⚡ electrical engineering

Unlocking Downlink NOMA with FARIS: Joint Clustering and Surface Configuration Design

본 논문은 다운링크 NOMA 시스템의 합산 전송률을 최대화하기 위해 사용자 클러스터링, 전력 할당, 그리고 유체 능동 재구성 가능한 지능형 표면(FARIS) 구성을 공동으로 설계하는 2단계 최적화 프레임워크를 제안하며, 기존 벤치마크와 비교하여 근사 최적 성능과 우수한 효율성을 입증한다.

원저자: Hong-Bae Jeon, Tuo Wu

게시일 2026-08-18

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Hong-Bae Jeon, Tuo Wu

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

공기가 마치 라디오 다이얼처럼 조율될 수 있어, 무질서하고 예측 불가능한 무선 신호를 명확하고 직접적인 정보의 흐름으로 바꿀 수 있는 세상을 상상해 보십시오. 수십 년 동안 엔지니어들은 타워에서 휴대폰으로 신호가 이동할 때 자연스럽게 흩어지고 약해지는 무선 환경을 길들이기 위해 노력해 왔습니다. 이 분야의 주요 돌파구는 "지능형 표면(intelligent surfaces)"의 발명과 함께 찾아왔습니다. 이는 벽이나 패널에 아주 작은 스마트 요소들을 덮어, 장애물을 피해 신호를 반사시켜 사용자에게 도달하게 하는 기술입니다. 하지만 초기 버전에는 중대한 결함이 있었습니다. 바로 '수동적'이었다는 점입니다. 희미한 촛불을 반사하는 거울처럼, 이들은 받은 신호를 그저 반사할 뿐이었기에 공중을 두 번 통과하며 신호가 더욱 약해지는 경우가 많았습니다. 이를 해결하기 위해 연구자들은 신호를 증폭할 수 있는 "능동형(active)" 표면을 개발했지만, 이들은 형태가 고정되어 있어 최적의 경로를 찾기 위해 요소를 움직일 수 없었습니다. 또 다른 혁신은 요소들이 더 나은 위치를 찾기 위해 유연하게 움직일 수 있게 해주었지만, 이 움직이는 부품들은 신호를 증폭할 힘이 부족했습니다. 과제는 여전히 남아 있었습니다. 어떻게 하면 여러 사용자를 동시에 지원하면서도 서로의 신호를 방해하지 않도록, 움직이는 능력과 증폭하는 능력을 하나로 결합할 것인가 하는 점이었습니다.

본 논문은 이러한 기능들을 "유동 능동 재구성 지능형 표면(fluid active reconfigurable intelligent surface, FARIS)"이라는 하나의 강력한 시스템으로 통합하는 솔루션을 소개합니다. 연구진은 비직교 다중 접속(non-orthogonal multiple access, NOMA)이라 불리는 특정 데이터 전송 방식에 집중했습니다. 간단히 말해, NOMA는 기지국이 단일 무선 주파수에 서로 다른 목소리를 겹쳐 쌓는 것처럼, 메시지를 층층이 쌓아 여러 사용자에게 동시에 전달할 수 있게 해줍니다. 이것이 제대로 작동하려면, 수신기가 한 층씩 신호를 분리해낼 수 있도록 사용자 간의 신호 강도 차이를 명확하게 만들어 주어야 합니다. 문제는 일반적인 정적 환경에서는 이러한 차이가 너무 작거나 예측 불 없을 때가 많다는 것입니다. 저자들은 FARIS를 사용함으로써 시스템이 반사 요소를 정확히 어디에 배치할지, 그리고 신호를 얼마나 강하게 증폭할지를 동적으로 선택하여, 층층이 쌓인 전송에 최적화된 환경을 효과적으로 조각할 수 있다고 제안합니다.

이 아이디어를 테스트하기 위해, 연구팀은 기지국이 이 스마트하고 움직이며 증폭하는 표면을 통해 수십 명의 사용자에게 대화하는 네트워크의 수학적 모델을 구축했습니다. 그들은 거대한 퍼즐에 직면했습니다. 어떤 사용자를 그룹으로 묶을지, 각 사용자에게 얼마만큼의 전력을 줄지, 표면의 어떤 특정 요소를 켤지, 그 요소들을 어디에 위치시킬지, 그리고 신호를 조절하기 위해 위상을 어떻게 조정할지를 결정해야 했습니다. 이 모든 것을 동시에 수행하는 것은 매우 복잡하며, 수백만 가지의 조합이 존재합니다. 연구진은 이를 해결하기 위해 2단계 전략을 개발했습니다. 첫째, 표면으로부터의 거리에 따라 사용자를 그룹화하여, 각 그룹이 자연스럽게 차이 나는 신호 강도를 가진 사람들로 구성되도록 함으로써 레이어링 과정을 더 쉽게 만들었습니다. 그다음, 각 그룹에 대해 정교한 단계별 컴퓨터 알고리즘을 사용하여 표면의 위치, 증폭 및 위상 설정을 미세하게 조정했습니다. 이 알고리즘은 하나의 설정을 고정한 채 다른 설정을 하나씩 조정하며, 시스템이 최적의 구성에 도달할 때까지 이 과정을 반복하는 방식으로 작동합니다.

