⚡ 전기공학

Parallax-aware and MAB-empowered Beam Training for Modular XL-MIMO Systems

본 논문은 모듈형 XL-MIMO 시스템을 위해 적응형 코드북 업데이트와 탐욕적 지수 톰슨 샘플링 전략을 결러 결합하여 행동 공간을 동적으로 압축하고 빔 선택을 최적화함으로써, 하이브리드 근계 및 원계 환경에서 훈련 오버헤드를 현저히 줄이면서도 상당한 유효 스펙트럼 효율 이득을 달성하는 시차 인지 및 멀티 암드 밴딧 기반의 빔 트레이닝 기법을 제안한다.

원저자: Chuanpeng Xu, Huibin Liang, Yunchao Song, Chen Liu, Yusong Wang

게시일 2026-10-27

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Chuanpeng Xu, Huibin Liang, Yunchao Song, Chen Liu, Yusong Wang

원본 논문은 CC BY 4.0 (https://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

차세대 무선 네트워크를 구축하기 위한 경쟁 속에서, 엔지니어들은 안테나를 그 어느 때보다 더 크고 강력하게 만들기 위해 밀어붙이고 있습니다. 수백 개의 작은 요소들이 빽빽하게 들어찬, 수 미터에 달하는 라디오 안테나 벽을 상상해 보십시오. 이러한 거대한 규모는 신호가 더 멀리 이동하고 더 많은 데이터를 운반할 수 있게 해주지만, 까다로운 문제를 야기합니다. 바로 이 안테나 주변의 환경이 균일하지 않다는 점입니다. 어떤 신호는 근처 물체에 부딪혀 연못에 던져진 돌에서 퍼져 나가는 물결처럼 움직이는 반면, 어떤 신호는 멀리서부터 평행한 파동의 형태로 도착합니다. 안테나 벽이 매우 넓기 때문에, 시스템은 이 두 가지 유형의 파동을 동시에 접하게 되며, 사용자가 정확히 어디에 서 있느냐에 따라 신호를 포착하는 최적의 방법이 달라집니다. 만약 시스템이 모든 가능성을 일일이 테스트하여 적절한 방향을 추측하려 한다면, 너무 많은 시간과 에너지를 낭비하여 실제 데이터 전송 속도가 곤두박질치게 됩니다.

이를 해결하기 위해 난징 우편통신대학교의 연구진은 막다른 길에 시간을 낭비하지 않고 최적의 신호 경로를 찾는 더 똑똑한 방법을 개발했습니다. 그들은 마치 지형을 익히며 걷는 숙련된 가이드처럼 행동하는 시스템을 만들었습니다. 안테나 벽의 모든 구석을 맹목적으로 확인하는 대신, 이 시스템은 하드웨어의 물리적 배치에 기반하여 지도를 먼저 구축합니다. 시스템은 안테나 벽이 매우 크기 때문에, 근처의 물체를 타격하는 데 필요한 각도가 벽의 한쪽 끝에서 다른 쪽 끝으로 갈 때 다르게 보인다는 현상, 즉 시차(parallax)를 이해하고 있습니다. 이러한 변화를 고려함으로써, 시스템은 빈틈없이 영역을 커버하는 유망한 방향들의 초기 목록을 생성합니다.

이 초기 지도가 준비되면, 시스템은 학습을 시작합니다. 시스템은 몇 가지 방향을 테스트하고 사용자 기기로부터 피드백을 듣습니다. 만약 특정 방향이 강한 신호를 낸다면, 시스템은 이를 기억합니다. 만약 어떤 방향이 단순한 잡음에 불과하다면, 시스템은 이를 쓸모없는 것으로 표시합니다. 연구진은 도박사가 어떤 슬롯머신을 플레이할지 선택하는 방식에서 영감을 얻은 학습법을 사용했는데, 이는 새로운 옵션을 시도해야 하는 필요성과 이미 잘 작동한다고 알려진 것에 계속 매달리려는 욕구 사이의 균형을 맞추는 것입니다. 시스템은 데이터를 더 많이 수집함에 따라 안정적인 패턴을 찾아냈음을 감지합니다. 그 시점에서 시스템은 영리한 기술을 발휘합니다. 안테나 벽의 한 부분에서 발견된 성공적인 방향들을 가져와서, 물리적 거리 차이를 조정한 뒤 다른 부분들로 투영하는 것입니다. 이를 통해 시스템은 모든 방향을 하나씩 테스트하는 대신, 전체 벽에 대해 유망한 방향이 어디인지 즉각적으로 알 수 있게 됩니다.

