Deep Learning Based Sparse Array Design with Pre-Steering for Adaptive Beamforming

기술 요약: 적응형 빔포밍을 위한 프리스티어링(Pre-Steering) 기반 딥러닝 기반 희소 배열 설계

문제 정의
희소 배열(Sparse arrays)은 하드웨어 복잡성을 줄이면서 높은 공간 해상도와 간섭 억제를 달eric하기 위해 레이더, 소나 및 무선 통신 분야에서 널리 활용됩니다. 본 연구에서 다루는 핵심 과제는 동적인 환경에서 신호 대 간섭 및 잡음비(SINR)를 최대화하기 위한 최적의 희소 배열 구성(사용 가능한 $N$개의 소자 중 $M$개의 활성 안테나 선택)을 설계하는 것입니다. 반복 알고리즘 및 준정부호 완화(Semidefinite Relaxation, SDR)와 같은 기존의 최적화 기반 방법들은 최대 SINR을 달성할 수 있지만, 계산 집약적이며 급격하게 변화하는 전파 조건에서 실시간 적응을 수행하기에는 부적합한 경우가 많습니다.

기존의 딥러닝(DL) 접근 방식은 데이터로부터 이러한 구성을 직접 학습하려고 시도해 왔습니다. 그러나 이전 방법들은 일반적으로 모든 가능한 원하는 신호 각도를 포함하는 학습 데이터셋을 필요로 합니다. 이는 방대한 데이터셋과 상당한 계산 자원을 요구하며, 재학습 없이 임의의 방향으로 일반화하는 능력을 제한하고 확장성을 떨어뜨립니다. 또한, 실제 구현 시 방향각(Direction of Arrival, DOA) 추정 오차 문제가 발생할 수 있으며, 이는 시스템이 각도 불일치에 강건하지 못할 경우 빔포밍 성능을 저하시키는 원인이 됩니다.

방법론
제안된 솔루션은 신속하고 강건한 희소 배열 구성을 가능하게 하기 위해 프리스티어링(Pre-steering) 전략과 합성곱 신경망(CNN)을 결합한 딥러닝 프레임워크를 도입합니다.

1. 프리스티어링 변환 (Pre-Steering Transformation):
   모든 가능한 소스 각도에 대해 네트워크를 학습시키는 대신, 저자들은 단일 네트워크를 오직 브로드사이드(Broadside, $90^\circ$) 방향에 대해서만 학습시킬 것을 제안합니다. 임의의 테스트 시나리오에서 원하는 소스가 각도 $\theta_s$에 있을 때, 수신된 공간 공분산 행렬 $R_x$는 대각 위상 이동 행렬 $D(\theta_s)$를 사용하여 프리스티어링됩니다. 이 변환은 원하는 신호를 브로드사이드($90^\circ$)로 정렬하여 네트워크에 입력하기 전 단계입니다:
   $$R_{pre} = D(\theta_s) R_x D^H(\theta_s)$$
   이를 통해 브로드사이드 시나리오만을 학습한 네트워크가, 문제를 등가적인 브로드사이드 시나리오로 변환함으로써 임의의 소스 방향에 대한 최적의 희소 구성을 추론할 수 있게 합니다.

2. 강건한 오차 증강 학습 (Robust Error-Augmented Training):
   실제 프리스티어링 과정에서 캘리브레이션 오류나 DOA 추정 부정확성이 발생할 수 있음을 인지하여, 저자들은 학습 과정에 구조화된 섭동(Perturbations)을 포함시켰습니다. 완벽한 정렬을 가정하는 대신, 학습 과정에 작은 제어된 프리스티어링 오차(예: $\pm 0.1^\circ, \pm 0.2^\circ$)를 포함한 샘플을 포함합니다. 이러한 "오차 증강" 학습은 네트워크가 실제 소스 방향이 가정된 룩 디렉션(Look direction)에서 약간 벗어나더라도 유효한 최적의 구성을 학습하도록 강제합니다.

