⚡ electrical engineering

Robust Sparse Channel Estimator for RIS-Assisted Hybrid MIMO Millimeter Wave Communication Under Impulsive Noise

본 논문은 RIS 지원 하이브리드 MIMO 밀리미터파 시스템의 채널 추정을 위해 강건한 희소성 인지 최대 코런트로피 기준(SA-MCC) 알고리즘을 제안하며, 충격성 잡음 및 하드웨어 결함이 존재하는 환경에서 기존 방식보다 우수한 성능을 입증한다.

원저자: Ankit Chouhan, Sandesh Jain, Rangeet Mitra, Pragya Swami, Somesh Kumar

게시일 2026-07-10

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Ankit Chouhan, Sandesh Jain, Rangeet Mitra, Pragya Swami, Somesh Kumar

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

당신이 손전등을 이용해 북적이고 소란스러운 도시 너머로 비밀 메시지를 보내려고 한다고 상상해 보세요. 미래에는 이 메시지들을 매우 빠르고 명확하게 전달하기 위해 '밀리미터파'라고 불리는 특별한 종류의 '슈퍼 라이트(super-light)'를 사용하고 싶어 합니다. 하지만 문제가 하나 있습니다. 이 파동은 마치 수줍음 많은 유령과 같아서, 벽이나 비, 심지어 지나가는 사람에 의해서도 쉽게 차단됩니다. 또한 그 힘을 매우 빠르게 잃어버리기도 합니다.

이를 해결하기 위해 엔지니어들은 하늘에 '재구성 가능한 지능형 표면(RIS)'이라 불리는 거대한 보이지 않는 거울들을 세우고 있습니다. 이 거울들은 수천 개의 작고 똑똑한 로봇 팀이라고 생각하면 됩니다. 이 유령 같은 빛이 부딪힐 때, 로봇들은 즉각적으로 기울기를 조절하고 뒤틀어서 빛을 장애물 주변으로 튕겨내고 당신의 수신기 쪽으로 곧장 전달하여, 없던 길을 새로 만들어냅니다.

문제점: 방 안의 "정적(Static)"
하지만 큰 골칫거리가 하나 있습니다. 신호를 보내고 받는 장비가 완벽하지 않다는 점입니다. 이러한 '하드웨어 결함(hardware impairments)'은 기괴하고 갑작스러운 소음의 폭발을 일으키는 고장 난 라디오처럼 작동합니다. 현실 세계에서 이것은 단순히 부드러운 쉿 소리가 아닙니다. 그것은 마치 조용한 도서관 한복판에서 누군가 갑자기 소리를 지르거나 무거운 드럼을 떨어뜨리는 것과 같습니다. 이것을 **충격성 잡음(impulsive noise)**이라고 부릅니다.

빛의 경로를 찾아내는 기존 방식(채널 추정이라고 함)은 드럼을 두드리는 소리가 들리는 와중에 속삭임을 들으려고 애쓰는 것과 같습니다. 기존 방식들은 잡음을 일정한 낮은 웅성거림이라고 가정하지만, 갑작스러운 외침은 너무 크고 이상해서 평균을 내는 것이 의미가 없습니다. 기존 방식들인 LMS와 ZA-LMS는 이런 혼란스러운 환경을 견뎌낼 만큼 강인하지 못하다고 이 논문은 주장합니다.

새로운 솔루션: 스마트 필터
저자들은 더 강력하게 듣는 새로운 방법을 제안합니다. 그들은 이를 **최대 코런트로피 기준(Maximum Correntropy Criterion, MCC)에 기반한 강인한 희소 채널 추정기(Robust Sparse Channel Estimator)**라고 부릅니다.

이것이 어떻게 작동하는지 재미있는 비유로 설명해 보겠습니다:
당신이 거대한 어두운 경기장(채널)에서 몇 명의 특정 친구들을 찾으려고 한다고 상상해 보세요. 당신은 친구들이 오직 몇 개의 특정 좌석에만 앉아 있다는 것을 알고 있습니다(이것을 **희소성(sparsity)**이라고 합니다).