시뮬레이션 결과는 놀라웠습니다. 연구진이 새로운 FARIS 시스템을 기존 기술들과 비교했을 때, 이 시스템은 일관되게 훨씬 높은 데이터 속도를 제공했습니다. 테스트 결과, 새로운 시스템은 움직일 수 없는 표준 능동 표면보다 뛰어났으며, 증폭할 수 없는 이동형 표면보다도 우수한 성능을 보였습니다. 이러한 이점은 시스템이 동시에 많은 사용자를 지원해야 하거나 가용 전력이 제한적인 상황에서 가장 두드러졌습니다. 연구진은 움직임과 증폭을 공동으로 최적화함으로써, 무선 네트워크를 괴롭히는 고질적인 문제인 신호 약화 현상을 극복할 수 있다는 것을 발견했습니다. 또한, 그들의 컴퓨터 방식이 매우 효율적임을 검증했는데, 절대적인 최적의 답에 거의 근접한 해답을 찾는 동시에 훨씬 짧은 시간 안에 해결할 수 있었습니다. 이 연구는 유동적인 이동성과 능동적인 증폭을 결합하는 것이 무선 연결의 속도와 신뢰성을 크게 높이는 새로운 설계 공간을 창출하며, 차세대 통신 네트워크를 위한 유망한 경로를 제시함을 확인시켜 줍니다.

기술 요약: FARIS를 통한 다운링크 NOMA의 잠재력 실현

문제 정의
본 논문은 현재의 재구성 가능한 지능형 표면(RIS) 지원 비직교 다중 접속(NOMA) 시스템이 가진 성능 한계를 다룬다. 기존의 수동형 RIS(PRIS)는 중첩된 경로 손실로 인한 심각한 승법 페이딩(multiplicative fading) 문제를 겪으며, 능동형 RIS(ARIS)는 이러한 감쇄를 완화하지만 고정된 정적 기하 구조로 인해 공간적 적응성이 제한된다. 반면, 유동형 RIS(FRIS)는 공간적 재구성 가능성을 제공하지만 신호 감쇄를 극복하기 위한 능동적 증폭 능력이 부족하다. 본 논문은 기존 솔루션들이 신호 증폭과 공간적 적응성을 별개의 문제로 취급한다는 점을 지적한다. 또한, NOMA 성능은 순차적 간섭 제거(SIC)를 가능하게 하는 충분한 사용자 간 채널 불균형(channel disparity)에 크게 의존하는데, 이는 정적 전파 환경에서 보장하기 어려운 조건이다. 저자들은 각 소자가 유동적 이동성과 능동적 증폭 능력을 모두 갖춘 유동 능동 재구성 지능형 표면(Fluid Active Reconfigurable Intelligent Surface, FARIS) 지원 다운링크 NOMA 시스템을 조사할 것을 제안하며, 이를 통해 공간적 위치와 신호 강화의 공동 최적화를 도모한다.

방법론
저자들은 사용자 클러스터링, NOMA 전력 할당, FARIS 증폭 이득, 이산 위상 변화 및 유동 소자 선택을 공동으로 최적화하는 네트워크 전체 합산 속도(sum-rate) 극대화 문제를 정식화한다. 이 문제는 서비스 품질(QoS) 제약, 반사 전력 제한, 하드웨어 전력 소비 제약을 따른다. 이 문제는 비볼록(nonconvex) 및 혼합 정수 비선형 계획법(MINLP) 특성을 가지므로, 저자들은 다음과 같은 2단계 프레임워크를 개발한다:

