GenAI-Enhanced Digital Twins for Predictive Interference Management in Ultra-Dense Networks

기술 요약: 초고밀도 네트워크의 예측적 간섭 관리를 위한 생성형 AI 기반 디지털 트윈

문제 정의
밀리미터파(mmWave) 및 테라헤르츠(THz) 대역에서 동작하는 초고밀도 실내 차세대 네트워크는 이동성으로 인한 차폐(blockage)와 국지적인 다중 사용자 핫스팟으로 인해 심각한 성능 저하를 겪고 있다. 기존의 디지털 트윈(DT) 및 간섭 관리 전략은 주로 즉각적인 채널 상태 정보(CSI)에 의존하는 반응적(reactive) 방식이다. 이러한 반응적 접근 방식은 군중 유발 차폐나 극심한 간섭 스파이크와 같은 드물지만 치명적인 이벤트를 예측하지 못하여, 패킷 손실률이 10~15%를 초과하고 SINR이 크게 저하되는 결과를 초래한다. 또한, 기존의 DT 프레케임워크는 미경험 시나리오를 합성하거나 프로액티브(proactive)한 의사결정을 위해 제어 루프에 생성 모델을 직접 통합하는 능력이 부족하다.

방법론
저자들은 디지털 트윈과 생성형 AI(GenAI) 모델이 하나의 시스템으로서 기능하여 프로액티브한 간섭 관리를 가능하게 하는 긴밀하게 결합된 프레임워크를 제안한다. 핵심 구성 요소는 다음과 같다:

1. 시스템 모델: 네트워크는 스마트 캠퍼스 환경에서 이종 사용자 단말(UE)을 서비스하기 위해 8×8 균등 평면 배열(UPA)을 갖춘 다수의 소형 셀 액세스 포인트(AP)로 구성된다. 채널은 73 GHz에서 실제 재질 파라미터(콘크리트, 유리, 나무)를 포함하는 Sionna 레이 트레이싱 엔진을 사용하여 모델링된다.
2. GenAI 모듈 (cGAN): 조건부 생성적 적대 신경망(cGAN)이 DT 피드백 루프 내에 임베디드된다.
   • 생성기(Generator): 잠재 노이즈 벡터와 채널 임베딩(과거 CIR로부터 추출), UE별 RF 스칼라(RSSI, 빔 인덱스), 그리고 희귀 이벤트 플래그를 포함하는 조건 벡터를 융합한다. 이는 합성 채널 임펄스 응답(CIR) 행렬을 생성하기 위해 2-D CNN을 통한 채널 인코딩과 업샘플링을 위한 전치 컨볼루션(transposed convolutions)을 활용한다.
   • 판별기(Discriminator): 공간적 일관성을 강제하기 위해 CIR 텐서의 패치를 로컬 안테나-사용자 서브 어레이로 취급하도록 적응된 PatchGAN 아키텍처를 사용한다.
   • 학습: 안정적인 학습과 희귀 샘플에 대한 의미 있는 그래디언트를 보장하기 위해 WGAN-GP(Wasserstein GAN with Gradient Penalty)를 사용하여 학습된다.
3. 프로액티브 빔포밍: cGAN은 시간 지평 $T$ 동안 $M$개의 합성 미래 채널 궤적을 생성한다. 이 궤적들은 최악의 경우 제로 포싱(Worst-Case Zero-Forcing, WC-ZF) 빔포머로 입력된다. 평균적인 케이스를 최적화하는 대신, 시스템은 다음과 같은 분포 강건 최적화(distributionally robust optimization) 문제를 해결한다:
   $$\{w^*, P^*\} = \arg \max_{\{w, P\}} \min_{m \in \{1,...,M\}} \sum_{k} \log_2(1 + \text{SINR}^{(m)}_k)$$
   이 미니맥스(minimax) 접근 방식은 빔포밍 벡터가 모든 합성 궤적에 대해 SINR 제약 조건을 만족하도록 보장하며, 결과적으로 GenAI가 예측한 최악의 시나리오에 대비합니다.
4. 제어 루프: 시스템은 10 ms 동기화 주기로 동작한다. DT 컨트롤러는 압축된 CSI 및 위치 데이터(슬롯당 약 2.1 kB)를 수집하고, GenAI 상태를 업데이트하며, 합성 궤적을 생성하고, WC-ZF 벡터를 계산하여 AP로 전달한다.

