⚡ electrical engineering

Site-Specific Beamforming for Full-Duplex Massive MIMO Systems via Implicit Channel Estimation

본 논문은 맞춤형 프로빙 빔을 통한 암시적 채널 추정을 활용하여 효율적인 풀듀플렉스 대용량 MIMO 빔형성을 설계하는 사이트별 딥러닝 프레임워크를 제안함으로써, 명시적 자기 간섭 채널 추정의 과도한 측정 비용을 극복하면서도 다양한 시나리오에서 기존 방법들을 능가하는 성능을 달성합니다.

원저자: Samuel H. Li, Ian P. Roberts

게시일 2026-05-22

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Samuel H. Li, Ian P. Roberts

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

바쁜 라디오 타워 (기지국) 가 매우 어려운 일을 하고 싶다고 상상해 보세요: 정확히 같은 시간에 정확히 같은 주파수로 한 전화기와 통화하면서 동시에 다른 전화기의 신호를 수신하는 것입니다.

무선 통신 세계에서는 이를 **풀 듀플렉스 (Full-Duplex)**라고 부릅니다. 이는 한 사람이 친구에게 소리를 지르며 메시지를 전달하는 동시에, 다른 친구가 속삭이는 소리를 듣는 것과 같습니다. 이때 소리지르는 소리가 속삭이는 소리를 압도하지 않도록 해야 합니다.

가장 큰 문제는 무엇일까요? 타워의 own "소리지름" (송신) 이 거대한 메아리를 만들어 "속삭임" (수신) 을 압도해 버린다는 것입니다. 이를 **자기 간섭 (Self-Interference)**이라고 합니다.

구식 방법: "눈가린 측량사"

전통적으로 이 메아리를 막기 위해 타워는 자신의 스피커에서 자신의 마이크까지 소리가 이동할 수 있는 모든 경로를 매핑하려고 시도했습니다.

문제: 타워에 수백 개의 안테나가 있다면, 매핑해야 할 경로의 수는 천문학적입니다 (해변의 모든 모래알을 세어 보려는 것과 같습니다).
비용: 이 지도를 얻기 위해 타워는 수천 번의 측정을 하기 위해 말하기와 듣기를 멈춰야 합니다. 지도 작성을 마칠 무렵에는 환경이 변해버려 데이터는 쓸모없게 됩니다. 이는 건물이 끊임없이 움직이는 도시에 지도를 그리는 것과 같습니다. 지도를 그리는 데 너무 많은 시간을 써서 실제로 어디로도 이동하지 못하게 되는 것입니다.

새로운 방법: "현명한 탐정"

이 논문은 **인공지능 (딥러닝)**을 사용하여 더 똑똑하고 빠른 접근법을 제안합니다. AI 는 해변 전체를 매핑하는 대신, 메아리가 어디서 오는지 파악하기 위해 몇 가지 매우 전략적인 "후각 테스트"만 수행하도록 학습됩니다.

다음은 그들의 해결책이 작동하는 방식을 간단한 단계로 나눈 것입니다:

1. 사이트별 훈련 (지역 전문가)

AI 모델은 특정 위치 (예: 특정 도시 블록이나 캠퍼스) 에 맞춰 훈련됩니다. AI 는 그 환경의 "성격"을 학습합니다. 건물이 어디에 있는지, 차가 어디에 주차되어 있는지, 그리고 소리가 그들로부터 어떻게 반사되는지 등을 학습하는 것입니다.

비유: 도시를 너무 잘 알고 있어 어느 골목이 조용하고 어느 곳이 시끄러운지 정확히 아는 현지 가이드를 상상해 보세요. 그들은 소음이 어디에 있는지 알기 위해 모든 거리를 걷지 않아도 됩니다. 단지 몇 가지 핵심 지점만 확인하면 됩니다.

2. "탐지" 빔 (손전등)

모든 것을 매핑하기 위해 멈추는 대신, 타워는 AI 가 설계한 작고 영리한 신호 시퀀스 (탐지 빔) 를 보냅니다.

작동 원리: AI 는 환경을 알고 있으므로, 이러한 "손전등"을 특정 사람과 대화하려는 대상에게 메아리가 강하게 발생할 가능성이 있는 특정 모서리 방향으로만 보냅니다.
결과: 수천 번이 아닌 몇 번의 측정 (예: 16 회) 만으로 충분합니다. 이는 집 전체가 뜨거운지 알기 위해 모든 벽을 측정하는 대신, 집의 몇 가지 핵심 방의 온도만 확인하는 것과 같습니다.

3. "서비스" 빔 (소음 제거 헤드폰)

AI 가 몇 가지 측정을 완료하면, 타워의 안테나 설정을 완벽하게 계산하여 즉시 적용합니다.

