⚡ electrical engineering

Multi-layer MIMO Relay as Deep Physical Neural Networks: Power Amplifiers as Activation Functions

이 논문은 전력 증폭기의 비선형성을 활성화 함수로 활용하는 멀티홉 MIMO 릴레이를 이용한 심층 무선 물리 신경망을 제안하며, 이를 통해 이미지 분류와 같은 작업을 위한 엔드 투 엔드 학습 가능한 오버 더 에어 추론을 가능하게 하고 하드웨어 비선형성으로부터 입증된 성능 이점을 보여준다.

원저자: Meng Hua, Itsik Bergel, Deniz Gündüz

게시일 2026-07-22

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Meng Hua, Itsik Bergel, Deniz Gündüz

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

인터넷을 데이터가 교통량처럼 움직이는 거대하고 북적이는 도시라고 상상해 보십시오. 현재 이 교통량의 대부분은 거대한 에너지 소비형 데이터 센터, 즉 컴퓨터가 하나씩 숫자를 계산하는 거대한 에어컨 가동 공장 같은 곳에서 처리됩니다. 이 방식도 작동은 하지만, 속도가 느리고 전기를 많이 소모합니다. 과학자들은 이제 질문을 던지고 있습니다. 만약 우리가 원시 데이터를 저 멀리 있는 공장으로 보내는 대신, "도로" 자체가 스스로 생각하게 할 수 있다면 어떨까? 이 아이디어를 "물리적 신경망(Physical Neural Network)"이라고 부릅니다. 디지털 코드가 아닌, 빛, 소리, 또는 라디오파와 같은 세상의 자연스러운 물리 법칙을 사용하여 즉각적으로 계산을 수행하는 것입니다. 이는 마치 도로 자체가 먼 사무실에 있는 신호등 제어기를 기다리는 대신, 어떤 차를 가속하고 어떤 차를 감속시킬지 스스로 결정할 수 있게 되는 것과 같습니다.

이 논문이 탐구하는 구체적인 과학 분야는 "무선 물리적 신경망(Wireless Physical Neural Networks, WPNNs)"입니다. 쉽게 말해, 이는 라디오파를 사용하여 인공지능(AI)의 이면에 있는 수학적 계산을 수행하는 것에 관한 것입니다. 보통 AI는 숫자를 곱한 뒤 그 결과를 특수한 곡선(이를 "활성화 함수"라고 부름)을 통해 압착하여 사진 속의 고양이를 인식하는 것과 같은 패턴을 학습합니다. 일반적인 컴퓨터에서는 이 과정이 디지털 칩에서 일ر어집니다. 하지만 무선 네트워크에서는 라디오파가 자연스럽게 서로 섞이며, 신호를 증폭하는 장비(전력 증폭기라고 불림)에는 독특한 특징이 있습니다. 신호가 너무 강해지면 약간 "말랑말랑해지거나(squishy)" 비선형적으로 변하는 성질입니다. 오랫동안 엔지니어들은 이 '말랑함'을 신호를 망치는 버그, 즉 실수라고 생각했습니다. 그러나 이 논문은 시스템을 적절히 설계하기만 한다면, 이 "버그"가 오히려 초능력이 되어 라디오파를 공중 위의 깊고 생각하는 뇌로 바꿀 수 있다고 제안합니다.

이 논문의 저자인 맹 화(Meng Hua), 이칙 베르겔(Itsik Bergel), 데니즈 건두즈(Deniz Gündüz)는 일련의 중계 스테이션(relay stations)을 사용하여 이러한 무선 뇌를 구축하는 새로운 방법을 제안합니다. 이를 "전화기 게임(telephone game)"이라고 상상해 보십시오. 메시지를 속삭삭 전달하는 대신, 한 그룹의 중계기가 소스(source)로부터 사용자에게 복잡한 이미지를 전달하는 것입니다. 이 설정에서 각 중계 스테이션은 단순히 메시지를 더 크게 외치는 것이 아니라, 신경망의 한 층(layer)처럼 작동합니다. 중계기는 들어오는 신호를 받아 특정 "이득(gain, 볼륨 조절과 같음)"과 "편향(bias, 약간의 오프셋과 같음)"을 적용한 다음, 자신의 전력 증폭기를 통과시킵니다. 논문은 그 전력 증폭기의 자연스러운 비선형적 "말랑함"을 뉴런이 발화할지 여부를 결정하는 부분인 '활성화 함수'로 취급합니다. 이렇게 여러 개의 중계기를 사슬처럼 연결함으로써, 그들은 신호를 디지털과 아날로그 형식 간에 번갈아 변환할 필요 없이 공중에서 완전히 정보를 처리하는 "깊은(deep)" 네트워크를 만들어냅니다.

