Near-Field Multiuser Beam Training for XL-MIMO: An End-to-End Interference-Aware Approach with Pilot Limitations

이 논문은 제한된 파일럿 자원 하에서 XL-MIMO 의 근거리 다중 사용자 빔 트레이닝 문제를 해결하기 위해, 간섭을 고려한 엔드투엔드 딥러닝 프레임워크 (DL-IABT) 를 제안하여 소수의 업링크 측정값으로부터 아날로그 빔 인덱스를 직접 예측하고 최적의 합 용량을 달성함을 보여줍니다.

핵심

🎵 비유: 거대한 콘서트 홀과 지휘자

상상해 보세요. 아주 거대한 콘서트 홀 (기지국) 이 있고, 그 안에 수백 개의 작은 스피커 (안테나) 가 빽빽하게 붙어 있습니다. 그리고 이 홀에는 여러 명의 청중 (사용자) 이 앉아 있습니다.

1. 문제: "어디서 소리를 맞춰야 할까?" (빔 트레이닝의 어려움)

• 기존 방식: 지휘자 (통신 시스템) 는 각 청중에게 소리를 정확히 맞추기 위해, 모든 스피커 조합을 하나씩 시도해 보며 "여기 소리가 잘 들리나요?"라고 물어봐야 합니다.
• 근거리 문제: 청중들이 무대 바로 앞 (근거리) 에 있으면, 소리가 구형으로 퍼지기 때문에 각 청중의 위치 (거리) 를 정확히 파악해야 합니다.
• 혼란: 청중이 8 명이고 스피커 조합이 수천 가지라면, 지휘자가 하나씩 확인하는 데는 엄청난 시간이 걸립니다. 이 시간 동안 음악 (데이터) 을 멈춰야 하므로, 실제 음악이 들리는 시간은 매우 짧아집니다.

2. 새로운 해결책: "AI 지휘자의 직관" (DL-IABT)
이 논문은 "일일이 다 확인하지 말고, AI 지휘자가 청중의 작은 신호만 보고 바로 최적의 스피커 조합을 골라라"라고 제안합니다.

• 작은 신호만 듣기 (Pilot Limitations): 지휘자가 모든 청중에게 큰 소리로 물어보지 않고, 아주 짧은 신호 (파일럿) 만 보내서 반응을 봅니다.
• AI 의 직관 (Deep Learning): 이 AI 는 과거에 수많은 청중들의 반응 데이터를 학습했습니다. 그래서 "아, 저쪽 3 번 청중은 약간 왼쪽을 보고 있고, 5 번 청중은 무대 뒤쪽을 보고 있네?"라고 순간적으로 판단합니다.
• 간단한 도구 사용 (Far-field Codebook): 근거리의 복잡한 소리를 분석하기 위해 거대한 계산기를 쓸 필요 없이, 각 스피커 그룹 (서브어레이) 에는 미리 준비된 간단한 '소음 조절기 (코드북)'만 사용하면 된다는 아이디어를 썼습니다.

3. 핵심 기술: "서로 방해하지 않게 조율하기" (Interference-Aware)

• 문제: 한 청중에게 소리를 너무 크게 보내면, 옆에 앉은 다른 청중의 소리가 들리지 않을 수 있습니다 (간섭).
• 해결: 이 AI 지휘자는 한 명만 잘 들리게 하는 게 아니라, 모두가 동시에 잘 들으면서 서로의 소리를 방해하지 않는 최적의 조합을 찾아냅니다. 마치 지휘자가 오케스트라 전체의 균형을 잡는 것처럼요.

4. 결과: "더 많은 음악, 더 적은 준비 시간"

• 기존 방식: 모든 조합을 확인하는 데 시간이 너무 오래 걸려서, 실제 음악을 듣는 시간 (유효 전송률) 이 줄어듭니다.
• 이 논문의 방식: AI 가 순식간에 정답을 찾아내므로, 준비 시간 (파일럿 오버헤드) 을 획기적으로 줄였습니다. 그 결과, 같은 시간 동안 더 많은 음악을 (데이터를) 전달할 수 있게 되었습니다.

