Angular Sector-Based Sparse Array Design for Adaptive Beamforming Using Deep Learning

기술 요약: 딥러닝을 이용한 적응형 빔포밍을 위한 각도 섹터 기반 희소 배열 설계

문제 정의
동적인 무선 주파수(RF) 환경에서 신호 대 간섭 및 잡음비(SINR)를 극대화하려면 비균일 간격의 희소 배열(Sparse Array)이 필요할 때가 많습니다. 가중치에만 의존하는 균일 선형 배열(ULA)과 달리, 희소 배열은 자유도를 높이기 위해 정밀한 요소 배치를 활용합니다. 그러나 간섭 특성이 급격하게 변함에 따라 이러한 배열의 빈번한 재구성이 필요합니다. 볼록 최적화(Convex Optimization)나 전수 조사와 같은 전통적인 방법들은 계산 복잡도가 매우 높아, 인지-실행 사이클(Perception-Action Cycle, PAC) 내의 실시간 인지 센싱에 적용하기에는 부적합합니다. 또한, 빈번한 안테나 스위칭은 하드웨어 집약적이며 비효율적일 수 있습니다. 핵심 과제는 간섭 각도를 기반으로 최적의 희소 배열 구성을 선택하면서도, 불필요한 재구성을 최소화하고 견고한 SINR 성능을 유지하는 시스템을 설계하는 것입니다.

방법론
저자들은 공간 상관 행렬(Spatial Correlation Matrices)을 최적의 희소 배열 구성으로 매핑하는 딥러닝 프레임워크를 제안하며, 이를 통해 최적화 부담을 오프라인 학습 단계로 전환합니다.

• 시스템 모델: 본 연구는 $M=12$개의 가능한 안테나 위치와 $N=6$개의 활성 RF 체인을 갖는 균일 선형 배열(ULA)을 고려합니다. 목표는 브로드사이드($90^\circ$) 방향의 원하는 신호에 대해, 시야각(FoV) 전체를 훑는 간섭 신호에 맞서 12개 위치 중 6개의 안테나 서브셋을 선택하여 SINR을 극대화하는 것입니다.
• 데이터셋 생성: 924개의 잠재적인 희소 배열 구성에 대해 전체 공간 상관 행렬을 계산했습니다. 간섭 각도는 $10^\circ$에서 $90^\circ$까지 $1^\circ$ 간격으로 균등하게 샘플링되었습니다.
• 클래스 축소 전략: 분류 복잡도를 줄이기 위해 저자들은 각도 섹터 기반의 클래스 축소 기법을 구현했습니다. 동일한 최적 배열이 지배하는 인접 각도 빈(Bin)들을 병합하는 방식입니다. 이 과정을 통해 초기 80개의 빈을 72개로 줄였으며, 최종적으로 56개의 대표 클래스(고유한 섹터 기반 구성)로 압축했습니다.
• 데이터셋 변형: 데이터 양과 분포의 영향을 체계적으로 평가하기 위해 네 가지 데이터셋 변형을 생성했습니다:
  1. 고샘플 수, 불균형(자연적 분포).
  2. 고샘플 수, 균형(업/다운 샘플링을 통해).
  3. 저샘플 수, 불균형.
  4. 저샘플 수, 균형.
• 네트워크 아키텍처: 두 가지 모델을 학습시키고 평가했습니다:
  1. 32개의 병렬 필터를 사용하는 경량 컨볼루션 신경망(CNN)으로, 상관 행렬의 실수부, 허수부, 위상 성분을 입력으로 사용합니다.
  2. 잔차 스킵 연결(Residual Skip Connections)을 갖춘 더 깊은 구조의 ResNet-50 아키텍처입니다.
     두 모델 모두 56개 구성 중 하나를 나타내는 원-핫 인코딩 벡터를 출력합니다. 학습에는 가중치를 폴드 간에 전달하여 수렴을 가속화하고 일반화 성능을 높이는 하이브리드 K-폴드 검증 전략이 사용되었습니다.

주요 결과

• 분류 정확도: ResNet-50이 모든 데이터셋 변형에서 경량 CNN보다 일관되게 우수한 성능을 보였습니다. 저샘플 균형 데이터셋에서 ResNet-50이 달성한 최고 정확도는 **97.3%**였으며, CNN은 동일한 데이터셋에서 최대 94.6%를 기록했습니다.
• 데이터 레짐(Regime) 트렌드: 일반적인 예상과는 반대로, 저샘플 데이터셋이 고샘플 데이터셋보다 높은 정확도를 보였습니다. 저자들은 고샘플 데이터셋이 다양한 간섭 구현으로 인해 클래스 내부 변동성(Intra-class variability)을 증가시켜 섹터 경계 근처에서 중첩을 유발하기 때문이라고 설명했습니다. 반면, 저샘플 데이터셋은 특징 공간(Feature Space)에서 더 조밀한 클러스터를 형성했습니다.
• 균형화의 영향: 클래스 균형화는 소수 클래스의 표현력을 높여 저샘플 레짐에서 정확도를 개선했습니다. 그러나 고샘플 레짐에서는 균형화가 오히려 성능을 저하시켰는데, 이는 다수 클래스를 다운 샘플링하는 과정에서 자연스러운 다양성이 감소하고 복제된 소수 샘플에 과적합(Overfitting)되었기 때문으로 보입니다.
• SINR 성능: 선택된 구성들은 최적에 가까운 SINR을 유지했습니다. 대부분의 각도 빈에서 이론적 최적 SINR과의 편차는 1% 미만이었습니다. 간섭 신호가 브로드사이드 방향(원하는 신호 근처)으로 접근하는 까다로운 시나리오에서도 최대 편차는 약 5% 수준을 유지했습니다. 데이터셋 전체의 평균 달성 SINR은 5.628 dB였습니다.

의의 및 주장
본 논문은 제안된 방식이 동적인 RF 환경에서 적응형 희소 배열 배포를 위한 확장 가능하고 실용적인 프레임워크를 제공한다고 주장합니다. 인접한 섹터를 대표 클래스로 병합함으로써, 시스템은 강력한 SINR 성능을 유지하면서도 불필요한 재구성을 줄일 수 있습니다. 결과는 딥러닝이 상관 데이터를 통해 최적의 희사 배열 구성을 효과적으로 식별할 수 있음을 입증하며, 이는 계산 비용이 많이 드는 실시간 최적화의 실행 가능한 대안이 될 수 있음을 보여줍니다. 본 연구는 데이터셋 설계, 특히 샘플 수와 클래스 분포가 신뢰할 수 있는 학습 결과를 얻는 데 매우 중요하다는 점을 강조합니다. 이 프레임워크는 실시간 인지 센싱과 효과적인 간섭 완화를 지원하며, ResNet-50은 데이터가 제한된 시나리오에서 우수한 정확도를, 경량 CNN은 계산 효율적인 대안을 제공합니다.