NYUSIM 파이썬 버전: AI‑기반 6G 채널 모델링을 위한 차세대 시뮬레이터 로드맵

📝 Abstract

Integrating artificial intelligence (AI) into wireless channel modeling requires large, accurate, and physically consistent datasets derived from real measurements. Such datasets are essential for training and validating models that learn spatio-temporal channel behavior across frequencies and environments. NYUSIM, introduced by NYU WIRELESS in 2016, generates realistic spatio-temporal channel data using extensive outdoor and indoor measurements between 28 and 142 GHz. To improve scalability and support 6G research, we migrated the complete NYUSIM framework from MATLAB to Python, and are incorporating new statistical model generation capabilities from extensive field measurements in the new 6G upper mid-band spectrum at 6.75 GHz (FR1(C)) and 16.95 GHz (FR3) [1]. The NYUSIM Python also incorporates a 3D antenna data format, referred to as Ant3D, which is a standardized, full-sphere format for defining canonical, commercial, or measured antenna patterns for any statistical or site-specific ray tracing modeling tool. Migration from MATLAB to Python was rigorously validated through Kolmogorov-Smirnov (K-S) tests, moment analysis, and end-to-end testing with unified randomness control, confirming statistical consistency and reproduction of spatio-temporal channel statistics, including spatial consistency with the open-source MATLAB NYUSIM v4.0 implementation. The NYUSIM Python version is designed to integrate with modern AI workflows and enable large-scale parallel data generation, establishing a robust, verified, and extensible foundation for future AI-enabled channel modeling.

💡 Analysis

**

1. 연구 배경 및 필요성

• 측정 기반 통계 모델의 중요성 : 6G·ISAC 등 차세대 서비스는 고주파(>6 GHz), 넓은 대역폭, 복잡한 안테나 방사패턴을 요구한다. 기존의 경험적 모델은 이러한 복합성을 충분히 포착하지 못한다.
• AI‑기반 채널 모델링의 전제 : 딥러닝·생성 모델이 실제 환경을 학습하려면, 물리적으로 검증된 대규모 데이터셋이 필수이다. NYUSIM은 10년 이상 누적된 실측 데이터를 바탕으로 “골드 스탠다드” 역할을 해 왔다.

2. 주요 기여

3. Ant3D 포맷 상세

• 구조: `gain

📄 Content

신뢰할 수 있는 채널 모델은 무선 통신 시스템의 설계, 시험 및 표준화의 기반을 형성합니다. 지난 10년 동안, 모바일 네트워크가 더 높은 주파수, 더 넓은 대역폭, 그리고 안테나 복사 패턴의 공간 복잡성이 증가함에 따라 정확하고 측정 기반의 채널 모델링에 대한 요구가 크게 늘어났습니다. NYU WIRELESS가 2016년에 소개한 NYUSIM 채널 시뮬레이터[2]‑[4]는 밀리미터파(mmWave), 서브 테라헤르츠(sub‑THz), 그리고 현재는 상위 중대역(FR3) 전파 환경을 연구하기 위한 전 세계적인 기준 플랫폼이 되었습니다. 28 GHz에서 142 GHz에 이르는 실외·실내 측정 캠페인을 10년 이상 수행한 결과를 바탕으로, NYUSIM은 시간 클러스터‑공간 로브(TCSL) 프레임워크[5],[6]를 이용한 통계적 공간 채널 모델(SSCM)을 구현합니다. NYUSIM은 다중 경로 전파의 물리적 거동을 포착하여 실제 측정에서 관찰되는 대규모 경로 손실(PL), 다중 경로 지연, 각도 확산, 그리고 시공간 전력 분포를 재현합니다. 공개 이후 NYUSIM은 가장 널리 사용되는 오픈소스 전파 도구 중 하나가 되었으며, 2024년 현재 10만 회 이상 다운로드되고 3,300여 편 이상의 논문에서 인용되었으며, ns‑3[7],[8]와 같은 네트워크‑레벨 시뮬레이터에도 통합되었습니다.

NYUSIM의 진화는 여기서 제시된 4.0 버전을 넘어 세 가지 주요 발전을 포함합니다. (1) FR3 주파수 대역으로의 확장, (2) 현실적인 3차원(3D) 안테나 패턴 모델링 포함, (3) MATLAB 코드베이스를 완전하게 모듈화된 오픈 파이썬 프레임워크로 전환하여 기능 컴포넌트를 명확히 분리한 것입니다. FR3 대역(7‑24 GHz)은 전 세계 6G 배치를 지원할 것으로 기대되는 “상위 중대역”을 의미합니다[1]. ITU, NTIA, FCC, WRC‑23의 최근 조치는 7.125‑8.4 GHz, 14.8‑15.35 GHz와 같은 특정 FR3 서브밴드를 향후 모바일 할당 후보로 강조하고 있습니다[1]. 6G와 통합 감지·통신(ISAC) 응용 분야의 등장으로 정확한 측정 기반 FR3 채널 모델에 대한 필요성이 더욱 커지고 있습니다[9]. 기존 상위 중대역 연구[10],[11]는 실내 LOS·NLOS 경로 손실 지수와 지연 확산을 제한된 주파수(예: 6‑14 GHz)에서 보고했지만, 대역폭·환경·각도 커버리지가 부족했습니다. 반면 NYU WIRELESS는 6.75 GHz(FR1(C))와 16.95 GHz(FR3)를 동시에 이용한 세계 최초의 포괄적 측정 캠페인을 수행했습니다[1],[12]‑[14].

