From Intent to Infrastructure: LLM-Driven Agent Compilers for ISAC Networks

우리 주변의 공기가 북적이는 보이지 않는 고속도로라고 상상해 보세요. 수십 년 동안 우리는 이 고속도로를 단지 텍스트 메시지, 영상, 통화를 보내는 데에만 사용해 왔습니다. 이것이 무선 통신의 세계입니다. 하지만 과학자들은 이제 이 고속도로를 위한 새로운 종류의 탈것을 만들고 있습니다. 바로 말도 하면서 동시에 볼 수도 있는 자동차입니다. 이것을 '통합 감지 및 통신(ISAC)'이라고 부릅니다. 단순히 당신의 휴대폰으로 신호를 보내는 대신, 네트워크는 박쥐가 초음파를 사용하는 것처럼 물체에 부딪혀 튕겨 나오는 신호를 보내 자동차, 사람, 또는 드론이 어디에 있는지 파악합니다. 이는 마치 당신의 휴대폰이 당신에게 말을 거는 동시에 세상을 볼 수 있는 초능력을 갖게 되는 것과 같습니다.

하지만 이 이중 목적 시스템을 구축하는 것은 매우 까다로운 일입니다. 이는 마치 음악가들이 완벽하게 조율된 상태에서 연주를 하는 동시에, 조명을 바꾸고 소품을 옮기는 무대 크루 역할까지 수행해야 하는 교향곡을 쓰는 것과 같습니다. 여기서 '음악가'는 라디오파이고, '소품'은 안테나이며, '무대'는 그들이 공유하는 주파수 대역입니다. 만약 더 잘 듣기 위해(감지) 음악 소리를 키우면, 대화(통신)가 묻힐 수 있습니다. 만약 무대를 너무 빨리 움직이면 음악가들이 따라갈 수 없습니다. 6G(차세대 인터넷)를 처리하기 위해 이러한 네트워크가 성장함에 따라, 선택의 폭이 너무 방대해져서 인간 엔지니어가 일일이 모든 노브(조절 손잡이)를 수동으로 튜닝하는 것이 불가능해집니다. 그들은 이 혼돈을 관리할 더 스마트한 방법이 필요합니다.

여기서 '에이전트 컴파일러(Agent Compiler)'라는 새로운 아이디어가 등장합니다. 이는 최근 IEEE Communications Magazine에 제안된 논문에서 다루고 있습니다. 이것을 단순히 인간을 대체하는 로봇이 아니라, 대화하거나 이야기를 쓸 수 있는 것과 같은 종류의 AI인 '거대 언어 모델(LLM)'에 의해 구동되는 매우 똑똑한 '번역기' 또는 '오케스트라 지휘자'라고 생각하세요. 논문은 인간이 매번 드론이 날아가거나 폭풍이 칠 때마다 수천 개의 설정을 직접 조정하는 대신, 우리가 가진 목표를 평이한 영어로 전달해야 한다고 제안합니다. 그러면 AI가 컴파일러(인간의 코드를 기계 명령어로 변환하는 도구)처럼 작동하여, 우리의 단순한 바람을 복잡하고 실행 가능한 전체 네트워크 계획으로 번역합니다.

이 논문은 오늘날 모든 휴대폰에서 실행되는 완벽하고 완성된 제품을 만들었다고 주장하는 것이 아닙니다. 대신 새로운 프레임워크를 제안하고 이를 컴퓨터 시뮬레이션에서 테스트했습니다. 연구진은 이 '에이전트 컴파일러'가 "재난 지역에서 생존자를 찾으라"와 같은 복잡하고 높은 수준의 요청을 받아 이를 네트워크를 위한 단계별 레시피로 분해할 수 있다는 것을 발견했습니다. 이는 어떤 드론을 사용할지, 얼마나 빨리 스캔할지, 그리고 어떻게 무선 주파수를 공유할지를 결정하며, 이 모든 과정에서 시스템의 안전과 속도를 유지합니다.

이 마법이 어떻게 일어나는지 이야기를 통해 나누어 보겠습니다.

