AI-Driven Spatiotemporal Decoding of Counter-Propagating OAM States for Highly Resilient Physical-Layer Security

기술 요약: AI 기반의 반대 방향 전파 OAM 상태에 대한 시공간 디코딩

문제 정의
기존의 광통신 네트워크는 비선형 섀넌 한계(nonlinear Shannon limit)에 도달하며 용량 제한과 물리적 도청에 대한 취약성에 직면해 있다. 궤도 각운동량(OAM)을 이용한 공간 분할 다중화(SDM)는 이론적으로 무한한 직교 채널을 제공하지만, 실제 배치 과정에서는 모드 분산, 모드 간 크로스토크(inter-modal crosstalk), 위상 왜곡으로 인해 어려움을 겪는다. 이러한 왜곡은 광집적회로(PIC)의 제작 결함과 자유 공간 광학(FSO)의 대기 난류에서 발생한다. 또한, 알고리즘 기반 암호화 프로토콜에 대한 의존은 미래의 양자 컴퓨팅 해독 위협에 인프라를 노출시킨다. 핵심 과제는 복잡하고 오류가 발생하기 쉬운 광학적 등화(equalization) 하드웨어에 의존하지 않고도, 물리 계층 자체적으로 보안성을 갖추고 심각한 하드웨어 결함 및 노이즈에 탄력적으로 대응할 수 있는 아키텍처를 개발하는 것이다.

방법론: OAM-NET 아키텍처
본 논문은 신호 등화의 부담을 광학 하드웨어에서 소프트웨어 정의 신경망으로 전환하기 위해 설계된 하이브리드 시공간 네트워크인 "OAM-NET"을 제안한다. 이 방법론은 세 가지 주요 구성 요소에 기반한다:

1. 반대 방향 전파 OAM 중첩: 가변적인 공간 모드를 전송하는 대신, 시스템은 고차의 반대 방향 위상 전하($l = +21$ 및 $l = -21$)의 결맞는 중첩(coherent superposition)을 활용한다. 이 간섭은 안정적인 꽃잎 모양의 강도 패턴을 생성한다.
2. 회전 도플러 인코딩: 정보는 공간적 형태가 아니라, 회전 도플러 효과(Rotational Doppler Effect)에 의해 제어되는 간섭 패턴의 회전 위상 속도에 인코딩된다. 데이터 페이로드는 특정 회전 속도의 조화 수열(harmonic sequence) $v \in \{9, 6, 3\}$에 매핑된다. 시간적 간섭 신호 $I(t)$는 위상 전하 차이($\Delta l = 42$)에 의한 주파수 이동으로 정의되며, 다음과 같이 모델링된다: $I(t) \propto \cos(2\pi \cdot v \cdot \Delta l \cdot t + \phi_{drift}) + N(t)$, 여기서 $\phi_{drift}$는 하드웨어 불안정성을 나타내고 $N(t)$는 채널 노이즈를 나타낸다.
3. AI 기반 디코딩 (Bi-LSTM): 열악한 조건에서 인코딩된 상태를 재구성하기 위해 양방향 장단기 메모리(Bi-LSTM) 신경망이 사용된다. 아키텍처는 다음을 포함한다:
   • 시퀀스 형태의 시공간 간섭 데이터를 위한 입력층.
   • 과적합을 방방지하기 위한 0.3 드롭아웃 규제(dropout regularization)가 적용된 두 개의 은닉 Bi-LSTM 레이어(64 및 32 유닛).
   • 나선형 속도의 다중 클래스 분류를 위한 Softmax 활성화 밀집 출력층(dense output layer).
     양방향 구조를 통해 디코더는 시계열 데이터를 순방향 및 역방향 모두로 처리하여, 모드 분산으로 인한 일시적인 위상 변화를 포착할 수 있다.

주요 기여

• 위상적 지문을 통한 물리 계층 보안: 본 논문은 데이터가 고유한 조화 수열에 매핑되는 보안 메커니즘을 도입한다. 승인되지 않은 가로채기는 Bi-LSTM 수신기의 특정 훈련된 가중치 없이는 고차원의 간섭 패턴이 배경 노이즈와 수학적으로 구별 불가능하기 때문에 효과적으로 차단된다.
• 소프트웨어 정의 등화: 본 연구는 딥러닝이 복잡한 광학 교정 하드웨어 없이도 물리적 하드웨어 결함(예: 도파로 측벽 거칠기) 및 극심한 대기 난류를 수학적으로 우회할 수 있음을 입증한다.
• 극한 노이즈에 대한 탄력성: 이 아키텍처는 노이즈 진폭이 신호 진폭과 같거나 이를 초과하는 약 0 dB의 신호 대 잡음비(SNR) 환경에서도 작동하도록 설계되었다.

결과
수치 시뮬레이션을 통해 현실적인 하드웨어 결함과 가우시안 노이즈가 원래의 신호를 가리는 심각한 FSO 난류를 시뮬레이션하여 OAM-NET 아키텍처에 대한 극한의 스트레스 테스트를 수행하였다.

• 훈련 성능: Bi-LSTM 모델은 Adam 옵티마이저와 범주형 교차 엔트로피 손실(categorical cross-entropy loss)을 사용하여 25 에포크(epoch) 동안 훈련되었다.
• 디코딩 정확도: 극심한 신호 저하(SNR $\approx$ 0 dB)에도 불구하고, 디코더는 **92.67%**의 안정적인 정확도를 달ien했다.
• 오류율: 모델은 0.2333의 최소 검증 손실을 유지하였다. 잔류 비트 오류율(BER)은 표준 순방향 오류 정정(FEC) 프로토콜의 교정 가능한 임계값 내에 완전히 들어왔다.
• 시뮬레이션 결론: 결과는 AI 디코더가 파괴적인 채널 노이즈로부터 조화 수열의 위상적 지문(topological footprint)을 안정적으로 분리해 낼 수 있음을 확인시켜 준다.

의의 및 주장
본 논문은 자유 공간 광학 및 보안 물리 계층 통신을 위한 매우 탄력적이고 탈중앙화 준비가 된 인프라의 이론적 및 수치적 토대를 구축했다고 주장한다. 극심한 스트레스 조건 하에서 물리적 신호를 성공적으로 디코딩함으로써, 본 연구는 고차원 반대 방향 전파 OAM 상태와 AI 기반 시공간 등화기의 결합이 모드 분산에 대한 강력한 솔루션을 제공함을 입증한다. 그 의의는 물리적 하드웨어의 한계를 딥러닝을 통해 극복할 수 있음을 증명하는 데 있으며, 이는 차세대 광 네트워크를 위한 확장 가능하고 수학적으로 안전한 하드웨어 백본을 제공한다.