Set Transformer-Based Beamforming Design for Cell-Free Integrated Sensing and Communication

1. 연구 배경 및 문제 정의 (Problem)

• 배경: 차세대 무선 네트워크의 핵심 기술인 셀-프리 통합 감지 및 통신 (CF-ISAC) 시스템은 분산된 액세스 포인트 (AP) 를 통해 통신과 감지 기능을 통합합니다. 이는 간섭 완화, 채널 경화, 다중 정적 감지 정밀도 향상 등의 이점을 제공합니다.
• 문제점:
  • 기존 최적화 기반 방법 (CCPA, ALM-MO 등): 반정규 완화 (SDR), 볼록-오목 절차 (CCPA), 라그랑주 승수법 (ALM) 등 전통적인 최적화 기법은 높은 계산 복잡도와 반복적인 수렴 과정을 요구합니다. 또한, 초기값에 민감하고 국소 최적해에 갇힐 위험이 있으며, 대규모 네트워크에서 확장성이 떨어집니다.
  • 기존 학습 기반 방법 (CNN, GNN):
    • CNN: 장거리 상호작용 (Long-range interactions) 을 포착하는 데 한계가 있으며, 격자 구조에 의존합니다.
    • GNN: 사전 정의된 그래프 토폴로지에 의존하여 국소적인 노드 간 정보 교환만 가능하므로, 분산된 AP, 사용자, 표적 간의 전역적 (Global) 상호작용을 모델링하기 어렵습니다.
  • 핵심 과제: CF-ISAC 시스템의 AP, 사용자, 표적은 순서가 없는 집합 (Unordered Set) 을 형성하며, 물리적 위치의 인덱싱이 의미하지 않습니다. 따라서 **순열 불변성 (Permutation Invariance)**을 유지하면서 전역적 의존성을 학습할 수 있는 새로운 프레임워크가 필요합니다.

2. 제안된 방법론 (Methodology)

저자들은 **STCIB (Set Transformer-based CF-ISAC Beamforming)**라는 새로운 프레임워크를 제안했습니다. 이는 Set Transformer (ST) 아키텍처를 ISAC 빔포밍 설계에 최초로 적용한 것입니다.

• 핵심 아키텍처: Set Transformer (ST)
  • 순열 불변성 (Permutation Invariance): 입력 데이터 (AP, 사용자, 표적 채널) 의 순서가 바뀌어도 출력이 동일하게 유지되도록 설계되었습니다. 이는 CF-ISAC 시스템의 본질적인 특성과 부합합니다.
  • 전역 자기 주의 (Global Self-Attention): 모든 네트워크 엔티티가 서로에게 주의를 기울일 수 있게 하여, 사전 정의된 그래프나 격자 구조 없이도 전역적 상호작용을 포착합니다.
  • 구조:
    • 인코더: 유도 집합 주의 블록 (Induced Set Attention Blocks, ISAB) 을 사용하여 입력 집합을 저차원 잠재 표현으로 매핑합니다.
    • 디코더: 멀티헤드 어텐션 풀링 (PMA) 과 집합 주의 블록 (SAB) 을 통해 특징을 집계하고 빔포밍 벡터를 생성합니다.
• 학습 방식 (Unsupervised Learning):
  • 레이블이 있는 데이터가 필요 없으며, **커스텀 손실 함수 (Custom Loss Function)**를 직접 정의하여 학습합니다.
  • 손실 함수: 통신 속도 ($R_C$) 와 감지 속도 ($R_S$) 를 최대화하는 목적 함수를 음수 (Negative) 로 설정하고, 통신/감지 QoS 제약 조건 및 전송 전력 제약을 페널티 항 (Penalty term) 으로 포함합니다.
  • 전력 제약 처리: 출력 단계에서 Lambda 레이어를 사용하여 전송 전력 제약을 엄격하게 준수하도록 강제합니다.
• 시스템 모델:
  • 다중 전송 AP (TAP) 와 수신/감지 AP (RAP) 로 구성된 CF-MIMO 시스템.
  • 공간 상관 리시안 (Rician) 페이딩 채널 및 채널 추정 오차 (Imperfect CSI) 를 고려합니다.
  • 통신과 감지 (목표 및 클러터) 신호 모델을 통합합니다.

