Deep-Unfolded Wideband ISAC Beamforming for DMA Under Frequency-Selective Lorentzian Model

기술 요약: 주파수 선택적 로렌츠 모델 하에서의 DMA를 위한 딥 언폴딩 기반 광대역 ISAC 빔포밍

1. 문제 정의

본 논문은 광대역 및 초광대역 시나리오에서 동적 메타표면 안테나(DMA)를 활용하는 통합 센싱 및 통신(ISAC) 시스템의 빔포밍 설계를 다룹니다. 기존 문헌에서 확인된 결정적인 한계점은 DMA 소자에 대한 주파수 평탄(frequency-flat) 로렌츠 모델에 대한 의존성입니다. 이 근사는 협대역 시스템에는 정확할 수 있으나, 광대역 환경에서 DMA 소자의 주파수 종속적 전자기적 거동을 포착하는 데 실패합니다. 이러한 불일치는 수 dB의 크기 오차와 수십 도의 위상 편차를 초래하여 최적이 아닌 성능을 유발합니다.

핵심 과제는 통신 사용자의 총 신호 대 간섭 및 잡음비(SINR)와 레이더 표적의 신호 대 잡음비(SNR) 사이의 균형을 맞추기 위해 디지털 빔포밍 행렬, 공진 주파수, 그리고 DMA 소자의 **감쇠 계수(damping factors)**를 공동으로 최적화하는 것입니다. 이 최적화 과정은 다음과 같은 이유로 복잡합니다:

• 결정 변수 간의 강한 결합(coupling).
• 주파수 선택적 로렌츠 모델 하에서의 비볼록(non-convex) 목적 함수.
• 기존 반복적 최적화 방법의 계산 집약성 및 하이퍼파라미터(특히 스텝 사이즈)에 대한 민감도. 이러한 방법들은 종종 광대역 채널의 코히어런스 구간 내에 수렴하지 못하는 문제가 있습니다.

s2. 방법론

저자들은 두 단계의 솔루션 접근 방식을 제안합니다:

A. 교대 투영 경사 상승(Alternating Projected Gradient Ascent, PGA) 프레임워크
먼저, 저자들은 교대 최적화를 사용하는 모델 기반 최적화 프레임워크를 개발합니다. 알고리즘은 다른 변수들을 고정시킨 채 세 가지 변수 블록을 반복적으로 업데이트합니다:

1. 공진 주파수 ($f^R$): 목적 함수로부터 유도된 폐쇄형(closed-form) 그래디언트를 사용하여 업데이트됩니다.
2. 감쇠 계수 ($\kappa$): 마찬가지로 유도된 폐쇄형 그래디언트를 사용하여 업데이트됩니다.
3. 디지털 빔포밍 행렬 ($W_m$): 투영 경사 상승 단계를 거친 후, 총 송신 전력 예산을 충족하기 위한 정규화 투영(normalization projection)을 통해 업데이트됩니다.

저자들은 주파수 선택적 로렌츠 응답 모델 하에서 모든 최적화 변수에 대해 목적 함수(사용자 SINR과 레이더 SNR의 가중 합, 그리고 QoS 제약을 위한 패널티 항을 포함)에 대한 명시적인 폐쇄형 그래디언트를 유도합니다.

B. 딥 언폴딩된 PGA 아키텍처
기존 PGA의 느린 수렴 속도와 수동으로 튜닝된 스텝 사이즈에 대한 민감도를 극복하기 위해, 저자들은 **딥 언폴딩(deep unfolding)**을 채택합니다.

• 아키텍처: 반복적인 PGA 알고리즘이 고정된 수의 학습 가능한 레이어로 펼쳐집니다. 각 레이어는 하나의 PGA 반복에 해당하며, 그래디언트 평가, 변수 업데이트 및 투영 연산을 수행합니다.
• 학습 가능한 파라미터: 각 변수 업데이트를 위한 스텝 사이즈 ($\mu_{f^R}, \mu_{\kappa}, \mu_{W}$)는 데이터로부터 학습되는 학습 가능한 하이퍼파라미터로 취급됩니다.
• 학습: 네트워크는 레이블이 있는 정답 빔포밍 솔루션 없이도 목적 함수를 직접 최대화하도록 비지도 학습 방식으로 훈련됩니다. 손실 함수는 최종 레이어에서 평가된 목적 함수의 음수 값으로 정의됩니다.
• 해석 가능성: 블랙박스 형태의 딥러닝과 달리, 이 아키텍처는 모델 기반 최적화 규칙(그래디언트 및 투영)의 물리적 해석 가능성을 보존하면서 데이터를 활용하여 업데이트 궤적을 적응시킵니다.

