⚡ electrical engineering

ChannelKAN: Multi-Scale Dual-Domain Channel Prediction via Hybrid CNN-KAN Architecture

본 논문은 국소적인 공간-주파수 상관관계와 장거리 비선형 시간적 의존성을 효과적으로 포착함으로써 고이동성 대규모 MIMO-OFDM 시스템의 채널 상태 정보 예측에서 기존 딥러닝 베이스라인을 능가하는 다중 스케일 이중 도메인 향상 기능을 갖춘 하이브리드 CNN-KAN 아키텍처인 ChannelKAN 을 제안한다.

원저자: Nanqing Jiang, Zhangyao Song, Tao Guo, Xiaoyu Zhao, Yinfei Xu

게시일 2026-05-14

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Nanqing Jiang, Zhangyao Song, Tao Guo, Xiaoyu Zhao, Yinfei Xu

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

몇 시간 후의 날씨를 예측하려고 한다고 상상해 보세요. 지금 하늘만 보면 멀리서 몰려오는 폭풍을 놓칠 수 있습니다. 반면, 작년의 과거 기상 패턴만 보면 갑작스러운 국지적인 돌풍을 놓칠 수 있습니다. 정확하게 예측하려면 즉각적인 국지적 변화와 거시적인 장기적 경향을 모두 이해해야 합니다.

이것은 바로 "CHANNELKAN" 논문이 해결하려는 문제와 정확히 일치합니다. 다만, 날씨 대신 무선 신호(특히 5G 및 차세대 6G 네트워크용) 를 예측하는 것이며, 자동차나 기차처럼 모든 것이 빠르게 움직이는 세계를 배경으로 합니다.

다음은 그들이 무엇을 했으며 왜 작동하는지에 대한 간단한 설명입니다:

문제: "노후화"되는 신호

공기를 통해 데이터를 전송할 때, 신호는 건물, 나무, 자동차 등에 반사됩니다. 이로 인해 연결의 "지도"인 **채널 상태 정보 (CSI)**가 생성됩니다.

문제점: 빠르게 움직이는 세상에서 이 지도는 매우 빠르게 변합니다. 전화기가 이 지도를 계산하고 사용하려고 할 때쯤이면, 지도는 이미 "오래된"(구식) 상태가 됩니다. 이를 **채널 노후화 (channel aging)**라고 합니다.
목표: 연구자들은 네트워크가 시속 100km 로 주행 중일 때에도 빠르고 안정적으로 유지될 수 있도록, 몇 순간 뒤의 신호 지도가 어떻게 될지 예측할 수 있는 수정구를 만들고자 합니다.

기존 방식 vs 새로운 방식

이전 방법들은 두 가지 주요 도구를 통해 이 문제를 해결하려 했지만, 둘 다 결함이 있었습니다:

RNN/LSTM("단계별" 보행자): 이들은 신호를 한 순간씩 살펴봅니다. 지금 일어나는 일을 파악하는 데는 뛰어나지만, 장기적인 패턴을 기억하려 할 때는 혼란을 겪고 잊어버립니다. 마치 한 글자씩만 보며 책을 읽는 것과 같아, 전체 줄거리를 놓치게 됩니다.
트랜스포머("전체적" 스캐너): 이들은 한 번에 전체 그림을 봅니다. 긴 패턴을 파악하는 데는 탁월하지만, 1 초도 안 되는 순간에 일어나는 미세하고 빠른 국지적 변화를 포착하는 데는 어려움을 겪습니다. 마치 숲의 위성 사진을 보는 것과 같아, 전체 숲은 보이지만 떨어지는 나뭇잎 한 장은 놓치게 됩니다.

논문의 해결책: CHANNELKAN
저자들은 CNN과 KAN이라는 두 가지 특수한 유형의 AI 를 사용하여 두 세계의 장점을 결합한 하이브리드 시스템을 구축했습니다.

1. "이중 도메인" 확장 (신호를 두 번 살펴보기)

노래를 듣는다고 상상해 보세요. 멜로디(시간에 따른 음계) 나 악기 편성(특정 주파수) 을 들을 수 있습니다.