3. 주요 기여 (Key Contributions)

1. 최초의 Set Transformer 기반 CF-ISAC 프레임워크: 순열 불변성을 가진 Set Transformer 를 도입하여, 분산된 AP, 사용자, 표적 간의 전역적 관계를 명시적으로 모델링하고 학습합니다.
2. 다양한 운영 모드 지원:
   • 감지 중심 (SC): 통신 QoS 제약 하에 감지 합계 속도 최대화.
   • 통신 중심 (CC): 감지 요구사항 제약 하에 통신 합계 속도 최대화.
   • 공동 최적화 (Joint): 가중 합을 통한 통신 및 감지 성능 동시 최적화.
3. 실용적인 채널 추정 통합: 이상적인 채널 상태 정보 (CSI) 가 아닌, 실제적인 채널 추정 (MMSE) 및 오차를 고려하여 학습 및 추론을 수행합니다.
4. 압도적인 성능 및 효율성: 기존 최적화 알고리즘 및 CNN 기반 학습 모델 대비 뛰어난 성능과 낮은 계산 복잡도를 입증했습니다.

4. 실험 결과 (Numerical Results)

시뮬레이션은 CCPA(볼록-오목 절차), ALM-MO(증강 라그랑주 다양체 최적화), CNN 기반 학습 모델을 벤치마크로 사용했습니다.

• 성능 향상 (Performance Gain):
  • 공동 설계 (Joint, $\eta=0.4$): CNN 대비 감지 합계 속도가 14.82%, 통신 합계 속도가 31.60% 향상되었습니다.
  • 감지 중심 (SC, 통신 임계값 3.0 bps/Hz): CCPA 및 ALM-MO 대비 감지 속도가 각각 4.45%, 5.9% 향상되었습니다.
  • 통신 중심 (CC, 감지 임계값 0.5 bps/Hz): CCPA 및 ALM-MO 대비 통신 속도가 각각 3.2%, 3% 향상되었습니다.
• 계산 복잡도 및 실행 시간 (Complexity & Runtime):
  • 온라인 실행 시간: STCIB 는 CCPA 및 ALM-MO 대비 수백 배에서 수천 배 ($10^{-3} \sim 10^{-4}$ 수준) 빠른 실행 시간을 보입니다.
    • 예: 4 사용자 환경에서 STCIB 는 CCPA 의 0.01%, ALM-MO 의 0.39% 시간만 소요됩니다.
  • CNN 대비: STCIB 는 CNN 보다 실행 시간이 약 **0.26%**만 증가하지만, 성능은 훨씬 뛰어납니다.
• 국소화 정확도 (Localization): MUSIC 알고리즘을 이용한 각도 추정에서 STCIB 는 다른 모든 방법 (CCPA, ALM-MO, CNN) 보다 낮은 RMSE (Root Mean Square Error) 를 기록하여 더 정확한 표적 위치 추정을 가능하게 했습니다.
• 강건성 (Robustness): 채널 추정 오차 (CSI imperfection) 가 존재하는 상황에서도 성능 저하가 미미하여 강건한 것으로 확인되었습니다.

5. 의의 및 결론 (Significance & Conclusion)

• 패러다임 전환: CF-ISAC 빔포밍 설계에 대해 반복적인 수치 최적화 (Iterative Optimization) 에서 **데이터 기반의 순열 불변 학습 (Permutation-Invariant Learning)**으로의 전환을 주도합니다.
• 확장성: 네트워크 규모 (AP 수, 사용자 수) 가 증가하더라도 계산 복잡도가 선형 또는 이차적으로만 증가하여 대규모 셀-프리 네트워크에 적합합니다.
• 실용성: 레이블 데이터 없이 학습 가능하며, 훈련된 모델을 다양한 채널 상태에 대해 실시간 (Real-time) 으로 적용할 수 있어 차세대 지능형 무선 시스템의 핵심 기술로 평가됩니다.

요약하자면, 이 논문은 Set Transformer의 강력한 전역 주의 메커니즘을 활용하여, 기존 최적화 기법의 계산 비용 문제와 기존 딥러닝 기법의 국소적 상호작용 한계를 동시에 해결한 고성능, 저복잡도 CF-ISAC 빔포밍 솔루션을 제시했습니다.