DRIFT: Joint Channel Estimation and Prediction Towards Pilotless 6G Non-Terrestrial Networks

기술 요약: DRIFT – 파일럿이 없는 6G 비지상 네트워크를 위한 결합 채널 추정 및 예측

문제 정의
저궤도(LEO) 위성을 활용하는 비지상 네트워크(NTN)는 6세대(6G) 시스템의 유비쿼터스 연결성을 달in 데 매우 중요합니다. 그러나 LEO의 역학 관계는 강력하고 시변적인 도플러 이동(Doppler shifts)과 지연을 유발합니다. 이러한 "채널 에이징(channel aging)" 현상을 상쇄하기 위해서는 스펙트럼 활용도를 높이기 위해 파일럿 오버헤드를 줄이는 채널 예측이 필수적입니다. 이를 위해 인공지능(AI)이 제안되어 왔으나, 기존 솔루션들은 복잡한 아키텍처(예: 1억 개 이상의 FLOPs를 사용하는 Transformer)에 의존하는 경우가 많아 엄격한 전력 및 계산 제약이 있는 위성 온보드 구현에는 부적합합니다. 또한, 많은 연구가 유효 스펙트럼 효율(SE)과 같은 엔드 투 엔드(end-to-end) 지표보다 예측 정확도(NMSE로 측정)를 우선시하며, 훈련-테스트 불일치(training-test mismatch) 상황에서의 성능을 거의 평가하지 않습니다.

방법론
본 논문은 6G 업링크 NTN을 위해 설계된 반복적 결합 채널 추정 및 예측 프레임워크를 제안합니다. 핵심 혁신은 DRIFT(Data-driven Refinement and Iterative Forecast for wireless channel Tracking) 아키텍처입니다.

• 시스템 프레임워크: 시스템은 $N_{slot}$ 타임 슬롯 시퀀스에 걸쳐 작동합니다. 파일럿은 프로세스를 초기화하기 위해 오직 첫 번째 슬롯($t=1$)에서만 전송됩니다. 이후의 슬롯($t \geq 2$)에서는 전적으로 데이터 기반 처리에 의존하여 파일럿이 없는 모드로 동작합니다.
• 반복 루프:
  1. 초기화: 슬롯 1에서는 표준 최소 제곱(Least Squares, LS) 파일럿 보조(pilot-aided, PA) 추정이 수행되며, 이는 등화(equalization)에 사용됩니다.
  2. 데이터 보조(Data-Aided, DA) 추정: 이후의 슬롯에서는 이전 반복에서 예측된 채널을 사용하여 수신 심볼을 등화합니다. 등화된 심볼에 대해 하드 결정(hard decisions)을 내려 전송된 데이터를 재구성합니다. 이렇게 재구성된 심볼은 새로운 DA 채널 추정 단계를 위한 "그라운드 트루스(ground truth)" 역할을 합니다.
  3. DRIFT 처리: DA 추정에서 발생하는 오류를 수정하기 위해 경량 블록이 DA 추정치를 입력받아 두 가지 기능을 수행합니다:
     • 채널 정밀화(Channel Refinement): DA 추정의 부정확한 디매핑(demapping)으로 인해 발생하는 오류를 수정하는 경량 블록을 사용하여 정밀한 추정치($\hat{H}^{(E')}_t$)를 생성합니다. 이 블록은 후반부의 신뢰도가 낮은 타임 슬롯에 대한 업데이트를 강조하는 동적 가중치 스킴을 채택한 시간적 인과적 합성곱(CConv1D), 활성화 함수, 배치 정규화 및 스펙트럼 합성곱(Conv1D)을 사용합니다.
     • 채널 예측(Channel Prediction): 정밀화된 추정치는 다음 슬롯의 채널 주파수 응답(CFR)을 예측하는 데 사용됩니다($\hat{H}^{(P)}_{t+1}$).
  4. DRIFT 아키텍처: 모델은 저복잡도로 설계되었으며 3D 텐서(CFR의 실수/허수 부분) 상에서 동작합니다. 다음 두 가지 변형이 조사되었습니다:
     1. 하이브리드 CNN-LSTM: 압축/재구성을 위해 Conv2D/TConv2D를 사용하고 시간적 예측을 위해 LSTM 레이어를 사용합니다.
     2. 템포럴 컨볼루션 네트워크(TCN): 순환 구조를 피하고 잔차 연결(residual connections)을 갖는 피드포워드 확장 합성곱(dilated Conv1D) 레이어를 사용합니다.
• 훈련 전략: 모델은 손실 함수가 초기에 채널 정밀화를 우선시하다가 점차 예측에 초점을 맞추도록 전환되는 커리큘럼 학습 방식을 사용하여 훈련됩니다. 훈련에는 NTN-TDL 페이딩 모델에 기반한 합성 데이터가 사용됩니다.

