DPD-KAN: Kolmogorov-Arnold Networks for Low Complexity Digital Predistortion in 5G Analog Radio-over-Fiber Systems

기술 요약: 5G 아날로그 RoF 시스템을 위한 DPD-KAN

문제 정의
무선 신호를 분배하는 데 있어 Radio-over-fiber (RoF)는 밀집된 5G 및 차세대 6G 네트워크를 위한 핵심 기술이다. Digital RoF (D-RoF)는 높은 신호 충실도를 보장하지만, 밀집된 원격 무선 유닛(RRU) 배포 시 상당한 대역폭 오버헤드와 전력 소비 문제를 야기한다. Analog RoF (A-RoF)는 더 낮은 지연 시간과 복잡성으로 더 효율적인 대안을 제공하지만, A-RoF 링크는 신호 저하에 매우 취약하다. 직접 변조 레이저(DML)를 사용하는 시스템에서는 레이저 포화, 클리핑, 강도 의존적 주파수 처프(chirp), 그리고 표준 단일 모드 광섬유(SSMF) 내에서의 처프-분산 상호작용으로 인해 성능 저하가 발생한다.

Digital Predistortion (DPD)은 이러한 비선형성을 완화하기 위한 표준 기술이다. 다층 퍼셉트론(MLP), 합성곱 신경망(CNN), 순환 신경망(RNN)과 같은 머신러닝(ML) 모델은 고전적인 Volterra 기반 방식(예: Generalized Memory Polynomials, GMP)보다 우수한 성능을 입증해 왔으나, 이들의 계산 복잡성과 전력 소비는 프런트홀 링크의 실제 배포에 있어 장벽이 되고 있다. 또한, 노드의 고정된 함수 대신 에지의 학습 가능한 활성화 함수를 사용하는 Kolmogorov-Arnold Networks (KANs)는 광 기저대역 등화(optical baseband equalization) 및 RF 전력 증폭기 DPD에서 유망한 가능성을 보여주었으나, A-RoF 시스템의 DPD 연구에는 아직 조사되지 않았다.

방법론
저자들은 5G New Radio (NR) A-RoF 프런트홀 링크를 위해 특별히 설계된 최초의 KAN 기반 DPD 모델인 DPD-KAN을 제안한다. 실험 설정은 100 MHz 대역폭의 64-QAM 5G NR 파형을 3.6 GHz RF 반송파로 업컨버전하는 방식을 포함한다. 광 전송은 1 km SSMF 링크를 통해 1550 nm VCSEL DML을 사용하며, 이후 광검출 및 실시간 오실로스코프를 통한 캡처가 이루어진다.

DPD-KAN 아키텍처는 이중 경로 잔차 구조(dual-path residual structure)를 채택한다:

1. 선형 경로 (Linear Path): 교정되지 않은 신호를 전달하는 항등 매핑(identity mapping).
2. 비선형 KAN 경로 (Non-linear KAN Path): 잔차 교정값($\Delta I, \Delta Q$)을 학습한다. MLPs와 달리, KAN은 베이스 가중치, SiLU 함수, 그리고 B-spline 기저 함수의 가중 합으로 정의되는 학습 가능한 활성화 함수 $\phi(x)$를 에지에 사용한다.

모델은 기저대역 신호의 In-phase (I) 및 Quadrature (Q) 성분과 RF 입력 전파로 구성된 3차원 입력 벡터를 처리한다. 1 km 링크 길이를 고려할 때 색 분산(chromatic dispersion)에 의한 메모리 효과는 미미한 것으로 나타났으므로, 정적 결함(VCSEL 전기-광학 비선형성 및 드라이버 증폭기 포화)을 해결하기 위해 메모리리스(memoryless) 아키텍처가 채택되었다. 모델 가중치는 추론 시 8비트 해상도로 균일하게 양자화된다.

검증을 위해 간접 학습 아키텍처(Indirect Learning Architecture, ILA)가 사용되었다. 저자들은 제안된 DPD-KAN을 동일한 잔차 구조를 가진 베이스라인 MLP 및 전통적인 GMP 모델과 비교하였다. 복잡도는 양자화된 네트워크의 비용을 정확하게 반영하기 위해 비트 연산량(Bit Operations, BOPs)으로 측정되었다.

주요 결과
본 연구는 다양한 RF 입력 전력 및 복잡도 수준(BOPs)에 따른 오차 벡터 크기(EVM), 인접 채널 누설비(ACLR), 그리고 정규화 평균 제곱 오차(NMSE)를 기준으로 성능을 평가한다.

• 저복잡도에서의 성능: 약 $10^4$ BOPs에서 DPD-KAN은 MLP와 GMP 모두를 유의미하게 능가한다. 구체적으로, RF 입력 전력이 5 dBm일 때, DPD-KAN은 동일 복잡도의 MLP보다 24.2% 낮은 EVM을, 더 높은 복잡도($10^5$ BOPs)의 GMP보다 29.6% 낮은 EVM을 달성한다.
• 스펙트럼 효율: 3 dBm RF 입력 전력에서, $10^4$ BOPs KAN 모델은 $10^4$ BOPs MLP 및 $10^5$ BOPs GMP 모델에 비해 스펙트럼 재생(spectral regrowth)을 약 5 dB 감소시킨다.
• 복잡도 효율성: 200회의 독립적인 시행에 대한 종합적인 분석 결과, DPD-KAN은 현저히 낮은 계산 비용에서 최적의 성능에 수렴한다. EVM 임계값 2% 미만을 달s성하기 위해, DPD-KAN은 MLP 베이스라인보다 약 52% 적은 BOPs를 필요로 한다 (MLP의 2.75 $\times$ $10^4$ BOPs 대비 KAN은 1.32 $\times$ $10^4$ BOPs).
• 고복잡도 성능: $10^5$ BOPs의 높은 복잡도 수준에서, DPD-KAN은 EVM 0.91%, ACLR -47.46 dBc, NMSE -40.81 dB를 달성하여, 동일한 수준의 MLP와 대등한 성능을 보이면서도 낮은 복잡도에서의 수렴 효율성 측면에서 입증된 우위를 보였다.

의의 및 주장
본 논문은 기저대역 등화 또는 독립적인 RF 전력 증폭기에서의 이전 KAN 적용 사례와는 근본적으로 다른 과제를 다루는, 5G A-RoF 프런트홀 링크를 위한 최초의 KAN 적용 사례를 입증한다고 주장한다. 본 연구의 주요 의의는 KAN이 고정된 활성화 함수를 사용하는 MLP나 Voler-based GMP에 비해, 특히 엄격한 복잡도 제약 조건 하에서 VCSEL 기반 A-RoF 링크의 왜곡 프로파일을 위한 더 효율적인 비선형 기저(nonlinear basis)를 제공한다는 점을 증명한 데 있다.

저자들은 DPD-KAN이 자원이 제한된 5G 환경에서 기존 딥러닝 모델과 관련된 과도한 전력 및 계산 오버헤드 없이 효과적인 ML 기반 DPD를 배포할 수 있는 경로를 제공함으로써, 저복잡도 선형화를 위한 적합한 아키텍처임을 결론짓는다.