연구자들은 신호를 가져와 주파수 도메인(멜로디와 유사) 과 지연 도메인(반사되어 돌아오는 시간이나 에코와 유사) 에서 두 가지 버전으로 변환합니다.
두 버전을 모두 AI 에 입력함으로써, 모델은 동일한 현실을 볼 수 있는 두 가지 다른 "렌즈"를 갖게 되어 중요한 세부 사항을 놓치기 훨씬 어려워집니다.

2. "다중 스케일" 필터 (노이즈 제거)

무선 신호는 종종 시끄러운 바에서 대화를 듣는 것처럼 노이즈가 많습니다.

모델은 FFT 라는 수학을 기반으로 한 특수 필터를 사용하여 신호를 다양한 "스케일"에서 살펴봅니다.
이는 지능형 노이즈 캔슬링 헤드폰처럼 작동하여, 신호의 크고 중요한 부분 (우세한 주파수) 은 유지하고 작고 쓸모없는 정적과 노이즈는 제거합니다. 이를 통해 AI 가 불필요한 데이터에 방해받지 않도록 합니다.

3. 하이브리드 두뇌: CNN + KAN

이것이 핵심 혁신입니다. 모델은 작업을 두 개의 전문화된 "두뇌"로 나눕니다:

CNN(국지적 탐정): 이 부분은 **합성곱 신경망 (Convolutional Neural Networks)**을 사용합니다. 확대경을 든 탐정이라고 생각하세요. 이는 한 순간 내의 작고 국지적인 세부 사항에 초점을 맞춰 신호가 지금 어떻게 변하고 있는지 파악합니다. 즉각적이고 단기적인 변화를 포착하는 데 탁월합니다.
KAN(장거리 이야기꾼): 이 부분은 **콜모고로프 - 아르논드 네트워크 (Kolmogorov-Arnold Networks)**를 사용합니다. 고정된 규칙을 사용하는 표준 AI 와 달리, KAN 은 유연하고 학습 가능한 수학적 곡선 (체비쇼프 다항식) 을 사용합니다. 이는 전체 사건 순서를 바라보며 신호가 시간에 따라 어떻게 진화하는지 복잡한 비선형적인 이야기를 이해하는 이야기꾼과 같습니다. 이는 전체 타임라인에 걸쳐 점들을 연결합니다.

마법: CNN 은 "지금 무슨 일이 일어나고 있는지"를 처리하고, KAN 은 "이것이 어디로 가고 있는지"를 처리합니다. 이 둘이 협력하여 미래의 신호를 완벽하게 예측합니다.

4. 융합 (결합하기)

마지막으로, 모델은 "국지적 탐정"과 "장거리 이야기꾼"으로부터 얻은 통찰력을 취해 결합한 뒤, 미래의 신호가 어떻게 보일지 예측합니다.

결과: 왜 중요한가

연구자들은 3GPP(모바일 네트워크의 글로벌 표준) 조건을 모방하는 방대하고 현실적인 시뮬레이터에서 이를 테스트했습니다.

속도: 시속 10km(보행) 에서 100km(고속철도) 까지의 속도를 테스트했습니다.
노이즈: 맑은 조건과 매우 노이즈가 많은 환경 모두에서 테스트했습니다.

결과:
CHANNELKAN 은 비교 대상이 된 모든 다른 방법 (RNN, LSTM, GRU, CNN, 트랜스포머 포함) 을 능가했습니다.

실수가 적었습니다 (오류율 감소).
더 많은 데이터를 전송할 수 있었습니다 (속도/효율성 향상).
연결 끊김이 적었습니다 (데이터 전송 오류율 감소).

한 줄 요약:
이 논문은 국지적 세부 사항을 위한 "확대경"(CNN) 과 장기적 경향을 위한 "이야기꾼"(KAN) 을 결합하고, 먼저 신호를 정제함으로써, 특히 빠르게 움직이는 상황에서도 그 어떤 것보다 훨씬 정확하게 무선 신호를 예측할 수 있는 시스템을 만들었다고 주장합니다. 이는 당신의 전화기가 고속으로 달리는 기차에서도 연결이 유지되고 빠르게 작동할 수 있음을 의미합니다.