FR1(C)와 FR3에서 정확한 통계 채널 모델링을 위해서는 현실적인 내장 안테나 패턴이 필수적입니다[15],[16]. 이를 위해 우리는 Ant3D라는 3D 안테나 데이터 포맷을 개발했습니다. Ant3D는 정규화된 구면 전체(전구면) 형식으로, 정규 안테나, 상용 안테나, 혹은 측정된 안테나 패턴을 어떠한 통계·현장‑특정(예: 레이 트레이싱) 모델링 툴에서도 정의할 수 있도록 표준화했습니다. 각 안테나 패턴은 방위(azimuth)와 고도(elevation) 각도에 대한 이득 행렬로 표현되며, 필요에 따라 주파수 성분을 포함할 수 있어 방향성 및 편파 효과를 시뮬레이션된 공간 채널 임펄스 응답에 반영할 수 있습니다. Ant3D는 NYUSIM을 전통적인 균일 선형 배열(ULA)에서 벗어나 현실적인 배열 기하와 사이드로브 구조를 구현하도록 확장합니다[17]‑[19]. NYUSIM 4.0은 MATLAB에서 파이썬으로 포팅되어, 금본위 측정 데이터에 기반한 신뢰성 높고 투명한 AI‑네이티브 채널 시뮬레이터를 제공하며, 새로운 전파 데이터가 추가될 때마다 학습이 가능합니다. 파이썬 기반 NYUSIM Confidential은 모듈식·확장 가능한 소프트웨어 아키텍처를 제공해, 생성형·판별형 AI 워크플로우를 지원하고, 실제 채널의 시공간 샘플 함수를 충실히 재현하면서 향후 측정 데이터를 손쉽게 통합·학습할 수 있게 합니다[20]‑[22].

최근 생성형·판별형 AI의 급격한 발전은 순수 통계 채널 모델링에서 데이터‑구동 무선 채널 합성으로 패러다임을 전환시키고 있습니다. AI‑구동 모델링은 측정 데이터셋을 활용해 환경 변수(주파수, 시나리오, 기하)와 채널 특성(경로 손실, 지연 확산, 각도 확산, 클러스터 동역학) 사이의 복잡하고 비선형적인 매핑을 학습합니다[23],[24]. 확산 모델, 변분 오토인코더(VAE), 생성적 적대 신경망(GAN)과 같은 생성형 AI 모델은 채널 파라미터들의 결합 확률 분포를 학습할 수 있습니다[23]. 이러한 모델을 이용하면 측정 기반 통계 분포에서 샘플링함으로써, 실제 채널이 보이는 시공간 특성을 포착한 미지의 전파 환경을 현실감 있게 합성할 수 있습니다. 판별형 모델(예: 심층 신경망, 랜덤 포레스트)은 주파수, 안테나 기하, 이동성 등 입력 조건으로부터 대규모·소규모 파라미터 혹은 빔포밍 통계를 예측할 수 있습니다[24]. 이러한 접근법은 6G 디지털 트윈, 지도‑인식 시뮬레이션, AI‑네이티브 PHY/MAC 공동 설계 등에 점점 더 활용되고 있으며, 선형·포물선 보간과 같은 전통적 분석 방법이 주파수 의존 비선형성 및 공간 상관을 포착하지 못하는 한계를 극복합니다[25].

전통적인 채널 시뮬레이터, 특히 폐쇄형·상용 제품은 AI 모델과의 통합이 어려운 세 가지 이유가 있습니다.

• 데이터 접근 제한: 측정 데이터셋과 파라미터 생성 로직이 컴파일된 코드에 내장돼 있어, AI 학습에 필요한 대규모 데이터 추출이 어렵습니다.
• 확장성 부족: 기존 시뮬레이터는 병렬 생성이나 클라우드 실행을 염두에 두고 설계되지 않아, 수백만 개의 라벨·비라벨 샘플을 생산하기 어렵습니다.
• 상호 운용성 부족: 폐쇄형 시스템은 PyTorch·TensorFlow와 같은 AI 프레임워크와 원활히 연동되지 않아, 학습된 모델을 채널‑시뮬레이션 워크플로우에 직접 삽입하기 어렵습니다.

이러한 제약은 자체 진화형 모델링을 저해합니다. 정확한 AI‑구동 채널 시뮬레이터는 주파수·시공간 차원을 아우르는 방대한 데이터셋을 필요로 하기 때문입니다.

