⚡ electrical engineering

Standard-Compliant Neuromorphic Integrated Sensing and Communications Aided by an Intelligent Reflecting Surface

본 논문은 실제 레이 트레이싱 채널 환경에서 주파수 선택적 재구성 가능한 지능형 반사 표면(RIS)에 의해 도입되는 성능-에너지 트레이드오프를 분석하는 동시에, IEEE 802.15.4z UWB 파형으로부터 데이터 복조와 타겟 탐지를 공동으로 수행하기 위해 스파이킹 신경망 수신기를 활용하는 표준 준수 뉴로모픽 통합 센싱 및 통신(N-ISAC) 시스템을 제안한다.

원저자: Jiho Park, Jiechen Chen, Joonhyuk Kang, Osvaldo Simeone

게시일 2026-08-17

📖 5 분 읽기🧠 심층 분석

CC BY 4.0

원저자: Jiho Park, Jiechen Chen, Joonhyuk Kang, Osvaldo Simeone

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

무선 통신의 세계를 북적이고 시끄러운 도시라고 상상해 보십시오. 이 도시에서 여러분의 스마트폰이나 스마트 태그 같은 장치들은 교통 소음과 높은 건물들의 메아리 속에서 자신의 목소리를 전달하기 위해 끊임없이 서로에게 메시지를 외치고 있습니다. 수십 년 동안 엔지니어들은 이러한 장치들을 성실한 회계사처럼 설계해 왔습니다. 즉, 신호가 갈 수 있는 모든 경로를 계산하고 모든 수학적 가능성을 검토하여 메시지가 반드시 전달되도록 하는 방식입니다. 하지만 이러한 접근 방식은 마치 웅덩이에 빗방울 하나가 떨어질 때마다 복잡한 수학 문제를 푸는 것과 같습니다. 이는 많은 에너지를 소모하고 시간도 오래 걸립니다.

여기에 "뉴로모픽 컴퓨팅(neuromorphic computing)"이라는 새로운 아이디어가 등장합니다. 이것을 계산기가 아니라 '뇌'라고 생각하십시오. 숫자를 계속해서 계산하는 대신, 뇌는 무언가 흥미로운 일이 일어날 때, 즉 "스파이크(spike)" 활동이 있을 때만 반응합니다. 이는 믿기지 않을 정도로 효율적입니다. 이제 이 뇌와 같은 효율성을 초광대역(Ultra-Wideband, UWB)이라는 특별한 라디오 신호와 결합한다고 상상해 보십시오. UWB는 마치 매우 빠르고 짧은 빛의 번쩍임과 같습니다. 너무나 정밀해서 레이더처럼 물체가 정확히 얼마나 멀리 있는지 알려주는 동시에 데이터를 전송할 수도 있습니다. 과학자들이 던지는 핵심 질문은 이것입니다. "우리는 이 뇌와 같은 효율성을 사용하여 통신과 감지를 동시에 수행하면서도 배터리를 소모하지 않는 무선 장치를 만들 수 있을까?" 이것이 바로 "통합 감지 및 통신(ISAC)"의 과제이며, 우리의 미래 기기들이 훨씬 더 똑똑하고, 빠르며, 에너지 효율적이 되기 위해 필수적인 요소입니다.

도시의 소리에 귀를 기울이는 똑똑한 라디오

이 논문에서 연구진은 신경계처럼 작동하는 무선 시스템의 프로토타입을 구축했습니다. 그들은 이를 "표준 준수 뉴로모픽 통합 감지 및 통신(N-ISAC)" 시스템이라고 부릅니다. 그들이 무엇을 했는지 이해하기 위해, 이 이야기에 등장하는 인물들을 나누어 살펴보겠습니다.

첫째, **신호(Signal)**입니다. 복잡하고 연속적인 파형을 사용하는 대신, 그들은 IEEE 802.15.4z라는 표준 라디오 형식을 사용합니다. 이것은 여러분의 휴대폰에 들어있는 실제 장치들이 이미 사용하는 매우 구체적이고 표준화된 언어라고 생각하면 됩니다. 이는 "임펄스 라디오(Impulse Radio)" 방식을 사용하는데, 이는 데이터를 아주 짧고 빠른 모스 부호의 점들처럼 아주 짧은 폭발적인 형태로 보낸다는 것을 의미합니다.

