AI 기반 차세대 무선 채널 모델링을 위한 NYUSIM 파이썬 전환과 Ant3D 구현

본 논문은 차세대 6G 무선 통신 시스템에서 인공지능(AI) 기반 채널 모델링을 실현하기 위한 핵심 도구인 NYUSIM의 전면적인 파이썬 이식과 기능 확장을 상세히 기술한다. 기존 NYUSIM은 2016년 NYU WIRELESS에 의해 MATLAB 환경에서 개발된 오픈소스 시뮬레이터로, 28 GHz‑142 GHz 대역의 광범위한 실외·실내 측정 데이터를 기반으로 통계적 공간 채널 모델(SSCM)을 구현한다. 이 모델은 시간 클러스터·공간 로브(TCSL) 프레임워크를 사용해 대규모 경로손실, 다중 경로 지연, 각도 확산, 전력 분포 등을 정확히 재현한다. **1. 연구 배경 및 동기** AI가 생성·판별 모델(예: GAN, VAE, Diffusion)과 결합된 채널 모델링은 복잡한 환경 변수와 채널 특성 간 비선형 관계를 학습해, 기존 선형 보간 방식이 포착하지 못하는 주파수·공간 상관성을 제공한다. 그러나 기존의 폐쇄형·MATLAB 기반 시뮬레이터는 대규모 데이터 추출, 병렬 실행, AI 프레임워크와의 연동에 제약이 있다. 따라서 저자들은 파이썬 기반 구현을 통해 데이터 접근성, 확장성, 재현성을 동시에 확보하고자 한다. **2. 파이썬 이식 구조** 전체 코드를 모듈형 파이썬 패키지로 재구성했으며, 기능을 deterministic 클래스와 stochastic 클래스로 명확히 분리한다. Deterministic 클래스는 자유공간 경로손실, 대기 감쇠, 주파수 스케일링 등 물리적 고정값을 계산하고, Stochastic 클래스는 섀도우 페이딩, 파워 딜레이 프로파일, 각도 확산 등 확률적 요소를 담당한다. 각 클래스는 입력·출력 인터페이스를 MATLAB 버전과 동일하게 유지해, 기존 스크립트와의 호환성을 보장한다. **3. 난수 생성기 통일** MATLAB은 MT19937 난수 생성기를 사용하지만, 파이썬 기본은 PCG64이다. 통계적 일관성을 위해 파이썬에서도 MT19937을 구현하고, 53비트 부동소수점 매핑을 동일하게 적용했다. 이를 통해 동일 시드 입력 시 두 구현 간 출력이 통계적으로 동일함을 검증하였다. **4. 통계적 검증** - *함수‑대‑함수 검증*: deterministic 함수는 절대·상대 오차 한계 내에서 일치, stochastic 함수는 10 000회 MC 시뮬레이션 후 K‑S 검정과 모멘트 분석을 수행해 평균·분산 차이가 1 % 이하임을 확인. - *엔드‑투‑엔드 검증*: 전체 시뮬레이션 파이프라인을 동일 입력으로 실행해 다중 경로 수, 지연, 전력, RMS 지연·각도 확산 등 통계량이 일치함을 입증. **5. 새로운 주파수 대역 지원** FR1(C) 6.75 GHz와 FR3 16.95 GHz 대역에 대한 광범위한 측정 캠페인을 수행하고, 이를 기반으로 통계 파라미터(경로손실 지수, 지연 확산, 각도 확산 등)를 추출했다. 기존 28‑142 GHz 모델과 동일한 TCSL 구조를 유지하면서, 새로운 대역에서도 물리적 일관성을 확보했다. **6. Ant3D 3D 안테나 포맷** Ant3D는 전방위(0‑360°)·수직(‑90°‑90°) 격자상의 이득 행렬 G(θ,φ)를 dBi 단위로 저장하는 표준 포맷이다. 각 안테나는 최대 이득 G_max과 정규화된 이득 행렬을 함께 보관해, 다주파수·다시설정 상황에서도 일관된 전력 스케일링을 제공한다. 파이썬 구현에서는 Ant3D 데이터를 객체화해, 시뮬레이션 중 도착·출발 각도에 대한 보간을 수행하고, 안테나 방향·편파 효과를 채널 임펄스 응답에 반영한다. 이를 통해 기존의 단순 ULA 모델을 넘어 실제 상용 안테나·빔포밍 배열을 정확히 시뮬레이션할 수 있다. **7. AI 워크플로와의 통합** 파이썬 기반 NYUSIM은 NumPy 배열을 PyTorch·TensorFlow 텐서로 원-라인 변환이 가능해, 생성된 채널 데이터셋을 바로 딥러닝 모델 학습에 투입한다. 또한 Ray·Dask·multiprocessing을 이용한 클러스터 병렬 실행이 가능해, 수백만 개의 채널 샘플을 비용 효율적으로 생성한다. 이렇게 생성된 데이터는 GAN·VAE·Diffusion 등 생성 모델의 학습뿐 아니라, DNN·Random Forest 등 판별 모델의 파라미터 예측에도 활용될 수 있다. **8. 결론 및 향후 과제** NYUSIM 파이썬 버전은 측정 기반 물리적 정확성을 유지하면서, AI‑native 채널 모델링을 위한 대규모 데이터 생성·관리·학습 파이프라인을 제공한다. 향후 작업으로는 추가 주파수·환경(예: 실내·실외 하이브리드, 이동성 시나리오) 측정 데이터 통합, 실시간 ns‑3 연동을 통한 클로즈드‑루프 시뮬레이션, 그리고 학습된 AI 모델을 NYUSIM 내부 모듈에 자동 삽입하는 메타‑학습 프레임워크 구축이 제시된다.