유동 안테나 네트워크를 위한 AI 기반 제어 패러다임

본 논문은 차세대 6G 통신에서 유동 안테나 시스템(FAS)이 제공하는 새로운 공간 자유도를 네트워크 제어 차원으로 확장하는 방법론을 제시한다. 기존 연구는 FAS를 주로 물리층에서 채널 이득, 공간 다양성, 간섭 완화 등으로 평가했으며, 안테나 위치 최적화를 독립적인 문제로 다루었다. 그러나 실제 대규모 다중 셀 환경에서는 안테나 위치가 사용자 스케줄링, 빔포밍, 전력 할당, 인터‑셀 간섭 조정 등과 복합적으로 얽혀 있기 때문에, 이를 하나의 제어 변수로 통합해야만 전체 시스템 효율을 극대화할 수 있다. 논문은 먼저 FAS의 기본 개념을 소개한다. 유동 안테나는 물리적으로 이동 가능한 방사 요소를 갖고 있어, 안테나 위치 \(p_b(t)\), 방향 \(\theta_b(t)\), 방사 패턴 \(P_b(t)\) 를 실시간으로 조정할 수 있다. 이러한 조정은 채널 모델에 직접 반영되어 \(h_{u,b}(t)=f(p_b(t),\theta_b(t),\text{loc}_u(t),\text{env})\) 와 같이 표현된다. 따라서 안테나 상태가 변하면 채널 특성뿐 아니라 인접 셀에 미치는 간섭도 동시에 변한다. 이러한 특성을 고려해 저자는 AI‑native 폐쇄‑루프 제어 아키텍처를 설계한다. 핵심 구성 요소는 다음과 같다. 1. **네트워크 상태 표현**: 사용자 위치·속도·트래픽 요구·채널 측정·현재 안테나 구성·인터‑셀 간섭 지표 등을 포함한 고차원 상태 벡터 \(s_t\). 안테나 상태가 상태 벡터에 포함됨으로써 정책이 직접 안테나와 RRM을 연계해 학습한다. 2. **지능형 의사결정 엔진**: 강화학습 기반 정책 \(\pi_{\theta}(s_t)\) 가 상태를 입력받아 공동 행동 \(a_t = (a^{\text{antenna}}_t, a^{\text{RRM}}_t)\) 를 출력한다. 여기서 \(a^{\text{antenna}}_t\) 는 안테나 위치·방향·패턴 선택, \(a^{\text{RRM}}_t\) 는 사용자 스케줄링·전력 할당·빔포밍 파라미터를 의미한다. 3. **멀티‑에이전트 강화학습(MARL)**: 각 기지국을 독립적인 학습 에이전트로 두고, 공유 무선 환경을 통해 암묵적인 협조를 이루게 한다. 중앙 집중식 조정 없이도 각 에이전트는 로컬 관측과 전역 보상(예: 전체 셀 평균 스루풋, 셀 가장자리 사용자 가중 스루풋, 인터‑셀 간섭 감소) 을 기반으로 정책을 업데이트한다. 이는 대규모 네트워크에 대한 확장성과 실시간 적응성을 보장한다. 4. **폐쇄‑루프 피드백**: 행동 적용 후 새로운 채널·간섭·사용자 경험이 관측되어 상태와 보상이 갱신된다. 이 피드백 루프는 정책이 환경 변화(사용자 이동, 트래픽 급증, 환경 변동)에 지속적으로 적응하도록 만든다. 논문은 위 아키텍처를 기반으로 7셀 시뮬레이션을 수행한다. 시뮬레이션 설정은 다음과 같다. 각 셀은 100m 반경 내에 20명의 사용자(이동성 모델: 랜덤 워크)를 배치하고, 트래픽 요구는 시간에 따라 변동한다. 채널은 다중 경로와 그림자 페이딩을 포함한 3GPP 5G NR 모델을 사용한다. 안테나는 2D 평면 내 10cm 간격으로 이동 가능한 20개의 후보 위치를 갖는다. 성능 지표는 (i) 전체 평균 스루풋, (ii) 5% 셀 가장자리 사용자 스루풋, (iii) 인터‑셀 간섭 레벨이다. 결과는 고정 안테나 대비 평균 스루풋이 12% 상승하고, 셀 가장자리 사용자 스루풋이 20% 이상 향상되었으며, 인터‑셀 간섭이 평균 8% 감소함을 보여준다. 특히, 안테나 위치를 동적으로 조정함으로써 빔포밍과 전력 할당이 보다 효율적인 조합을 이루어, 셀 가장자리 사용자에게 강한 신호를 제공하면서 동시에 주변 셀에 미치는 간섭을 최소화한다는 점이 강조된다. 마지막으로 구현상의 과제와 향후 연구 방향을 논의한다. 첫째, 실제 유동 안테나 하드웨어의 이동 속도·전력 소모·정밀도 제한이 제어 설계에 미치는 영향; 둘째, 실시간 상태 수집과 학습 안정성을 위한 경량화된 신경망 구조와 분산 학습 프로토콜; 셋째, 보안·프라이버시 관점에서 학습 데이터와 정책 전파에 대한 보호 메커니즘; 넷째, 전이 학습·메타‑러닝을 활용한 빠른 환경 적응; 다섯째, 3GPP와 같은 표준화 기구에 제안할 수 있는 인터페이스와 프로토콜 정의. 결론적으로, 유동 안테나는 단순히 물리층 장치가 아니라 네트워크 제어의 새로운 차원이며, AI‑driven MARL이 그 잠재력을 실현하는 핵심 기술임을 입증한다. 이 접근법은 6G 시대에 고밀도, 고이동성, 고다양성 사용자 환경에서 효율적인 스펙트럼 활용과 서비스 품질 향상을 가능하게 할 것으로 기대된다.