Hybrid-Field Channel Estimation for XL-MIMO Systems: Dictionary-based Sparse Signal Recovery

기술 요약: XL-MIMO 시스템을 위한 하이브리드 필드 채널 추정

문제 정의
초대형 다중 입출력(XL-MIMO) 시스템은 미래 6G 네트워크의 핵심으로서, 스펙트럼 효율과 공간 해상도 측면에서 상당한 이득을 제공한다. 그러나 XL-MIMO의 거대한 안테나 개구부(aperture)는 기존의 원거리 장(far-field, FF) 평면파 가정이 많은 산란체에 대해 적용되지 않는 독특한 전파 환경을 생성한다. 대신, FF 평면파와 근거리 장(near-field, NF) 구면파가 공존하는 특징을 가진 하이브리드 필드(hybrid-field, HF) 영역이 나타난다. XL-MIMO의 잠재력을 활용하기 위해서는 정확한 채널 상태 정보(CSI)가 필수적이지만, 각도와 거리 변화를 동시에 모델링해야 하는 특성 때문에 HF 채널을 추정하는 것은 매우 까다롭다.

HF-OMP(Hybrid-Field Orthogonal Matching Pursuit) 및 SGP(Sparse Gradient Projection)와 같은 기존 방식들은 종종 실질적인 한계에 부착한다. 많은 방식이 채널 희소도 수준($L$)과 NF 대 FF 경로의 특정 비율($\gamma$)에 대한 사전 지식을 요구한다. 또한, 매개변수 정밀화를 위해 행렬 유사 역행렬(matrix pseudo-inversion)이나 다차원 경사 하강법(multi-dimensional gradient steps)과 같이 계산 비용이 많이 드는 연산에 의존하기도 한다. 이러한 의존성과 복잡성은 동적인 XL-MIMO 환경에서의 견고한 배포를 저해한다.

방법론
저자들은 $\epsilon$-OMP–SSIGW($\epsilon$-Orthogonal Matching Pursuit with Simplified Sparse Iterative Gridless Weighting)라고 불리는 통합 채널 추정 프레임워크를 제안한다. 이 접근 방식은 HF 채널을 FF 및 NF 성분의 중첩으로 모델링하며, 각도(DFT) 및 극좌표(angle-distance) 도메인 모두에서 존재하는 채널의 고유한 희소성을 활용한다.

핵심 방법론은 다음과 같은 탐욕적(greedy)이고 반복적인 과정을 포함한다:

1. 사전 기반 선택(Dictionary-Based Selection): FF(각도) 및 NF(극좌표) 원자(atom)를 모두 포함하는 결합된 사전이 사용된다. 각 반복 단계에서 현재 잔차(residual)와 가장 상관관계가 높은 원자가 선택된다.
2. 적응형 경로 카운팅(Adaptive Path Counting): 기존 방식들과 달리, 이 알고리즘은 $L$이나 $\gamma$를 입력값으로 요구하지 않는다. 대신, 잔차 기반 정지 규칙($\|r\|^2/N \leq \sigma^2$)을 사용하여 유의미한 경로의 수를 자동으로 결정함으로써, 알려지지 않은 채널 구조에 대해서도 견고하게 동작한다.
3. 단순화된 정밀화(Simplified Refinement, SSIGW): 원자가 선택되면, 그리드 불일치(grid mismatch)를 완화하기 위해 "조 coarse-to-fine" 정밀화를 수행한다.
   • 이득 업데이트(Gain Update): 경로 이득은 단일 열 정밀화 구조로부터 유도된 폐쇄형 스칼라 최소제곱(LS) 해를 사용하여 업데이트되며, 이를 통해 행렬 유사 역행렬 연산을 피한다.
   • 매개변수 정밀화(Parameter Refinement): 각도 및 거리 매개변수는 Armijo 백트래킹 라인 서치를 통해 업데이트되는 스칼라 경사(scalar gradients)를 사용하여 정밀화된다. 이는 복잡한 행렬 경사를 사용하는 이전 연구들과 대조된다.
4. 종료(Termination): 평균 제곱 오차(MSE)가 노이즈 의존 임계값보다 낮아지거나 최대 반복 횟수에 도달할 때까지 프로세스가 반복된다.

주요 기여

• 블라인드 추정(Blind Estimation): 제안된 방법은 전체 희소도 수준($L$)이나 NF/FF 경로 분할 비율($\gamma$)에 대한 사전 지식 없이 작동한다. 오직 노이즈 분산의 추정치만을 필요로 하는데, 이는 실무적으로 획득 가능한 값이다.
• 계산 효율성(Computational Efficiency): 이득 업데이트를 위한 폐쇄형 표현식을 유도하고 매개변수 정밀화를 위해 스칼라 경사를 활용함으로써, 저자들은 SGP나 표준 OMP 변형 모델과 같은 행렬 기반 접근 방식에 비해 반복당 계산 복잡도를 크게 줄였다.
• 통합 HF 모델(Unified HF Model): 본 연구는 두 가지를 별개의 순차적 단계로 처리하는 대신, 단일 희소 회복 문제 내에서 FF 및 NF 성분을 원활하게 처리하는 통합된 추정 프레임워크를 도입한다.
• 견고성(Robustness): 알고리즘은 반복적인 정밀화 메커니즘을 통해 노이즈 분산 불일치 및 그리드 이산화 오류에 대해 견고하게 설계되었다.

결과
비가시 경로(NLoS) 및 혼합 가시/비가시 경로(LoS/NLoS) 조건 모두에서 수치 시뮬레이션을 수행하여, LS, MMSE, HF-OMP 변형 및 HF-SGP 방법을 포함한 8가지 최신 벤치마크와 $\epsilon$-OMP–SSIGW를 비교하였다.

• 정확도(Accuracy): 제안된 추정기는 LoS 및 NLoS 시나리오 모두에서 전체 신호 대 잡음비(SNR) 범위에 걸쳐 가장 낮은 정규화 평균 제곱 오차(NMSE)를 달-성했다. 특히 $L$과 $\gamma$에 대한 사전 지식을 요구하는 방법들보다 우수한 성능을 보였다.
• 복잡도(Complexity): 정밀화된 $\epsilon$-OMP–SSIGP는 기본 $\epsilon$-OMP보다 약간 더 많은 오버헤드를 발생시키지만, HF-SGP 및 전수 조사 기반의 HF-OMP 변형 모델보다는 훨씬 빠르다. 실행 시간은 SNR에 독립적이며 고정된 행렬 연산에 의해 지배되는 것으로 나타났다.
• 적응성(Adaptivity): 시뮬레이션을 통해 추정기가 SNR 및 잔차 기준에 따라 탐지된 경로 수($L_{est}$)를 올바르게 적응시킴을 확인하였으며, 이는 명시적인 $L$ 입력 없이도 기능할 수 있는 능력을 검증한다.

의의
본 논문은 $\epsilon$-OMP–SSIGW 프레임워크가 XL-MIMO 시스템의 HF 채널 추정을 위한 실용적이고 계산 효율적인 솔루션을 제공한다고 주장한다. 채널 희소도 및 경로 비율에 대한 사전 지식의 필요성을 제거하고, 정밀화에 필요한 수학적 연산을 단순화함으로써, 이 방법은 우수한 성능-복잡도 트레이드오프를 달성한다. 저자들은 이러한 특성이 채널 특성이 동적이고 미지의 상태인 실제 배포 환경에 특히 적합하다고 단언한다. 본 연구는 다중 안테나 사용자 단말, 일반적인 배열 기하 구조(UPA) 및 하드웨어 결함 모델링으로의 향후 확장을 위한 토대를 마련한다.