Physics-Constrained Synthetic Training for Sub-Terahertz Channel Rainfall Sensing

기술 요약: 물리적 제약 기반의 합성 학습을 이용한 서브 테라헤르츠 채널 강우 감지

문제 정의
테라헤르츠(THz) 채널은 고용량 통신과 미세 해상도 감지 능력을 제공하여 6G 네트워크의 통합 센싱 및 통신(ISAC) 후보로 주목받고 있다. 그러나 THz 대역에서의 강우로 인한 감쇄는 신뢰성 측면에서 큰 도전 과제인 동시에, 기회적 강우 감지를 위한 메커니즘을 제공하기도 한다. 위성, 레이더 또는 상용 마이크로파 링크(CML)에 기반한 기존의 성숙한 강우 회귀 시스템과 달리, THz 채널 강우 추정은 실세계 데이터의 심각한 부족 문제에 직면해 있다. 기존 연구들은 통제된 인공 강우 실험이나 단기 야외 캠페인에 국한되어 있어, 강건한 딥러닝 모델을 학습시키기에는 한계가 있다.

방법론
데이터 부족 문제를 해결하기 위해, 저자들은 제한적인 야외 측정값으로 검증된 물리 제약 기반의 합성 학습 프레임워크를 제안한다. 이 방법론은 세 가지 주요 단계로 구성된다:

1. 채널 특성 분석 및 교정:

   • 측정: 베이징 공업대학교에서 140 GHz 및 229 GHz 대역의 고정된 41.5m 점대점(point-to-point) THz 링크를 사용하여 야외 캠페인을 수행하였다. 설정은 수직 선형 편파를 사용하였으며, 맑은 조건과 비가 오는 조건에서의 수신 전력 변화를 기록하였다.
   • 통계적 모델링: 본 연구는 독립적인 데이터셋(BIT-24)을 사용하여 라이시안 $K$-인자(Rician $K$-factor)와 강우 강도($R$) 사이의 관계를 확립하였다. 이 선형 관계($R$이 증가함에 따라 $K$가 감소)는 소규모 페이딩(small-scale fading)을 모델링하는 데 사용되었다.
   • 물리적 제약: 강우 감쇄는 ITU-R P.838-3 표준과 미 이론(Mie theory)을 사용하여 모델링되었으며, 네 가지 서로 다른 강우 입자 크기 분포(DSD) 사전 분포(Marshall-Palmer (M-P), Joss-Widespread (J-W), Joss-Drizzle (J-D), ITU-R P.838-3)를 포함하였다.

2. 합성 데이터 생성 (BIT-24-Gen):

   • 데이터 격차를 메우기 위해 물리 제약 기반의 합성 데이터셋이 생성되었다. 각 주파수와 DSD 사전 분포에 대해 20,000개의 샘플이 생성되었다.
   • 각 샘플은 20초 동안의 수신 전력 시퀀스(0.05초 간격의 400개 지점)와 일정한 강우 강도 라벨로 구성된다.
   • 생성 과정은 대규모 강우 감쇄(DSD 사전 분포 및 경로 길이에 의해 결정됨)와 소규모 라이시안 페이딩(교정된 $K$-$R$ 관계에 의해 제어됨), 그리고 유계된 확률적 드리프트(stochastic drift)를 결합한다.
   • 강우 강도는 강우 이벤트의 롱테일 특성을 반영하기 위해 두 성분의 균등 혼합(two-component uniform mixture)에서 샘플링되었다 (가벼운 비 70%, 보통/강한 비 30%).