기술 요약: CHANNELKAN

문제 제기

정확한 채널 상태 정보 (CSI) 예측은 특히 고이동성 시나리오에서 대규모 MIMO-OFDM 시스템의 신뢰성과 스펙트럼 효율성을 향상시키는 데 필수적입니다. 시분할 듀플렉스 (TDD) 시스템에서는 빠른 변동 (도플러 편이) 과 다중경로 전파로 인한 채널 노화 현상이 발생하여, 추정된 CSI 가 자원 할당에 활용되기 전에 구식화됩니다.

기존의 딥러닝 접근법은 근본적인 한계에 직면해 있습니다: 정확한 예측에 필요한 두 가지 유형의 시간적 의존성을 동시에 포착하는 데 어려움을 겪습니다.

단기 국소 변동: 인접한 시간 단계 간의 빠른 변동.
장거리 비선형 의존성: 전체 관측 창에 걸친 전반적인 시간적 진화.

특정 아키텍처는 고유한 단점을 가지고 있습니다:

RNN (LSTM/GRU): 단기 상관관계에는 효과적이지만 장거리 의존성을 모델링할 때 기울기 소실 (gradient vanishing) 에 시달립니다.
CNN: 국소 공간 - 주파수 특징 추출에 효율적이지만 고정된 수용 영역 (receptive fields) 에 제한을 받아 국소 이웃을 넘어선 의존성을 포착하는 능력이 제한됩니다.
Transformer: 자기 주의 (self-attention) 를 통해 글로벌 의존성을 모델링할 수 있지만 2 차 복잡도에 시달리며, 무선 채널의 고도로 비선형적인 시간적 진화를 충분히 적합하지 않을 수 있는 선형 projections 에 의존합니다.

방법론

저자들은 CNN 과 Kolmogorov-Arnold Networks(KAN) 를 통합하여 단기 및 장거리 의존성을 분리하고 공동으로 모델링하는 하이브리드 아키텍처인 CHANNELKAN을 제안합니다. 이 모델은 QuaDRiGa 시뮬레이터로 생성된 3GPP 준수 채널 데이터셋을 기반으로 작동하며 네 가지 주요 모듈로 구성됩니다:

1. 이중 영역 확장 모듈 (DDE)

이 모듈은 더 풍부한 입력 특징을 제공하기 위해 CSI 의 보완적 표현을 생성합니다:

주파수 영역 표현 (CFR): 입력을 평탄화하여 서브캐리어 영역 상관관계를 보존합니다.
지연 영역 표현 (CIR): CSI 를 역 이산 푸리에 변환 (IDFT) 을 통해 변환하여 희소한 다중경로 성분을 드러냅니다.
두 영역의 특징을 연결하여 이중 영역 특징 벡터를 형성합니다.

2. 다중 스케일 주파수 정보 강화 모듈 (MSFE)

노이즈와 불필요한 변동을 억제하면서 핵심 패턴을 보존하기 위해, 이 모듈은:

시간 차원을 따라 실수형 고속 푸리에 변환 (rFFT) 을 적용합니다.
Top-K 선택 전략을 사용하여 여러 스케일에서 지배적인 주파수 성분을 선택합니다.
이진 마스크를 구성하여 사소한 성분을 필터링하고 역 FFT(irFFT) 를 통해 강화된 시간 영역 특징을 재구성합니다.
학습 가능한 밀집 레이어를 사용하여 다중 스케일 특징을 집계합니다.

3. 이중 영역 CNN-KAN 특징 추출 모듈 (DFE)

이 핵심 구성 요소는 CFR 및 CIR 영역 모두에 대한 병렬 분기를 통해 강화된 특징을 처리합니다:

국소 특징 추출 (CNN): 캐스케이드 컨볼루션 레이어가 시간 단계 내 국소 공간 - 주파수 상관관계를 추출합니다.
장거리 의존성 모델링 (KAN): 출력을 2D 행렬로 재구성하고 체비셰프 KAN 레이어로 처리합니다. 고정된 활성화 함수를 가진 표준 완전 연결 레이어와 달리, KAN 은 네트워크 에지에 학습 가능한 단변수 함수 (특히 체비셰프 다항식) 를 배치합니다. 이를 통해 전체 특징 행렬의 전체적 비선형 매핑을 가능하게 하여 시간 단계 간 시간적 진화를 모델링합니다.

