Cell-Free Massive MIMO-Assisted SWIPT Using Stacked Intelligent Metasurfaces

논문 요약: 셀-프리 대규모 MIMO 기반 SWIPT 시스템에서의 적층 지능형 메타표면 (SIM) 활용

1. 연구 배경 및 문제 정의 (Problem)

• 배경: 사물인터넷 (IoT) 기기의 신뢰성 있는 무선 연결과 에너지 수확 (Energy Harvesting, HE) 수요가 급증함에 따라, 정보와 전력을 동시에 전송하는 동시 무선 정보 및 전력 전송 (SWIPT) 기술이 핵심 연구 분야로 부상했습니다. 이를 위해 셀-프리 대규모 MIMO (CF-mMIMO) 시스템이 주목받고 있으나, 기존 방식은 과도한 에너지 소비와 고가의 RF 체인 등 하드웨어 비용 문제로 지속 가능성이 낮습니다.
• 문제점:
  • 기존 지능형 반사 표면 (RIS) 은 신호 조작을 위한 자유도 (DoF) 가 제한적이며, 복잡한 디지털 프리코딩을 대체하기 어렵습니다.
  • CF-mMIMO 와 SWIPT 를 결합한 시스템에서 접속점 (AP) 의 운영 모드 (정보 전송용 또는 에너지 수확용) 선택, SIM 위상 시프트 (Phase Shift, PS) 최적화, 전력 할당을 동시에 수행하는 문제는 혼합 정수 비볼록 (Mixed-Integer Non-Convex) 최적화 문제로, 기존 최적화 기법 (AO, SCA 등) 으로 해결하기 어렵고 계산 복잡도가 매우 높습니다.
  • 기존 중앙 집중식 학습 (CTCE) 방식은 대규모 네트워크에서 차원의 저주 (Curse of Dimensionality) 로 인해 학습 효율이 떨어지고 프론트홀 (Fronthaul) 오버헤드가 발생합니다.

2. 제안된 방법론 (Methodology)

이 논문은 **적층 지능형 메타표면 (Stacked Intelligent Metasurfaces, SIM)**을 CF-mMIMO SWIPT 시스템에 통합하고, 이를 해결하기 위해 중앙 집중식 학습 - 분산 실행 (CTDE) 기반 심층 강화 학습 (DRL) 프레임워크를 제안합니다.

• 시스템 모델:

  • 여러 개의 AP 가 분산되어 정보 수신기 (IR) 와 에너지 수확 수신기 (ER) 를 동시에 서비스합니다.
  • 각 AP 는 안테나 라도마 (Radome) 내에 다층 구조의 SIM 을 장착하여 전자기파를 직접 조작합니다.
  • PPZF (Protective Partial Zero-Forcing) 프리코딩을 사용하여 IR 간의 간섭을 제거하고, ER 로 향하는 에너지 신호가 IR 을 방해하지 않도록 보호합니다.
  • 비선형 에너지 수확 (NLEH) 모델, 파일럿 오염 (PC), 채널 추정 오차, 장기 통계적 CSI 를 고려한 현실적인 시스템 모델을 구축했습니다.

• 성능 분석:

  • IR 의 도달 가능 스펙트럼 효율 (SE) 과 ER 의 평균 총 수확 에너지 (Sum-HE) 에 대한 **폐형 식 (Closed-form expressions)**을 유도했습니다.

• 최적화 문제 및 DRL 프레임워크 (CTDE):

  • 목표: SE 와 에너지 수확 QoS 제약을 만족하면서 평균 총 수확 에너지를 최대화합니다.
  • CTDE 전략: 중앙 집중식 학습 (Centralized Training) 은 전역 정보를 활용하여 정책을 학습하고, 분산 실행 (Decentralized Execution) 은 각 AP 가 자신의 국부적 관측 (Local Observation) 을 기반으로 독립적으로 행동 (Action) 을 결정합니다.
  • 학습 안정화:
    • 정규화된 결합 보상 함수 (Normalized Joint Reward Function): 수확 에너지 변화량과 SIM 채널의 프로베니우스 노름을 정규화하여 보상 신호의 변동을 줄이고 학습 안정성을 높였습니다.
    • 제약 조건 만족 정규화: 이진 모드 선택, 전력 제약, 위상 시프트 범위를 만족하도록 액션 공간에 스텝 함수, 소프트맥스, 정규화 기법을 적용했습니다.
  • 알고리즘: DDPG (Off-policy) 와 PPO (On-policy) 알고리즘을 적용하여 성능을 비교 검증했습니다.