기존 방식: 당신은 "어디 있어?"라고 외치고 모든 사람의 대답을 듣습니다. 만약 누군가 비명을 지르면(충격성 잡음), 당신은 혼란에 빠져 그 사람이 당신의 친구라고 착각하게 됩니다.
새로운 방식 (MCC): 당신은 특별한 "노이즈 캔슬링 귀"를 사용합니다. 이 귀는 미친 듯이 크게 지르는 비명을 무시하도록 설계되었습니다. 이 귀는 명확하고 일관된 목소리에만 집중합니다. 이 귀는 비명이 '이상치(outlier)'라는 것을 알고 있으며, 그 비명이 당신의 탐색을 망치도록 내버려 두지 않습니다.

이 논문은 이 새로운 방법에 세 가지 층위의 개선 사항을 도입합니다:

ZA-MCC: 이 버전은 "좌석이 비어 있는 것처럼 보인다면, 비어 있다고 가정하라"는 규칙을 추가합니다. 이는 빈 좌석을 무시하고 실제로 친구들이 있는 곳에만 집중하도록 도와줍니다.
SA-MCC: 이것은 훨씬 더 똑똑합니다. 단순히 빈 좌석을 무시하는 것을 넘어, **가우스-하이퍼기하 함수(Gauss-Hypergeometric function)**를 포함한 정교한 수학적 기법을 사용하여 어떤 좌석이 정말 비어 있고 어떤 좌석에 친구가 있는지 매우 정밀하게 판단합니다. 이것은 마치 당신의 친구들이 앉아 있는 정확한 지점만을 비추는 초정밀 손전등을 가진 것과 같습니다.
VSS-SA-MCC: 이것은 챔피언입니다. 여기에 "가변 단계 크기(variable step-size)"를 추가했습니다. 당신이 경기장을 걸어간다고 상상해 보세요. 길이 깨끗하면 크고 빠른 걸음으로 나아갑니다. 만약 턱에 걸리거나 이상한 소리가 들리면, 조심스럽게 속도를 줄입니다. 이 알고리즘은 잡음이 얼마나 지저분한지에 따라 학습 속도를 자동으로 조절합니다.

시뮬레이션 결과
저자들은 단순히 추측만 한 것이 아니라, 아이디어를 테스트하기 위해 수천 번의 컴퓨터 시뮬레이션을 실행했습니다. 그들은 다양한 크기의 거울 팀(RIS)과 안테나 수(32x32 및 64x64)를 갖춘 가상 도시를 설정했습니다. 또한 잡음을 매우 "충격적"으로 만들었습니다( $\alpha$ -stable noise 모델에서 매개변수 $\alpha = 1$ 사용).

결과는 명확했습니다:

기존 방식들(LMS, ZA-LMS)은 잡음에 혼란을 느껴 제대로 작동하지 못했습니다.
새로운 VSS-SA-MCC 방식이 경로를 찾는 데 가장 빨랐고 가장 정확했습니다.
32x32 설정과 32개의 거울 요소가 있는 특정 테스트에서, 새로운 방식은 -35.15 dB의 **정규화 평균 제곱 오차(NMSE)**를 달성한 반면, 기존의 MCC 방식은 -24.40 dB에 그쳤습니다.
거울 팀을 64개로 늘렸을 때, 새로운 방식은 더욱 발전하여 -36.22 dB에 도달했습니다.

이 논문은 이 새로운 방식이 현재의 표준 방식들보다 충격성 잡음의 "외침"을 처리하는 데 훨씬 뛰어나다는 것을 시사합니다. 우리가 '희소성을 인지(sparse-aware)'하고(대부분의 경로가 비어 있다는 것을 알고), '코런트로피(correntropy)' 기술을 사용함으로써(미친 듯한 잡음을 무시함으로써), 하드웨어가 불완전하더라도 우리의 초고속 연결을 안정적으로 유지할 수 있음을 증명합니다.

따라서, 이것이 아직 상점에서 바로 살 수 있는 완성된 제품은 아닐지라도, 시뮬레이션은 강력하게 암시하고 있습니다. 만약 우리가 미래의 5G 및 그 이후의 네트워크가 결함이 있는 하드웨어가 존재하는 복잡한 실제 도시에서 작동하기를 원한다면, 우리는 이 더 똑똑하고 더 강인한 방식으로 듣는 법을 바꿔야 한다는 것을 말입니다.

