RIS-Enabled Wireless Channel Equalization: Adaptive RIS Equalizer and Deep Reinforcement Learning

논문 요약: RIS 기반 무선 채널 등화: 적응형 RIS 등화기 및 심층 강화학습

1. 문제 정의 (Problem Definition)

• 배경: 재구성 가능 지능형 표면 (RIS) 은 무선 전파 환경을 재구성하여 커버리지를 확장하고 간섭을 완화할 수 있는 유망한 기술입니다. 그러나 광대역 링크에서 다중 경로로 인한 펄스 왜곡 (ISI, 심볼 간 간섭) 을 보상하기 위한 **신호 등화 (Equalization)**를 위해 대규모 수동 (Passive) RIS 배열을 구성하는 실용적인 방법은 제한적입니다.
• 핵심 과제:
  • 기존 적응형 필터링은 수신 후 디지털 베이스밴드 처리를 수행하지만, RIS 는 수신 전에 신호를 보정하는 '공중 등화기 (Over-the-air Equalizer)' 역할을 해야 합니다.
  • 기존 방법론들은 정확한 채널 상태 정보 (CSI) 에 의존하는데, RIS 를 경유하는 캐스케이드 채널 (BS-RIS-UE) 의 높은 차원과 동적 환경으로 인해 CSI 획득에 따른 오버헤드가 막대합니다.
  • 수동 RIS 하드웨어의 비선형성, 결합 효과, 주파수 의존성 등을 고려할 때 모델 기반 접근법의 한계가 존재합니다.

2. 방법론 (Methodology)

저자들은 RIS 를 등화기로 활용하는 두 가지 접근법을 제안하고 비교 분석했습니다.

A. 적응형 RIS 등화 (ARISE - Adaptive RIS Equalization)

• 개념: 캐스케이드 채널 (BS-RIS-UE) 의 추정 정보를 활용하여 RIS 반사 계수를 최적화하는 최강하강법 (Steepest Descent, SD) 기반 알고리즘입니다.
• 작동 원리:
  • 수신된 펄스 응답을 목표 신호 (단일 펄스) 와 비교하여 오차 신호를 계산합니다.
  • 캐스케이드 채널 행렬 ($h_{BRU}$) 에 대한 명시적인 지식을 바탕으로 RIS 반사 계수 ($\Gamma$) 를 업데이트합니다.
  • 등화 (ISI 제거) 와 신호 증폭 (SNR 향상) 사이의 균형을 조절하기 위해 스케일링 변수 ($\alpha_s$) 를 도입했습니다.
• 한계: 정확한 등화를 위해 고차원 채널 행렬의 추정이 필수적이므로, 피트 (Pilot) 전송 및 채널 추정 오버헤드가 크고, 최적화가 시작되기 전까지 지연이 발생합니다.

B. 모델 프리 심층 강화학습 (Model-free DRL)

• 개념: 명시적인 채널 추정 없이 수신된 펄스 응답 (Pulse Response) 을 직접 관측하여 RIS 계수를 최적화하는 모델 프리 (Model-free) 접근법입니다.
• 사용 알고리즘:
  1. DDPG (Deep Deterministic Policy Gradient): 결정적 정책 기반.
  2. TD3 (Twin Delayed DDPG): DDPG 의 과대평가 편향을 해결하기 위한 두 개의 크리틱 네트워크 도입.
  3. SAC (Soft Actor-Critic): 최대 엔트로피 강화학습을 도입하여 탐험 (Exploration) 과 활용 (Exploitation) 의 균형을 자동 조절하는 확률적 정책 기반.
• 작동 원리:
  • 상태 (State): 수신된 펄스 응답의 실수/허수 성분을 입력으로 사용.
  • 행동 (Action): RIS 의 반사 계수 (실수/허수) 를 직접 출력.
  • 보상 (Reward): 수신된 펄스의 메인 탭 강도와 ISI 잔여 에너지를 기반으로 한 정규화된 목적 함수 ($\eta_n$).
  • 채널 추정이 필요 없으므로, 최소한의 샘플만으로도 즉시 최적화 시작이 가능합니다.