주요 기여

1. 반복적 프레임워크: 파일럿 보조 추정이 데이터 보조 추정, 정밀화 및 예측의 순환으로 대체되는 파일럿 없는 프레임워크를 도입했습니다.
2. DRIFT 모델: 최소한의 계산 비용으로 데이터 보조 채널 추정을 정밀하게 개선하고 미래의 CFR을 공동으로 예측하는 경량 아키텍처입니다.
3. 엔드 투 엔드 평가: 오류 전파와 훈련-테스트 불일치(예: 16-QAM으로 훈련하고 QPSK로 테스트)를 명시적으로 고려하여, 단순 NMSE가 아닌 유효 스펙트럼 효율(SE)을 기준으로 시스템을 평가했습니다.
4. 복잡도 분석: 제안된 모델이 200k 미만의 곱셈-누산(MAC) 연산을 필요로 함을 입증하여, 위성 탑재체에 구현 가능함을 보여주었습니다.

결과
업링크 LEO 시나리오(고도 600km, 반송파 2GHz)를 위해 MATLAB 엔드 투 엔드 환경에서 시뮬레이션을 수행했습니다.

• 스펙트럼 효율: TCN 기반 DRIFT 모델은 $N_{slot}=4$(파일럿 1개 슬롯, 파일럿 없는 3개 슬롯)를 사용할 때 기존 파일럿 기반 시스템에 비해 약 12%의 SE 이득을 달성했습니다. 하이브리드 CNN-LSTM 변형은 이득을 보였으나 $N_{slot}=3$ 이후 오류 전파로 인해 제한되었습니다.
• 강건성: 시스템은 재훈련 없이 다양한 채널 모델(NTN-TDL-C 및 NTN-TDL-D)에 대해 일관된 성능을 유지했습니다. 또한 훈련(16-QAM)과 테스트(QPSK) 데이터 간의 불일치에 대해서도 강건함을 입증했습니다.
• 정확도: 채널 정밀화 단계는 처음 세 슬롯 동안 추정 NMSE를 -19 dB 미만으로 성공적으로 낮추었습니다. 오류 전파는 네 번째 슬롯 이후에 유의미해졌습니다.
• 계산 복잡도: 총 추론 복잡도는 하이브리드 CNN-LSTM의 경우 154k MAC, TCN의 경우 171k MAC으로 계산되었습니다. 정밀화 단계는 전체 복잡도의 약 10%만을 차지합니다. 저전력 하드웨어 가속기를 사용할 경우 슬롯당 약 1.0–1.1 ms의 추론 지연 시간이 소요될 것으로 추정됩니다.

의의 및 주장
본 논문은 DRIFT가 예측 정확도와 계산 가능성 사이의 핵심적인 트레이드오프를 해결한다고 주장합니다. 엄격한 전력 제약 조건 하에서 견고한 성능을 유지하면서 파일럿 오버헤드를 크게 줄임으로써, 이 접근 방식은 상당한 스펙트럼 효율 이득을 가능하게 합니다. 저자들은 200k 미만의 낮은 MAC 수가 제안된 솔루션을 실시간 온보드 위성 구현에 적합하게 만든다는 점을 강조하며, 이는 지상 네트워크용으로 설계된 고복잡도 AI 예측기와 차별화되는 능력입니다. 결론적으로, 오류 전파가 더 긴 파일럿 없는 시퀀스에서 여전히 과제로 남아 있지만, 제안된 프레임워크는 자원이 제한된 우주 환경에서 파일럿 없는 통신을 향한 실행 가능한 경로를 제공합니다. 향후 과제로 실제 하드웨어 지연 시간 평가 및 오류 전파의 추가 감소가 제시되었습니다.