기술 요약: 임펄시브 노이즈 환경 하의 RIS 지원 하이브리드 MIMO 밀리미터파 통신을 위한 강건한 희소 채널 추정기

문제 정의
재구성 가능한 지능형 표면(RIS)과 밀리미터파(mmWave) 다중 입출력(MIMO) 구조의 통합은 차세대 무선 네트워크에서 초고속 데이터 전송률을 달성하는 데 매우 중요합니다. 그러나 이러한 시스템에서 정확한 채널 추정(CE)은 상당한 과제에 직면해 있습니다. RIS 지원 링크는 심각한 경로 손실을 겪으며, 전력 증폭기의 비선형 하드웨어 임페어먼트(HI) 및 밀집된 도시 환경에서 흔히 발생하는 임펄시브 간섭으로 인해 발생하는 비가우시안 왜곡에 매우 취약합니다.

OMP(Orthogonal Matching Pursuit) 및 ZA-LMS(Zero-Attracting Least Mean Square)와 같은 기존의 CE 기술은 최소 평균 제곱 오차(MMSE) 기준에 의존합니다. 이러한 방법들은 2차 오차 통계만을 고려하며 가우시안 노이즈 분포를 가정합니다. 결과적으로, 이들은 비가우시안 왜곡이나 헤비 테일(heavy-tailed) 특성을 가진 임펄시브 노이즈가 존재하는 RIS 지원 하이브리드 MIMO-mmWave 시스템에 적용될 때 성능이 저하되고 불안정해집니다. 또한, mmWave 채널은 각도 영역에서 본질적인 희소성(sparsity)을 갖지만, 기존의 희소 인식 추정기들은 이러한 특정 비이상적 조건 하에서 강건성을 유지하는 데 실패하는 경우가 많습니다.

방법론
본 논문은 최대 코런트로피 기준(Maximum Correntropy Criterion, MCC)에 기반한 통합된 강건한 희소 인식(Sparsity-Aware, SA) 채널 추정 프레임워크를 제안합니다. MCC는 고차 오차 통계를 활용하는 강건한 통계적 척도로, 전통적인 MMSE 방식에 비해 임펄시브 노이즈와 이상치(outlier)에 대해 본질적으로 높은 회복력을 가집니다.

저자들은 단계적인 알고리즘 프레임워크를 개발했습니다:

ZA-MCC 추정기: 초기 제안 모델은 MCC 비용 함수에 $\ell_1$ -노름 정규화 항을 통합합니다. 이는 비가우시안 노이즈에 대한 MCC의 강건성을 활용하는 동시에 채널 계수의 희소성을 촉진합니다.
SA-MCC 추정기: 모든 계수를 0으로 균일하게 유인하여 중요한 채널 탭(tap)의 성능을 저하시킬 수 있는 $\ell_1$ -노름 정규화의 한계를 해결하기 위해, 저자들은 더 유연한 희소 제약 조건을 제안합니다. 이는 $\ell_0$ -노름의 일반화된 가우스 하이퍼-기하급수(Gauss-hypergeometric) 근사를 활용합니다. 이 접근 방식은 지배적인 경로를 보존하면서 미미한 채널 탭을 더 효과적으로 억제할 수 있게 합니다.
VSS-SA-MCC 추정기: 최종 제안된 알고리즘은 SA-MCC 프레임워크에 가변 스텝 사이즈(Variable Step-Size, VSS) 전략을 도입합니다. 순간적인 오차 에너지에 따라 스텝 사이즈를 업데이트하여 불안정해질 수 있는 기존 VSS-ZA-LMS 알고리즘과 달리, 이 방법은 MCC 유도 오차 커널의 에너지에 따라 학습률을 적응시킵니다. 이러한 동적 적응은 계산 복잡도를 높이지 않으면서 수렴을 가속화하고 정상 상태의 정규화 평균 제곱 오차(NMSE)를 줄이는 것을 목표로 합니다.

시스템 모델은 기지국(BS)에서 사용자 단말(UE)로의 직접적인 가시선(LoS)이 차단되어 RIS를 통해 신호가 전달되어야 하는 다운링크 시나리오를 고려합니다. 채널은 희소한 다중 경로 성분을 가진 기하학적 모델로 구성되며, 노이즈는 임펄시브 간섭을 시뮬레이션하기 위해 대칭 $\alpha$ -안정(symmetric $\alpha$ -stable) 분포를 사용하여 모델링되었습니다.

