⚡ electrical engineering

Realization of a Fully Connected Neural Layer Over-the-Air through Multi-hop Amplify-and-Forward Relays

이 논문은 다중 홱 증폭 - 전달 릴레이를 활용한 무선 오버 - 더 - 에어 컴퓨팅을 통해 신경망의 완전 연결 계층을 구현하고, 송수신기 및 릴레이 이득을 최적화하여 거의 완벽한 분류 정확도를 달성하는 방법을 제안합니다.

원저자: Tolga Girici, Meng Hua, Deniz Gündüz

게시일 2026-03-24

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Tolga Girici, Meng Hua, Deniz Gündüz

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

이 논문은 **"와이파이 신호를 이용해 인공지능 (AI) 의 두뇌 작업을 직접 수행하는 새로운 방법"**에 대한 연구입니다.

기존의 방식은 데이터를 디지털로 변환해 서버로 보내고, 서버가 계산한 뒤 다시 결과를 보내는 방식이라 속도가 느리고 전기를 많이 먹습니다. 하지만 이 논문은 **"공기 중을 떠다니는 전파 그 자체를 계산 도구로 쓰자"**는 아이디어를 제시합니다.

이 복잡한 내용을 일상적인 비유로 쉽게 설명해 드릴게요.

🏗️ 비유: 거대한 '신호 합성 공장'을 짓는 이야기

상상해 보세요. 여러분이 거대한 건물을 짓기 위해 설계도 (데이터) 를 가지고 있습니다. 이 설계도를 완성된 건물 (AI 의 판단 결과) 로 바꾸려면, 수많은 공돌이 (계산기) 들이 열심히 일해야 합니다.

1. 문제: 먼 거리와 전파의 한계

기존 방식은 설계도를 종이에 적어 우편으로 보냅니다 (디지털 전송). 하지만 우편은 시간이 걸리고, 우편물이 찢어지거나 (노이즈) 분실될 수 있습니다. 또한, 거리가 너무 멀면 우편 비용 (전력) 이 너무 많이 듭니다.

2. 해결책: '증폭 중계기' 팀을 투입하다

이 논문은 우편을 보내는 대신, **중간중간에 '전파 증폭 팀 (Relay)'**을 배치하는 방식을 제안합니다.

시작점 (송신기): 설계도를 전파로 쏩니다.
중간 (중계기): 전파를 받아서 "아, 이 신호가 약해졌네? 조금 더 크게 부풀려서 다음 팀에게 넘겨줘!"라고 합니다. (이를 **증폭 - 전달 (Amplify-and-Forward)**이라고 합니다.)
도착점 (수신기): 마지막 팀이 모든 전파를 받아 합쳐서, 마치 AI 가 계산한 것처럼 결과를 만들어냅니다.

3. 핵심 기술: "공기 중의 합성" (Over-the-Air Computing)

여기서 가장 신기한 점은, 각 중계기들이 단순히 신호를 크게만 하는 게 아니라 정교하게 조절한다는 것입니다.

마치 오케스트라 지휘자가 각 악기 (중계기) 에게 "너는 소리를 조금 더 높게, 너는 조금 더 낮게" 지시하듯, 송신기와 수신기가 중계기들에게 신호를 조절하라고 명령합니다.
이렇게 조절된 전파들이 공기 중에서 서로 섞이면서 (합성되면서), 마치 복잡한 수학 공식을 풀고 있는 것처럼 AI 가 필요한 계산 (Fully Connected Layer) 을 자동으로 수행하게 됩니다.

🚀 이 연구가 왜 중요한가요?

1. "직접 연결이 끊겨도 괜찮아요!"

보통 전파는 직진성이 강해서 장애물이 있으면 끊깁니다. 하지만 이 연구는 **여러 단계 (Multi-hop)**로 중계기를 거치도록 설계했습니다.

비유: 산을 넘어가는 길에 터널이 막혔다고 해서 포기하지 않고, 작은 길들을 여러 번 거쳐서 목적지에 도달하는 것처럼, 중계기들이 사다리를 이어서 멀리 떨어진 곳까지 신호를 전달합니다.

2. "전파가 계산기를 대신해요"

기존에는 전파를 받아서 숫자로 바꾸고, 컴퓨터로 계산하고, 다시 전파로 보내는 과정이 필요했습니다. 하지만 이 방식은 전파가 섞이는 과정 자체가 계산이 됩니다.

비유: 커피를 만들 때, 원두를 갈고 (디지털 변환), 물을 붓고 (전송), 커피를 내리고 (계산) 하는 대신, 원두 가루와 물이 섞이는 순간 커피가 완성되는 것과 같습니다. 훨씬 빠르고 에너지도 아낄 수 있습니다.

