학습기 (ELM) 를 결합하여, 단일 RF 체인으로 비선형 OTA 컴퓨팅을 실현하는 획기적인 아키텍처를 제안하고, 이를 통해 디지털 ML 과 유사한 성능을 달성할 수 있음을 수치적으로 입증했습니다.