파이썬 구현 NYUSIM은 현대 AI·시스템 워크플로우와 자연스럽게 맞물리며, MATLAB에서는 구현하기 어려운 기능을 손쉽게 제공합니다. 파이썬은 메인스트림 머신러닝 생태계와 직접 연결되고, NumPy 배열을 한 줄로 PyTorch/JAX/TensorFlow 텐서로 변환할 수 있습니다. 따라서 생성형 모델(확산, GAN, VAE)과 판별형 모델(경로 손실, 확산, 차단, 빔) 학습 시 중간 변환이나 맞춤 래퍼가 필요 없습니다. 파이썬 툴체인은 멀티프로세싱, Ray, Dask와 같은 클러스터 프레임워크를 통해 대규모 자동 데이터 생성·스트리밍을 지원하므로, 수백만 개 채널 실현에 대한 지도·자기지도 학습이 실용적입니다. 또한 파이썬 API를 통해 NYUSIM은 ns‑3와 통합돼, 학습 에이전트가 PHY/MAC 상태를 관찰하고 동일 프로세스 내에서 행동하는 폐쇄‑루프 실험을 가능하게 합니다[26].

NYUSIM 파이썬이 AI 워크플로우를 지원하는 방식

1. 측정‑기반 학습 파이프라인 – 새로운 주파수·환경에서 현장 측정을 수행하고, 데이터를 바로 NYUSIM 파이썬 프레임워크에 임포트합니다.
2. AI 모델 학습 – 모델이 측정 데이터를 학습해 거리‑에 따른 신호 감쇠, 다중 경로 클러스터 도착 시간, 각도에 따른 에너지 분포 등 통계적 패턴을 자동으로 추출합니다. 전통적인 곡선 피팅으로는 포착하기 어려운 전파 현상도 학습됩니다.
3. 시뮬레이터 통합 – 학습된 모델을 NYUSIM 파이썬의 모듈식 인터페이스에 삽입해, 해당 시뮬레이션 모듈을 업데이트합니다.

MATLAB에서 파이썬으로의 마이그레이션은 접근성·확장성·재현성을 크게 향상시킵니다. 파이썬은 AI·ML 프레임워크와의 통합을 자연스럽게 지원해 데이터‑구동 채널 모델링을 가능하게 합니다. 초기 네 개의 MATLAB 버전은 SSCM의 토대를 마련했으며, mmWave·sub‑THz 채널 연구에 오랫동안 활용되었습니다[5],[6],[20]. 그러나 새로운 주파수 대역이나 채널 조건을 추가하려면 오픈소스 코드를 수동으로 수정해야 했고, 대규모 파라미터 스윕이나 병렬 실행은 MATLAB의 독점 실행 모델에 의해 제한되었습니다. ns‑3와 같은 외부 네트워크 시뮬레이터와의 연동도 맞춤 인터페이스와 변환 레이어가 필요했습니다[7],[8]. 새로운 파이썬 프레임워크는 MATLAB 버전의 모든 물리 방정식·통계 동작·입출력 구조를 그대로 유지하면서, 모델 확장·병렬 실행·AI 통합을 간소화하는 모듈식 아키텍처를 도입했습니다[2],[27].

결정론적·확률론적 클래스 구조

MATLAB 버전과의 일관성을 보장하기 위해 NYUSIM 파이썬의 채널 생성 함수를 결정론적 클래스와 확률론적 클래스로 재구성했습니다. 이는 무선 전파 모델링에서 표준적인 구분이며[16],[21],[22] 다음과 같은 역할을 합니다.

• 결정론적 클래스(예: 평균 자유공간 경로 손실, 대기 감쇠, 주파수 스케일링) – 물리적 고정값을 인코딩하고, MATLAB·파이썬 간 함수 출력 비교를 통해 검증합니다.
• 확률론적 클래스(예: 섀도우 페이딩, 전력 지연 프로파일, 각도 확산) – 무작위성을 포착하며, 시드‑제어된 Monte Carlo(MC) 시뮬레이션을 통해 분포와 모멘트를 비교 검증합니다[7],[17],[18],[20],[28].

클래스 분리를 통해 각 물리 프로세스를 독립적으로 테스트·확장할 수 있으며, 환경·주파수 전반에 걸친 내부 일관성을 유지합니다.

코드 변환 과정

• 함수 매핑: 각 MATLAB 함수는 동일한 입력‑출력 구조와 파라미터 정의를 유지하는 파이썬 함수로 변환되었습니다.
• 상수·단위·시드: 물리적 정확도와 재현성을 위해 모든 상수·단위·난수 시드가 그대로 보존되었습니다[6].
• 행렬·벡터 연산: MATLAB의 벡터화 연산은 NumPy·SciPy 대응 함수로 매핑해 계산 효율성을 유지하면서

이 글은 AI가 자동 번역 및 요약한 내용입니다.