4. 이중 영역 융합 모듈 (DDF)

CFR 및 CIR 분기에서 나온 특징을 연결하고 밀집 융합 레이어를 통과시켜 최종 예측을 생성합니다. 출력은 재구성되고 역변환되어 복소수 예측 CSI 를 복원합니다.

주요 기여

본 논문은 네 가지 주요 기여를 제시합니다:

하이브리드 CNN-KAN 아키텍처: 채널 예측에 KAN 을 적용한 최초의 사례입니다. 모델링 작업을 명시적으로 분리합니다: CNN 은 단기 국소 공간 - 주파수 상관관계를 처리하고, 체비셰프 다항식 기반 KAN 은 장거리 비선형 시간적 진화를 모델링합니다.
다중 스케일 주파수 강화: FFT 기반 필터링을 사용하여 여러 스케일에서 지배적인 스펙트럼 성분을 선택하는 모듈로, 핵심 채널 특징을 효과적으로 강화하고 노이즈를 억제합니다.
이중 영역 프레임워크: 주파수 영역 및 지연 영역 CSI 표현을 공동으로 활용하여 보완적 정보를 제공하고 견고성을 향상시키는 처리 및 융합 프레임워크입니다.
종합적 검증: 다양한 속도와 신호대잡음비 (SNR) 에서 모델을 검증한 3GPP 준수 데이터셋에 대한 광범위한 실험과 각 모듈의 필요성을 확인하는 제거 연구 (ablation studies) 를 지원합니다.

실험 결과

실험은 과거 창 $T=16$ 및 예측 지평선 $L=4$ 를 가진 QuaDRiGa 데이터셋에서 수행되었습니다. 모델은 RNN, LSTM, GRU, CNN, Transformer 베이스라인과 비교되었습니다.

NMSE 성능: CHANNELKAN 은 테스트된 모든 속도 (10–100 km/h) 에서 일관되게 가장 낮은 정규화 평균 제곱 오차 (NMSE) 를 달성했습니다. 특히 고속 (예: 100 km/h 에서 NMSE $\approx$ 0.0609) 에서 베이스라인 모델 (특히 RNN 과 Transformer) 이 급격히 저하되는 반면, 상당한 우위를 보였습니다.
노이즈에 대한 견고성: 모델은 SNR 수준 (0–30 dB) 전반에서 모든 베이스라인을 능가했으며, 다중 스케일 주파수 강화 모듈에 기인하여 낮은 SNR 수준에서 두드러진 우위를 보였습니다.
시스템 지표: CHANNELKAN 은 6.414 bps/Hz의 최고 스펙트럼 효율 (SE) 과 0.00771의 최저 비트 오류율 (BER) 을 달성했습니다.
효율성: 우수한 성능에도 불구하고 모델은 24.5 MB의 중간 규모 파라미터 크기를 유지하여 Transformer 베이스라인 (65 MB) 과 비교해도 경쟁력 있습니다.

중요성과 주장

본 논문은 CHANNELKAN 이 기존 딥러닝 방법이 해결하지 못한 "동시 포착" 문제를 성공적으로 해결했다고 주장합니다. CNN(국소 추출) 과 KAN(전체적 비선형 적합) 의 보완적 특성을 활용함으로써 모델은 효율성과 유연성 사이의 균형을 달성합니다.

저자들은 이것이 채널 예측에 KAN 을 적용한 최초의 사례임을 강조합니다. 결과는 단기 및 장기 의존성 모델링을 분리하는 것이 고이동성 환경에서 우수한 성능으로 이어진다는 것을 시사합니다. 논문은 모델이 효과적이지만, 실시간 배포를 위한 계산 비용 절감과 측정된 (실제) 채널 데이터에 대한 일반화 검증을 위해 향후 연구가 필요하다고 결론지었습니다.