Cross-SNR Dynamic DC-Bias Prediction in DCO-OFDM Using a Domain-Informed Mixture Density Network

빛은 정보를 전달하는 새로운 방식이 되고 있습니다. 라디오파가 휴대폰으로 데이터를 전송하는 것처럼, 표준 LED 전구에서 나오는 빛을 인간의 눈에는 보이지 않을 정도로 빠르게 깜빡이게 하여 수신기가 그 패턴을 디지털 정보로 해독할 수 있습니다. 리파이(Li-Fi)라고 불리는 이 기술은 무선 주파수를 사용하지 않고 통신할 수 있는 방법을 제공하며, 신호를 방 안에 가두어 간섭을 피할 수 있게 해줍니다. 이를 효율적으로 작동시키기 위해 엔지니어들은 빛의 세기를 변화시켜 복잡한 데이터 패턴을 나타내는 방법을 사용합니다. 그러나 전구는 밝아지거나 꺼질 수는 있지만 '음수'가 될 수는 없기 때문에, 신호는 절대 0 아래로 떨어지지 않도록 위쪽으로 이동(shift)되어야 합니다. 이러한 이동은 직류 바이어스(direct current bias)라고 알려진 일정한 양의 전력을 더함으로써 이루어집니다.

이 이동의 크기는 정교한 균형 잡기입니다. 만약 이동량이 너무 작으면 신호의 바닥 부분이 잘려 나가 데이터 오류가 발생합니다. 반대로 이동량이 너무 크면 시스템이 에너지를 낭비하게 되고 하드웨어에 불필요하게 많은 전력을 요구하게 됩니다. 문제는 완벽한 이동량은 연결 품질과 전송되는 데이터의 복잡성에 따라 끊임없이 변한다는 점입니다. 수년 동안 엔지니어들은 고정된 설정이나 복잡한 계산을 통해 적절한 양을 추측하는 데 의존해 왔지만, 이러한 방식은 상황이 예기치 않게 변할 때 실패하는 경우가 많았습니다. 이제 한 연구팀이 환경에 실시간으로 적응하며 고정된 규칙이 따라올 수 없는 정밀도로 최적의 이동량을 예측하는 법을 배우는 새로운 접근 방식을 개발했습니다.

2026년 10월에 발표된 연구에서, 파키스탄의 모던 언어 국립 대학교와 우주 기술 연구소의 무함마드 빌랄 레만(Muhammad Bilal Rehman), 모미나 미르(Momina Mir) 및 동료 연구원들은 인공지능의 한 형태를 사용하여 이 문제를 해결했습니다. 그들은 고속 통신을 위한 표준적인 광신호 구성 방식인 DCO-OFDM 시스템에 집중했습니다. 그들이 다룬 핵심적인 어려움은 최적의 전력 이동량이 두 가지, 즉 그 순간의 특정 빛 신호 형태와 신호 대 잡음비(SNR)로 측정되는 현재의 연결 품질에 달려 있다는 점이었습니다. 전통적인 방식은 주어진 상황에 대해 단 하나의 최적의 숫자를 찾으려 노력하지만, 연구진은 신호, 잡음, 그리고 필요한 전력 이동량 사이의 관계가 단순한 추측을 하기에는 너무 복잡하다는 것을 깨달았습니다.

이를 해결하기 위해 연구팀은 MDHyperNet이라는 새로운 유형의 컴퓨터 모델을 만들었습니다. 이 모델은 전력 이동량을 위한 단 하나의 숫자만을 예측하는 대신, 모든 연결에는 어느 정도의 불확실성이 존재한다는 점을 이해하고 가능한 값의 범위를 예측합니다. 모델은 연구진이 수천 가지의 시나리오를 시뮬레이션한 데이터셋을 통해 학습되었습니다. 각 시나리오에 대해 연구진은 세 가지 경쟁적인 목표, 즉 데이터 오류 최소화, 필요한 피크 전력 최소화, 그리고 신호의 일부가 잘려 나감으로써 발생하는 잡음 감소 사이의 무게를 달아 완벽한 전력 이동량을 계산했습니다. 그들은 이 목표들 사이의 최선의 절충안을 찾기 위해 TOPSIS라는 수학적 방법을 사용하였고, 이를 통해 모델이 학습할 수 있는 '골드 스탠다드(gold standard)' 답변들을 만들어냈습니다.

