⚡ electrical engineering

Low-Complexity Learning-Based Beamforming for Ultra-Massive MIMO THz Communications

이 논문은 초거대 MIMO 테라헤르츠 통신 시스템에서 고전적 빔 훈련 방법의 높은 계산 복잡성을 해결하기 위해, 사전 정의된 계층적 코드북을 기반으로 수신 신호 전력을 학습하여 최적의 빔 형성기 및 결합기 쌍을 도출하는 새로운 인셉션 및 잔여 신경망 아키텍처를 제안합니다.

원저자: Sourabh Solanki, Abuzar Babikir Mohammad Adam, Chandan Kumar Sheemar, Zaid Abdullah, Eva Lagunas, George C. Alexandropoulos, Symeon Chatzinotas

게시일 2026-04-21

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Sourabh Solanki, Abuzar Babikir Mohammad Adam, Chandan Kumar Sheemar, Zaid Abdullah, Eva Lagunas, George C. Alexandropoulos, Symeon Chatzinotas

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

📡 문제: "어두운 방에서 바늘 찾기"

상상해 보세요. 아주 넓고 어두운 방 (테라헤르츠 통신 환경) 이 있습니다. 이 방의 한쪽 구석에 송신기 (Tx) 가 있고, 다른 쪽 구석에 수신기 (Rx) 가 있습니다. 두 기기는 서로를 향해 아주 좁고 강력한 레이저 빛 (신호) 을 쏘아 데이터를 주고받아야 합니다.

하지만 문제는 이 레이저 빛이 너무 좁다는 것입니다. 마치 바늘 구멍을 통과해야 하는 것처럼, 송신기와 수신기의 안테나가 서로를 정확히 마주보지 않으면 신호가 끊겨버립니다.

기존 방식 (전체 탐색): 두 기기가 서로를 찾으려면, 방 구석구석의 모든 방향을 하나씩 다 비춰봐야 합니다. 안테나 개수가 수백 개 (초대형 MIMO) 라면, 이 과정은 수백만 번의 시도를 필요로 하죠. 마치 어두운 방에서 모든 벽면을 하나씩 손전등으로 비추며 바늘을 찾는 것과 같습니다. 시간이 너무 오래 걸리고, 전기도 많이 씁니다.
기존의 개선된 방식 (계층적 탐색): 처음에는 넓은 빛으로 대략적인 방향을 잡고, 점점 좁혀가는 방식입니다. 하지만 안테나가 너무 많으면 여전히 여러 단계의 확인 과정이 필요해서 복잡합니다.

💡 해결책: "천재적인 GPS 내비게이션"

이 논문은 이 문제를 해결하기 위해 **인공지능 (딥러닝)**을 도입했습니다. 마치 운전할 때 모든 길을 다 탐색하지 않고, 내비게이션이 바로 최적의 길로 안내해 주는 것과 같습니다.

저자들은 **'인셉션 - 레지듀얼 네트워크 (Incept-ResNet)'**라는 특별한 인공지능 모델을 개발했습니다.

1. 학습 과정 (오프라인 훈련)

이 인공지능은 실제 통신이 시작되기 전에, 미리 수많은 시뮬레이션을 통해 "어떤 방향에서 어떤 신호 세기가 나오면, 가장 좋은 방향이 어디일까?"를 배웁니다.

비유: 요리사가 수많은 재료를 섞어보며 "이 조합이 가장 맛있는 요리가 되겠구나"를 미리 익혀두는 것과 같습니다. 이 과정은 한 번만 하면 되므로, 실제 통신 중에는 신경 쓸 필요가 없습니다.

2. 실제 작동 (실시간 예측)

통신이 시작되면, 인공지능은 **가장 넓은 빛 (1 단계 신호)**만 잠시 쏘아본 뒤, 그 결과만 보고 바로 "아! 이쪽이 정답이야!"라고 결론을 내립니다.

핵심 혁신: 기존의 방식처럼 "한 번 쏘고, 확인하고, 다시 좁혀서 쏘고, 다시 확인하고..." 하는 **여러 단계의 복잡한 과정 (피드백)**이 전혀 필요 없습니다.
결과: 송신기와 수신기가 서로에게 "내 신호가 어떻게 들리니?"라고 계속 물어보지 않아도 되므로, 시간과 전력을 획기적으로 아낄 수 있습니다.

