물리 기반 라인오브사이트 학습으로 구현한 대규모 결정론적 채널 모델링

본 연구는 도시 환경에서의 결정론적 채널 모델링을 실용적인 수준으로 확장하기 위해, 레이트레이싱(RT) 파이프라인의 핵심 병목인 라인오브사이트(LoS) 영역 판단을 근본적으로 재설계하였다. 기존 RT는 건물 기하정보를 바탕으로 회전 스윕 알고리즘을 사용해 모든 송신점에 대해 O(m log m)의 복잡도로 LoS를 계산한다. 여기서 m은 건물 꼭짓점 수이며, 대규모 지역에서는 이 연산이 실시간 적용을 방해한다. 저자들은 두 가지 관찰에 기반해 새로운 접근법을 제시한다. 첫째, 2‑D 평면에서 다각형 장애물의 LoS 경계는 조각선형이며, 각 경계 구간은 하나의 가시성 꼭짓점과 그 꼭짓점이 투사되는 더 먼 건물 가장자리 사이에서 정의된다. 둘째, 이러한 경계는 건물 기하정보만으로 결정되므로 주파수에 무관하게 동일하게 재사용할 수 있다. 이를 토대로 D²LoS(Deterministic‑to‑LoS)라는 물리‑인포메드 신경망을 설계하였다. 네트워크는 입력으로 건물 폴리곤의 정점 좌표와 송신점 위치를 받아, (1) 각 정점이 송신점으로부터 가시적인지 여부를 이진 분류하고, (2) 가시적인 정점에 대해 가장 먼 건물 면과의 교차점을 좌표 형태로 회귀한다. 이때 픽셀‑단위의 밀집 라벨 대신 정점 수준의 희소 라벨을 사용함으로써, 급격한 경계 변화를 학습하는 데 흔히 발생하는 스펙트럼 바이어스를 크게 완화한다. 예측 결과는 기하학적 후처리 단계에서 조각선형 LoS 다각형으로 재구성된다. 구체적으로, 가시성 정점들을 순서대로 연결하고, 각 정점에 대해 회귀된 투사점을 이용해 정확한 교차점을 계산한다. 이 과정은 물리적 제약(예: 경계는 건물 면에 평행, 경계는 연속적이어야 함)을 강제로 적용하므로, 최종 LoS 맵은 이론적으로 완전한 조각선형 형태를 갖는다. 주파수 독립성은 D²LoS의 또 다른 강점이다. LoS 영역 자체는 건물 형태와 위치에만 의존하므로, 한 번 계산된 가시성 정보를 다양한 주파수 대역에 그대로 적용할 수 있다. 저자들은 Uniform Theory of Diffraction(UTD) 모델을 이용해 재료 파라미터(전도도, 손실 등)만 교체함으로써, 동일한 레이 트레이싱 파이프라인을 재학습 없이 다중 밴드 채널 특성으로 확장하였다. 데이터 측면에서는 100개의 도시 시나리오를 포함한 RayVerse‑100 데이터셋을 구축하였다. 각 시나리오마다 레이 레벨에서 복소 이득, 입·출각(AoA/AoD), 전파 지연, 3‑D 반사점 좌표 등 완전한 기하 정보를 제공한다. 이는 기존 공개 데이터셋이 제공하던 평균 전력 지도나 주요 경로 요약과는 차원이 다른 수준이며, 다중 안테나·빔포밍 연구에 직접 활용 가능하도록 설계되었다. 실험에서는 D²LoS를 동일 입력·학습 조건 하에 세 가지 베이스라인과 비교하였다. No‑Geom은 기하학적 후처리 없이 순수 신경망 출력만 사용한 변형이며, RadioUNet은 픽셀‑단위 U‑Net 기반 LoS 예측, RMT‑transformer는 Vision‑Transformer 기반 라디오 맵 추정이다. 평가 지표는 RSS(수신 전력), APS(각도 전력 스펙트럼), PDP(전파 지연 프로파일) 등 3차원 채널 특성이다. RSS 측면에서 D²LoS는 평균 절대 오차(MAE) 3.28 dB와 피어슨 상관계수 0.954를 기록했다. No‑Geom은 MAE 12.65 dB, 상관계수 0.647으로 크게 악화되었으며, RadioUNet과 RMT‑transformer는 각각 32 dB, 40 dB 이상의 MAE와 0.13 이하의 상관계수를 보였다. APS에서는 D²LoS가 평균 각도 확산 오차 4.65°와 shape cosine 0.892를 달성했으며, No‑Geom은 11.80°와 0.667로 감소했다. PDP에서는 D²LoS가 평균 지연 확산 오차 20.64 ns와 K‑factor 오차 2.23 dB를 기록했으며, No‑Geom은 46.11 ns와 4.61 dB로 악화되었다. 이러한 결과는 기하학적 후처리 단계가 단순히 보정이 아니라 모델 성능에 결정적인 역할을 함을 명확히 보여준다. 속도 평가에서는 전통적인 회전 스윕 기반 RT 파이프라인과 비교해 D²LoS의 LoS 전처리 시간이 평균 25배 이상 단축되었다. 모든 실험은 NVIDIA RTX 6000 GPU에서 수행되었으며, 전처리 시간 감소는 대규모 네트워크 시뮬레이션에서 실시간 채널 매핑을 가능하게 하는 핵심 요인이다. 추가 실험으로는 다양한 빔폭(15°, 30°, 45°, 60°)의 안테나 패턴을 사후 적용한 결과가 제시되었다. D²LoS는 사후 빔 패턴 적용 시에도 정확한 그림자와 빔 경계 재현을 유지했으며, No‑Geom은 경계 흐림으로 인해 빔 에너지 분포가 부정확하게 나타났다. 이는 레이 레벨 출력이 안테나 패턴 독립적인 후처리를 가능하게 함을 의미한다. 결론적으로, D²LoS는 물리적 제약을 신경망 구조에 자연스럽게 통합함으로써, 고해상도 라디오 맵을 효율적으로 생성하고, 다중 밴드·다중 안테나 시나리오에 손쉽게 확장할 수 있는 프레임워크를 제공한다. 이는 차세대 6G·7G 시스템에서 대규모 환경 인식, 디지털 트윈, 빔 관리 등에 필수적인 정확하고 빠른 채널 모델링을 실현하는 중요한 진전이다.