기술 요약: 도시 전자기장(EMF) 맵 예측을 위한 다중 모드 조건부 고해상도 트랜스포머

1. 문제 정의

도시 환경에서 전자기장(EMF) 강도를 정확하게 예측하는 것은 셀룰러 네트워크 계획에 있어 매우 중요합니다. 기존의 물리 기반 레이 트레이싱(ray-tracing) 시뮬레이터는 정확하지만, 수천 개의 후보 안테나 사이트를 포함하는 대규모 계획 작업에는 계산 비용이 너무 많이 듭니다. 반면, 기존의 딥러닝 접근 방식은 다양한 입력 모달리티(건물 배치, 스칼라 안테나 파라미터, 각도 방사 패턴)를 단일 이미지 채널로 결합하여 단순한 이미지 대 이미지 변환(image-to-image translation) 작업으로 취급하는 경우가 많습니다. 이러한 방식은 모달리티의 고유한 특성, 특히 안테나의 방향성 특성을 활용하지 못하여 신호 전파 및 핫스팟 국지화(hotspot localization) 예측에서 최적의 정확도를 얻지 못하는 한계가 있습니다.

2. 방법론

저자들은 HRFormer 백본을 기반으로 한 **다중 조건부 밀집 예측 프레임워크(Multi-Conditioned Dense Prediction Framework)**를 제안합니다. 핵심 혁신은 다양한 입력 모달리티를 단순히 결합하는 대신, 각각의 전용 경로를 통해 처리함으로써 모델이 특정 안테나 특성에 따라 특징 추출을 조건화할 수 있도록 하는 데 있습니다.

2.1 입력 표현

네트워크는 7개 채널의 입력을 받습니다:

• 건물 배치(Building Layout): 외벽과 내부 영역으로 인코딩됩니다.
• 빔 커버리지 폴리곤(Beam Coverage Polygon): 안테나 위치와 방위각으로부터 유도된 주 로브(main-lobe) 커버리지 섹션의 기하학적 표현입니다.
• 송신기 상대적 공간 채널(Transmitter-Relative Spatial Channels): 모든 픽셀과 송신기 사이의 기하학적 관계를 명시적으로 인코딩하는 4개의 채널입니다:
  • 정규화된 유클리드 거리 ($D$).
  • 가우시안 근접 가중치 ($G$).
  • 방위각(bearing angle)의 사인 및 코사인 값 ($S, C$).
    이 채널들은 신호 감쇄, 근접성 및 전파 방향에 대한 명시적인 사전 지식(priors)을 제공합니다.

2.2 아키텍처

프레임워크는 점진적으로 낮은 해상도의 4개 병렬 브랜치를 유지하는 HRFormer 백본을 활용합니다. 두 가지 상호 보완적인 조건화 메커니즘이 통합되어 있습니다:

1. 특징별 선형 변조(Feature-wise Linear Modulation, FiLM): 스칼라 안테나 파라미터(위치, 높이, 전력, 다운틸트, 방위각)는 2층 MLP를 통해 스케일($\gamma$) 및 시프트($\beta$) 파라미터로 매핑됩니다. 이 파라미터들은 HRFormer 백본의 모든 4개 단계에 주입되어, 전송 파라미터에 따라 초기 텍스처 수준부터 후기 시맨틱 수준까지의 특징 응답을 변조합니다.
2. 교차 주의 집중(Cross-Attention): 360° 방사 패턴(수평 및 수직)은 1-D CNN을 통해 90개의 토큰으로 토큰화됩니다. 가장 깊은 단계(Stage 4)에서 공간 특징은 쿼리(query) 역할을 하고, 방사 패턴 토큰은 키(key)와 값(value) 역할을 합니다. 이를 통해 모델은 방향성 이득 패턴에 주목함으로써 안테나 특유의 전파 특성을 학습할 수 있습니다

2.3 디코더 및 출력

스킵 연결(skip connections)이 있는 UNet 스타일의 디코더가 조건화된 특징을 점진적으로 업샘플링하여 전체 해상도(500×500)의 EMF 맵을 재구성합니다.

2.4 손실 함수

맵 전체의 예측 난이도 불균형(예: 고신호 영역 vs 배경 영역)을 해결하기 위해 복합 손실(composite loss)이 사용됩니다:

• 마스크된 L1 손실(Masked L1 Loss): 실외 픽셀(건물 내부 제외)에 대해서만 계산됩니다.
• 다중 스케일 구조적 유사도(MS-SSIM): 지각적 구조적 충실도를 포착합니다.
• 포컬 L1 손실(Focal L1 Loss): 네트워크 계획에 가장 중요한 고신호 영역의 픽셀 오차에 가중치를 부여하여 재가중합니다.

