⚡ electrical engineering

Deep Learning based Three-stage Solution for ISAC Beamforming Optimization

본 논문은 채널 특징 추출, 강화 학습을 통한 빔 패턴 최적화, 지도 학습을 통한 빔포밍 벡터 재구성을 순차적으로 수행함으로써 전력 및 센싱 제약 조건 하에서 총 통신 전송률을 최대화하는 ISAC 빔포밍 최적화를 위한 딥러닝 기반의 3단계 프레임워크를 제안하며, 궁극적으로 빔 패턴 최적화에 집중함으로써 베이스라인 방법들을 능가하는 성능을 보여준다.

원저자: Qian Gao, Ruikang Zhong, Yuanwei Liu

게시일 2026-01-29

📖 3 분 읽기☕ 가벼운 읽기

CC0 1.0

원저자: Qian Gao, Ruikang Zhong, Yuanwei Liu

원본 논문은 CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/)에 따라 공공 도메인에 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

바쁜 무선 기지국(Base Station)을 상상해 보세요. 이 기지국은 두 가지 일을 동시에 수행해야 합니다. 바로 휴대전화와 대화하는 것(통신)과 자동차나 드론 같은 움직이는 물체를 주변에서 스캔하는 것(감지)입니다. 이를 ISAC(통합 감지 및 통신)라고 부릅니다.

문제는 이 두 가지 일을 모두 완벽하게 해내는 것이 매우 어렵다는 점입니다. 기지국은 사용자들과 명확하게 대화하기 위해 "신호 빔"(손전등 빛과 같은 역할)을 정확히 조절해야 하는 동시에, 레이더 에코(반사파)가 충분히 강해서 타겟을 잘 포착할 수 있도록 조절해야 합니다. 만약 조절을 잘못하면 대화에 잡음이 섞이거나, 레이더가 자동차를 놓치게 됩니다.

전통적으로 완벽한 조절 값을 찾아내는 과정은 복잡한 수학적 계산을 필요로 하며, 사용자나 안테나가 늘어날수록 속도가 느려지고 점점 더 어려워집니다. 이 논문의 저자들은 이를 해결하기 위해 딥러닝을 활용한 더 똑똑한 방법, 즉 3단계 프로세스로 나누어진 새로운 방식을 제안합니다.

이들의 솔루션이 어떻게 작동하는지 일상적인 비유를 통해 설명해 드리겠습니다.

3단계 "셰프의 주방" 접근 방식

전체 요리(최종 신호)를 한 번에 거대하고 혼란스럽게 만드는 대신, 그들은 과정을 세 개의 전문화된 스테이션으로 나눕니다.

1단계: "요약가" (비지도 학습)

문제점: 기지국은 환경에 대한 방대한 양의 가공되지 않은 데이터(채널 상태 정보 또는 CSI)를 받습니다. 이는 마치 셰프가 날씨, 식재료, 고객의 기분까지 적힌 500페이지짜리 책을 한꺼번에 건네받는 것과 같습니다. 너무 많은 양이라 빠르게 처리하기가 불가능합니다.
해결책: 첫 번째 모듈은 오토인코더(Autoencoder)(AI의 한 종류)입니다. 이것은 마치 초고속 사서와 같아서, 500페이지의 책을 빠르게 읽고 가장 중요한 핵심 내용만을 담은 한 페이지짜리 요약본을 작성합니다.
결과: 시스템은 이제 산더미 같은 원시 데이터 대신, 압축되고 이해하기 쉬운 환경에 대한 "치트 시트(요약 노트)"를 갖게 됩니다.

2단계: "설계자" (강화 학습)

문제점: 이제 시스템은 빔을 어디로 향하게 할지 결정해야 합니다. 만약 모든 개별 안테나의 설정값을 직접 계산하려고 한다면, 이는 마치 벽돌 하나하나의 색깔을 결정하면서 건물을 설계하려는 것과 같습니다. 너무 복잡하고 배우기 어렵습니다.
해결책: 두 번째 모듈은 강화 학습(Reinforcement Learning)(시행착오를 통해 배우는 AI)을 사용합니다. 이 AI는 개별 안테나(벽돌)에 신경 쓰는 대신, **설계도(Beampattern)**를 그리는 설계자 역할을 합니다.
비유: 설계자는 구체적인 나사에 신경 쓰지 않습니다. 그저 건물의 형태를 그릴 뿐입니다. "레이더를 위해 북쪽으로 강한 빔을 보내고, 휴대폰을 위해 동쪽으로 넓은 빔을 보내겠다"라고 결정하는 식입니다.
왜 더 좋은가: AI 입장에서 모든 안테나의 배선을 배우는 것보다 좋은 설계도를 그리는 법을 배우는 것이 훨씬 쉽습니다. 이 덕분에 학습 과정이 더 빠르고 안정적이 됩니다.