3. "거의 완벽한 결과"

시뮬레이션 결과, 이 방식을 사용하면 디지털 컴퓨터가 계산한 결과와 거의 똑같은 정확도를 얻을 수 있었습니다.

특히 중계기를 2~3 단계를 거치도록 배치하면, 거리가 아무리 멀어도 (200m 이상) AI 가 옷의 종류를 구분하거나 사물을 인식하는 정확도가 매우 높게 유지되었습니다.

💡 요약: 이 기술이 가져올 미래

이 기술이 실용화되면 다음과 같은 변화가 일어날 수 있습니다:

초고속 AI: 자율주행차나 증강현실 (AR) 안경이 클라우드 서버를 기다리지 않고, 바로 주변 전파를 이용해 실시간으로 판단할 수 있습니다.
전기 절약: 복잡한 계산을 위한 거대한 서버가 필요 없어져서 에너지 효율이 극대화됩니다.
스마트 도시: 수많은 IoT 기기들이 서로 전파를 주고받으며 스스로 지능적인 결정을 내릴 수 있게 됩니다.

한 줄 요약:

"이 연구는 전파를 단순한 '정보 전달 수단'이 아니라, '계산 그 자체'로 활용하는 혁신적인 방법을 찾아냈으며, 여러 중계기를 통해 먼 거리에서도 AI 가 아주 정확하게 작동하게 만들었습니다."

논문 요약: 다중 홉 증폭 - 전파 (AF) 릴레이를 통한 오버 - 더 - 에어 (OTA) 완전 연결 신경망 계층 구현

1. 연구 배경 및 문제 정의 (Problem)

배경: AR/VR, 자율 주행, 대규모 IoT 등 현대 엣지 애플리케이션은 낮은 지연 시간과 엄격한 에너지 제약을 요구합니다. 클라우드 기반의 디지털 추론은 무거운 행렬 연산으로 인해 지연과 에너지 소비가 큽니다.
문제: 오버 - 더 - 에어 (OTA) 컴퓨팅은 무선 채널 자체를 곱셈/누적 (MAC) 연산에 활용하여 양자화 및 패킷화 오버헤드를 제거할 수 있습니다. 기존 연구들은 주로 단일 홉 (Single-hop) 또는 2 홉 (Two-hop) 시스템을 다루었으며, 다중 홉 (Multi-hop) 환경에서의 신경망 계층 구현은 연구되지 않았습니다.
목표: 다중 안테나 송수신기 (MIMO) 와 여러 개의 증폭 - 전파 (Amplify-and-Forward, AF) 릴레이 장치를 사용하여, 완전 연결 (Fully Connected, FC) 신경망 계층을 OTA 방식으로 구현하고 그 정확도를 최적화하는 것입니다. 특히 직접 링크 (Direct Link) 가 차단되거나 채널 랭크 (Rank) 가 부족한 경우에도 높은 성능을 내는 것이 핵심 과제입니다.

2. 시스템 모델 및 방법론 (Methodology)

시스템 구성:
- 송신기 (BS): $N_t$ 개의 안테나를 가진 기지국.
- 릴레이: $L$ 개의 릴레이 그룹으로 구성된 $K$ 개의 단일 안테나 AF 릴레이 장치. 각 그룹은 시계열 (TDMA) 방식으로 채널에 접근합니다.
- 수신기 (Rx): $N_r$ 개의 안테나를 가진 단말기.
- 채널: BS 에서 첫 번째 릴레이 그룹, 릴레이 간, 그리고 마지막 릴레이 그룹에서 Rx 로 이어지는 다중 홉 채널 ( $H_1, H_2, \dots, H_{L+1}$ ) 과 선택적인 직접 링크 ( $H_0$ ) 를 포함합니다.
신호 처리:
- 입력 신호 $x$ 는 BS 에서 프리코딩 행렬 $F_1$ 을 거쳐 전송됩니다.
- 각 릴레이 그룹은 수신된 신호를 복소수 가중치 (증폭 이득) $A_l$ 로 증폭하여 다음 단계로 전달합니다.
- 최종 수신기에서는 결합 행렬 (Combiner) $F_2$ 를 사용하여 신호를 처리합니다.
- 전체 시스템의 유효 채널은 $H_{eff} = H_0 + H_{L+1}A_L \dots A_1H_1$ 로 정의되며, 이는 디지털 FC 계층의 가중치 행렬 $W$ 를 모방하도록 설계됩니다.
최적화 문제:
- 목적: 디지털 FC 계층의 동작 ($y = Wx + b$) 을 모방하는 오차 (Imitation Error) 와 수신기에서의 노이즈 전파를 최소화하는 것.
- 변수: BS 프리코더 ( $F_1$ ), 수신기 결합기 ( $F_2$ ), 각 릴레이 그룹의 증폭 이득 ( $A_l$ ).
- 제약 조건: 송신기 전력 제약 및 각 릴레이 장치의 전력 제약.
해법 (Alternating Optimization, AO):
- 비볼록 (Non-convex) 인 전체 문제를 해결하기 위해 교대 최적화 (AO) 프레임워크를 제안했습니다.
- Step 1: $F_2$ 와 $\{A_l\}$ 를 고정하고 $F_1$ 을 최적화 (라그랑주 승수법 사용).
- Step 2: $F_1$ 과 $\{A_l\}$ 를 고정하고 $F_2$ 를 최적화 (폐쇄형 해 도출).
- Step 3: $F_1, F_2$ 와 다른 릴레이 이득을 고정하고 특정 릴레이 그룹의 이득 $A_l$ 을 최적화 (최소 제곱법 및 정규화 적용).
- 이 과정은 수렴할 때까지 반복됩니다.

