아날로그 JSCC를 위한 샤논‑코텔니코프 매핑 이론

본 논문은 저지연·저복잡도 통신 시스템에서 소스와 채널을 직접 연결하는 연속 혹은 조각연속 매핑, 즉 샤논‑코텔니코프(S‑K) 매핑을 체계적으로 분석하고 설계 지침을 제시한다. 기존 연구에서는 아날로그 매핑, 하이브리드 디지털‑아날로그(HD‑A) 스킴, 그리고 최근 머신러닝 기반 최적화가 각각 좋은 성능을 보였지만, 이를 일반화하거나 최적성을 보장하는 이론은 부족했다. 저자는 이러한 공백을 메우기 위해 미분기하학을 기반으로 한 새로운 프레임워크를 도입한다. 먼저 문제 설정을 명확히 한다. 소스 벡터 \(x\in\mathbb{R}^M\) 는 연속형 단일모드 확률밀도함수 \(f_x\) 를 갖고, 메모리리스 가우시안 채널에 전송된다. 전송 전에는 매핑 \(S\) 를 통해 \(x\)를 \(z=S(x)\in\mathbb{R}^N\) 으로 변환하고, 수신 측에서는 동일 매핑의 역함수 혹은 ML 추정으로 \(\hat{x}\)를 복원한다. 성능 평가는 평균 제곱오차 \(D\) 이며, 정보이론적 최적값인 OPT A와의 차이를 통해 매핑 효율을 평가한다. 차원비 \(r=N/M\) 에 따라 세 가지 경우를 구분한다. (1) \(M=N\) — 동일 차원에서는 선형 매핑이 최적이며, 이는 기존 ‘uncoded transmission’과 동일하다. (2) \(MN\) — 차원 축소에서는 매핑이 \(N\) 차원 매니폴드로 \(M\) 차원 소스를 압축한다. 이때 압축 손실을 최소화하려면 매니폴드의 접선 공간이 소스 분포의 고밀도 영역에 정렬되도록 설계한다. 고SNR 가정 하에, 최적 매핑은 매니폴드가 가능한 한 ‘평평’하게 유지되면서 채널 차원의 자유도를 활용해 소스 샘플을 넓게 퍼뜨리는 형태가 된다. 이를 수식적으로는 매니폴드의 평균 곡률을 최소화하고, 스케일링 파라미터 \(α\) 를 잡음 분산 \(σ_n^2\) 에 맞추어 조정하는 문제로 변환된다. 논문은 이러한 조건을 만족하는 매핑이 OPT A에 근접함을 증명한다. 특히, 차원비 \(r\) 가 클수록(채널 차원이 소스 차원보다 클 때) 잡음 억제 효과가 커져 SDR이 \(1+P/σ_n^2\) 에 \(r\) 배만큼 향상된다. 설계 지침은 다음과 같다. 첫째, 매니폴드 파라미터화 시 곡률이 최소가 되는 좌표계(예: 주곡률 방향을 좌표축으로 선택)를 사용한다. 둘째, 고SNR에서 잡음 증폭을 억제하기 위해 매니폴드의 스케일 \(α\) 를 \(α=\sqrt{P/σ_n^2}\) 와 같은 형태로 설정한다. 셋째, 차원 확장 시에는 채널 차원의 일부를 ‘여유’ 차원으로 남겨 두어, 매니폴드가 잡음에 의해 변형될 때 복원 오류가 최소화되도록 설계한다. 넷째, 차원 축소 시에는 압축 손실을 최소화하기 위해 매니폴드의 접선이 소스 분포의 주성분 방향과 일치하도록 설계한다. 이론적 프레임워크를 실제 매핑에 적용한 예시로, 2차원 표면(원통, 토러스, 나선형 등)을 이용한 매핑을 제시한다. 각 표면은 곡률이 일정하거나 변동이 적어 고SNR에서 잡음에 대한 민감도가 낮다. 시뮬레이션 결과는 해당 매핑이 차원비 \(r=2\) 일 때 OPT A에 0.5 dB 이내로 근접함을 보여준다. 또한, 머신러닝 기반 최적화가 찾아낸 복잡한 비선형 매핑과 비교했을 때, 제시된 기하학적 설계가 비슷한 성능을 더 간단한 구조와 명확한 해석적 근거로 달성함을 확인한다. 결론적으로, 본 논문은 S‑K 매핑을 미분기하학적으로 모델링함으로써 왜곡을 정량화하고, 고SNR·저지연 환경에서 최적에 근접하는 매핑 설계 원칙을 제공한다. 이는 기존의 경험적 설계나 블랙박스 머신러닝 접근법을 보완하며, 차원 불일치 상황에서도 이론적 최적성을 추구할 수 있는 기반을 마련한다. 향후 연구에서는 메모리와 피드백을 포함한 일반화, 저SNR 영역에서의 MMSE 분석, 그리고 다중 사용자·네트워크 환경으로의 확장을 기대한다.