3단계: "건축가" (지도 학습)

문제점: 설계자가 완벽한 설계도(Beampattern)를 그렸지만, 실제 안테나라는 건설팀에게는 이를 어떻게 구현할지에 대한 구체적인 지침이 필요합니다. 그들은 설계도를 보고 단순히 "짐작"해서 만들 수 없으며, 정확한 좌표가 필요합니다.
해결책: 세 번째 모듈은 지도 학습(Supervised Learning) 네트워크입니다. 이것은 수천 개의 설계도를 공부하여 어떤 나사와 부품을 사용해야 하는지 정확히 알고 있는 숙련된 건축가와 같습니다.
결과: 이 AI는 2단계에서 받은 "설계도"를 가져와서 즉시 모든 안테나를 위한 구체적인 설정값으로 변환합니다.

왜 기존 방식보다 더 나은가요?

이 논문은 새로운 "3단계" 방식과, 모든 것을 한 번에 처리하려고 시도하는(마치 레시피 없이 요리하려는 셰프처럼) "베이스라인(Baseline)" 방식을 비교합니다.

빠른 학습: 데이터를 먼저 요약함으로써(1단계), AI가 과부하에 걸리지 않도록 합니다.
더 똑똑한 결정: 아주 작은 디테일이 아닌 "설계도"에 집중함으로써(2단계), AI가 신호의 '형태'를 훨씬 더 잘 학습합니다. 이는 마치 특정 바퀴를 그리기 전에 원을 그리는 법을 먼저 배우는 것과 같습니다.
더 나은 결과: 시뮬레이션 결과, 이 팀 기반의 접근 방식(요약가 + 설계자 + 건축가)이 기존 방식보다 더 높은 "점수"(더 많은 데이터 전송 및 더 나은 감지 성능)를 달elle 성취했습니다.

핵심 요약

이 논문은 6G 네트워크가 대화와 감지를 동시에 할 수 있을 만큼 똑똑해지려면, 단순히 컴퓨터에 가공되지 않은 데이터를 던져주는 방식으로는 부족하다고 주장합니다. 대신 다음과 같이 해야 합니다:

복잡한 데이터를 요약한다.
신호의 형태인 설계도를 만든다.
그 설계도에 기반하여 구체적인 안테나 설정을 구축한다.

이러한 "분할 정복(Divide and Conquer)" 전략은 AI를 사용하여 시스템을 더 빠르고, 효율적이며, 더 뛰어난 성능을 내도록 만듭니다.

기술 요약: ISAC 빔포밍 최적화를 위한 딥러닝 기반 3단계 솔루션

1. 문제 정의

본 논문은 전이중(Full-Duplex, FD) 통합 센싱 및 통신(ISAC) 시스템에서의 빔포밍 최적화 과제를 다룹니다. 이 시나리오에서 균일 선형 배열(ULA)을 갖춘 기지국(BS)은 동일한 시공간 자원을 사용하여 여러 단일 안테나 사용자들과 동시에 통신하는 동시에, 여러 타겟에 대해 레이더 센싱을 수행합니다.

핵심 목표는 두 가지 중요한 제약 조건을 준수하면서 모든 사용자의 총 통신 전송률(sum communication rate)을 최대화하는 것입니다:

송신 전력 제약: 총 전력 예산은 최대 제한치( $P_{max}$ )를 초 exceed해서는 안 됩니다.
센싱 전송률 제약: 각 타겟은 타겟 탐지 확률의 대리 지표 역할을 하는 최소 센싱 전송률( $\Gamma_{sen}^{req}$ )을 달성해야 합니다.