3. 주요 기여 (Key Contributions)

다중 홉 OTA FC 구현: 기존에 연구되지 않았던 다중 홉 AF 릴레이를 활용한 OTA 신경망 계층 구현을 최초로 제안했습니다.
랭크 및 거리 문제 해결: 직접 링크가 차단되거나 밀리미터파 대역에서 채널 랭크가 부족한 경우, 다중 홉 릴레이를 통해 유효 채널의 랭크를 향상시키고 수신 SNR 을 개선할 수 있음을 보였습니다.
효율적인 최적화 알고리즘: 프리코더, 결합기, 릴레이 이득을 동시에 최적화하여 모방 정확도를 극대화하는 AO 알고리즘을 개발했습니다.
노이즈 관리: 다중 홉에서 누적되는 노이즈를 고려한 정규화 (Regularization) 기법을 도입하여 릴레이 이득의 폭발을 방지하고 안정성을 확보했습니다.

4. 실험 결과 (Numerical Results)

시뮬레이션 환경: 패션-MNIST 데이터셋을 기반으로 한 신경망, 28GHz 주파수, 3GPP UMi Street Canyon 경로 손실 모델 사용.
주요 발견:
- 높은 정확도: 2~3 개의 릴레이 그룹 ( $L=2, 3$ ) 을 사용할 경우, 직접 링크가 차단된 상황에서도 디지털 베이스라인 (84.5%) 과 거의 동일한 분류 정확도를 달성했습니다.
- 멀티홉의 이점: 단일 릴레이 그룹 ( $L=1$ ) 은 넓은 영역에서 정확도가 낮았으나, 그룹 수를 늘릴수록 전송 거리가 짧아지고 노이즈 누적이 감소하여 정확도가 크게 향상되었습니다.
- 전력 제약: 릴레이 전력이 충분할 때 ( $P_k=1W$ ) 는 높은 정확도를 보였으나, 전력이 매우 낮을 때 ( $P_k=0.01W$ ) 는 성능이 급격히 저하되고 변동성이 커졌습니다.
- 직접 링크의 영향: 직접 링크가 존재하더라도 다중 홉 릴레이 시스템이 전체 모방 정확도의 대부분을 담당하며, 직접 링크는 약 1% 정도의 추가 향상만 제공했습니다.
- 안정성: 릴레이 수 ( $K$ ) 가 12 개 이상일 때, 오차 범위가 매우 작아 시스템이 매우 안정적임을 확인했습니다.

5. 의의 및 결론 (Significance & Conclusion)

기술적 의의: 이 연구는 무선 채널을 계산 자원으로 활용하는 OTA 컴퓨팅의 범위를 확장하여, 물리적 거리와 경로 손실이 큰 환경에서도 신경망 추론이 가능함을 입증했습니다.
실용성: 다중 안테나 기지국과 저비용 AF 릴레이를 활용하여 고비용의 재구성 가능 지능 표면 (RIS) 없이도 고차원 신경망 계층을 구현할 수 있는 대안을 제시했습니다.
향후 과제: 릴레이 간 동기화 오차, 에너지 효율성, 대규모 릴레이 환경에서의 최적 릴레이 선택, 에너지 하베스팅 릴레이 적용 등이 향후 연구 과제로 제시되었습니다.

결론적으로, 본 논문은 다중 홉 AF 릴레이를 활용한 OTA 완전 연결 계층 구현을 통해, 엣지 AI 추론의 지연과 에너지 문제를 해결할 수 있는 강력한 가능성을 보여주었습니다.