3. 주요 기여 (Key Contributions)

1. RIS 기반 등화 및 증폭 프레임워크 수립: 수동 RIS 의 물리적 제약 하에서 펄스 응답 등화와 신호 증폭 문제를 공식화했습니다.
2. ARISE 알고리즘 개발: 캐스케이드 채널 추정을 기반으로 한 SD 기반 등화 알고리즘을 유도하고, 기존 SD 와의 차이점 및 복잡도/트레이드오프를 분석했습니다.
3. 모델 프리 DRL 방법론 적용: 채널 추정 오버헤드를 제거한 DDPG, TD3, SAC 알고리즘을 RIS 제어에 적용했습니다.
4. 종합적 비교 분석: 수렴 행동, 계산 복잡도, 통신 복잡도, 등화 성능, 다양한 채널 환경 및 RIS 크기에 따른 강건성을 비교했습니다.
5. SAC 의 실용성 입증: SAC 가 ARISE 와 동등한 성능을 내면서도 구현 복잡도가 낮고 실시간 제어에 적합함을 증명했습니다.

4. 실험 결과 (Results)

다양한 시뮬레이션 환경 (다양한 채널 조건, RIS 크기, Rician 계수 등) 에서 다음과 같은 결과가 도출되었습니다.

• 성능 비교:
  • SAC는 ARISE 와 비교해 매우 빠른 수렴 속도와 안정적인 성능을 보였습니다. 특히 동적 환경 (사용자 이동) 에서도 ARISE 수준의 등화 성능을 유지했습니다.
  • TD3는 SAC 보다 수렴이 느리지만 안정적이었으며, DDPG는 지역 최적점에 갇히는 경향이 있어 성능이 낮았습니다.
  • ARISE는 신호 증폭 측면에서 약 3dB 더 높은 이득을 보였으나, 이는 채널 추정 오버헤드를 감수해야 하는 대가였습니다.
• 복잡도 및 오버헤드:
  • ARISE: 채널 추정 (CSI) 이 필수적이므로 통신 오버헤드가 크고, RIS 크기가 커질수록 채널 추정 비용이 기하급수적으로 증가합니다.
  • DRL (특히 SAC): 명시적인 채널 추정이 불필요하여 통신 오버헤드가 극도로 낮습니다. 계산 복잡도는 신경망 추론에 국한되므로 확장성이 뛰어납니다.
• 환경 변화에 대한 강건성:
  • 다중 경로 수 ($n_r$) 가 증가하거나 RIS 요소 수 ($M$) 가 커져도 SAC 는 ARISE 와 유사한 성능을 유지했습니다.
  • Rician 계수 ($\kappa$) 가 낮은 (Rayleigh 우세) 환경에서는 DRL 알고리즘들의 성능이 다소 저하되었으나, SAC 는 여전히 ARISE 와 유사한 등화 능력을 보여주었습니다.

5. 의의 및 결론 (Significance & Conclusion)

• 실용적 솔루션 제시: 이 연구는 RIS 를 단순한 빔포밍 장치를 넘어, **실시간으로 채널 왜곡을 보정하는 '공중 등화기'**로 활용할 수 있음을 입증했습니다.
• DRL 의 우위성: 특히 SAC(Soft Actor-Critic) 알고리즘은 복잡한 채널 모델링이나 피트 전송 없이도, 수신된 신호 패턴만으로 RIS 를 빠르게 최적화할 수 있어, 차세대 무선 시스템 (6G 등) 의 동적 환경에서 가장 실용적이고 확장 가능한 솔루션으로 평가됩니다.
• 미래 전망: 단일 안테나 및 선형 배열 (ULA) 에서의 연구를 넘어, 다중 사용자, MIMO 시스템, 그리고 실제 하드웨어의 비선형성을 고려한 연구로 확장될 필요가 있음을 제언했습니다.

핵심 요약: 이 논문은 전통적인 채널 추정 기반 방법 (ARISE) 의 높은 오버헤드 문제를 해결하기 위해, **모델 프리 심층 강화학습 (특히 SAC)**을 RIS 제어에 적용함으로써, 채널 추정 없이도 ARISE 수준의 우수한 등화 성능을 달성할 수 있음을 증명했습니다. 이는 차세대 무선 통신 시스템에서 RIS 의 실시간 제어 및 배포를 위한 중요한 이정표가 됩니다.