3. 네트워크 아키텍처 및 섹터화 (Sectorization):
   CNN은 $N \times N$ 상관 행렬의 실수부, 허수부, 그리고 위상 성분을 입력값($3 \times N \times N$)으로 받습니다. 가능한 배열 구성의 조합 폭발(예: $N=12, M=6$일 때 924가지 조합)을 관리하기 위해, 시야(Field of View)를 각도 섹터로 분할합니다. 각 섹터에는 해당 범위 내에서 가장 빈번하게 발생하는 최적의 구성을 할당함으로써, 분류 작업을 관리 가능한 수의 출력 클래스로 축소합니다.

주요 결과
6개의 RF 체인을 가진 12-요소 균일 선형 배열(ULA)을 사용한 시뮬레이션 결과는 제안된 접근 방식의 효능을 입증합니다:

• 재학습 없는 일반화: 프리스티어링 전략은 브로드사이드에서만 학습된 네트워크가 임의의 소스 각도로 성공적으로 일반화될 수 있음을 보여주었습니다. 이상적인 프리스티어링 조건 하에서, 이 방법은 넓은 범위의 소스 및 간섭 각도에 대해 90% 이상의 테스트 정확도를 달了했습니다.
• 오차에 대한 강건성: 초기 실험에서는 학습되지 않은 네트워크가 프리스티어링 오차에 노출되었을 때 정확도가 크게 하락(약 25%까지)하는 것을 확인했습니다. 구조화된 오차 증강(특정 소규모 섭동을 포함한 샘플로 학습)을 구현함으로써, 네트워크의 강건성이 극적으로 향 개선되었습니다.
• 대규모 오차 발생 시 성능: 확장된 데이터셋(16,000개 샘플)과 작은 체계적 학습 오차($\pm 0.2^\circ$)를 활용한 가장 강건한 구성은, 더 큰 무작위 프리스티어링 오차($\pm 1^\circ$)에 대해 테스트했을 때도 **90.66%**의 테스트 정확도를 유지했습니다.
• 섹터화 트레이드오프: 섹터 기반 레이블링은 모델 복잡성을 줄여주지만, 섹터 경계가 너무 넓거나 섹터 내에서 최적의 구성이 크게 변할 경우 SINR 성능을 저하시킬 수 있다는 점을 논문은 명시합니다. 그러나 프리스티어링 방식은 높은 정확도를 유지하기 위해 필요했을 다각도 학습 데이터셋의 필요성을 완화해 주었습니다.

의의 및 기여
본 논문은 적응형 빔포밍 분야에 다음과 같은 세 가지 주요 기여를 한다고 주장합니다:

1. 확장 가능한 프리스티어링 프레임워크: 단일 신경망이 브로드사이드에서만 학습하여 임의의 원하는 방향으로 일반화할 수 있게 하는 DL 기반 프리스티어링 프레임워크를 도입했습니다. 이는 모든 각도를 포괄하는 방식과 비교하여 학습 복잡성, 데이터 저장 요구량 및 일반화 부담을 크게 줄여줍니다.
2. 불확실성 하에서의 강건성: 제안된 방법이 각도 불확실성 하에서도 높은 정확도를 유지함을 조사하고 입증했습니다. 구조화된 프리스티어링 섭동을 학습 과정에 체계적으로 포함함으로써, 네트워크는 DOA 추정 오차를 허용하도록 학습되어 동적인 환경에서도 신뢰할 수 있는 성능을 보장합니다.
3. 실시간 적응: 하나의 원하는 신호와 하나의 간섭 신호에 대해 출력 SINR을 최대화하기 위해 활성 안테나를 효율적으로 선택합니다. 프리스티어링의 효율성과 신경망 추론 능력의 결려는 전통적인 반복 최적화 방법의 계산 지연 문제를 극복하고, 실시간 희소 배열 적응을 위한 실질적인 경로를 제공합니다.

저자들은 섹터 기반 접근 방식이 특정 각도 영역에서 SINR 저하와 관련된 한계를 가질 수 있으나, 프리스티어링과 오차 인식 학습의 결합이 불확실한 전파 환경에서 실시간 희소 배열 구성을 위한 강건하고 효율적인 솔루션을 제공한다고 결론짓습니다.