Generative Site-Specific Beamforming for UPAs via Decoupled Channel Sensing

기술 요약: 분리형 채널 센싱을 통한 UPA용 생성형 사이트 특화 빔포밍 (GenSSBF)

문제 정의

균일 평면 배열(Uniform Planar Array, UPA) 시스템, 특히 mmWave 통신에서 정확한 빔 정렬은 높은 스펙트럼 효율과 링크 신뢰성을 달리는 데 매우 중요하다. 그러나 전통적인 빔 정렬 방식은 빔포밍 충실도(fidelity)와 온라인 센싱 오버헤드 사이의 근본적인 트레이드오프에 직면한다:

• 채널 의존적 빔포밍은 정확한 채널 상태 정보(CSI)를 필요로 하며, 이는 대규모 안테나 시스템에서 과도한 파일럿 트레이닝 및 피드백 오버헤드를 초래한다.
• 그리드 오브 빔 스위핑(Grid-of-beams sweeping, 예: 전수 2D DFT 코드북 탐색)은 명시적인 CSI 획득을 피할 수 있지만, 각도 해상도가 높아짐에 따라 프로빙 빔의 수가 증가하므로 곱셈적 복잡도($M_\phi \times M_\theta$)가 발생한다.
• **사이트 특화 빔포밍(Site-Specific Beamforming, SSBF)**은 환경적 규칙성을 학습하여 제한된 측정값으로부터 빔을 추론하려고 시도한다. 그러나 기존의 생성형 SSBF 접근 방식은 주로 풀(full) 2D 센싱이나 일반적인 코드북 측정을 기반으로 하며, UPA에서의 **분리형 센싱(decoupled sensing)**이 갖는 구체적인 과제들을 해결하지 못한다.

방위각(azimuth)과 고도각(elevation) 도메인이 독립적으로 프로브되어 오버헤드가 선형 복잡도($M_\phi + M_\theta$)로 감소할 때, 결과적인 참조 신호 수신 전력(RSRP) 관측치는 다음과 같은 문제를 겪는다:

1. 정보 손실: 채널의 명시적인 결합된 방위각-고도각 관계가 상실되며, 오직 주변부 전력 분포(marginal power distributions)만이 보존된다.
2. 로브 불일치(Lobe Mismatch): 가장 강한 방위각 로브와 고도각 로브가 동일한 물리적 경로에 대응하지 않을 수 있으며, 이로 인해 존재하지 않는 가상의 각도 방향이 생성될 수 있다.
3. 위상 모호성: 전력 기반의 RSRP 피드백은 위상 정보를 버리기 때문에, 분리된 관측값으로부터 빔포머를 매핑하는 과정이 비고유(non-unique)하며 매우 모호해진다.

방법론

본 논문은 저오버헤드, 분리형 센싱으로부터 고충실도 빔 후보를 생성하기 위해 설계된 교차 융합 생성형 사이트 특화 빔포밍(Cross-Fused GenSSBF) 프레임워크를 제안한다.

1. 분리형 채널 센싱 (Decoupled Channel Sensing)

기지국(BS)은 별도의 코드북을 사용하여 방위각 도메인과 고도각 도메인을 독립적으로 프로브한다.

• 방위각 센싱: 넓은 고도각 커버리지를 가지며 다양한 방위각 섹터를 프로브한다.
• 고도각 센싱: 넓은 방위각 커버리지를 가지며 다양한 고도각 섹터를 프로브한다.
• 출력: 두 개의 저차원 RSRP 벡터 $r_\phi$와 $r_\theta$를 출력하며, 이를 통해 온라인 오버헤드를 곱셈적 복잡도에서 선형 복잡도로 감소시킨다.

2. 교차 융합 GenSSBF 아키텍처

결합된(joint) 각도 정보를 복구하기 위해, 본 프레임워크는 세 가지 핵심 구성 요소를 가진 생성 모델을 채택한다:

• 각도 도메인 채널 인코딩: 대상 빔포머는 각도 도메인(DFT 기저)에서 표현된다. 훈련 중 위상 래핑(phase-wrapping) 문제를 피하기 위해, 복소 채널 계수는 진폭과 코사인-사인 쌍($\rho, \cos\phi, \sin\phi$)으로 인코딩된다.
• 양방향 교차 주의(Bidirectional Cross-Attention) 인코더: 이 모듈은 분리형 센싱의 정보 손실 문제를 해결한다.
  • 별도의 MLP가 $r_\phi$와 $r_\theta$를 특징 토큰으로 인코딩한다.
  • 양방향 교차 주의 메커니즘을 통해 방위각 브랜치가 고도각 특징을 쿼리하고(그 반대도 마찬가지), 잠재적 의존성을 추출한다.
  • 정제된 특징들은 사이트 특유의 2D 각도 구조를 요약하는 단일 조건 벡터 $c$로 융합된다.
• 조건부 노멀라이징 플로우 생성기 (Conditional Normalizing Flow Generator):
  • 결정론적 예측기(여러 가능한 솔루션을 평균화해버릴 위험이 있음) 대신, 조건부 노멀라이징 플로우는 단순한 가우시안 잠재 변수 $z$를 $c$에 조건화된 다양한 빔 후보들의 복잡한 분포로 매핑한다.
  • 이 확률적 생성기는 $K$개의 빔 후보 세트를 생성하여, 분리된 RSRP로부터 발생하는 다중 모드(multimodal) 매핑의 모호성을 처리한다.