문제점: 돌려야 할 노브가 너무 많음

당신이 우주선의 선장이라고 상상해 보세요. 당신에게는 '소행성 스캔' 버튼과 '지구로 메시지 보내기' 버튼이 있습니다. 하지만 이 버튼들은 동일한 엔진에 연결되어 있습니다. 만약 '스캔' 버튼을 너무 강하게 누르면 엔진이 뜨거워지고 메시지가 깨집 됩니다. 만약 '메시지' 버튼을 너무 강하게 누르면 스캐너가 눈이 멀게 됩니다.

현실 세계에서 ISAC 네트워크는 정확히 이와 같은 문제에 직면합니다. 그들은 동일한 하드웨어, 동일한 라디오파, 동일한 시간을 공유해야 합니다. 논문은 엄격한 규칙을 따르거나(Rulebook) 컴퓨터가 시행착오를 통해 학습하는 방식(심층 강화 학습)과 같은 기존의 해결 방식들이 너무 경직되어 있거나 너무 느리다는 점을 지적합니다. 규칙 책은 갑작스러운 폭풍을 처리할 수 없고, 학습하는 컴퓨터는 상황이 변할 때 무엇을 해야 할지 알아내는 데 너무 오랜 시간이 걸릴 수 있습니다.

해결책: "에이전트 컴파일러"

저자들은 에이전트 컴파일러라고 불리는 새로운 시스템을 제안합니다. 이것을 음식을 요리하는 것이 아니라 전문 요리사 팀을 위한 완벽한 레시피를 쓰는 마스터 셰프라고 생각하세요.

1. 셰프 (LLM): 당신은 셰프에게 "6대의 드론을 사용하여 3km x 3km 영역 내에서 생존자 4명을 찾아야 하며, 100밀리초 이내에 본부로 영상을 전송해야 합니다"라고 말합니다. 셰프(AI)는 이 자연어를 이해합니다.
2. 레시피 북 (IPG): 셰프는 단순히 명령을 외치지 않습니다. 그는 상세한 'ISAC 정책 그래프(IPG)'를 작성합니다. 이것은 설계도와 같습니다. 그는 큰 작업을 작은 작업들로 나눕니다: "드론 A는 여기서 스캔한다", "드론 B는 영상을 전송한다", "드론 C는 데이터를 기다린다". 또한 데이터가 그들 사이에서 어떻게 흐르는지를 보여주는 선들도 그립니다.
3. 전문 요리사 (알고리즘): 셰프는 레이더 계산이나 영상 압축 자체를 직접 하지 않습니다. 그는 그 일에 가장 적합한 기존 도구(알고리즘)를 선택하고 그것들이 정확히 무엇을 해야 하는지 알려줍니다.
4. 안전 점검: 레시피가 주방으로 보내지기 전에, 셰프는 확인합니다: "이것이 가능한가? 전력이 충분한가? 영상이 너무 느려지지는 않을까?" 만약 계획이 불가능하다면, 셰프는 요리를 시작하기 전에 레시피를 수정합니다.

3단계 적응 방식

이 시스템의 가장 멋진 점은 문제가 발생했을 때 대처하는 방식입니다. 논문은 네트워크를 매의 눈처럼 지켜보는 '런타임 엔진(Runtime Engine)'을 설명합니다. 이 엔진은 서로 다른 파워업을 가진 비디오 게임 캐릭터처럼 세 가지 단계의 반응을 가집니다.

• 레벨 1: 빠른 수정 (밀리초 단위): 신호가 아주 조금 약해지면, 시스템은 즉각적으로 노브를 조절합니다(예: 볼륨 높이기). 이 과정은 너무 빨라서 AI가 개입하지 않고도 마치 반사 신경처럼 일어납니다.
• 레벨 2: 부분적 재작성 (초 단위): 만약 드론이 먼지 구름에 갇혀 몇 초 동안 시야가 확보되지 않는다면, AI가 개입합니다. AI는 전체 계획을 다시 쓰는 것이 아니라, 해당 드론을 위한 레시피의 특정 부분만을 다시 씁니다.
• 레벨 3: 전체 재시작 (분 단위): 만약 드론이 추락하거나 미션이 완전히 바뀌면(예: "생존자를 찾는 것을 멈추고 화재를 찾아라"), AI는 기존 레시피를 버리고 처음부터 완전히 새로운 레시피를 작성합니다.