둘둘째, **환경(Environment)**입니다. 현실 세계에서 신호는 건물, 자동차, 나무에 부딪혀 반사됩니다. 상황을 더욱 흥osamente(흥미롭고 어렵게) 만들기 위해, 연구진은 시뮬레이션에 "재구성 가능한 지능형 표면(Reconfigurable Intelligent Surface, RIS)"을 추가했습니다. 이것을 벽에 붙은, 전파를 굴절시킬 수 있도록 프로그래밍된 고성능 하이테크 거울이라고 상상해 보십시오. 하지만 이 거울은 완벽하지 않습니다. 이 거울은 프리즘이 백색광을 무지개로 나누는 것처럼, 서로 다른 주파수에 다르게 반응하는 특수 재료로 만들어졌습니다. 이로 인해 라디오 펄스가 늘어나고 다소 흐트러지게 되는데, 이는 데이터 전송과 물체 탐지 모두에 문제가 됩니다.

셋째, **수신기(Receiver)**입니다. 이것이 주인공입니다. 전통적인 컴퓨터 칩이 모든 것을 계산하는 대신, 그들은 **스파이킹 신경망(Spiking Neural Network, SNN)**을 사용합니다. 이것은 생물학적 뇌를 모방한 컴퓨터 프로그램입니다. 특정 이벤트(스파이크)를 받았을 때만 "발화(fire)"하거나 작업을 수행합니다. 이는 할 일이 없을 때 전력을 낭비하지 않으므로 믿기지 않을 정도로 에너지 효율적입니다.

문제점: 지저�한 거울과 지친 뇌

연구진은 이 뇌와 같은 수신기가 현실 세계의 지저분한 실체를 처리할 수 있는지 확인하고 싶었습니다. 구체적으로 두 가지를 우려했습니다:

거울의 왜곡: RIS(스마트 거울)가 주파수 선택적이기 때문에 라디오 펄스를 뭉개뜨립니다. 이는 메시지를 읽거나 타겟(자동차나 사람 등)을 포착하는 데 필수적인 신호 도착 시점을 정확히 파악하기 어렵게 만듭니다.
에너지 비용: 전통적인 수신기는 메시지를 읽기도 전에 이 난장판을 해결하기 위해 무거운 계산(채널 추정 및 등화)을 수행하려고 합니다. 이는 많은 전력을 소모합니다.

연구진은 질문했습니다: "뇌와 같은 수신기가 지저분하고 왜곡된 신호를 보고, 무슨 일이 일어나고 있는지 파악하여, 아주 적은 에너지만 사용하면서 메시지를 해독하고 타겟까지 찾아낼 수 있을까?"

그들이 한 일: "하이퍼네트워크(Hypernetwork)" 기술

이 질문에 답하기 위해, 그들은 단순히 단순한 뇌를 만든 것이 아니라, 즉석에서 학습할 수 있는 뇌를 만들었습니다. 그들은 두 부분으로 구성된 시스템을 구축했습니다:

메인 뇌 (SNN): 이 부분은 실제 데이터를 처리하고 타겟의 존재 여부를 결정합니다.
코치 (Hypernetwork): 이 작은 신경망은 메시지의 시작 부분(실제 데이터 전에 전송되는 알려진 패턴인 "프리앰블(preamble)" 또는 "SYNC" 필드)을 살펴봅니다. 채널과 거울에 의해 그 알려진 패턴이 어떻게 왜곡되었는지를 바탕으로, 코치는 메인 뇌의 설정을 즉각적으로 조정합니다.

이것을 음향 시설이 좋지 않은 방에서 노래를 연주하는 음악가에 비유해 보십시오. 방의 잔향을 측정하고 악보를 다시 쓰는 데 시간을 쓰는 대신(시간과 에너지가 소요됨), 음악가는 첫 몇 마디의 음(프리앰블)을 듣고 즉시 연주 스타일을 조정하여 곡을 완벽하게 이어갑니다.

그들은 또한 "희소성(sparse)" 기능을 추가했습니다. 뇌는 스파이크가 발생할 때만 작동하므로, 시스템이 약하고 노이즈가 섞인 신호는 무시하고 강하고 중요한 신호에만 집중하도록 프로그래밍했습니다. 이는 붐비는 방에서 주변의 잡담은 무시하고 여러분의 이름을 부르는 사람의 목소리에만 귀를 기울이는 것과 같습니다.

연구 결과: 트레이드오프와 효율성의 승리

가상 도시와 스마트 거울을 이용해 수천 번의 시뮬레이션을 실행한 후, 연구진은 몇 가지 흥미로운 결과를 발견했습니다:

1. 거울은 양날의 검이다
그들은 "스마트 거울(RIS)"이 까다로운 트레이드오프를 만든다는 것을 발견했습니다.