2.5 좌표 일관적 테스트 타임 증강(Coordinate-Consistent TTA)

표준 TTA는 입력 이미지를 단순히 뒤집습니다(flip). 그러나 공간 채널은 절대적인 기하학적 관계를 인코딩하므로, 저자들은 좌표 일관적 TTA를 제안합니다. 각 증강(flip)에 대해 건물 배치와 안테나 좌표를 변환하고, 공간 채널을 단순히 뒤집는 것이 아니라 새로운 좌표로부터 재계산합니다. 최종 예측은 역변환된 출력들의 평균값입니다.

3. 주요 기여

• 다중 모드 조건부 아키텍처: HRFormer 백본 위에 FiLM을 통한 스칼라 파라미터와 교차 주의 집중을 통한 방사 패턴을 통합하여, 안테나 특성을 특징 추출 과정에 명시적으로 인코딩하는 새로운 프레임워크를 제시했습니다.
• 복합 손실 전략: 마스크된 L1, MS-SSIM, Focal L1 손실의 조합을 통해 예측 난이도 불균형을 해결하고, 개별 손실 구성 요소들을 사용했을 때보다 성능을 향상시켰습니다.
• 좌표 일관적 TTA: 기하학적 변환 시 공간적 사전 지식을 재계산함으로써, 평균 절대 오차(MAE)를 유의미하게 감소시키는 전략을 제시했습니다.
• 절제 연구 통찰(Ablation Insights): 조건화 메커니즘의 설계가 단순히 백본 모델의 크기를 키우는 것보다 성능 향상에 더 크게 기여한다는 것을 보여주는 통제된 실험을 수행했습니다.

4. 실험 결과

모델은 상용 무선 전파 시뮬레이터에 의해 생성된 3.5 GHz(5G NR n78 대역)의 시뮬레이션된 도시 EMF 맵 768개 데이터셋을 대상으로 평가되었습니다. 데이터셋에는 다양한 안테나 구성이 포함된 256개의 서로 다른 건물 배치가 포함되어 있습니다.

• 성능: 최적의 모델(전체 조건화가 적용된 HRFormer-Base)은 테스트 MAE 0.0461을 달립했습니다.
  • 이는 일반 UNet 베이스라인(MAE 0.0616) 대비 25.2% 향상된 수치입니다.
  • 이는 HRFormer-only 베이스라인(MAE 0.0676) 대비 31.8% 향상된 수치입니다.
• 구조적 충실도: SSIM은 약 0.918(UNet)에서 0.949로 개선되었습니다.
• 핫스팟 국지화: Hotspot IoU(상위 5% 신호 영역의 교집합/합집합 비율)는 0.326(UNest)에서 0.406으로 증가하여, 고신호 영역을 찾는 능력이 우수함을 입증했습니다.
• TTA 영향: 좌표 일관적 TTA를 적용하면 HRFormer-Base 모델의 MAE가 6.3% 추가로 감소합니다.
• 효율성: 모델은 RTX 5090 GPU에서 샘플당 약 19.8 ms로 실행되며, 이는 물리 기반 시뮬레이터보다 수십 배 빠릅니다.

5. 의의 및 주장

본 논문은 구조화된 다중 모드 조건화의 통합이 단순한 모델 용량 증가보다 성능의 주요 동력임을 주장합니다. 저자들은 다음을 입증했습니다:

1. 조건화 메커니즘의 중요성: FiLM과 교차 주의 집중은 모델이 특정 안테나 구성에 맞춰 특징 추출을 적응할 수 있게 하여, 단순 결합 방식보다 뛰어난 성능을 보입니다.
2. 명시적 사전 지식의 이점: 송신기 상대적 공간 채널을 명시적으로 인코딩함으로써 네트워크가 기본적인 기하학적 관계를 다시 학습할 필요를 줄여주며, 이를 통해 회절 및 산란과 같은 복잡한 전파 효과에 집중할 수 있게 합니다.
3. 증강에서의 물리적 일관성: TTA에서 공간 채널을 재계산하여 기하학적 변환을 적절히 처리하는 것이 성능 향상에 결정적입니다.

저자들은 단일 도시 토폴로지에서 생성된 시뮬레이션 데이터와 2D 전파 맵을 사용했다는 점을 포함한 한계점을 언급하며, 실제 측정값 및 3D 효과로의 일반화에는 향후 검증이 필요함을 인정했습니다. 그럼에도 불구하고, 본 연구는 EMF 예측을 위한 학습된 대리 모델(learned surrogate)의 새로운 기준을 세웠으며, 전통적인 시뮬레이션 방법의 빠르고 정확한 대안을 제시합니다.