이 새로운 시스템의 가장 중요한 테스트는 이전에 본 적 없는 상황을 처리하는 능력이었습니다. 많은 머신러닝 연구에서 모델은 학습한 것과 매우 유사한 데이터로 테스트를 받습니다. 하지만 여기서 연구진은 학습 데이터에서 특정 연결 품질의 범위 전체를 완전히 제거하는 엄격한 테스트 방법을 사용했습니다. 그들은 일부 신호 품질에 대해 모델을 학습시킨 후, 한 번도 접해보지 못한 신호 품질에 대해 올바른 전력 이동량을 예측하도록 요구했습니다. 이는 마른 도로에서만 연습한 운전자에게 경험해 본 적 없는 갑작스러운 폭설 속을 운전하라고 요구하는 것과 유사한 어려운 과제입니다.

결과는 새로운 모델이 기존 방식이 실패한 지점에서 성공했음을 보여주었습니다. 보지 못한 조건에서 테스트했을 때, 전통적인 방식들은 큰 오류를 범하며 전력 이동량을 너무 높거나 너무 낮게 예측했습니다. 가장 까다로운 테스트 케이스, 즉 연결 품질이 알려진 범위의 극단적인 끝에 있을 때 기존 방식들은 최대 50%까지 오차가 발생했습니다. 반면, 새로운 모델은 놀라울 정도로 정확도를 유지하며 오차를 2% 미만으로 유지했습니다. 연구진은 이 성공의 핵심이 단순히 모델의 복잡성 때문이 아니라, 설계 단계에서 명시적인 규칙을 심었기 때문임을 발견했습니다. 즉, 전력 이동량이 연결 품질에 의존한다는 사실을 모델에 직접 알려준 것입니다. 이러한 '도메인 정보 기반(domain-informed)' 접근 방식 덕분에 모델은 단순히 패턴을 암기하는 것이 아니라 상황의 물리적 원리를 이해할 수 있었습니다.

연구진은 이 정확도가 실제 세계에서 어떤 의미를 갖는지 증명하기 위해 완전한 통신 시스템의 전체 시뮬레이션을 실행했습니다. 그들은 적응형 시스템을 7, 10, 또는 13 단위의 고정된 전력 이동량을 사용하는 표준 설정들과 비교했습니다. 고정된 시스템은 항상 어려움을 겪었습니다. 강한 연결에는 잘 작동하는 설정이 연결이 약해지면 낭비와 오류를 초래했고, 그 반대의 경우도 마찬가지였습니다. 그러나 새로운 적응형 시스템은 매 데이터 심볼마다 전력 이동량을 조절했습니다. 이를 통해 시스템은 모든 상황에서 낮은 오류율을 유지하면서도 어떤 고정 설정보다 적은 전력을 사용하고 적은 잡음을 생성했습니다. 이 시스템은 단일 고정 설정으로는 도달할 수 없는 중도(middle ground)를 효과적으로 찾아냈습니다.

또한 이 연구는 새로운 모델의 어떤 부분이 가장 중요한지를 밝혔습니다. 연구진은 연결 품질에 대한 특정 규칙이 있는 버전과 없는 버전, 그리고 가능한 결과값의 개수가 다른 버전의 모델을 테스트했습니다. 그들은 전력 이동량과 연결 품질을 연결하는 규칙이 모델이 새로운 상황에 일반화될 수 있는 주요 원인임을 발견했습니다. 값의 범위를 예측하는 부분은 순수한 정확도 측면에서는 덜 중요했지만, 시스템이 최적의 답 분포에 더 잘 부합하도록 돕는 역할을 했습니다. 이는 이 특정 문제에 있어서는 단순히 더 복잡한 신경망을 갖는 것보다 변수 간의 물리적 관계를 이해하는 것이 더 중요하다는 것을 시사합니다.

결과는 유망하지만, 연구진은 이러한 결과가 컴퓨터 시뮬레이션에서 나온 것임을 언급했습니다. 테스트는 햇빛의 간섭이나 실제 전구의 비선형적 동작이 없는 깨끗한 환경을 가정했으며, 이는 실제 Li-Fi 배치 현장에 존재하는 요소들입니다. 또한 모델은 특정 최적화 방법에 의해 생성된 데이터로 학습되었으므로, 시스템의 우선순위가 변경된다면 모델을 다시 학습시켜야 합니다. 그럼에도 불구하고 이 연구는 명확한 발전 방향을 제시합니다. 빛 통신의 물리적 제약에 대한 깊은 이해와 유연한 학습 모델을 결합함으로써, 연구진은 환경에 동적으로 적응하는 시스템을 만드는 것이 가능하다는 것을 보여주었습니다. 이러한 접근 방식은 정적인 설정을 넘어, 상황이 변하더라도 광무선 링크를 효율적이고 신뢰성 있게 유지할 수 있는 길을 열어줍니다.