주요 기여
본 논문은 다음과 같은 구체적인 기여를 주장합니다:

새로운 프레임워크: 비가우시안 왜곡이 존재하는 RIS 지원 하이브리드 MIMO mmWave CE를 위해 MCC 기반 희소 인식 알고리즘을 적용한 첫 번째 연구를 제시합니다.
강건한 희소성: 제안된 ZA-MCC 프레임워크는 고차 오차 통계를 활용하여 임펄시브 노이즈에 대해 기존 MMSE 기반 추정기보다 개선된 회복력을 제공합니다.
향상된 희소 제약: 미미한 채널 탭의 억제를 탁월하게 수행할 수 있도록 가우스 하이퍼-기하급수 근사를 사용한 새로운 SA-MCC 추정기를 도입하였습니다.
적응형 학습: MCC 오차 커널 에너지를 기반으로 학습률을 동적으로 조정하여 수렴을 가속화하고 정상 상태 NMSE를 감소시키는 VSS 전략(VSS-SA-MCC)을 도입하였습니다.
포괄적인 검증: 다양한 MIMO 및 RIS 구성에 대한 광범위한 시뮬레이션을 통해 최첨단 벤치마크 모델들보다 우수한 성능을 입증하였습니다.

시뮬레이션 결과
VSS-SA-MCC 알고리즘의 성능은 $\alpha$ -stable 노이즈( $\alpha=1$ ) 환경에서 LMS, ZA-LMS, 표준 MCC, ZA-MCC 및 고정 스텝 SA-MCC 알고리즘과 비교 평가되었습니다. 주요 결과는 다음과 같습니다:

수렴: VSS-SA-MCC 알고리즘은 테스트된 모든 방법 중 가장 빠른 수렴 속도를 보였습니다. $32 \times 32$ MIMO 시스템과 32개의 RIS 요소 환경에서, 이 알고리즘은 $-33.21$ dB에 도달한 고정 스텝 SA-MCC( $p=2$ )를 능가하는 $-35.15$ dB의 정상 상태 NMSE를 달성했습니다.
SNR 강건성: $-20$ dB에서 $20$ dB 사이의 SNR 값 전반에 걸쳐, 제안된 SA 기반 접근 방식은 LMS, ZA-LMS 및 표준 MCC보다 일관되게 우수한 성능을 보였습니다. 특히 ZA-LMS가 심한 진동을 보였던 저(low) SNR 영역에서도 SA-MCC( $p=2$ ) 및 VSS-SA-MCC 변형 모델은 가장 낮은 NMSE와 최소한의 변동성을 나타냈습니다.
IRS 스케일링: RIS 요소의 수를 증가시킴에 따라(32개에서 64개로) 모든 알고리즘의 NMSE 성능이 향상되었습니다. 그러나 제안된 SA-MCC( $p=2$ ) 및 VSS-SA-MCC가 가장 큰 이득을 보였으며, $64 \times 64$ MIMO 시스템과 64개의 RIS 요소를 사용하는 환경에서 $-36.22$ dB의 정상 상태 NMSE를 달로 달성했습니다.
파라미터 민감도: 가우스 하이퍼-기하급수 근사법을 $p=2$ 로 사용했을 때가 $p=1$ 일 때보다 일관되게 더 낮은 NMSE를 기록하였으며, 이는 특정 $\ell_0$ 유사 페널티 공식의 효과를 입증합니다.

의의 및 주장
저자들은 제안된 VSS-SA-MCC 방법론이 하드웨어 임페어먼트, 심각한 페이딩, 그리고 비가우시안 교란이 특징인 미래 무선 통신 시스템의 채널 추정을 위한 유망한 솔루션을 제공한다고 결론짓습니다. 본 연구는 실질적인 RIS 지원 mmWave 배치에서 발생하는 임펄시브 노이즈 상황에서 강건한 희소 인식 추정이 기존의 방법들보다 우수하고 실행 가능하다는 것을 입증함으로써 중요한 연구 공백을 메웠습니다. 이 논문은 비가우시안 조건에서 실패하는 기존 추정기들에 대한 실행 가능한 대안으로서, 상당한 계산 오버헤드 없이 높은 정확도, 빠른 수렴, 그리고 강건성의 균형을 제공하는 접근 방식을 제시합니다.

유사한 논문