6G 시대 적응형 코드북 선택을 위한 UE 지원 정보와 AI 기반 최적화

본 논문은 6G 시대에 대규모 M‑MIMO 시스템에서 다운링크 프리코더 양자화를 위한 코드북 선택 문제를 다룬다. 기존 5G NR에서는 UE가 사전에 정의된 코드북을 사용해 CSI를 압축하고, BS는 이를 기반으로 빔포밍을 수행한다. 그러나 채널 환경(시간, 주파수, 공간 상관성)이 사용자마다 크게 다르기 때문에, 고정된 코드북 파라미터는 일부 UE에 대해 과도한 오버헤드 혹은 양자화 오차를 초래한다. 이를 해결하기 위해 저자들은 **UE‑assisted 코드북 선택** 메커니즘을 제안한다. UE는 **시간‑도메인 채널 상관(TDCP)**, **공간‑도메인 채널 상관(SDCP)**, **주파수‑도메인 채널 상관(FDCP)**이라는 세 가지 통계 정보를 주기적으로 BS에 전송한다. 이 정보는 각각 채널의 시간 변동성, 안테나 포트 간 상관성, 그리고 서브밴드 간 주파수 상관성을 정량화한다. BS에서는 이 다차원 정보를 입력으로 **신경망(Neural Network, NN)**을 활용한다. NN은 각 코드북 후보(전통적인 Type‑1, Type‑2, 그리고 AI 기반 자동인코더 등)의 **Aging‑Aware Generalized Cosine Similarity(AGCS)** 값을 예측한다. AGCS는 실제 프리코더와 양자화된 프리코더 사이의 코사인 유사도를 측정하는 지표이며, 여기에는 CSI 측정·보고 지연(채널 에이징) 효과가 포함된다. 예측된 AGCS를 바탕으로 두 가지 코드북 선택 전략을 적용한다. 첫 번째는 **오버헤드 최소화** 전략으로, 사전에 정의된 최소 AGCS 임계값을 만족하면서 가장 적은 CSI 보고량을 요구하는 코드북을 선택한다. 두 번째는 **성능‑오버헤드 트레이드오프** 전략으로, AGCS와 CSI 오버헤드 사이에 가중치를 부여한 목적 함수를 최적화해 전체 시스템 스루풋을 최대화한다. 논문은 일반화된 프리코딩 매트릭스 모델을 수식으로 제시한다. 이 매트릭스는 공간, 주파수, 시간 차원을 각각 DFT 기반의 베이스 벡터 집합으로 표현하고, 각 차원에서 선택된 베이스 벡터 수(𝑁_s, 𝑁_f, 𝑁_t)를 조절함으로써 압축 비율을 제어한다. 코드북 파라미터가 늘어날수록 양자화 정확도는 향상되지만, 보고해야 할 계수 수가 증가해 UL 오버헤드가 커진다. 따라서 적절한 파라미터 선택이 핵심 과제가 된다. AI 기반 예측 모델은 **완전 연결(FC) 신경망** 구조를 채택한다. 입력 레이어는 UE가 보고한 TDCP, SDCP, FDCP 값과 코드북 후보 수를 포함하며, 은닉층은 4~5개, 각 층당 128~256개의 뉴런을 배치한다. 출력 레이어는 각 코드북 후보에 대한 AGCS 값을 제공한다. 학습은 **Mean Squared Error(MSE)** 손실 함수를 사용해 지도 학습 방식으로 진행되며, 데이터셋은 3GPP TR 38.901 기반 다양한 시나리오(도시 마이크로셀, 고속 이동, 풍부한 다중경로 등)에서 시뮬레이션으로 생성된 실제 CSI와 양자화 오차를 레이블로 활용한다. 시스템 레벨 시뮬레이션 결과, 제안된 프레임워크는 기존 고정 코드북 방식 대비 평균 **30%~45%**의 CSI 보고량 감소를 달성했으며, 특히 **고속 이동** 상황에서 채널 에이징을 고려한 AGCS 예측이 정확도 저하를 방지하는 데 크게 기여했다. 또한, 두 번째 전략을 적용했을 때 전체 네트워크 스루풋이 5%~8% 향상되는 동시에 허용 가능한 오버헤드 범위 내에 머물렀다. 하지만 논문은 몇 가지 한계를 인정한다. 첫째, UE가 추가로 TDCP, SDCP, FDCP를 보고해야 하는 **추가 오버헤드**가 존재한다. 둘째, 신경망 추론에 소요되는 **연산 지연**이 실시간 시스템에 미치는 영향을 정량화하지 않았다. 셋째, 학습 데이터가 시뮬레이션 기반이므로 실제 현장 환경에서의 **일반화 성능**이 보장되지 않는다. 향후 연구 과제로는 (1) **강화학습 기반 코드북 정책**을 도입해 장기적인 시스템 효율을 최적화하고, (2) **연합 학습(Federated Learning)**을 활용해 UE 측 데이터 프라이버시를 보장하면서 모델을 지속적으로 업데이트하는 방안, (3) **다중 안테나 포트와 대역폭 확장**에 대한 스케일링 분석, (4) **CSI 예측 모델과 연계**해 보고 지연을 더욱 감소시키는 통합 프레임워크 구축 등을 제시한다. 결론적으로, 이 논문은 다차원 채널 통계와 AI를 결합해 6G 시스템에서 코드북 선택을 동적으로 최적화함으로써, CSI 압축 효율과 시스템 성능 사이의 균형을 효과적으로 맞출 수 있음을 입증한다.