3. 주요 기여

• 주파수 선택적 모델링: 본 논문은 광대역 DMA 시스템에서 주파수 평탄 근사를 사용하는 것이 상당한 성능 저하를 초래함을 입증합니다. 저자들은 대역폭 전반에 걸친 DMA 소자의 크기 및 위상 변화를 정확하게 특성화하기 위해 주파수 선택적 로렌츠 모델을 사용할 것을 제안합니다.
• 폐쇄형 그래디언트 유도: 저자들은 공진 주파수, 감쇠 계수 및 디지털 빔포밍 벡터에 대한 비볼록 목적 함수에 대한 폐쇄형 그래디언트를 유도하여 효율적인 PGA 업데이트를 가능하게 합니다.
• 딥 언폴딩된 최적화: 딥 언폴딩된 PGA 프레임워크가 도입되었습니다. 이는 데이터로부터 최적의 스텝 사이즈를 학습하여 선형 탐색(line-search) 방식의 온라인 계산 오버헤드 없이 수렴을 가속화하고 최종 목적 함수 값을 개선합니다.
• 공동 최적화: 본 연구는 근거리(near-field), 광대역 ISAC 환경에서 하이브리드 빔포밍 파라미터(디지털 및 아날로그/동적 메타표면 파라미터)를 공동으로 최적화하는 종합적인 솔루션을 제공합니다.

4. 시뮬레이션 결과

$N_d=5$ 개의 마이크로스트립과 마이크로스트립당 $N_e=10$ 개의 소자를 가진 DMA 기반 기지국을 사용하여 10 GHz 대역, 1 GHz 대역폭에서 광범위한 시뮬레이션을 수행했습니다.

• 모델 정확도: 주파수 선택적 로렌츠 모델은 주파수 평탄 근사보다 목적 함수 값에서 약 20% 더 우수한 성능을 보였으며, 이는 정확한 광대역 모델링의 필요성을 확인시켜 줍니다.
• 수렴 속도: 딥 언폴딩된 PGA 방식은 클래식 PGA보다 약 20배, 선형 탐색을 사용하는 PGA보다 5배 빠르게 수렴했습니다. 또한 MRT 및 ZF 프리코딩 벤치마크보다 현저히 빠르게 수렴했습니다.
• 성능 이득: 클래식 PGA 벤치마크와 비교했을 때, 딥 언폴딩된 방식은 목적 함수 값을 최대 **7%**까지 향상시켰습니다. 또한 MRT 및 ZF 프리코딩 대비 각각 약 3배 및 3.75배의 이득을 제공했습니다.
• 확장성: 제안된 방법과 벤치마크 사이의 성능 격차는 DMA 소자의 수가 증가함에 따라 더 넓어졌으며, 이는 대규모 배열 구성에서 본 방법의 효과를 강조합니다.
• 복잡도: 제안된 방식은 전통적인 PGA에 필요한 반복적인 선형 탐색 절차의 오버헤드를 피함으로써 더 효율적인 추론 과정을 제공합니다.

5. 의의 및 주장

본 논문은 제안된 접근 방식이 물리적 정확성과 계산 효율성 사이의 간극을 메움으로써 차세대 광대역 ISAC 시스템을 위한 견고한 솔루션을 제공한다고 주장합니다.

• 물리적 충실도: 주파수 선택적 로렌츠 모델을 채택함으로써, 시스템은 광대역 성능을 저하시키는 상당한 위상 및 크기 불일치를 피하고, 이를 통해 더 신뢰할 수 있는 통신과 탄력적인 센싱을 가능하게 합니다.
• 알고리즘 효율성: 딥 언폴딩된 프레임워크는 전통적인 반복적 솔버의 "느린 수렴" 및 "하이퍼파라미터 튜닝" 병목 현상을 해결합니다. 이는 모델 기반 최적화의 해석 가능성을 희생하지 않으면서 고정된 반복 횟수 내에서 빠른 수렴을 달성합니다.
• 실제 배포: 결과는 이 접근 방식이 고성능을 유지하면서도 대규모 DMA 배열의 에너지 및 비용 효율적인 배포를 용이하게 하여, 고성능의 대안으로서 완전 디지털 구조를 대체할 수 있음을 시사합니다.

저자들은 정확한 주파수 선택적 모델링과 데이터 기반 딥 언폴딩을 결리하는 것이 고성능, 확장 가능한 DMA 기반 광대역 ISAC 시스템을 실현하는 데 필수적이라고 결론짓습니다.