Modal-Based Multi-Scatterer Channel Model for Localized Radiomap Extrapolation

기술 요약: 국소적 라디오맵 외삽을 위한 모드 기반 다중 산란체 채널 모델

문제 제기
본 논문은 국소적이고 고주파수 환경 (예: 밀리미터파 및 테라헤르츠 대역) 에서 무선 전파 채널을 정확하게 모델링하는 과제를 다룹니다. 이러한 영역에서는 미세 산란체 (식생 및 도로변 물체 등) 가 중간 규모로 작용하여, 저주파수에서는 무시할 수 있는 미에 (Mie) 산란 및 다중 경로 결합 효과를 유발합니다. 기존 모델링 접근법은 다음과 같은 한계를 지닙니다:

• 기하학적 확률 모델 (GBSMs) 은 효율적이지만 종종 미세한 국소 효과를 포착하기에는 너무 거칠습니다.
• 레이 트레이싱 (RT) 은 고충실도 3D 지도와 재료 특성이 필요하며, 이를 획득하는 비용이 많이 듭니다.
• 학습 기반 방법 (예: NeRF) 은 종종 물리적 해석 가능성이 부족하고 방대한 양의 훈련 데이터를 요구합니다.
• 전파 계산 전자기학 (CEM) 전체 파동 방법 (예: FDTD, MoM) 은 정확하지만 대규모 또는 고주파수 문제에는 계산적으로 불가능합니다.

저자들은 중간 규모 산란체가 지배적인 환경에서 신뢰할 수 있는 오프라인 최적화 및 라디오맵 외삽을 지원하기 위해 물리적 일관성과 계산 복잡도 사이의 균형을 맞추는 모델링 접근법을 주장합니다.

방법론
제안된 프레임워크는 구면파 모드 확장에 기반한 모드 기반 다중 산란체 채널 모델을 활용합니다. 핵심 방법론은 다음과 같습니다:

1. 모드 표현: 소스 복사장은 outgoing 구면파의 가중 합 (다중극 확장) 으로 표현됩니다. 임의의 산란체에서의 입사장은 변환 덧셈 정리를 사용하여 소스에서 outgoing 모드를 산란체 위치의 incoming (정규) 모드로 매핑함으로써 유도됩니다.
2. 산란 및 결합:
   • 각 산란체는 입사 모드 계수를 outgoing 산란 계수로 변환하는 산란 행렬 (T-행렬) 을 통해 모델링됩니다.
   • 다중 산란체 결합은 산란체에서의 입사장에 직접 소스 기여와 모든 다른 산란체들로부터의 산란장이 포함되는 글로벌 선형 시스템으로 공식화됩니다. 이는 $(\mathbf{I} - \mathbf{TH})\mathbf{b} = \mathbf{TH}_s\mathbf{s}$로 표현되며, 여기서 $\mathbf{b}$는 산란 계수를, $\mathbf{T}$는 블록 대각 T-행렬을, $\mathbf{H}$는 변환 계수에서 유도된 결합 행렬을 나타냅니다.
3. 반복 솔버: 대규모 블록 행렬 방정식을 효율적으로 해결하기 위해 저자들은 반복법 (야코비, 가우스 - 자이델, 그리고 Successive Over-Relaxation (SOR)) 을 사용합니다. 반복 횟수는 보른 근사의 차수에 해당하며, 정확도와 계산 비용 사이의 절충을 가능하게 합니다.
4. 역 최적화: 모델을 지도 학습 문제로 변환합니다. 희소한 채널 상태 정보 (CSI) 측정을 사용하여 T-행렬과 산란체의 공간적 오프셋 (LiDAR/ISAC 포인트 클라우드 앵커에 상대적) 을 공동 최적화하여 예측된 장과 측정된 장 사이의 오차를 최소화합니다.
5. 근사 및 확장성: 주요 혁신은 동등 저차 근사입니다. 복잡하고 고차인 산란체는 더 밀집된 단순한 저차 가상 산란체 군집으로 근사됩니다. 이는 각 산란체의 고차 모드 복잡성을 더 많은 수의 저차 모드 산란체로 전환하여 최적화 차원을 줄입니다.
6. 빔 외삽: 프레임워크는 훈련 빔에서 시스템 함수 (전송 행렬) 를 학습함으로써 보이지 않는 빔 패턴에 대한 라디오맵 예측을 가능하게 하여, 새로운 송신기 계수에 대한 산란 응답을 합성할 수 있게 합니다.

