Pilot Allocation for Multi-Hop Over-the-Air Neural Inference under Imperfect CSI

논문 개요

본 논문은 무선 채널의 중첩 (superposition) 성질을 이용하여 신경망 계층을 공중 (Over-the-Air, OTA) 에서 직접 계산하는 OTA 신경 추론 (Neural Inference) 시스템에서, **불완전한 채널 상태 정보 (Imperfect CSI)**가 성능에 미치는 영향을 분석하고, 이를 완화하기 위한 파일럿 (Pilot) 자원 할당 전략을 제안합니다. 특히, 증폭 - 전달 (Amplify-and-Forward, AF) 릴레이를 사용하는 다중 홉 (Multi-hop) 네트워크 환경에서 채널 추정 오차가 누적되는 문제를 해결하기 위한 효율적인 훈련 시간 (Training Time) 분배 방식을 연구합니다.

1. 연구 문제 (Problem Statement)

• OTA 신경망 구현의 한계: OTA 계산은 양자화 및 패킷화 오버헤드를 줄여 저지연 추론을 가능하게 하지만, 신경망 가중치 행렬을 정확하게 모방하려면 모든 링크의 정확한 채널 상태 정보 (CSI) 가 필수적입니다.
• 불완전한 CSI 의 영향: 실제 환경에서는 파일럿 신호를 통한 채널 추정이 필요하며, 이는 본질적으로 오차를 포함합니다. 다중 홉 시스템에서는 각 홉 (hop) 의 채널 추정 오차가 누적되어 전체 시스템의 신경망 추론 정확도가 급격히 저하될 수 있습니다.
• 자원 할당의 딜레마: 제한된 시간/주파수 자원 내에서 각 홉에 할당할 파일럿 (훈련) 시간을 어떻게 분배해야 전체 분류 정확도를 극대화할 수 있는지에 대한 명확한 가이드라인이 부족했습니다. 기존 연구는 대부분 완벽한 CSI 를 가정하거나 단일 홉 환경에 국한되어 있었습니다.

2. 방법론 (Methodology)

가. 시스템 모델

• 구조: 다중 안테나 기지국 (BS) 에서 다중 안테나 수신기 (Rx) 로 가는 경로에 $L$개의 릴레이 그룹이 직렬로 배치된 다중 홉 AF 릴레이 네트워크를 가정합니다.
• 신호 처리: BS 는 프리코딩 (Precoding) 을 수행하고, 각 릴레이 그룹은 수신 신호를 증폭하여 다음 홉으로 전달합니다. 최종 수신기는 결합 (Combining) 행렬을 사용하여 신호를 복원합니다.
• 목표: OTA 채널의 입력 - 출력 관계가 목표하는 완전 연결 (Fully Connected, FC) 신경망 계층 ($y = Wx + b$) 을 최대한 정확히 모방하도록 시스템 파라미터 (프리코더, 릴레이 이득, 결합기) 를 최적화합니다.

나. 채널 추정 및 오차 모델링

• LS 추정: 직교 파일럿 시퀀스를 사용하여 최소제곱법 (Least Squares, LS) 으로 채널을 추정합니다.
• 오차 누적: 다중 홉 구조에서 각 홉의 추정 오차는 다음 홉의 신호에 전달되며, 이는 최종적인 유효 채널 ($H_{eff}$) 의 왜곡과 잡음 증폭을 유발합니다.

다. 제안된 파일럿 할당 전략 (Heuristic Schemes)

총 훈련 시간 ($\tau_{tot}$) 을 각 홉 ($l=0 \sim L$) 에 어떻게 배분할지 결정하기 위해 5 가지 휴리스틱 전략을 제안하고 비교합니다.

1. 균등 초과 할당 (Uniform excess allocation): 초과 훈련 시간을 모든 홉에 균등하게 분배합니다.
2. 최소값 비례 할당 (Proportional-to-minimum allocation): 각 홉의 최소 필요 파일럿 길이 ($\tau^{min}_l$) 에 비례하여 할당합니다.
3. 선두 집중 할당 (Front-loaded allocation): 초기 홉 (BS-릴레이 1 등) 에 더 많은 훈련 시간을 할당하여, 초기 오차가 하위 계층으로 전파되는 것을 방지합니다.
4. 첫 홉 전량 할당 (All-excess-to-first-hop): 모든 초과 훈련 시간을 첫 번째 홉에만 집중합니다.
5. 채널 강도 인식 할당 (Channel-strength-aware heuristic): 채널 상태가 약하거나 잡음이 많은 홉에 더 많은 훈련 시간을 할당합니다 (대규모 페이딩 정보 활용).