마법: AI 는 타워의 마이크에서 멀어지도록 송신 신호를 형성하여 "공간적 널 (spatial null)" 또는 침묵 구역을 만들면서도, 전화기에는 선명하고 크게 도달하도록 합니다. 동시에 수신 안테나를 형성하여 타워의 own 목소리는 무시하고 친구의 목소리만 듣도록 합니다.
비유: 이는 자신의 목소리가 어떻게 들리는지 정확히 알고 있어 완벽하게 소음을 제거하여 옆에 있는 사람의 목소리를 선명하게 들을 수 있게 해주는 첨단 소음 제거 헤드폰을 착용하는 것과 같습니다.

이것이 게임 체인저인 이유

이 논문은 이 "현명한 탐정" 접근법이 "눈가린 측량사" 방법보다 두 가지 주요 측면에서 뛰어나다고 보여줍니다.

속도와 효율성: 기존 방법보다 훨씬 적은 측정 횟수로 더 나은 성능을 달성합니다. 기존 방법은 간섭을 매핑하기 위해 256 번의 측정이 필요할 수 있지만, 이 새로운 방법은 단 16 번의 측정으로 더 좋은 결과를 얻습니다.
확장성: 타워가 커지고 (안테나가 추가됨) 에 따라 기존 방법은 더 많은 것을 측정해야 하므로 점점 더 느려집니다. 반면 새로운 방법은 타워가 커질수록 더 좋아집니다. AI 가 추가 안테나를 사용하여 더 정밀하게 작업할 수 있기 때문이며, 추가 측정이 필요하지 않기 때문입니다.

결론

이 논문은 5G 및 향후 6G 네트워크를 훨씬 더 빠르고 효율적으로 만드는 방법을 제시합니다. 지역 환경을 잘 아는 전문화된 AI 를 사용하면, 타워가 자신의 소음에 혼란을 겪지 않고 동시에 말하고 들을 수 있게 하며, 불필요한 측정을 하는 시간을 낭비하지 않아도 됩니다. 이는 "금지된" 문제 (측정할 데이터가 너무 많음) 를 우리가 무엇을 측정할지 똑똑하게 결정함으로써 관리 가능한 문제로 바꿉니다.

기술 요약: 암시적 채널 추정을 통한 풀-듀플렉스 대규모 MIMO 시스템의 사이트 특이적 빔포밍

문제 제기
대규모 다중 입력 다중 출력 (MIMO) 기지국에서의 풀-듀플렉스 (FD) 운용은 동일한 주파수에서 동시 송수신을 가능하게 함으로써 처리량, 지연 시간, 그리고 스펙트럼 효율성에서 상당한 이득을 약속합니다. 그러나 이 능력은 기지국의 송신기가 자체 수신기에 결합되는 자기 간섭 (SI) 으로 인해 심각하게 저해됩니다. 이러한 SI 를 효과적으로 상쇄하기 위한 빔포밍은 일반적으로 고차원의 SI 채널 행렬 $\mathbf{H}$ 에 대한 지식을 필요로 합니다. 실제로 $\mathbf{H}$ 를 명시적으로 추정하는 것은 지나치게 비용이 많이 듭니다. $N_t$ 개의 송신 안테나와 $N_r$ 개의 수신 안테나를 가진 시스템의 경우, 측정 오버헤드는 $O(N_t N_r)$ 로 증가합니다. 빠른 페이딩 환경이나 대규모 안테나 어레이의 경우, 이 오버헤드는 일관성 시간의 상당 부분을 소모하여 FD 운용의 잠재적 이득을 훼손합니다. 기존 솔루션들은 완벽한 채널 상태 정보 (CSI) 를 가정하거나, 다중 사용자와 함께 확장성이 부족하거나 전체 공간 자유도를 활용하지 못하는 휴리스틱 탐색에 의존합니다.

방법론
저자들은 명시적인 전체 $\mathbf{H}$ 행렬 추정이 아닌, 소수의 측정을 통해 수집된 암시적 채널 지식을 사용하여 FD 송신 및 수신 빔을 설계하는 새로운 프레임워크를 제안합니다. 이 접근법은 세 가지 주요 단계를 중심으로 구조화됩니다:

사용자 획득: 시스템은 기존 메커니즘 (예: 빔 정렬) 이 하향 링크 및 상향 링크 사용자 채널에 대한 지식을 제공한다고 가정합니다.
암시적 SI 프로빙: 트랜스포머 기반 아키텍처를 사용하는 딥러닝 모델이 $M$ 개의 프로빙 빔 쌍 세트를 설계합니다. 기지국은 이러한 빔들을 스윕하여 자기 간섭 채널에 대한 $M$ 개의 측정을 수집합니다. 핵심적으로, 이러한 프로빙 빔들은 특정 배포 환경과 서비스 중인 $K$ 개의 사용자 쌍 그룹에 맞춰 조정됩니다. 모델은 사용자 그룹 간의 상관관계를 활용하여 특정 사용자와 가장 관련이 높은 $\mathbf{H}$ 의 부분만 프로빙하도록 학습합니다.
서빙 빔 합성: $M$ 개의 프로빙 측정값과 사용자 채널 정보를 사용하여 모델이 최종 송신 및 수신 빔을 합성합니다. 이러한 빔들은 SI 결합을 최소화하면서 합계 스펙트럼 효율성 (SSE) 을 최대화하도록 설계됩니다.