통신을 위해: 거울이 매우 "날카롭게(sharp)" 튜닝되어 있다면(높은 Q-factor), 신호를 더 많이 왜곡시켜 데이터를 읽기 어렵게 만듭니다. "부드러운" 거울이 메시지를 보내기에 더 좋습니다.
감지를 위해: 놀랍게도 "날카로운" 거울은 감지에 도움이 됩니다! 배경 소음과 클러터를 걸러냄으로써, 타겟(예: 자동차)이 배경으로부터 더 뚜렷하게 드러나게 합니다.
결론: 단일 설정으로는 두 마리 토끼를 모두 잡을 수 없습니다. 연구진은 메시지를 보내는 것이 중요한지, 아니면 움직이는 물체를 포착하는 것이 중요한지에 따라 거울의 설정을 조절해야 함을 보여주었습니다.

2. 뇌의 승리: 에너지 효율
그들이 뇌와 같은 수신기를 전통적인 "회계사형" 수신기들과 비교했을 때, 그 차이는 엄청났습니다.

신호를 읽기 전에 수학적으로 수정하려고 시도하는 전통적인 수신기는 메시지 프레임당 약 **4.2 밀리줄(mJ)**의 에너지를 사용했습니다.
무거운 수학 계산 없이 신호에 직접 적응하는 그들의 뇌와 같은 수신기는 91 마이크로줄(µJ) 미만을 사용했습니다.
이는 에너지 사용량이 엄청나게 감소한 것입니다! "희소성" 기능(약한 신호를 무시함)을 추가함으로써, 성능의 아주 미세한 저하만으로 에너지 사용량을 약 51 마이크로줄까지 더 낮출 수 있었습니다.

3. 마법이 아닌 스마트한 설계
이 논문은 이 시스템을 작동시키기 위해 별도의 완벽한 채널 맵이 필요하다는 생각을 명시적으로 부정합니다. 그들의 시스템은 도시의 정확한 배치나 거울의 구조를 미리 알 필요가 없습니다. 시스템은 매번 "프리앰블"(메시지의 시작 부분)로부터 학습합니다. 이는 시스템이 지속적인 재교정 없이도 변화하는 환경에서 작동할 수 있음을 의미하므로 매우 중요한 대목입니다.

결론

이 논문은 우리가 뇌가 작동하는 방식을 모방함으로써, 스마트하면서도 에너지 효율적인 무선 장치를 구축할 수 있음을 시사합니다. 환경에 즉각적으로 적응하고 불필요한 노이즈를 무시하는 뇌와 같은 프로세서를 사용함으로써, 배터리를 소모하지 않고도 데이터 전송과 물체 감지를 동시에 수행할 수 있습니다.

하지만 저자들은 이러한 결과가 통제된 가상 도시에서의 시뮬레이션에서 나온 것임을 주의 깊게 언급합니다. 수학적 결과는 유망해 보이고 에너지 절감 효과는 이론적으로 엄청나지만, 이것은 완성된 제품이 아니라 실제 기술을 향한 하나의 단계입니다. 그들은 "뇌" 방식이 실행 가능하다는 것과, "스마트 거울"이 세심한 균형 조절이 필요한 복잡성을 더한다는 것을 입증했습니다. 이는 "만약 우리가 소프트웨어에 걸맞은 하드웨어를 만들 수 있다면, 이 뇌와 같은 방식이 무선 기술의 미래가 될 수 있다"라는 것을 보여주는 개념 증명입니다.

문제 정의

본 논문은 뉴로모픽 컴퓨팅을 사용하여 자원이 제한된 무선 기기에서 통합 센싱 및 통신(ISAC)을 구현하는 데 따르는 과제를 다룹니다. 임펄스 라디오 초광대역(IR-UWB) 신호는 그 희소하고 이벤트 기반적인 특성 덕분에 뉴로모픽 프로세싱에 자연스럽게 적합하지만, 기존의 뉴로모픽 ISAC(N-ISAC) 연구는 단순화된 모델에 의존해 왔습니다. 구체적으로, 이전 연구들은 기본적인 펄스 위치 변조(PPM) 인터페이스와 단순화된 통계적 다중 경로 채널을 가정함으로써, 표준화된 물리 계층 프로토콜이나 현실적인 전파 환경을 반영하지 못했습니다.