• 참고 벤치마크 (Convex-based Solution):

  • DRL 의 성능을 비교하기 위해 2 단계 최적화 기법을 개발했습니다.
    1. 휴리스틱 위상 시프트 설계 (HPS): SIM 의 위상 시프트를 층별로 휴리스틱하게 최적화.
    2. 연속적 볼록 근사 (SCA): AP 모드 선택 및 전력 할당 문제를 볼록 최적화 문제로 변환하여 해결.

3. 주요 기여 (Key Contributions)

1. 통계적 CSI 기반 SIM-CF-mMIMO-SWIPT 시스템 제안: 채널 추정 오차, 파일럿 오염, 비선형 에너지 수확 특성을 고려한 시스템 모델을 정립하고, SE 와 Sum-HE 에 대한 폐형 식을 유도했습니다.
2. CTDE 기반 DRL 프레임워크 개발: 고차원 최적화 문제를 해결하기 위해 분산 실행을 통한 차원 축소 전략을 도입하고, 정규화된 보상 함수를 통해 학습 수렴성과 안정성을 크게 향상시켰습니다.
3. 강건한 2 단계 볼록 최적화 벤치마크 제공: 휴리스틱 검색과 SCA 를 결합한 이론적 최적해에 가까운 솔루션을 제안하여 DRL 의 성능을 평가할 수 있는 기준을 마련했습니다.
4. 성능 및 복잡도 분석: 대규모 네트워크 환경에서 제안된 DRL 기반 CTDE 방식이 기존 중앙 집중식 방식 및 볼록 최적화 방식 대비 우수한 확장성과 실시간 적응 능력을 보임을 입증했습니다.

4. 수치적 결과 (Numerical Results)

• SIM 설정의 영향:
  • SIM 의 두께와 층 수 (L) 가 증가할수록 전파 손실이 발생할 수 있으나, **휴리스틱 위상 시프트 (HPS)**를 적용하면 무작위 위상 (RDPS) 보다 SE 와 Sum-HE 가 크게 향상됩니다 (예: 5 층 SIM 에서 HPS 는 EQPS 대비 SE 1.05 배, Sum-HE 1.52 배 개선).
  • 라이시안 계수 (Ricean factor, $\kappa$) 가 증가할수록 (LoS 성분 증가) 수확 에너지가 약 2 배까지 증가하는 것을 확인했습니다.
• DRL 프레임워크 성능:
  • 학습 안정성: 정규화된 보상 함수를 사용하지 않으면 초기 학습 단계에서 손실이 급격히 변동하거나 붕괴되지만, 정규화를 적용하면 안정적인 수렴을 보입니다.
  • CTDE vs CTCE: CTDE (분산 실행) 방식이 CTCE (중앙 집중식 실행) 방식보다 학습 효율이 높고, 추론 (Inference) 시간이 훨씬 짧습니다 (예: AP 40 개 기준 JAPPA 는 826 초, MADDPG 는 0.036 초).
  • 성능 비교: 제안된 MADDPG (CTDE) 는 JAPPA (볼록 최적화) 와 유사한 Sum-HE 성능을 달성하면서도 계산 복잡도가 현저히 낮습니다. 또한, 중앙 집중식 SADDPG 보다 SE 에서 약 15% 더 우수한 성능을 보였습니다.
• 확장성: AP 수가 증가할수록 볼록 최적화 기법의 계산 시간이 기하급수적으로 증가하는 반면, DRL 기반 CTDE 는 실시간 추론이 가능하여 대규모 네트워크에 적합합니다.

5. 의의 및 결론 (Significance)

이 논문은 SIM 기술을 CF-mMIMO SWIPT 시스템에 성공적으로 통합하여 에너지 효율성과 데이터 전송률을 동시에 극대화하는 새로운 아키텍처를 제시했습니다. 특히, 기존 최적화 기법의 한계를 극복하고 대규모 네트워크의 복잡성을 처리하기 위해 CTDE 기반 DRL을 도입한 것은 중요한 진전입니다.

• 실용성: 복잡한 수학적 최적화 없이 실시간으로 최적의 자원 할당과 위상 제어를 수행할 수 있어, 차세대 6G 네트워크의 에너지 자급자족 및 고효율 통신 구현에 기여합니다.
• 향후 연구 방향: 근거리 (Near-field) 전파 환경, 풀 듀플렉스 (Full-duplex) SWIPT, 채널 노화 (Channel Aging) 효과 등을 고려한 연구로 확장할 수 있음을 제시했습니다.

이 연구는 하드웨어 비용 절감, 에너지 효율성 향상, 그리고 지능형 무선 자원 관리의 새로운 패러다임을 제시한다는 점에서 학술적, 산업적 가치가 매우 높습니다.