또한, 빈 공간에 시간을 낭비하지 않도록 시스템은 신호가 실제인지 아니면 단순한 무작위 정적(static)인지 확인하기 위해 통계적 검사를 실행합니다. 만약 특정 방향이 비어 있음이 확인되면, 시스템은 해당 방향을 선택지 목록에서 완전히 제거합니다. 이러한 가능성 목록의 가지치기 과정은 지속적으로 일어나며, 시스템이 가장 유망한 경로만을 바라보도록 탐색 공간을 축소합니다. 컴퓨터 시뮬레이션에서 이 접근 방식은 매우 효율적임이 증명되었습니다. 시스템은 기존 방식보다 훨씬 빠르게 최적의 성능에 도달했으며, 신호가 여러 번 굴절되는 복잡한 환경을 통과해야 하는 상황에서도 높은 데이터 전송률을 유지했습니다. 안테나의 형태에 대한 물리적 이해와 실시간으로 적응하는 학습 알고리즘을 결성함으로써, 연구진은 끊임없는 전수 조사의 막대한 비용 없이도 이러한 거대 안테나 배열의 완전한 성능을 끌어내는 것이 가능하다는 것을 보여주었습니다.

기술 요약: 모듈형 XL-MIMO 시스템을 위한 시차(Parallax) 인지 및 MAB 기반 빔 트레이닝

문제 정의
본 논문은 하이브리드 근거리 및 원거리 장(near- and far-field) 환경에서 동작하는 모듈형 초거대 규모 MIMO(Modular Extremely Large-Scale MIMO, XL-MIMO) 시스템의 빔 트레이닝 과제를 다룹니다. 안테나 개구면(aperture)이 커짐에 따라 레일리 거리(Rayleigh distance)가 크게 확장되어, 사용자와 산란체가 근거리(구면파)와 원거리(평면파) 영역에 동시에 존재하게 됩니다. 이러한 하이브리드 필드 전파는 심각한 공간적 비정상성(spatial non-stationarity)과 시차 효과를 유발하며, 이로 인해 서로 다른 서브어레이(subarray) 간에 최적의 빔 방향이 비선형적으로 변하게 됩니다.

기존의 중앙 집중식 빔 트레이닝은 전체 차원의 즉각적인 채널 상태 정보(CSI)에 의존하므로, 파일럿 오버헤드가 지나치게 높고 채널 변동에 취약합니다. 통계적 CSI(S-CSI)와 부분 연결형 서브어레이 구조는 하드웨어 및 복잡도 측면에서 완화책을 제공하지만, 기존 방식들은 대개 정적 코드북이나 사전 정의된 활성화 패턴에 의리합니다. 이러한 접근법은 동적이고 공간적으로 비정상적인 채널에서 어려움을 겪으며, 이는 긴 블라인드 탐색 시간과 느린 수렴으로 이어집니다. 또한, 표준 다중 팔 버킷(Multi-Armed Bandit, MAB) 프레임워크를 XL-MIMO에 직접 적용하는 것은 "차원의 저주"에 의해 방해받는데, 이는 정적인 액션 공간이 노이즈만 존재하는 섹터를 효율적으로 제거(pruning)하지 못하기 때문입니다.

방법론
저자들은 적응형 코드북 업데이트 메커니즘과 MAB 기반 온라인 학습이 통합된 폐쇄 루프 시너지 프레임워크를 제안합니다. 이 스킴은 각 $M$ 개의 안테나를 가진 $N$ 개의 서브어레이로 구성된 모듈형 초거대 개구면 배열(M-ELAA) 내에서 작동합니다.

시차 인지(Parallax-Aware, PA) 초기 코드북:
공간적 비정상성을 해결하기 위해, 저자들은 서브어레이 변위와 균일 전력 거리(uniform power distance)를 기반으로 한 빔 인덱스 중복성에 대한 수학적 정의를 도출합니다. 이를 통해 인접한 서브어레이 간의 정밀한 각도 중첩을 추가함으로써 전체 공간 커버리지를 보장하는 초기 코드북을 구축하여, 시차 효과로 인한 사각지대를 제거합니다.
정상 상태 탐지 및 동적 코드북 업데이트:
시스템은 경험적 Q-Q 상관관계(Quantile-Quantile correlation) 기준을 사용하여 빔 트레이닝 과정을 모니터링하고 통계적 정상 상태를 감지합니다. 수렴이 완료되면 시스템은 **교차 서브어레이 기하학적 투영(cross-subarray geometric projection)**을 트리거합니다.
- 기하학적 투영: 검증된 고이득 빔을 공간-주파수 기울기를 사용하여 다른 서브어레이로 투영합니다. 이는 후보 구간을 정의하기 위해 원거리(평면파) 및 근거리(구면파) 극한을 모두 고려합니다.
- 우도비(Likelihood Ratio, LR) 프루닝: 저이득 또는 노이즈만 존재하는 코드워드로 인해 후보 집합이 확장되는 것을 방지하기 위해, 제로 파워 탐지를 위한 우도비 테스트가 적용됩니다. 순수 노이즈로 식별된 빔은 프루닝되어 액션 공간을 동적으로 압축합니다.
MAB 기반 빔 트레이닝 (G-Exp-TS):
압축되고 적응 가능한 액션 공간 내에서 빔 선택 과정은 MAB 문제로 정식화됩니다. 목표는 **장기 유효 스펙트럼 효율(Effective Spectral Efficiency, ESE)**을 최대화하는 것입니다.
- 보상 모델링: 수신 신호 전력은 지수 분포를 따르는 것으로 모델링됩니다.
- G-Exp-TS 전략: 저자들은 수신 전력의 지수 사후 분포로부터 샘플링하여 탐색(exploration)과 이용(exploitation)의 균형을 맞추는 Greedy Exponential Thompson Sampling (G-Exp-TS) 전략을 제안합니다.
- 최적화: 빔 선택은 훈련 오버헤드 예산 내에서 최적의 코드워드 부분 집합(super arm)을 선택하여 장기 평균 ESE를 최대화하는 0-1 정수 프로그래밍 문제로 구성됩니다.