저자들은 기존의 딥러닝(DL) 기반 빔포밍 방식의 한계를 다음과 같이 지적합니다. 채널 상태 정보(CSI)를 빔포밍 벡터로 직접 매핑하는 방식은 다음의 문제를 가집니다:

고차원성: 최적화 변수 공간이 안테나 및 사용자 수에 따라 급격히 증가하여 계산 복잡도와 학습 난이도를 높입니다.
해석 가능성 부족: 벡터를 직접 최적화하면 기저에 깔린 빔포밍 동작(예: 지향성 및 간섭 패턴)을 이해하거나 제어하기 어렵습니다.
복잡성: 전통적인 볼록 최적화(Convex Optimization) 방법은 고차원의 비볼록(Non-convex) 시나리오에서 계산적으로 불가능해질 수 있습니다.

2. 방법론: 3단계 프레임워크

저자들은 이러한 한계를 극로하기 위해 빔포밍 최적화 문제를 세 개의 별도 하위 모듈로 분해하는 3단계 솔루션을 제안합니다. 이 프레임워크는 문제를 직접적인 벡터 최적화에서 특징 추출(Feature Extraction), 빔패턴 최적화(Beampattern Optimization), 그리고 벡터 재구성(Vector Reconstruction)을 포함하는 보다 구조화된 프로세스로 변환합니다.

모듈 1: 비지도 학습 기반 CSI 특징 추출

목표: 고차원의 가변적인 CSI 데이터를 필수 정보를 보존하면서 고정된 크기의 잠재 특징(Latent Features)으로 압축하는 것입니다.
기법: **오토인코더(Autoencoder, AE)**가 사용됩니다.
- 입력: CSI 데이터셋은 다운링크 채널( $h_k$ ), 업링크 채널( $g_{l,t}$ ), 레이더 채널( $g_{l,r}$ ), 그리고 잔류 자기 간섭 채널( $H_{SI}$ )을 포함합니다. 이 복소 행렬들은 벡터화되어 실수부와 허수부로 분리되어 실수 값 입력 벡터를 형성합니다.
- 과정: 인코더는 고차원 CSI를 저차원의 잠재 특징 벡터( $f$ )로 매핑합니다. 디코더는 $f$ 로부터 원래의 CSI를 재구성하려고 시도합니다.
- 학습: 네트워크는 원래의 CSI와 재구성된 CSI 사이의 평균 제곱 오차(MSE)를 최소화함으로써 비지도 방식으로 학습됩니다.
- 사용: 테스트/최적화 단계에서는 새로운 CSI 입력으로부터 특징을 추출하기 위해 인코더만 사용됩니다.

모듈 2: 강화 학습(RL) 기반 빔패턴 최적화

목표: 빔포밍 벡터를 직접 찾는 대신, 추출된 특징을 바탕으로 최적의 빔패턴(각도에 따른 전력 분포)을 탐색하는 것입니다.
기법: Advantage Actor-Critic (A2C) 알고리즘이 사용됩니다.
- 상태 ( $s_t$ ): 추출된 CSI 특징( $f_t$ )과 이전 타임 슬롯의 총 통신 전송률( $R_{com}^{t-1}$ )로 구성됩니다.
- 행동 ( $a_t$ ): 에이전트는 복소 빔포밍 벡터를 출력하는 대신 빔패턴 샘플을 출력합니다. 행동 공간은 세 가지 특정 빔패턴에 대해 각도 영역(-90° ~ 90°)에서 샘플링된 $A$ $A$ 개의 이산 이득(Gain) 값들로 구성됩니다:
  1. 통신 빔패턴 ( $p_w$ )
  2. 센싱 빔패턴 ( $p_v$ )
  3. 수신 빔패턴 ( $p_u$ )
- 보상 ( $r$ ): 통신 및 센싱 전송률 제약 조건이 모두 충족되면 통신 전송률의 합에 보상을 주는 구간 함수(Piecewise function)입니다. 센싱은 충족되었으나 통신이 충족되지 않은 경우 0을 할당하며, 두 제약 조건 중 하나라도 위반되면 -1을 할당합니다.
- 장점: 빔패턴 도메인에서 최적화를 수행하면 안테나 수나 사용자 수와 관계없이 행동 공간의 크기가 고정( $A$ )되므로, 학습 안정성과 일반화 성능이 향상됩니다.