3. 태스크 지향적 훈련 및 검증

• 훈련 목적 함수: 모델은 **정규화된 빔포밍 이득 손실(normalized beamforming gain loss)**을 사용하여 훈련된다. 전체 조건부 분포를 피팅하는 대신(likelihood-based), 생성된 $K$개의 빔 중 최적의 빔의 이득을 최대화하는 것을 목표로 한다. 이는 생성기가 고이득 영역에 확률 질량을 할당하도록 유도한다.
• 온라인 검증: 기지국은 $K$개의 빔 후보를 생성한다. 사용자 단말(UE)은 이 후보들에 대해 경량 파일럿 측정을 수행하고, 최종 데이터 전송을 위해 가장 높은 RSRP를 가진 빔의 인덱스를 피드백한다.

주요 기여

1. 저오버헤드 분리형 센싱: 본 논문은 UPA를 위한 분리형 센싱 전략을 공식화하여 온라인 오버헤드를 $O(M_\phi M_\theta)$에서 $O(M_\phi + M_\theta)$로 줄이는 동시에, 그로 인해 발생하는 결합된 각도 정보의 손실을 명시적으로 규명한다.
2. 교차 융합 GenSSBF 프레임워크: 잠재적인 방위각-고도각 의존성을 복구하기 위한 양방향 교차 주의 인코더와, 모호한 입력으로부터 고충실도 빔 후보를 생성하기 위한 조건부 노멀라이징 플로우를 결합한 새로운 아키텍처를 제안한다.
3. 태스크 지향적 훈련 손실: 평균 재구성 오차를 최소화하는 대신, 후보 세트 내에 적어도 하나의 고이득 빔을 포함시키는 것을 최적화하는 훈련 목적 함수를 제공한다. 본 논문은 성공 확률이 생성기의 고이득 영역 내 확률 질량 및 후보 수와 함께 증가한다는 이론적 해석을 제공한다.
4. 성능 검증: DeepMIMO 시나리오(실내, 실외 차단, 도시 mmWave)를 사용한 광범에한 시뮬레이션을 통해 프레임워크의 효용성을 입증한다.

결과

DeepMIMO 시나리오(I2 28, O1B 28, Boston5G 28)에 기반한 시뮬레이션 결과는 다음과 같다:

• 빔포밍 이득: 제안된 GenSSBF(K=8 후보 사용 시)는 결정론적 MLP 기반 예측, 교차 주의가 없는 GenSSBF, 그리고 전통적인 전수 DFT 코드북 탐색보다 일관되게 우수한 성능을 보인다.
  • 1024-빔 2D DFT 탐색과 비교했을 때, 제안된 방법은 정규화된 빔포밍 이득 측면에서 각각 83.6%(I2 28), 74.6%(O1B 28), 38.1%(Boston5G 28)의 개선을 달성했다.
  • 고정된 코드북 탐색보다 훨씬 더 최대 비례 전송(MRT) 상한선에 근접한 빔 패턴을 보여준다.
• 오버헤드 감소: 분리형 센싱 설계는 풀 2D DFT 스위핑 대비 스위핑 오버헤드를 93.8% 감소시킨다.
• 강건성: 제안된 프레임워크는 넓은 SNR 범위에 걸쳐 벤치마크 대비 우수한 성능을 유지하지만, 센싱 노이즈가 신호를 압도하는 매우 낮은 SNR(< -5 dB)에서는 성능이 저하된다.
• 절제 연구(Ablation Studies): 교차 주의 모듈을 제거하면 성능이 크게 저하되며, 이는 잠재적 의존성을 복구하는 데 해당 모듈이 필수적임을 확인시켜 준다. 또한 확률적 생성(GenSSBF)이 결정론적 예측(MLP)보다 우수한 성능을 보여, 모호한 센싱 시나리오에서 다중 모드 후보 생성이 필요함을 입증한다.

의의

본 논문은 분리된 관측값의 본질적인 모호성 때문에, 단순히 센싱 오버헤드를 줄이는 것만으로는 신뢰할 수 있는 UPA 빔 정렬을 달 수 없다고 주장한다. 본 연구의 의의는 생성형 인공지능, 특히 교차 도메인 융합 및 태스크 지향적 확률적 생성이 결합되었을 때, 저차원의 주변부 전력 측정값으로부터 어떻게 고품질의 사이트 특화 빔포머를 효과적으로 추론할 수 있는지를 입증한 데 있다. 이 접근 방식은 대규모 UPA 시스템의 배포에 있어 핵심적인 병목 현상을 해결하며, 온라인 센싱 비용을 획기적으로 줄이면서도 최적에 가까운 빔포밍 이득을 달성할 수 있는 실행 가능한 경로을 제시한다.