🚀 왜 이것이 중요한가요?

속도: 안테나가 수백 개일 때, 기존 방식은 수천 번의 계산을 해야 하지만, 이 AI 방식은 거의 한 번의 계산으로 끝냅니다.
에너지: 불필요한 신호 교환과 계산을 줄여서 배터리 소모를 크게 낮춥니다.
정확도: 실험 결과, 이 AI 가 찾아낸 방향이 "모든 길을 다 찾아본 것 (전체 탐색)"과 거의 똑같은 성능을 냈습니다. 즉, 빠르면서도 정확합니다.

📝 한 줄 요약

"수백 개의 안테나가 있는 거대한 통신 시스템에서, AI 가 미리 학습한 '지혜'를 통해 복잡한 신호 맞추기 과정을 생략하고, 바로 가장 좋은 방향을 찾아내어 통신 속도와 효율을 극대화하는 방법입니다."

이 기술은 미래의 초고속 6G 통신이 실제로 구현될 수 있는 핵심 열쇠가 될 것으로 기대됩니다.

1. 연구 배경 및 문제 정의 (Problem)

배경: 차세대 무선 네트워크의 데이터 속도 요구를 충족하기 위해 테라헤르츠 (THz) 대역이 유망한 주파수 대역으로 부상하고 있습니다. THz 통신은 넓은 대역폭을 제공하지만, 분자 흡수로 인한 심각한 전파 손실 (Propagation Loss) 이 발생하여 통신 거리가 제한됩니다.
해결책: 이러한 손실을 극복하기 위해 초대규모 MIMO (UM-MIMO) 시스템이 필수적이며, 이는 매우 지향적인 빔 (Beam) 을 형성해야 합니다.
핵심 문제:
- UM-MIMO 시스템에서 디지털 빔포밍은 RF 체인 (RF Chain) 과 에너지 소비 측면에서 비용이 너무 많이 듭니다. 따라서 단일 RF 체인을 사용하는 아날로그 빔포밍이 선호됩니다.
- 아날로그 빔포밍을 구현하기 위해 일반적으로 코드북 (Codebook) 기반의 빔 훈련 (Beam Training) 이 사용됩니다.
- 기존 방식의 한계:
  - 전수 조사 (Exhaustive Search): 모든 빔 방향을 테스트하여 최적 쌍을 찾지만, 안테나 수가 기하급수적으로 증가하는 UM-MIMO 환경에서는 계산 복잡도와 시간이 너무 많이 소요됩니다.
  - 계층적 코드북 (Hierarchical Codebook): 넓은 빔에서 좁은 빔으로 단계적으로 탐색하는 방식 (M-ary Tree Search) 이 복잡도를 줄였으나, 여전히 안테나 수가 매우 큰 THz 시스템에서는 탐색 오버헤드가 여전히 큽니다.
  - 피드백 오버헤드: 기존 학습 기반 방법들은 종종 송수신기 간의 지속적인 피드백 링크를 필요로 하거나, 전체 코드북을 환경 데이터로부터 처음부터 학습해야 하는 복잡한 과제를 안고 있습니다.

2. 제안된 방법론 (Methodology)

이 논문은 초대규모 MIMO THz 시스템을 위한 저복잡도 학습 기반 빔 훈련 프레임워크를 제안합니다.