이 아이디어를 테스트하기 위해, 연구진은 패션-MNIST 데이터셋(셔츠, 부츠, 가방 등 옷의 이미지가 담긴 28x28 픽셀 사진 모음)으로부터 이미지를 인식하려는 시스템을 시뮬레이션했습니다. 그들은 라디오 신호를 관리하는 두 가지 다른 방식을 비교했습니다. 첫 번째 방법인 "LS(최소 제곱법)"는 수신 측에서 채널 상태를 알 필요만 있으면 됩니다. 두 번째 방법인 "SVD(특이값 분해)"는 송신자와 수신자 모두가 채널을 완벽하게 알아야 합니다. 결과는 놀랍고 직관에 반했습니다. 연구진이 "LS" 방식을 사용했을 때, 비선형적인 "말랑한" 증폭기들이 중계기를 추가할수록 시스템을 더 똑똑하게 만들었습니다. 층을 더 많이 추가할수록 이미지 인식 성능은 좋아졌으며, 비선형 시스템은 5개의 중계기를 사용했을 때 약 92.6%의 정확도에 도달하여 완벽한 디지털 컴퓨터에 거의 근접했습니다.

하지만 이 논문은 이 방식이 모든 설정에서 작동한다는 생각은 명시적으로 배제합니다. 연구진이 신호 경로를 완벽하게 분리하려고 시도하는 "SVD" 방식을 사용했을 때, 비선형 증폭기는 문제가 되었습니다. "말랑함"이 신호의 섬세한 분리를 방해하여, 중계기를 추가할수록 오히려 성능이 저하되었습니다. 이는 비선형 하드웨어의 "마법"이 보편적인 해결책이 아니라는 것을 보여줍니다. 그것은 전적으로 시스템이 어떻게 설계되느냐에 달려 있습니다. 또한, 논문은 만약 증폭기가 완벽하고 선형적이라고 가정하고 시스템을 훈련시킨 뒤, 실제 비선형 증폭기로 테스트한다면 특히 체인이 길어질수록 성능이 급격히 떨어진다는 점을 언급합니다. 이는 이러한 무선 뇌가 현실 세계에서 작동하기 위해서는 하드웨어의 독특한 특성이 무시되는 것이 아니라 훈련 과정의 일부가 되어야 함을 시사합니다.

이 시뮬레이션에서 저자들은 비선형 증폭기를 사용하는 "LS" 접근 방식이 딥 네트워크를 위한 승자임을 발견했습니다. 이는 전통적인 하드웨어의 한계를 복잡한 패턴을 학습하는 능력을 높이는 기능으로 전환한 것입니다. 그들은 단순히 제안만 한 것이 아니라, 하드웨어의 실제 동작을 고려하여 훈련한다면 중계기 수가 늘어남에 따라 정확도가 꾸준히 향 향상된다는 것을 컴퓨터 모델을 통해 보여주었습니다. 논문은 이러한 구조가 유망하지만, 향arian 연구는 불완전한 하드웨어와 불확실한 신호 조건이라는 복잡한 현실에 대해 이러한 시스템을 어떻게 견고하게 만들 것인지 찾아내야 한다고 결론짓습니다. 현재로서는, 우리의 라디오 장비의 자연스러운 비선형성을 수용함으로써, 우리는 이동하는 동안, 바로 우리 머리 위에서 생각하는 AI를 구축할 수 있다는 것을 이 연구는 보여줍니다.

기술 요약: 심층 물리 신경망으로서의 다층 MIMO 릴레이

문제 정의
기존의 딥러닝은 디지털 GPU에 의존하며, 이는 메모리와 연산 장치의 물리적 분리로 인해 상당한 에너지와 지연 비용이 발생하는 폰 노이만 병목 현상을 겪습니다. 물리 신경망(Physical Neural Networks, PNNs)은 아날로그 하드웨어에 연산을 내장함으로써 대안을 제시하지만, 기존의 무선 물리 신경망(Wireless PNN, WPNN) 구현체들은 한계에 직면해 있습니다. 재구성 가능한 지능형 표면(RIS)이나 릴레이를 활용한 이전 연구들은 공간적 자유도나 물리적 장치의 고유한 비선형성을 충분히 활용하지 못하여 표현 능력이 제한되었습니다. 또한, 무선상 컴퓨팅(over-the-air computing)에서 전력 증폭기(Power Amplifier, PA)의 비선형성은 흔히 완화해야 할 왜곡으로 간주되어 왔으며, 이를 계산 자원으로 활용하는 측면은 과소평가되어 왔습니다.

방법론
본 논문은 다중 홉 다중 입출력(MIMO) 릴레이 네트워크를 통해 구현되는 딥 WPNN 아키텍처를 제안합니다. 이 시스템에서 정보는 소스에서 $M$ 개의 릴레이를 거쳐 사용자에게 전달됩니다. 핵심 혁신은 디지털 신경망의 구성 요소를 물리 계층 연산에 매핑하는 데 있습니다:

선형 매핑(Linear Mappings): 각 릴레이에서의 학습 가능한 복소 선형 이득(증폭 행렬) 및 바이어스(bias)로 구현됩니다.
비선형 활성화(Nonlinear Activations): 각 릴레이의 전력 증폭기(PA)가 가진 고유한 비선형성으로 구현됩니다.