주요 기여

폐쇄 루프 시너지 프레임워크: 본 논문은 적응형 코드북 업데이트와 MAB 학습을 근본적으로 통합하는 프레임워크를 도입합니다. 정적인 접근 방식과 달리, 이 스킴은 기하학적 사전 지식을 동적 후보 탐색 영역으로 변환하고 통계적 피드백을 사용하여 실시간으로 코드북을 프루닝함으로써 노이즈 섹터에서의 불필요한 탐색을 피합니다.
시차 인지 초기화 및 동적 프루닝: 저자들은 PA 초기 코드북을 구축하기 위해 빔 인덱스 중복성에 대한 엄격한 정의를 도출했습니다. 또한 Q-Q 상관관계를 기반으로 한 정상 상태 탐지 메커니즘과 기하학적 투영 및 LR 테스트가 결합된 방법을 도입했습니다. 이를 통해 명시적인 CSI 없이도 유효하지 않은 섹터를 동적으로 제거함으로써 상당한 코드북 차원 축소를 달もの 성을 달성했습니다.
G-Exp-TS 최적화: 빔 트레이닝 과정은 0-1 정수 프로그래밍 문제로 변환되었습니다. 제안된 G-Exp-TS 전략은 수신 전력의 지수 사후 분포를 활용하여 탐색과 이용 사이의 균형을 최적으로 맞추고, 장기 ESE를 최대화합니다.

시뮬레이션 결과
수치 시뮬레이션은 $N=8$ 개 모듈, 모듈당 $M=32$ 개 안테나, 반송파 주파수 100 GHz인 시스템을 대상으로 수행되었습니다. 제안된 스킴(G-Exp-TS BT)을 TH BT, Dual-UCB BT, Hybrid BT 베이스라인과 비교하였습니다.

수렴: 제안된 스킴은 안정적인 정상 상태로 빠르게 수렴함을 보여주었습니다. ESE는 탐색 단계에서 증가하였으며, 효과적인 프루닝 덕분에 빠르게 안정화되었습니다.
SNR 대비 성능: 다양한 신호 대 잡음비(SNR) 수준과 산란 클러스터 수( $L=1, 3$ )에 걸쳐, 제안된 스킴은 모든 베이스라인 스킴보다 일관되게 높은 ESE를 달성했습니다.
오버헤드 효율성: 과도한 탐색으로 인해 성능이 저하되는 역 U자형 곡선을 보이는 베이스라인 스킴들과 달리, 제안된 스킴은 최소한의 오버헤드 예산에서 정점의 ESE를 달성했습니다. 코드북의 동적 압축 덕분에 할당된 예산이 크더라도 실제 훈련 오버헤드는 유효한 코드워드 수에 의해 제한되어 시간 분할 페널티를 방지했습니다.
강건성: 해당 스킴은 다양한 다중 경로 조건과 SNR 영역 전반에서 견고한 성능을 유지하며 지배적인 하이브리드 필드 경로를 효과적으로 식별했습니다.

의의
본 논문은 제안된 스킴이 모듈형 XL-MIMO 시스템의 빔 트레이닝 효율을 근본적으로 개선한다고 주장합니다. 기하학적 사전 지식과 온라인 학습을 결합함으로써, 이 방법은 전통적인 전수 조사(exhaustive sweeping)의 과도한 오버헤드와 정적 MAB 접근 방식의 느린 수렴 문제를 우회합니다. 명시적인 CSI 없이 액션 공간을 동적으로 압축할 수 있는 능력은 시스템이 파일럿 오버헤드를 크게 줄이면서도 유효 스펙트럼 효율을 극대화할 수 있게 합니다. 저자들은 이 접근 방식이 경직되고 사전 정의된 빔 트레이닝 전략에 대한 강력한 대안을 제공함으로써, 미래 6G 네트워크의 하이브리드 필드 과제에 대한 실질적인 솔루션을 제공한다고 결론짓습니다.

유사한 논문