3. 네트워크 아키텍처 (RainFormer):

   • 단시간 수신 전력 시퀀스를 강우 강도로 매핑하기 위해 하이브리드 어텐션-컨볼루션 네트워크인 RainFormer가 설계되었다.
   • 아키텍처: 모델은 1D 컨볼루션 임베딩을 사용한 후, 네 개의 스택형 하이브리드 블록을 적용한다. 각 블록은 멀티 헤드 셀프 어텐션(장거리 시간 의존성을 위함)과 뎁스와이즈 컨볼루션 게이트 피드포워드 레이어(국부적 변동 패턴을 위함)를 통합한다.
   • 물리-통계 융합: 핵심적인 설계 특징은 입력 시퀀스의 평균과 표준deviation과 같은 물리-통계적 기술자(descriptor)를 회귀 헤드 이전에 잠재 표현(latent representation)과 명시적으로 결합하는 것이다. 이는 네트워크가 백본(backbone)을 통해 이를 추론하는 것에만 의존하지 않고, 지배적인 감쇄 및 변동 통계치를 직접 활용하도록 보장한다.

주요 결과

• 내부 분포 성능: 합성 테스트 세트(BIT-24-Gen)에서 RainFormer는 140 GHz(ITU 사전 분포 사용 시)에서 0.1782 mm/h, 229 GHz(M-P 사전 분포 사용 시)에서 0.2925 mm/h의 제곱평균제곱근 오차(RMSE)를 달로 달성하였다.
• 절제 연구(Ablation Studies): **위치 인코딩(positional encoding)**을 제거했을 때 가장 큰 성능 저하(RMSE가 1.1 mm/h 이상으로 증가)가 발생하였으며, 그 다음은 명시적 물리-통계적 기술자를 제거했을 때(229 GHz에서 RMSE가 1.65 mm/h로 증가)였다. 이는 시간적 순서와 명시적 통계 기술자가 예측 정확도의 주요 동력이며, 셀프 어텐션과 컨볼루션은 보완적인 정밀화 역할을 한다는 것을 확인시켜 준다.
• 베이스라인 비교: RainFormer는 1D-CNN 및 바닐라 트랜스포머(vanilla Transformer)보다 우수한 성능을 보였다. 140 GHz에서 1D-CNN 대비 약 13%, 트랜스포머 대비 약 40%의 RMSE 감소를 달성하였다. 229 GHz에서도 가장 낮은 평균 절대 오차(MAE)를 기록하며 주파수 전반에 걸친 강건함을 입증하였다.
• 제로샷 전이(Zero-Shot Transfer): 실제 강우 데이터에 대한 학습이나 미세 조정 없이 측정된 BIT-25 데이터셋에 직접 적용했을 때, 모델들은 순위 일관적인(rank-consistent) 추정치를 생성하였다. 추정치는 약한 비와 강한 비를 성공적으로 구분하였으며, 네 가지 DSD 사전 분포에 걸친 예측의 확산 범위는 관찰 불가능한 경로 DSD로부터 발생하는 불확지성을 효과적으로 경계 지었다.

의의 및 주장
본 논문은 **DSD 브래킷 합성 학습(DSD-bracketed synthetic training)**이 실제 운영 데이터가 없는 상황에서 THz 강우 센싱을 위한 실행 가능한 토대가 될 수 있다고 주장한다. 주요 기여는 다음과 같다:

1. 데이터 부족 해결: 제한된 실제 채널 통계로 교정된 물리 제약 기반 합성 데이터가, 강우 라벨에 대한 직접적인 지도 학습 없이도 실제 측정값에 일반화될 수 있는 모델을 학습시킬 수 있음을 입증하였다.
2. 불확실성 정량화: 여러 DSD 사전 분포를 사용하여 학습함으로써, 관찰 불가능한 경로 DSD를 정량화되지 않은 편향(bias)에서 물리적으로 해석 가능한 경계 내의 불확실성 엔벨로프로 변환하였다.
3. 하이브리드 아키텍처 검증: THz 강우 센싱을 위해서는 복잡한 어텐션 메커니즘 단독보다 명시적인 물리-통계적 기술자와 시간적 순서 정보가 더 중요하다는 것을 확립하였다.

저자들은 이 접근 방식이 6G ISAC를 위한 기회적 THz 강우 센싱의 발전을 지원하며, 기상 레이더의 교차 교정(cross-calibration)을 도울 수 있다고 결론지었으나, 향후 연구에서는 다중 이벤트 캠페인과 더 긴 채널로의 확장이 필요하다고 언급하였다.