3. 주요 기여 (Key Contributions)

1. 불완전 CSI 하의 다중 홉 OTA 신경 추론 분석: 기존 연구가 간과했던 다중 홉 환경에서의 채널 추정 오차 누적 효과를 정량적으로 분석했습니다.
2. 훈련 시간 할당 전략 제안: 제한된 자원 하에서 추론 정확도를 극대화하기 위한 5 가지 구체적인 파일럿 할당 알고리즘을 제안했습니다.
3. 트레이드오프 관계 규명: 채널 훈련 오버헤드 (Training Overhead) 와 분류 정확도 (Classification Accuracy) 사이의 명확한 트레이드오프 관계를 규명하고, 어떤 조건에서 어떤 할당 전략이 우세한지 제시했습니다.

4. 실험 결과 (Numerical Results)

• 시뮬레이션 환경: Fashion-MNIST 데이터셋을 사용하여 28GHz 대역, 3GPP UMi Street Canyon 경로 손실 모델을 적용한 시뮬레이션을 수행했습니다.
• 핵심 발견:
  • 충분한 파일럿 파워와 균형 잡힌 할당: 파일럿 전송 파워가 충분하고 (예: 1W), 훈련 시간이 적절히 할당될 경우, 제안된 시스템은 디지털 기준선 (Digital Baseline) 과 유사한 높은 분류 정확도 (약 84.5% 에 근접) 를 달성할 수 있습니다.
  • 할당 전략의 효과:
    • 높은 파일럿 파워 환경: 균등 (Uniform) 및 비례 (Proportional) 할당 전략이 우수한 성능을 보이며, 채널 강도 인식 전략이 미세하게 더 나은 결과를 냅니다.
    • 낮은 파일럿 파워 환경: 채널 추정 품질이 성능의 병목이 됩니다. 이 경우 **균형 잡힌 할당 (Balanced allocation)**이 한 홉에 자원을 집중하는 비균형 전략보다 훨씬 우월합니다. 특히 선두 집중 (Front-loaded) 전략이 훈련 시간이 증가함에 따라 효과적입니다.
    • 비균형 할당의 위험: 특정 홉 (예: 첫 홉) 에만 모든 초과 훈련 시간을 할당하면, 다른 홉의 CSI 품질이 낮아져 전체 시스템 성능이 급격히 저하되고 분산 (Variance) 이 커집니다.
  • 멀티홉의 이점: 릴레이 그룹 수 ($L$) 를 늘려 개별 링크 거리를 단축하면 채널 추정 품질이 향상되어, 적은 수의 릴레이로 높은 정확도를 달성할 수 있습니다.

5. 의의 및 결론 (Significance & Conclusion)

• 실용적 설계 가이드: OTA 신경망 시스템을 실제 환경 (불완전한 CSI) 에 배포할 때, 단순히 파일럿을 늘리는 것보다 어디에, 어떻게 할당할지가 성능을 결정하는 핵심 요소임을 입증했습니다.
• 에너지 및 지연 효율성: 클라우드 오프로딩의 지연과 오버헤드를 줄이는 OTA 컴퓨팅의 잠재력을 유지하면서, 채널 추정 오차로 인한 성능 저하를 최소화하는 실용적인 방안을 제시했습니다.
• 향후 연구 방향: 릴레이 간 동기화 오차 완화, 최적 릴레이 서브셋 선택, 에너지 하베스팅 및 동시 정보 전송 등의 주제를 향후 연구 과제로 제시했습니다.

요약하자면, 본 논문은 다중 홉 OTA 신경 추론 시스템에서 채널 추정 오차가 치명적일 수 있음을 지적하고, 제한된 파일럿 자원을 각 홉에 지능적으로 할당함으로써 디지털 기반 시스템에 버금가는 높은 추론 정확도를 달성할 수 있음을 증명했습니다.