거리 기반 인터리빙 클러스터링(Distance-Based Interleaved Clustering): NOMA 사용자 그룹을 구성하기 위해 경량화된 전략이 사용된다. 사용자는 대규모 채널 이득(거리)에 따라 정렬되며, 인터리빙 방식으로 클러스터에 할당된다. 이 접근 방식은 클러스터 내에 본질적인 채널 불균형을 보장하여, 무시할 수 있는 수준의 오버헤드로 효과적인 SIC를 용이하게 한다.
클러스터별 교대 최적화(Per-Cluster Alternating Optimization, AO): 각 클러스터에 대해, 나머지 변수들은 문제를 네 가지 실행 가능한 하위 문제로 분해하는 AO 프레임워크를 사용하여 최적화된다:
- 전력 할당: 분수 제약 조건을 처리하기 위해 산술-기하 평균 근사(AGMA)를 이용한 **기하 프로그래밍(Geometric Programming, GP)**을 사용하여 해결한다.
- 증폭 이득 설계: 라그랑주 쌍대 변환 및 이차 변환을 사용하는 **분수 프로그래밍(Fractional Programming, FP)**을 통해 다루어지며, 이후 비볼록 제약을 처리하기 위해 Majorization-Minimization(MM) 기법을 적용한다.
- 이산 위상 변화 최적화: 연속 위상 문제를 완화한 후 MM과 이차 minorization을 사용하여 해결한다. 이산 제약은 원-핫(one-hot) 이진 변수를 사용하는 혼합 정수 선형 계획법(MILP)을 구성하여 처리한다.
- 유동 소자 선택: 조합적 공간을 효율적으로 탐색하기 위해 **교차 엔트로피 방법(Cross-Entropy Method, CEM)**이 활용되며, 엘리트 샘플을 기반으로 확률 분포를 반복적으로 업데이트한다.

주요 기여

시스템 모델링: 본 논문은 FARIS 지원 다운링크 NOMA를 위한 새로운 시스템 모델을 구축한다. 이 모델은 FARIS가 반사 소자의 공간적 위치, 능동적 반사 이득, 이산 위상 변화를 동시에 결정하는 결합된 공간-진폭 신호 구조를 포착한다. 또한 증폭기 노이즈 전파와 유동 능동 포트와 관련된 하드웨어 전력 소비를 명시적으로 고려한다.
문제 정식화: 이산 위상 양자화 및 이진 소자 선택을 포함한 현실적인 제약 조건 하에서 사용자 클러스터링, 전력 할당, FARIS 구성을 통합하는 종합적인 최적화 문제를 정식화한다.
알고리즘 프레임워크: 제안된 2단계 프레임워크는 조합적 클러스터링을 연속/이산 최적화와 효과적으로 분리하여, 매우 복잡한 MINLP에 대한 실행 가능한 솔루션을 제공한다.
성능 검증: 광범-한 시뮬레이션을 통해 제안된 프레임워크가 전수 조사(Brute-Force Search, BFS) 대비 빠른 수렴 속도와 근사 최적 성능을 보임을 입증한다.

결과
수치 결과에 따르면, 제안된 FARIS-NOMA 시스템은 FARIS-OMA(직교 다중 접속), FRIS-NOMA(수동 유동형), ARIS-NOMA(능동 정적형)를 포함한 벤치마크 스킴들을 일관되게 능가한다.

합산 속도 이득: 제안된 방식은 일반적인 송신 전력 수준에서 벤치마크 대비 네트워크 합산 속도를 16.5%에서 30.3%까지 향상시킨다.
수렴성: AO 프레임워크는 목적 함수 값이 단조 증가하며 빠르고 안정적인 수렴을 보인다.
최적성: 소규모 설정에서의 BFS와 비교했을 때, 제안된 알고리즘은 최적 합산 속도의 약 94.6%에서 95.2%를 달와 달성한다.
매개변수 민감도: 시스템은 선택된 소자 수( $N_o$ ), 후보 소자 수( $N$ ), 위상 해상도( $b$ ), 클러스터 크기( $K_t$ )의 변화에 대해 견고한 성능을 보여준다. 특히, 유동적 재구성과 능동적 반사를 결합하여 활용함으로써, 시스템은 클러스터 내 간섭을 효과적으로 관리하고 정적 또는 수동형 대응 방식보다 전력 예산을 속도 이득으로 더 효율적으로 전환할 수 있다.

의의
본 논문은 FARIS와 NOMA의 결합이 신호가 어디에서 반사되는지(공간적 이동성)와 얼마나 강하게 강화되는지(능동적 증폭)를 공동으로 최적화함으로써 근본적으로 새로운 설계 공간을 열어준다고 주장한다. 이러한 이중 능력은 시스템이 효율적인 SIC를 위한 유리한 채널 불균형을 유도하는 동시에, 중첩된 경로 손실을 보상할 수 있게 한다. 저자들은 이 접근 방식이 기존 아키텍처에서 발견되는 승법 페이딩과 제한된 공간 자유도(DoF)의 한계를 효과적으로 해결한다고 상정한다. 연구의 결론은 제안된 프레임워크가 유동적 재구성, 능동적 반사, 그리고 전력 영역 다중화를 결과적으로 결합함으로써 네트워크 처리량에서 상당한 이득을 창출함을 확인하며, 6G를 위한 스마트 무선 환경의 실용적이고 고성능인 솔루션을 제공한다는 것이다.

유사한 논문