나아가, ISAC 커버리지를 향상시키기 위해 재구성 가능한 지능형 표면(RIS)을 통합하는 것은 중요한 복잡성을 야기합니다. RIS 요소는 일반적으로 메타물질 기반이며 주파수 선택적 응답을 나타냅니다. 광대역 IR-UWB 신호의 경우, 이러한 주파수 선택성은 진폭 감쇠와 위상 분산을 유발하여 펄스를 왜곡하고, 센싱을 위한 도래 시간(time-of-arrival) 해상도를 저하시키며, 데이터 복조를 방해할 수 있습니다. 본 논문은 다음과 같은 현실적인 제약 조건 하에서 N-ISAC 성능을 평가하고자 합니다: 표준화된 IEEE 802.15.4z 고속 펄스 반복 주파수(HRP) UWB 파형, 레이 트레이싱(ray-traced) 채널, 그리고 단일 스파이킹 신경망(SNN) 수신기 기반의 공동 작업 수행.

방법론

저자들은 이론적인 뉴로모픽 개념과 상용 표준 사이의 간극을 메우는 시스템 모델 및 수신기 구조를 제안합니다.

1. 시스템 모델:

파형: 시스템은 전체 IEEE 802.15.4z HRP UWB 물리 계층을 활용합니다. 여기에는 알려진 삼진 프리앰블 코드(SYNC 및 SFD 필드)를 포함하는 동기화 헤더(SHR)와 BPM-BPSK를 사용하는 PHY 페이로드가 포함됩니다.
채널: 3GPP TR 38.901 ISAC 표준에 부합하는 현실적인 레이 트레이싱 채널 모델이 사용됩니다. 이 모델은 채널을 배경 클러터(정적 및 동적)와 타겟 유도 에코로 분해합니다. 결정적으로, RIS는 주파수 선택적 로렌츠(Lorentzian) 응답을 갖도록 모델링되어, RIS 품질 계수( $Q$ )에 따라 광대역 펄스를 분산시킵니다.
타겟: 수동 레이더 타겟은 직접 경로 및 RIS 보조 상호작용 경로를 가진 모델로 구성되며, 타겟 상태(존재/부재)는 이진 변수로 처리됩니다.

2. 수신기 구조 (HNet SNN):
제안된 수신기는 명시적인 채널 추정 및 등화(equalization) 과정을 **하이퍼네트워크 기반 스파이킹 신경망(HNet SNN)**으로 대체합니다.

희소화(Sparsification): 수신된 칩 속도 관측값(SYNC 및 페이로드 모두)은 크기에 따라 희소화되어 가장 유의미한 칩들만 유지함으로써 입력 차원을 줄입니다.
하이퍼네트워크 적응: 하이퍼네트워크는 희소화되고 동기화된 SYNC 관측값을 입력으로 받아, 메인 SNN 백본의 가중치에 대한 프레임별 스케일링 계수를 생성합니다. 이를 통해 수신기는 표준 SHR 이외의 명시적인 채널 추정이나 파일럿 신호 없이도 현재 채널 조건(RIS 분산 포함)에 적응할 수 있습니다.
공동 추론: 적응된 SNN은 희소화된 페이로드 심볼을 처리합니다. 이는 두 가지 출력을 생성합니다:
- 통신: 표준에 부합하는 순방향 오류 수정(FEC) 디코더로 전달되는 BPM 및 BPSK 비트에 대한 소프트 로그 가능도 비(LLR).
- 센싱: 심볼 단위의 타겟 존재 확률로, 이를 프레임 전체에 대해 평균하여 최종 타겟 탐지 결정을 내립니다.
에너지 인지 학습: 학습 목적 함수는 통신 및 센싱을 위한 교차 엔트로피 손실과 희소성을 촉진하는 정규화 항을 결합합니다. 이 정규화 항은 막 전위 활동을 제어하여 스파이크 수를 최소화함으로써, ISAC 성능과 이벤트 기반 연산 에너지 사이의 트레이드오프를 조절합니다.

주요 기여

본 논문은 다음과 같은 구체적인 기여를 주장합니다:

표준 준수 N-ISAC: 기초적인 PPM 및 단순화된 채널을 넘어 완전한 IEEE 802.15.4z HRP UWB 물리 계층에 기반한 N-ISAC 시스템을 개발하였습니다.
주파수 선택적 RIS 모델링: 주파수 선택적 메타물질 RIS(로렌츠 응답을 통한)를 포함하는 레이 트레이싱 채널 모델을 채택하여, 분산이 결합 UWB 통신 및 센싱에 미치는 영향을 분석하였습니다.
프리앰블 기반 채널 적응: 표준화된 SYNC 프리앰블로부터 직접 뉴런별 스케일링 계수를 생성하는 하이퍼네트워크 수신기를 제안하여, 명시적인 채널 추정이나 역전(inversion) 과정 없이도 적응이 가능하게 하였습니다.
에너지 인지 최적화: ISAC 성능과 스파이크 기반 시냅스 활동을 공동 최적화하는 학습 목적 함수를 정립하여, 정확도와 에너지 소비 사이의 조절 가능한 트레이드오프를 가능하게 하였습니다.
포괄적 평가: RIS의 주파수 선택성, 표준화된 페이로드 파라미터, 그리고 제안된 수신기의 에너지 효율성을 채널 추정 기반 베이스라인과 비교하여 정량화하는 광범위한 수치 실험을 수행하였습니다.