주요 기여
본 논문은 다음과 같은 구체적인 기여를 주장한다:

• 통합 아키텍처: 채널 모델을 별도의 모듈로 취급하는 것과 달리, 저자들은 명시적인 재질 파라미터를 가진 기하학 기반 확률적 채널 모델을 Sionna 레이 트레이싱을 통해 DT에 직접 임베딩함으로써, GenAI가 항상 물리적으로 일관된 분포를 바탕으로 조건화되도록 보장한다.
• 폐쇄 루프 생성 예측: 본 연구는 mmWave 간섭 예측을 위해 DT 피드백 루프 내에 cGAN을 도입하여, 추가적인 파일럿 비용 없이 물리적으로 타당한 미래 간섭 맵(희귀 차폐 현상 포함)의 분포를 합성한다.
• 강건한 빔포밍과의 직접적 결합: 본 논문은 생성적 채널 예측기와 DT 제어 루프 내의 강건한 빔포밍 결정 사이의 첫 번째 직접적 결합을 제시한다. 저자들은 볼록 최적화(convex relaxation)나 준정부호 계획법(SDP)을 우회하여, 몬테카를로 합성 궤적으로부터 폐쇄형(closed-form) 최악의 경우 빔포머를 도출한다.

결과
Sionna 레이 트레이싱 라이브러리를 기반으로 한 시뮬레이션 결과, 제안된 프레임워크는 반응적 베이스라인 및 LSTM 기반 DT와 비교하여 다음과 같은 성능 향상을 입증했다:

• SINR 개선: 제안된 프레임워크는 베이스라인 대비 5–8 dB의 중앙값 SINR 이득을 달성하였으며, 희귀 간섭 이벤트 발생 시 LSTM 기반 DT 대비 2–4 dB의 이득을 보였다.
• 패킷 손실 감소: 베이스라인 대비 60–70%의 패킷 손실 감소를 달ato했다. 패킷 손실이 5%를 초과할 확률이 베이스라인의 20%에서 제안된 방식의 7%로 감소했다.
• 오라클 격차 해소: 본 방법은 제안된 시스템과 "완벽한 미래 CSI" 오라클 사이의 격차를 60–85% 해소한다.
• 복구 지연 시간: 갑작스러운 차폐 발생 시, 제안된 시스템은 약 40 ms 만에 차폐 전 SINR 수준으로 복구되며, 이는 반응적 베이스라인이 소요하는 140 ms보다 3.5배 빠른 수치이다.
• 오버헤드: 추론 오버헤드는 10 ms 슬롯당 2.8–4.1 ms이며, 제어 채널 페이로드는 슬롯당 약 2.1 kB이다.

의의 및 주장
저자들은 이 프레임워크가 디지털 트윈을 단순한 편의 도구에서 초고밀도 네트워크를 위한 아키텍처적으로 필수적인 구성 요소로 변화시킨다고 주장한다. DT 내부에 생성 모델을 임베딩함으로써, 시스템은 "사이트 특화형 레이 트레이싱 전파 샌드박스"를 구축하여 추가적인 파일럿 오버헤드 없이도 희귀 이벤트의 무선 주파수 흔적을 축적할 수 있게 한다. 그 의의는 반응형 시스템이 예측할 수 없는 통계적으로 드물지만 운영상 매우 중요한 이벤트(예: 군중 차폐)에 대해 프로액티브한 간섭 관리를 수행할 수 있는 능력에 있다. 본 논문은 생성적 합성(generative synthesis)과 최악의 경우를 고려한 강건 빔포밍의 결합이 이러한 희귀 이벤트를 효과적으로 처리함을 입증하며, 이는 테라비트급 처리량과 서브 밀리초 지연 시간을 요구하는 차세대 몰입형 애플리케이션(XR, 홀로그래픽 텔레프레즌스 등)을 위한 접근법임을 검증한다. 향후 연구로는 간섭 인지 스케줄링 및 페데레이티드 다중 AP 협력에 대한 탐색이 언급되었다.