다중패널 안테나 이질성에 강인한 AI 기반 빔 선택 방법

본 논문은 6G·Beyond 통신에서 다중패널 안테나가 제공하는 높은 빔 정밀도와 이득을 활용하면서도, 안테나 하드웨어의 이질성(패널 수, 크기, 방향, 코드북, 요소 패턴, 편파 각도 등)으로 인해 발생하는 AI/ML 기반 빔 선택 모델의 일반화 문제를 해결하고자 한다. 저자들은 먼저 전파 특성을 안테나 구성과 완전히 독립적인 변수 집합으로 정의한다. 이를 위해 전파 경로를 각도(AoA, AoD)와 경로 행렬(경로 이득·채널 편파 디포러리제이션을 포함)으로 표현하고, RSRP(Reference Signal Received Power) 식에 안테나의 기하·편파·방향 파라미터를 별도 계수로 삽입한다. 이렇게 하면 동일한 전파 환경에서 안테나 구성이 바뀌어도 전파 특성 자체는 변하지 않으며, RSRP를 재계산함으로써 새로운 빔·패널 조합을 즉시 평가할 수 있다. 다음으로 저자들은 실제 측정된 빔포밍 RSRP와 알려진 UE 위치·안테나 파라미터를 이용해 전파 특성을 역추정하는 최적화 프레임워크를 제시한다. 이 프레임워크는 두 단계 교대 최적화로 구성된다. 첫 단계에서는 gradient‑free 방법(예: 입자 군집 최적화)으로 AoA와 AoD를 탐색하고, 두 번째 단계에서는 반정정 프로그래밍(SDP)을 통해 경로 행렬을 추정한다. 이 과정은 다중 경로가 존재하고, 각 경로가 서로 다른 편파 특성을 가질 때도 수렴성을 보인다. 전파 특성을 위치와 연결시키기 위해 저자들은 3단계 자동회귀(AR) 신경망을 설계한다. 1단계는 CNN 기반 특성 추출기로 UE의 3D 좌표를 고차원 특징 맵으로 변환한다. 2단계는 AR 레이어를 사용해 경로 순서를 고려한 AoA·AoD 시퀀스를 예측한다. 여기서 경로 순열 불변성을 보장하기 위해 ‘카운트 기반 분해’를 도입, 즉 경로 수가 가변적이더라도 동일한 경로 집합을 동일하게 매핑한다. 3단계는 완전 연결층으로 경로 행렬을 복원한다. 학습 데이터는 교대 최적화 단계에서 얻은 전파 특성과 해당 UE 위치 쌍으로 구성된다. 학습된 모델은 ‘Static Pred’ 모듈에 탑재되어, 임의의 안테나 구성(패널 수·크기·방향·편파·코드북 등)에 대해 추정된 전파 특성을 입력으로 RSRP를 계산하고, 가장 높은 RSRP를 제공하는 빔·패널 조합을 선택한다. 따라서 새로운 기기나 안테나 설계가 추가되더라도 모델을 재학습할 필요가 없으며, 실시간 빔 선택에 필요한 연산량도 기존 전수 탐색 대비 크게 감소한다. 시뮬레이션은 차량용 시나리오에서 레이트레이스 기반 채널을 사용해 다양한 이질성 수준을 적용하였다. 실험 설정은 (1) 동일한 안테나 구성, (2) 패널 크기·방향·편파가 변하는 경우, (3) 코드북 크기가 달라지는 경우 등으로 구분된다. 결과는 제안 방법이 제니(완전 정보) 기반 최적 빔 선택에 1~2% 수준의 스펙트럼 효율 차이만을 보이며, 기존 위치 기반 AI/ML 방법보다 10~15% 높은 효율을 달성함을 보여준다. 특히 안테나 이질성을 무시한 기존 모델은 성능이 급격히 저하되는 반면, 제안 방법은 일관된 성능을 유지한다. 논문의 주요 기여는 다음과 같다. 1. 전파와 안테나를 수학적으로 완전 분리한 RSRP 모델을 도출, 이로써 안테나 이질성에 무관한 전파 특성 추정이 가능해졌다. 2. 경로 정보를 효율적으로 추정하는 두 단계 교대 최적화(gradient‑free AoA·AoD 탐색 + SDP 기반 경로 행렬 최적화)를 제시하였다. 3. 위치→전파 특성 매핑을 위한 자동회귀 기반 3단계 딥러닝 아키텍처를 설계, 경로 순열 불변성을 보장하는 카운트 기반 분해 기법을 도입하였다. 4. 다양한 이질성 환경에서도 제니에 근접한 빔 선택 성능을 실험적으로 입증하였다. 향후 연구 과제로는 (i) 동적 블로킹·반사와 같은 실시간 환경 변화를 모델에 반영하는 온라인 업데이트 메커니즘, (ii) 다중 사용자 간 상호작용을 고려한 협업 빔 선택, (iii) 경량화된 하드웨어 구현 및 실제 프로토타입 테스트가 있다. 이러한 확장은 제안 방법을 실제 6G 상용 시스템에 적용하는 데 필수적인 단계가 될 것이다.