실험 결과

저자들은 6.4896 GHz 반송파 주파수를 사용하는 사이트 특정적 도시 레이 트레이싱 채널 실현(Sionona RT를 통해 생성)을 사용하여 시스템을 평가하였습니다.

프리앰블 기반 적응: HNet SNN은 우수한 공동 성능을 달성하여, -5 dB SNR에서 약 $10^{-2}$ 의 블록 오류율(BLER)에 도달하고 타겟 탐지 오차를 0.1 미만으로 낮추었습니다. 채널 추정 기반 베이스라인(LS/LMMSE)은 높은 SNR에서 약간 더 나은 BLER을 보였으나, 타겟 탐지에서는 실패(오차 $\approx 0.5$ )하였는데, 이는 등화된 페이로드 표현이 이 문맥에서 센싱에는 효과적이지 않음을 나타냅니다.
RIS 주파수 선택성: RIS 품질 계수( $Q$ $Q$ )에 따른 트레이드오프가 관찰되었습니다.
- 낮은 $Q$ : 광대역 응답을 제공하여 통신 BLER은 가장 좋았으나, 강한 배경 클러터로 인해 타겟 탐지는 저하되었습니다.
- 높은 $Q$ : 비공진 감쇠와 분산을 증가시켜 통신 성능을 저하시켰으나, 타겟과 무관한 배경 성분을 억제함으로써 타겟 탐지를 개선하였습니다.
- 신경 용량: SNN이 넓어질수록 $Q$ 가 증가함에 따라 발화율(firing rate)이 체계적으로 감소하였으며, 이는 RIS 선택성과 뉴로모픽 처리 효율성 사이의 결합을 시사합니다.
표준화된 페이로드: 더 높은 데이터 전송률(더 짧은 심볼 지속 시간)은 채널 지연 확산과 심볼 지속 시간의 비율을 높여, 심볼 간 간섭(ISI)으로 인해 통신 BLER을 악화시켰으나, 완만한 센싱 이점을 제공했습니다.
연산 에너지:
- HNet SNN은 연산 에너지를 프레임당 < 91 $\mu$ J**로 줄였으며, 이는 명시적인 채널 추정 및 등화를 사용하는 베이스라인의 **> 4.2 mJ보다 현저히 낮은 수치입니다.
- 칩 도메인 희소화(입력 유지 비율 $\rho$ 감소)는 성능 손실을 최소화하면서 에너지를 더욱 낮추었습니다(예: $\rho=0.5$ 일 때 89 $\mu$ J에서 51 $\mu$ J로 감소).
- 희소성 정규화( $\lambda_r$ )는 경험적 발화율(예: 0.21에서 0.05로)과 에너지 소비를 줄였으나, 높은 정규화 수준에서는 통신 신뢰도가 약간 저하되었습니다.

의의 및 주장

본 논문은 제안된 시스템이 표준 준수 하드웨어에 뉴로모픽 ISAC를 배포하는 것의 타당성을 입증한다고 결론짓습니다. 주요 의의는 표준화된 프리앰블 기반의 하이퍼네트워크 적응에 의존함으로써, 명시적인 채널 추정이나 페이로드 등화 없이 공동 센싱 및 통신을 수행할 수 있다는 점에 있습니다.

저자들은 이 접근 방식이 현저히 낮은 연산 에너지를 사용하면서도 유리한 공동 ISAC 동작 영역을 달성한다고 주장합니다. 또한, 본 연구는 RIS의 주파수 선택성이 단순한 전파 아티팩트가 아니라 통신 신뢰성과 센싱 정확도 사이의 근본적인 트레이드오프를 만드는 핵심 설계 파라미터이며, 따라서 RIS 응답과 뉴로모픽 수신기의 용량 간의 공동 설계(co-design)가 필요함을 강조합니다. 이 연구는 실제적이고 광대역이며 주파수 선택적인 전파 조건 하에서 뉴로모픽 시스템을 평가하기 위한 프레임워크를 구축하였습니다.