---

💡 한 줄 요약

"수천 개의 안테나를 가진 거대한 통신 시스템에서, 일일이 확인하는 비효율적인 방식을 버리고, AI 가 청중의 작은 신호만 보고 서로 방해하지 않는 최적의 안테나 조합을 '직관'으로 찾아내어, 통신 속도를 극대화하고 준비 시간을 줄인 혁신적인 방법입니다."

이 기술은 앞으로 6G 통신처럼 거대한 안테나를 사용하는 환경에서, 데이터가 막히지 않고 빠르게 흐르도록 도와줄 핵심 열쇠가 될 것입니다.

기술 요약

논문 개요

이 논문은 극대규모 MIMO (XL-MIMO) 시스템, 특히 근거리 (Near-field) 전파 환경과 제한된 파일럿 자원 하에서 다중 사용자 간섭 (MUI) 을 고려한 효율적인 빔 트레이닝 (Beam Training, BT) 문제를 해결하기 위해 제안된 **딥러닝 기반의 엔드 - 투 - 엔드 (E2E) 프레임워크 (DL-IABT)**를 다룹니다.

1. 문제 정의 (Problem Statement)

• 근거리 전파의 복잡성: XL-MIMO 시스템은 안테나 어레이가 매우 크기 때문에 사용자와 안테나 사이의 거리가 근거리 영역에 위치할 수 있습니다. 이 경우 전파가 평면파가 아닌 구면파 (Spherical wave) 로 전파되므로, 빔 트레이닝 시 각도 (Angle) 뿐만 아니라 거리 (Range) 차원도 고려해야 합니다. 이로 인해 탐색 공간이 기하급수적으로 증가합니다.
• 파일럿 자원의 제한: 기존 코드북 기반의 빔 스윕핑 (Beam Sweeping) 방식은 모든 가능한 빔 조합을 탐색해야 하므로, 서브 - 연결 (Sub-connected) 하이브리드 빔포밍 아키텍처에서 다중 사용자 환경 시 파일럿 오버헤드가 너무 커져 실용성이 떨어집니다.
• 단계별 설계의 한계: 기존 방식은 아날로그 빔과 디지털 빔을 분리하여 설계하는 경우가 많습니다. 1 단계에서 단일 사용자 빔 이득을 최대화하는 아날로그 빔을 선택한 후 2 단계에서 디지털 프리코딩을 수행하는데, 이는 다중 사용자 간섭 (MUI) 을 시스템 차원에서 최적화하지 못해 전체 합률 (Sum-rate) 이 저하될 수 있습니다.

2. 제안된 방법론 (Methodology)

저자들은 **DL-IABT (Deep-Learning-based Interference-Aware Multiuser Beam Training)**라는 새로운 프레임워크를 제안했습니다.

가. 시스템 모델 및 근사화

• 서브 - 연결 하이브리드 빔포밍: 안테나 어레이를 여러 서브어레이로 나누고, 각 서브어레이는 독립적인 RF 체인을 가지는 구조를 가정합니다.
• 근거리 - 원거리 근사화: 큰 ULA 를 여러 서브어레이로 분할하면, 각 서브어레이의 개구면 (Aperture) 이 작아져 근거리 구면파를 **원거리 평면파 (Far-field plane wave)**로 근사할 수 있습니다. 이를 통해 기존의 원거리 코드북을 서브어레이 수준에서 적용하여 탐색 공간을 줄였습니다.

나. 엔드 - 투 - 엔드 학습을 위한 손실 함수 설계

• MMSE 기반의 대리 손실 함수 (Surrogate Loss): 합률 (Sum-rate) 을 직접 최적화하는 것은 비볼록 (Non-convex) 이고 이산적인 코드북 제약으로 인해 학습이 어렵습니다.
• KKT 조건 활용: 디지털 프리코더 ($F_{BB}$) 를 KKT 조건을 기반으로 한 폐쇄형 MMSE (Minimum Mean Square Error) 해법으로 제거합니다.
• 변형 MSE (Variant-MSE): 디지털 프리코더를 대입하여 아날로그 빔 ($F_{RF}$) 만을 학습하는 손실 함수를 유도합니다. 이 손실 함수는 명시적으로 다중 사용자 간섭을 고려하며, 채널 행렬의 조건 수 (Condition number) 와 상관관계가 있어 합률 최대화와 밀접한 연관이 있습니다.