이 솔루션은 엔드 - 투 - 엔드 비지도 학습을 사용하여 사이트 특이적으로 훈련됩니다. 모델은 이 작업에서 레이 트레이싱 시뮬레이션에서 파생된 채널 데이터에 대해 특정 환경 (예: 캠퍼스 광장) 에 맞게 훈련됩니다. 이를 통해 모델은 환경의 기본 구조 (산란체, 차단물) 와 그것이 사용자 채널 및 SI 에 미치는 영향을 학습하여 명시적 CSI 없이도 효과적으로 일반화할 수 있게 됩니다.

주요 기여

암시적 추정 프레임워크: 이 논문은 $O(N_t N_r)$ 측정 병목 현상을 우회하여 명시적으로 전체 SI 행렬 $\mathbf{H}$ 를 추정하지 않고 FD 빔을 설계하는 방법을 소개합니다.
트랜스포머 기반 딥러닝: 저자들은 프로빙 전략과 최종 빔포밍 정책을 공동으로 최적화하는 다중 모듈 트랜스포머 모델 (사용자 인코더, 프로빙 빔 합성기, 서빙 빔 합성기) 을 개발했습니다.
다중 사용자 확장성: 이전의 휴리스틱 탐색 방법들이 모든 사용자 쌍마다 재프로빙을 필요로 하는 것과 달리, 이 접근법은 $M$ 개의 프로빙 측정값 세트를 사용하여 $K$ 개의 사용자 쌍으로 구성된 일관된 그룹을 서비스할 수 있게 하며, 채널 상관관계를 활용하여 유리한 확장성을 제공합니다.
사이트 특이적 적응: 모델은 특정 환경 배포에 맞춰 조정되어 지역 전파 특성을 활용함으로써 필요한 측정 수를 줄입니다.

결과
28 GHz 대규모 MIMO 시나리오 (UCLA 웨스트우드 광장) 에서 레이 트레이싱 데이터를 사용한 시뮬레이션은 다음과 같은 결과를 보여줍니다:

성능 대비 오버헤드: 제안된 방식은 선형 최소 평균 제곱 오차 (LMMSE) 추정 및 완벽한 CSI 를 가정하는 방식 (벡터/행렬 CSI) 을 포함한 기준선보다 측정 오버헤드를 고려한 더 높은 유효 합계 스펙트럼 효율성을 달성합니다.
측정 효율성: 16 개의 송신 안테나와 16 개의 수신 안테나를 가진 시나리오에서 제안된 방법은 $M=16$ 개의 프로빙 측정값만으로 8 개의 사용자 쌍에게 풀-듀플렉스 용량의 80% 이상을 제공할 수 있습니다. 반면, 명시적 추정 기준선은 훨씬 더 많은 측정값 (예: 행렬 CSI 의 경우 256 개) 을 필요로 하며, 오버헤드로 인해 종종 더 낮은 유효 성능을 보입니다.
확장성: 이 접근법은 더 큰 안테나 어레이 (최대 16x16) 로도 우아하게 확장됩니다. 기준선의 성능은 측정 오버헤드의 2 차 증가로 인해 안테나 수가 증가함에 따라 저하되는 반면, 제안된 방법은 측정 비용을 증가시키지 않고 추가된 자유도를 활용함으로써 성능을 유지하거나 향상시킵니다.
강건성: 이 방법은 다양한 리시안 인자 ( $\kappa$ ) 에 걸쳐 잘 수행되며, LOS 성분의 결정론적 특성에 기반하여 프로빙 전략을 적응시킵니다.

의의 및 주장
이 논문은 자기 간섭 상쇄와 측정 오버헤드 사이의 트레이드오프를 해결함으로써, 특히 6G 를 위한 풀-듀플렉스 대규모 MIMO 시스템을 실현하는 실용적인 경로를 제시한다고 주장합니다. 저자들은 딥러닝을 활용하여 희소하게 맞춤화된 측정값 세트에서 채널 구조를 암시적으로 학습함으로써, 오버헤드를 고려할 때 명시적 추정 방식의 "최대 가능" 성능을 능가할 수 있다고 단언합니다. 이 연구는 사이트 특이적 훈련이 시스템이 환경적 특징을 활용하여 프로빙 예산을 최소화할 수 있게 하여, 기존 추정이 불가능한 대규모 안테나 어레이에서도 FD 운용을 가능하게 함을 강조합니다. 저자들은 향후 작업이 주파수 선택적 채널 또는 통합 감지 및 통신 (ISAC) 응용 분야로 확장될 수 있다고 언급합니다.