시스템은 리시안 페이딩(Rician fading) 모델을 사용하여 무선 채널을 모델링합니다. 저자들은 가용 채널 상태 정보(CSI)에 따라 두 가지 별도의 송수신기 설계를 개발했습니다:

LS 기반 방식 (CSIR): 수신측 CSI만을 필요로 합니다. 릴레이는 신호를 분리하기 위해 최소 제곱(Least Squares, LS) 추정기를 사용한 후, 학습 가능한 증폭, 바이어스 추가 및 비선형 PA 활성화를 수행합니다. 이 아키텍처는 릴레이의 캐스케이드(cascade)를 무선상 완전 연결(fully connected, FC) 네트워크로 취급합니다.
SVD 기반 방식 (CSIR/T): 송신측과 수신측 모두의 CSI를 필요로 합니다. 이 설계는 특이값 분해(Singular Value Decomposition, SVD)를 사용하여 각 홉(hop)에서 공간적 고유 모드(spatial eigenmodes)를 분리합니다. 신호 처리는 수신 결합, 특이값 등화, 증폭 및 다음 홉의 채널에 정렬된 송신 전처리를 포함합니다.

네트워크는 특정 작업의 손실 함수(이미지 분류를 위한 교차 엔트로피)를 최소화하기 위해 미분 가능한 PA 모델(구체적으로 Rapp 모델)을 통한 표준 역전파(backpropagation)를 사용하여 엔드 투 엔드(end-to-end)로 학습됩니다.

주요 기여

아키텍처 제안: 저자들은 각 릴레이의 학습 가능한 증폭, 바이어스 및 PA 비선형성을 완전 연결 계층의 가중치(weight), 바이어스 및 활성화 함수와 공식적으로 연관시켜, 심층 무선상 신경망을 구축했습니다.
송수신기 설계: 서로 다른 CSI 시나리오(CSIR을 위한 LS 기반, CSIR/T를 위한 SVD 기반)를 지원하는 두 가지 구체적인 방식을 개발하였으며, 두 방식 모두 엔드 투 엔드 학습을 지원합니다.
비선형성의 역할: 본 논문은 PA 비선형성의 영향을 조사하여, 비선형성이 선형 전용 캐스케이드에 내재된 랭크(rank) 제한을 깨뜨림으로써 아날로그 도메인에서의 딥러닝을 위한 구조적 조력자 역할을 한다는 것을 입증했습니다.

결과
시뮬레이션은 다양한 신호 대 잡음비(SNR), 릴레이 수( $M$ ), 리시안 인자( $K$ ) 조건 하에서 Fashion-MNIST 데이터셋(10개 클래스 이미지 분류)을 대상으로 수행되었습니다.

비선형성 vs 선형성: 비선형성이 순수하게 해롭다는 예상과 달리, "LS, NPA"(비선형 PA) 방식은 선형 대응 방식인 "LS, LPA"(선형 PA)보다 성능이 유의미하게 우수하며 이상적인 디지털 상한치에 근접합니다. 비선형 PA를 사용하는 LS 기반 방식의 정확도는 릴레이 수( $M$ )가 증가함에 따라 단조 증가합니다.
아키텍처 의존성: 비선형성의 이점은 아키텍처에 따라 달라집니다. SVD 기반 방식에서는 비선형 PA가 고유 모드 분리를 방해하여 잔류 간섭(inter-stream interference)을 유발합니다. 결과적으로 "SVD, NPA" 방식은 $M$ 이 증가함에 따라 성능이 저하되는 반면, "SVD, LPA"(선형 PA) 방식은 일관된 성능을 유지합니다.
학습-테스트 불일치: 선형 PA를 가정하고 학습된 네트워크를 비선형 PA(TPM)로 테스트할 경우 성능이 크게 저하되며, 이 오차는 홉 수가 늘어남에 따라 누적됩니다. 그러나 낮은 전력 제약 조건(PA를 선형 영역에 가깝게 유지) 하에서 학습하면 이러한 불일치를 완화할 수 있습니다.
채널 조건: 리시안 인자 $K$ 가 증가할수록(낮은 랭크의 채널을 의미) 성능이 일반적으로 저하되는데, 이는 WPNN의 작동에 필수적인 공간적 자유도를 감소시키기 때문입니다.

의의 및 주장
본 논문은 제안된 아키텍처가 통신과 연산을 동일한 무선 인프라 상에서 성공적으로 통합하여 정확한 무선상 추론을 가능하게 한다고 주장합니다. 주요 발견은 시스템 아키텍처(특히 LS 기반 방식)가 비선형성을 활용하도록 설계된다면, PA 비선형성을 결함이 아닌 자원으로 간야 되어야 한다는 것입니다. 본 연구는 다중 홉 MIMO 릴레이 시스템이 심층 물리 신경망으로서 기능할 수 있음을 보여주며, 이는 디지털 구현에 비해 에너지 소비와 지연 시간을 낮출 수 있는 경로를 제공합니다. 저자들은 현재의 연구가 완전 연결 계층에 집중되어 있으나, 이 프레임워크가 합성곱(convolutional) 또는 어텐션(attention) 기반 WPNN과 같은 더 복잡한 아키텍처로 확장 가능하다고 결론지으며, 향후 연구에서는 하드웨어 모델 불일치 및 CSI 불확실성 하에서의 강건한 학습을 다루어야 한다고 명시했습니다.

유사한 논문