테스트: 재난 구조 시뮬레이션

이것이 실제로 작동하는지 확인하기 위해, 연구진은 재난 구조 시뮬레이션을 실행했습니다. 도시가 지진을 당했다고 상상해 보세요. 6대의 드론이 투입됩니다. 4대는 생존자를 찾는 '스캐너'이고, 2대는 영상을 본부로 전달하는 '중계기'입니다.

그들은 상황이 악화되는 시나리오를 설정했습니다:

• 80초 시점: 금속 파편 더미가 '클러터(Clutter)' 구역을 만들어 스캐너가 보기 어렵게 만듭니다.
• 200초 시점: 드론 한 대가 배터리가 다 되어 추락하고, 지휘 본부가 새로운 긴급 명령을 보냅니다.

연구진은 에이전트 컴파일러를 '고정된(Fixed)' 방식(변하지 않는 방식)과 '직접 LLM(Direct LLM)' 방식(매 초마다 AI에게 조언을 구하는 방식)을 포함한 5가지 다른 방법과 비교했습니다.

결과는 흥미로웠습니다. '고정된' 방식은 파편이 나타나자마자 즉시 실패했습니다. '직접 LLM' 방식은 올바른 방향을 찾아냈지만, 생각하는 데 시간이 너무 오래 걸려 대응이 늦었습니다. 그러나 '에이전트 컴파일러'는 최고의 성과를 냈습니다.

• 파편이 나타났을 때, 시스템은 빠르게 설정을 조정(레벨 1)한 다음, 스캔 계획을 다시 작성(레벨 2)하여 맑은 구역에 집중했습니다.
• 드론이 추락했을 때, 시스템은 미션을 완전히 재구성(레벨 3)하여 남은 드론들로 그 빈자리를 메꿨습니다.

시뮬레이션에서 에이전트 컴파일러는 '유틸리티'(얼마나 잘 보고 얼마나 잘 통신했는지를 결합한 점수)에서 0.524를 기록하며, 그다음으로 높은 점수인 0.519를 기록한 '직접 LLM' 방식을 앞질렀습니다.

이것이 의미하는 바 (그리고 그렇지 않은 것)

이 논문은 자신들이 무엇을 했고 무엇을 하지 않았는지 매우 명확히 밝히고 있습니다. 오늘날 당신이 살 수 있는 물리적인 네트워크를 구축한 것이 아닙니다. 또한 이 방식이 모든 실제 상황에서 작동한다는 것을 증명한 것도 아닙니다. 결과는 300초 동안의 컴퓨터 시뮬레이션에 기반한 것입니다.

저자들은 이 접근 방식이 미래의 6G 네트워크의 복잡성을 처리하는 유망한 방법이라고 제안합니다. 그들은 우리가 모든 라디오파를 수동으로 튜닝하려고 노력하는 것을 멈추고, 우리의 높은 수준의 목표를 낮은 수준의 명령으로 번역하기 위해 AI를 사용하기 시작해야 한다고 주장합니다.

하지만 그들은 또한 장애물이 있다고 경고합니다. AI가 가끔 레시피에서 실수(작동하지 않는 계획을 만들어내는 환각 현상)를 할 수 있습니다. 상황이 너무 빠르게 변하면 생각하는 데 시간이 너무 오래 걸릴 수도 있습니다. 그리고 물론, 해커가 AI를 속이거나 사람들이 숨어 있는 위치에 대한 개인 정보를 유출하지 않도록 보안을 확보해야 합니다.

요약하자면, 이 논문은 무선 네트워크의 미래를 바라보는 새로운 관점을 제시합니다. 즉, 우리가 미세하게 관리해야 하는 기계들의 집합이 아니라, 간단한 임무를 부여하면 스마트한 '컴파일러'가 나머지를 알아서 해결하도록 믿고 맡길 수 있는 하나의 팀으로 보는 것입니다. 이는 기술이 우리에게 맞추는 것이 아니라, 우리가 기술에 맞춰야 하는 시대에서 기술이 우리에게 적응하는 세상으로 가는 한 걸음입니다.