모듈 3: 지도 학습 기반 빔포밍 재구성

목표: RL 에이전트가 생성한 최적화된 빔패턴으로부터 실제 송수신 빔포밍 벡터를 재구성하는 것입니다.
기법: 지도 학습 기반의 심층 신경망(DNN)이 역함수 $G^{-1}$ $G^{- 1}$ 을 근사합니다.
- 과정: 빔패턴-투-벡터 매핑의 해석적 역함수는 (복잡한 응답 표면으로 인해) 다루기 어렵기 때문에, 이를 학습하기 위한 DNN이 훈련됩니다.
- 데이터셋: 무작위로 빔포밍 벡터를 생성하고, 전력 제약을 만족하도록 정규화한 뒤, 그에 해당하는 빔패턴을 계산하여 (입력: 빔패턴, 출력: 빔포밍 벡터) 쌍으로 구성하여 생성합니다.
- 사용: 테스트 단계에서 사전 훈련된 재구성 네트워크는 RL 에이전트의 빔패턴 출력을 받아 구현을 위한 대응 빔포밍 벡터를 즉시 생성합니다.

3. 주요 기여

본 논문은 다음과 같은 기여를 주장합니다:

문제 정식화: 전이중 ISAC 시스템을 위해 센싱 전송률 및 전력 제약 조건 하에서 총 통신 전송률을 최대화하는 결합 최적화 문제를 정식화했습니다. 이 문제는 어레이 응답 벡터를 통해 빔포밍 벡터 최적화에서 빔패턴 최적화로 변환되었습니다.
3단계 프레임워크: 문제를 다음 세 단계로 분해하는 새로운 프레임워크를 설계했습니다:
- 비지도 CSI 특징 추출 (AE 사용).
- RL 기반 빔패턴 최적화 (A2C 사용).
- 지도 학습 기반 빔포밍 재구성 (DNN 사용).
성능 및 해석 가능성: 제안된 솔루션은 특징 추출을 통해 일반화 성능을 높이고, 빔패턴 도메인에서 최적화를 수행함으로써 학습 안정성을 개선하며, 직접적인 벡터 최적화보다 더 나은 해석 가능성을 제공합니다.

4. 수치 결과

시뮬레이션은 $N_t = N_r = 4$ 안테나, $K=2$ 사용자, $L=1$ 타겟인 시나리오에서 수행되었습니다. 결과는 다음을 강조합니다:

특징 크기: 잠재 특징 크기 16이 압축과 성능 사이에서 최적의 절충안을 제공했습니다. 더 작은 크기(예: 4)는 정보 손실을 일으켰고, 더 큰 크기(예: 64)는 과적합 또는 느린 수렴을 유발했습니다.
빔패턴 해상도: 720개의 샘플 포인트가 가장 높은 성능을 제공했으나, 360개 또한 수렴 속도와 보상 사이의 좋은 균형을 보여주었습니다.
절제 연구 (Ablation Study):
- Case 0 (베이스라인): CSI에서 빔포밍 벡터로 직접 RL 적용. 약 170 에피소드에서 수렴하며 보상은 ~800 달성.
- Case 1 (특징 추출만 적용): 유사한 성능을 보이면서도 더 빠르게(~130 에피소드) 수렴하여, 특징 압축의 효율성을 입증함.
- Case 2 (빔패턴 최적화만 적용): 학습은 더 느렸지만 결국 베이스라인을 능가함(보상 >850). 이는 빔패턴이 RL 에이전트가 최적화하기에 더 직관적임을 검증함.
- Case 3 (전체 3단계 적용): 특징 추출의 효율성과 빔패턴 최적화의 구조적 이점을 결합하여 최상의 성능(보상 >900)을 달고 달성함.

5. 의의 및 주장

본 논문은 제안된 3단계 솔루션이 빔포밍 벡터를 직접 최적화하는 베이스라인 RL 알고리즘보다 우수하다고 결론짓습니다. 본 연구의 의의는 고차원의 비해석적 벡터를 최적화하는 것에서 구조적이고 직관적인 빔패턴을 최적화하는 것으로의 전환에 있습니다. 빔패턴의 최적화와 빔포밍 벡터 생성을 분리함으로써, 프레임워크는 다음과 같은 효과를 얻습니다:

복잡도 감소: RL 행동 공간의 차원을 낮춤.
안정성 향 향상: 더 안정적인 학습 역학 제공.
해석 가능성: 중간 단계인 빔패턴 표현을 통해 시스템의 공간 필터링 동작을 더 잘 이해할 수 있음.

저자들은 이 접근 방식이 안테나 및 사용자 수가 증가함에 따라 전통적인 볼록 최적화가 너무 복잡해지고 직접적인 DL 매핑이 학습 및 해석하기 어려워지는 상황에서 특히 유리하다고 주장합니다.