다. 네트워크 아키텍처

제안된 신경망은 다음과 같은 구성 요소로 이루어져 있습니다:

1. 복소수 감지 프론트엔드 (Complex-valued Sensing Front-end): 업링크 파일럿 측정값을 물리적 센싱 인터페이스와 유사하게 모사하는 가중치 편향 없는 복소수 그룹 컨볼루션 레이어를 사용하여, 실제 수신 신호 ($Y_{UL}$) 를 입력으로 받습니다.
2. 공유 복소수 특징 인코더 (Shared Complex-valued Encoder): 각 사용자의 측정 데이터를 공유하는 MLP 를 통해 압축된 임베딩으로 변환합니다.
3. 간섭 인지 다중 사용자 예측기 (Interference-Aware Multiuser Predictor): Transformer 기반의 자기 주의 (Self-attention) 메커니즘을 사용하여 사용자 간의 상호작용 (Coupling) 을 학습합니다. 이를 통해 개별 사용자가 아닌 시스템 전체의 간섭을 고려한 빔을 예측합니다.
4. 확장 가능한 빔 선택 헤드 (Scalable Beam Selection Head): 이산적인 빔 인덱스 선택을 가능하게 하기 위해 Gumbel-Softmax 리랙세이션 기법을 적용합니다. 이를 통해 역전파 (Backpropagation) 가 가능해지고, 서브어레이 수에 비례하여 출력 차원이 선형적으로 확장됩니다.

3. 주요 기여 (Key Contributions)

1. 제한된 파일럿 하의 E2E 최적화: 단계별 (Stage-wise) 설계가 아닌, 아날로그 빔 선택과 디지털 프리코딩을 통합적으로 고려하는 엔드 - 투 - 엔드 학습 프레임워크를 최초로 제안했습니다.
2. 간섭 인지 학습: KKT 조건 기반의 MMSE 해법을 손실 함수에 통합하여, 네트워크가 명시적으로 다중 사용자 간섭을 억제하는 빔을 학습하도록 유도했습니다.
3. 근거리 환경의 효율적 처리: 서브어레이 수준의 근사화를 통해 복잡한 근거리 채널을 원거리 코드북으로 처리하여 계산 복잡도를 낮추면서도 높은 정확도를 유지했습니다.
4. 확장성: Transformer 와 Gumbel-Softmax 를 결합하여 사용자 수와 코드북 크기가 증가해도 모델 크기와 학습 효율성을 유지하도록 설계했습니다.

4. 실험 결과 (Simulation Results)

• 합률 성능: 제안된 DL-IABT 는 이상적인 CSI(채널 상태 정보) 를 가진 최적화 (Ideal PCSI AO) 성능에 근접하며, 노이즈가 있는 채널 추정 기반의 기존 최적화 (Noisy NCSI AO) 보다 훨씬 우수한 성능을 보입니다. (예: 20dB SNR 에서 46.33 bps/Hz 달성)
• 유효 스루풋 (Effective Throughput): 파일럿 오버헤드를 고려한 '유효 합률'에서 DL-IABT 는 압도적인 우위를 보입니다. 기존 방식 (Radix-4 BT, MLP 등) 은 파일럿 오버헤드가 커져 성능이 급격히 떨어지는 반면, DL-IABT 는 적은 파일럿으로 높은 성능을 유지합니다.
• 코드북 크기 확장성: 코드북 크기가 커질수록 기존 AO 방식은 파일럿 오버헤드 증가로 인해 성능이 0 에 수렴하는 반면, DL-IABT 는 코드북 크기가 커져도 안정적인 성능을 유지하여 높은 빔 해상도 환경에서도 확장성이 뛰어납니다.

5. 의의 및 결론 (Significance)

이 논문은 XL-MIMO 시스템이 직면한 근거리 전파의 복잡성과 제한된 파일럿 자원이라는 두 가지 주요 과제를 딥러닝을 통해 해결했습니다. 특히, 서브 - 연결 아키텍처와 다중 사용자 환경을 동시에 고려하여, 기존 방식보다 훨씬 적은 파일럿 오버헤드로 시스템 전체의 합률을 극대화할 수 있음을 증명했습니다. 이는 6G 및 차세대 초고대역 무선 통신 시스템에서 빔 트레이닝의 실용성을 높이는 중요한 기여로 평가됩니다.