주요 기여

1. 모드 기반 프레임워크: 다중극 확장, 변환 정리, 그리고 T-행렬을 사용하여 소스 - 산란체 - 수신기 상호작용 및 다중 산란 결합을 모델링하는 물리적으로 해석 가능한 프레임워크를 제안합니다.
2. 공동 최적화: 측정된 RSRP/CSI에 맞추기 위해 산란 행렬 (T-행렬) 과 산란체의 공간적 위치 (작은 학습 가능한 오프셋을 통해) 를 모두 최적화하여 포인트 클라우드 데이터의 측정 오차를 수용합니다.
3. 동등 저차 모델링: 고차 산란체를 저차 가상 산란체 군집으로 표현하는 방법을 도입하여, 필드 정확도를 유지하면서 포인트 클라우드를 확장하거나 압축할 수 있게 합니다.
4. 반복 솔버 분석: 결합된 시스템을 해결하기 위해 야코비, 가우스 - 자이델, 그리고 SOR 방법을 체계적으로 분석하여, 강하게 결합된 고산란체 시나리오에서 SOR 의 견고함을 입증합니다.
5. 확장 가능한 확장: 대규모 환경에 대한 전략을 제안하여, 강한 군집 내 결합은 반복적으로 해결하고 약한 군집 간 결합은 근사합니다.
6. 지도 학습 통합: CSI 샘플을 사용하여 채널 모델링을 지도 학습 작업으로 공식화하여 공간 및 빔 영역 모두에서 라디오맵 외삽을 위해 모델을 일반화합니다.

결과
시뮬레이션 결과는 모델이 다음과 같은 분야에서 효과적임을 보여줍니다:

• 라디오맵 재구성: 최적화된 저차 가상 산란체 모델은 희소한 측정 지점에서 산란된 장의 공간 분포를 정확하게 재구성하여, 실제 고차 산란체 시나리오와 일치합니다.
• 수렴: SOR 은 강한 결합으로 인해 다른 방법에서 발산이 발생하는 많은 수의 산란체 (예: $N_s=30$) 시나리오에서 야코비나 가우스 - 자이델보다 더 안정적입니다.
• 공동 최적화의 이점: T-행렬만 최적화하는 것보다 T-행렬과 산란체 오프셋을 공동으로 최적화하면 훈련 및 검증 손실이 낮아져 과적합이 줄어들고 일반화가 향상됩니다.
• 빔 외삽: 16 개의 빔 세트로 훈련한 기반으로 모델은 새로운 보이지 않는 빔 방향 (테스트 빔) 에 대한 라디오맵을 성공적으로 예측합니다. Tikhonov 정규화 ($\mu$) 사용은 역 문제의 불완전성을 처리하는 데 결정적인 것으로 나타났으며, $\mu=10^{-4}$가 최적의 오차 지표 (MSE, MAE, NMSE) 를 제공합니다.
• 저차 근사: 저차 가상 산란체 ($L=1$) 를 사용하는 모델은 동일한 차수 모델과 비교 가능한 재구성 성능을 달성하면서도 계산 복잡성이 크게 감소합니다.

의의 및 주장
본 논문은 엄격한 전자기 이론과 실용적인 계산 효율성 사이의 간극을 메우는 물리적으로 해석 가능한 국소 전파 모델링 접근법을 제공한다고 주장합니다. 구면파 모드와 반복적 역산을 활용함으로써, 이 프레임워크는 전체 파동 솔버의 무거운 계산 부담이나 순수 블랙박스 학습의 데이터 집약적 성질 없이 복잡한 다중 산란 효과를 포착합니다.

저자들은 이 방법이 중간 규모 산란체가 지배적인 국소 채널 모델링에 특히 적합하다고 강조합니다. 이는 공간 영역 (측정되지 않은 영역에서의 신호 강도 예측) 과 빔 영역 (새로운 빔포밍 구성 하에서의 성능 예측) 모두에서 라디오맵 외삽을 지원합니다.

저자가 인정하는 한계
저자들은 겸손하게 다음과 같은 몇 가지 한계를 지적합니다:

• 현재 구현은 스칼라 구면 조화 함수를 사용하여 편광 효과를 무시합니다.
• 프레임워크는 경계 효과와 실제 환경 제약을 무시하는 이상적인 자유 공간 환경을 가정합니다.
• 계산 효율성은 현재 PyTorch 구현으로 인해 최적이 아니며, 향후 작업에서 저수준 연산자 프로그래밍과 하드웨어 가속이 필요함을 시사합니다.