디지털 트윈 기반 DFT 채널 보정으로 CSI 효율 향상

본 논문은 무선 통신 시스템에서 대규모 MIMO 및 mmWave 환경에서 필수적인 채널 상태 정보(CSI) 획득 비용을 낮추기 위해, 디지털 트윈(digital twin) 기반의 합성 채널 정보를 활용하는 새로운 프레임워크를 제안한다. 전통적으로 고신뢰도 디지털 트윈을 구축하려면 정밀한 3‑D 전자기(EM) 모델링, 복잡한 레이 트레이싱, 그리고 하드웨어 특성까지 모두 상세히 모델링해야 하며, 이는 연산량이 방대해 실시간 적용이 어렵다. 저자는 이러한 문제를 “디지털 트윈 자체를 고도화”하는 대신, 저복잡도 디지털 트윈이 생성한 DFT‑도메인 채널 가중치(ẑ)와 사용자 위치(p)를 입력으로 하는 경량 딥러닝 보정 모델을 도입한다. 시스템 모델은 N개의 안테나를 가진 BS와 K개의 단일 안테나 사용자로 구성된다. 채널은 다중 경로 모델 h_k = Σ_{l=1}^{L_k} α_{k,l} a(ϕ_{k,l},θ_{k,l}) 로 표현되며, DFT 행렬 D를 적용해 DFT 가중치 z_k = |D^H h_k| 로 변환한다. 저복잡도 디지털 트윈은 간소화된 EM 모델과 저해상도 레이 트레이싱을 사용해 e_h_k 를 생성하고, 이에 대한 DFT 가중치 e_z_k 를 얻는다. 보정 목표는 매핑 함수 f(p_k, e_z_k; Θ)를 학습시켜, 보정된 가중치 b_z_k = f(p_k, e_z_k; Θ) 가 실제 고신뢰도 DFT 가중치 z*_k 와 최소 L2 차이를 갖도록 하는 것이다. 최적화 문제는 식 (5)와 같이 정의되며, 손실은 MSE 형태이다. 학습 데이터는 두 가지 경로로 확보한다. 첫 번째는 고신뢰도 디지털 트윈(고복잡도 레이 트레이싱)으로부터 얻은 전체 DFT 가중치를 라벨로 사용한다. 두 번째는 실제 운영망에서 수집된 3GPP Type‑II 코드북 피드백(상위 P개의 빔 인덱스와 계수)으로, 라벨이 제한된 형태이지만 현실 채널과의 차이를 보정하는 데 충분히 활용 가능하다. 모델 아키텍처는 1‑D U‑Net을 기반으로 한다. 사용자 위치 p_k 는 MLP를 통해 고정 차원의 임베딩 e_k 로 변환되고, 이 임베딩은 e_z_k 와 함께 입력된다. 인코더는 연속적인 Conv‑BN‑ReLU 블록과 MaxPool을 통해 차원을 축소하고, 디코더는 ConvTranspose 를 이용해 원래 차원으로 복원한다. 각 디코더 단계마다 대응되는 인코더 출력과 스킵 연결을 수행해 저레벨 특성을 보존한다. 최종 출력은 Softmax 레이어를 거쳐 정규화된 보정된 DFT 가중치 b_z_k 를 제공한다. 제안된 보정 모델을 코드북 기반 CSI 피드백에 적용한다. 보정된 DFT 가중치를 기반으로 가장 큰 절대값을 갖는 빔 인덱스들을 선택하고, 해당 빔에 대해 파일럿 신호만 전송한다. 사용자는 선택된 빔에 대한 계수만 추정해 BS에 보고하므로 파일럿 오버헤드가 크게 감소한다. 시뮬레이션에서는 저복잡도 트윈만 사용했을 때와 보정 후의 성능을 비교했으며, 보정 후에는 DFT 가중치 RMSE가 70 % 이상 감소하고, CSI 피드백 정확도가 고신뢰도 트윈 수준에 근접함을 확인했다. 또한 파일럿 전송량은 기존 방식 대비 30 %~40 % 절감되었다. 연산 복잡도 측면에서 저복잡도 트윈의 레이 트레이싱 시간은 고복잡도 트윈 대비 약 10배 빠르며, 보정 모델의 추론 시간은 배치당 수 밀리초 수준으로 실시간 적용이 가능하다. 따라서 제안된 프레임워크는 고정밀 채널 정보를 요구하는 대규모 MIMO, mmWave 빔 관리, 그리고 차세대 6G 시나리오에서 디지털 트윈을 실시간 보조 도구로 활용할 수 있는 실용적인 길을 제시한다. 향후 연구 과제로는 다중 셀·다중 사용자 상호작용, 비정규 안테나 배열, 그리고 하드웨어 비선형 왜곡을 포함한 복합 모델링을 통한 보정 성능 확장, 그리고 온라인 지속 학습을 통한 환경 변화 적응 등이 있다.