핵심 아이디어: 송수신기 간의 지속적인 피드백 없이, 초기 가장 넓은 빔 (First-layer beams) 의 수신 전력 측정값만을 입력으로 사용하여 최적의 좁은 빔 쌍 (Transmit Beamformer, Receive Combiner) 을 직접 예측하는 인공 신경망 (ANN) 을 설계합니다.
네트워크 아키텍처: Incept-ResNet
- Inception 모듈: 다양한 크기의 컨볼루션 필터를 병렬로 적용하여 입력 데이터 (코드북 및 전력 측정값) 에서 다중 스케일의 특징을 추출합니다.
- Residual Connection (잔차 연결): 깊은 네트워크에서의 기울기 소실 (Vanishing Gradient) 문제를 해결하고 학습 효율성을 높입니다.
- 이중 경로 처리 (Dual Pipelines):
  1. ConvPath: 컨볼루션 연산을 통해 공간적 특징을 추출.
  2. VecPath: 완전 연결 (Fully Connected) 레이어를 통해 벡터화된 입력을 처리.
- 양방향 융합 (Bidirectional Fusion): 두 경로의 특징을 결합하여 예측 정확도를 높입니다.
학습 및 추론 프로세스:
- 학습 (Offline): 사전 정의된 계층적 코드북을 사용하여 전수 조사 또는 계층적 탐색으로 얻은 최적 빔 쌍과 수신 전력을 레이블 (Label) 로 하여 모델을 오프라인으로 학습합니다.
- 추론 (Online/Inference): 학습이 완료된 후, 실제 통신 환경에서는 **최상위 계층 (가장 넓은 빔) 의 수신 전력 측정값 ( $p_1, p_2$ )**만 송수신기에서 수집하여 네트워크에 입력합니다. 네트워크는 이를 통해 최적의 빔 인덱스와 예상 수신 전력을 즉시 출력합니다.
- 피드백 최소화: 기존 계층적 탐색과 달리 다단계의 반복적인 피드백 교환이 불필요합니다. 수신기는 초기 전력 측정값을 한 번만 송신기에 전달하면 됩니다.

3. 주요 기여 (Key Contributions)

새로운 신경망 아키텍처 제안: THz UM-MIMO 빔 훈련을 위해 Inception 모듈과 Residual 연결을 결합한 Incept-ResNet을 최초로 도입했습니다.
피드백 오버헤드 제거: 송수신기 간의 지속적인 피드백 링크나 다단계 탐색 과정 없이, 초기 넓은 빔의 전력 정보만으로 최적 빔을 예측하여 빔 정렬 오버헤드를 획기적으로 줄였습니다.
코드북 생성이 아닌 추론 최적화: 기존 연구들이 환경 데이터로부터 코드북 자체를 학습하는 데 집중했다면, 본 논문은 기존 계층적 코드북 내에서의 탐색 복잡도를 줄이는 효율적인 추론 모델을 개발했습니다.
CSI 불필요: 명시적인 채널 상태 정보 (CSI) 획득 없이 수신 전력 측정값만으로 동작하므로, UM-MIMO 환경에서의 채널 추정 복잡도를 우회합니다.

4. 실험 결과 (Results)

시뮬레이션 환경: $f_c = 0.14$ THz, 안테나 수 $N = 64, 128, 256$ 등 다양한 UM-MIMO 구성에서 평가.
성능 비교:
- 수신 전력: 제안된 방법은 전수 조사 (Exhaustive Search) 및 기존 계층적 탐색 (Hierarchical Search) 과 비교하여 동등한 평균 수신 전력을 달성했습니다.
- 복잡도:
  - 기존 계층적 탐색: $O(2M \log_M N)$
  - 제안된 NN 기반 방법: $O(2M)$ (학습 제외, 추론 단계)
  - 안테나 수가 증가할수록 제안된 방법의 복잡도 이점이 극대화됩니다.
- 수렴성: 학습률 $\delta=0.001$ 에서 약 40 에포크 내에 안정적으로 수렴하며, 학습 손실과 테스트 손실의 격차가 작아 일반화 성능이 우수함을 확인했습니다.
- 손실 분석: 전수 조사 대비 빔포밍 이득 손실 (Gain Loss) 의 누적 분포 함수 (CDF) 분석 결과, 제안된 방법은 **무시할 수 있을 정도로 작은 손실 (Negligible Loss)**을 보이며 거의 최적 (Near-optimal) 성능을 발휘함을 입증했습니다.

5. 의의 및 결론 (Significance)

실용성: THz 통신 상용화의 주요 병목 현상인 빔 훈련의 높은 복잡도와 오버헤드를 해결하여, UM-MIMO 시스템의 실제 배포 가능성을 높였습니다.
확장성: 안테나 수가 수백 개로 늘어나는 초대규모 시스템에서도 복잡도가 선형적으로만 증가하므로, 향후 더 큰 안테나 어레이를 가진 시스템에도 적용 가능합니다.
에너지 효율성: 복잡한 신호 처리와 다단계 피드백을 줄여 시스템 전체의 에너지 효율성을 개선합니다.

결론적으로, 이 논문은 Incept-ResNet을 활용하여 THz 대역의 초대규모 MIMO 시스템에서 저복잡도, 저오버헤드, 고성능의 빔 포밍을 실현할 수 있는 새로운 패러다임을 제시했습니다.