다중접속채널 용량의 새로운 정량적 접근: 초등 MAC와 마스터 집합

본 논문은 N‑user 이산 메모리리스 다중접속채널(MAC)의 용량을 정확히 규정하고, 이를 계산하기 위한 새로운 이론적 틀을 제시한다. 먼저, MAC를 입력 알파벳 A₁,…,A_N(각각 크기 n_k)와 출력 알파벳 B(크기 m), 그리고 전이 행렬 P로 정의한다. 각 사용자의 입력 확률 분포 p_k는 (n_k‑1) 차원의 단순체 X_k에 속하며, 전체 입력 벡터 p는 p₁×…×p_N 로 표현된다. 이때 X = X₁×…×X_N는 전체 입력 도메인이지만, N>1이면 비볼록성을 띠어 기존의 볼록 최적화 기법을 바로 적용하기 어렵다. 상호 정보 I(p)는 전형적인 정보이론식으로 정의되고, 채널 용량 C는 I(p)의 최대값으로 정의된다. 기존 연구에서는 쿠흔-터커(KKT) 조건이 필요조건임은 알려졌지만, 일반 MAC에 대해 충분조건임은 증명되지 않았다. 이를 해결하기 위해 저자들은 ‘초등 MAC’를 도입한다. 초등 MAC는 모든 입력 알파벳 크기 n_k가 출력 알파벳 크기 m 이하인 경우를 의미한다. 이 경우 각 입력 단순체 X_k의 차원이 m‑1 이하가 되므로, 입력 도메인의 각 면(face) F_k를 선택해도 차원이 m‑1을 초과하지 않는다. 초등 MAC의 정의를 바탕으로, 논문은 ‘마스터(초등) 집합’ Ω_N을 정의한다. Ω_N는 원 MAC의 입력 도메인 X에서 가능한 모든 면들의 곱 F = F₁×…×F_N 중, 각 F_k가 차원 ≤ m‑1인 경우만을 모은 유한 집합이다. 원 MAC가 이미 초등 MAC이면 Ω_N는 단일 원소만을 가진다. 정리 1은 “C = max_{F∈Φ(m)ⁿ} C(F)”를 증명한다. 여기서 Φ(m)ⁿ은 초등 MAC에 해당하는 면들의 집합이다. 증명은 최적 입력 분포 \bar p가 존재한다는 가정에서 시작한다. \bar p가 속한 최소 면 \bar F_k를 찾고, 필요시 차원을 m‑1 이하로 줄이는 면 ˜F_k⊂\bar F_k를 선택한다. 이때 입력 분포를 \tilde p로 바꾸어도 출력 분포 q는 변하지 않으며, 따라서 I(\tilde p)=I(\bar p)=C가 된다. 즉, 최적 입력은 언제나 어떤 초등 MAC의 면에 포함될 수 있음을 보인다. 정리 2에서는 초등 MAC에 대해 KKT 조건이 필요충분조건임을 보인다. 초등 MAC는 각 X_k가 볼록하고, I(p)가 각 X_k에 대해 concave이므로 라그랑주 승수법을 적용해 KKT 조건을 도출한다. 논문은 두 가지 핵심 성질을 증명한다. 첫째, KKT 조건을 만족하는 모든 해는 해당 초등 MAC의 전체 입력 도메인에서 지역 최대값을 제공한다. 둘째, 이러한 지역 최대값들의 집합은 연결(connected)되어 있어, 서로 다른 KKT 해가 존재하면 그 값은 동일하고 전역 최대값, 즉 채널 용량에 도달한다. 이를 위해 초등 MAC의 입력 도메인이 각 X_k에 대해 볼록하고, I(p)가 각 X_k에 대해 concave함을 이용해 라그랑주 승수법을 적용한다. 또한 논문은 비초등 MAC가 갖는 ‘퇴화 속성(degenerate property)’을 설명한다. 입력 알파벳 크기가 출력보다 큰 경우, 동일한 출력 분포 q를 만들기 위해 입력 확률을 더 작은 차원의 면으로 압축할 수 있다. 이는 초등 MAC가 갖지 않는 특성으로, 초등 MAC가 용량 최적화를 위한 충분히 작은 구조임을 강조한다. 특수 사례로 2‑user 이진 출력 MAC를 분석하여, KKT 조건이 실제로 용량을 정확히 결정함을 보이고, 기존의 수치적 용량 계산 방법과 비교해 이론적 접근이 제공하는 직관적·수학적 장점을 부각한다. 또한, 논문은 기존 연구에서 다루어지던 ‘채널 매트릭스와 입력 도메인의 비선형 매핑’을 명시적으로 표현함으로써, 다변량 최적화 문제를 보다 구조화된 형태로 전환한다. 결과적으로, 본 연구는 일반 N‑user MAC의 용량 문제를 ‘유한 개의 초등 MAC들의 용량 중 최대값’이라는 간단하고 명확한 형태로 정리한다. 이는 복잡한 다변량 최적화 문제를 보다 다루기 쉬운 구조로 변환함으로써, 이론적 분석뿐 아니라 실용적인 용량 계산에도 새로운 길을 제시한다. 또한 KKT 조건이 초등 MAC에 대해 필요충분조건임을 증명함으로써, 기존에 불완전하다고 여겨졌던 최적화 조건에 대한 이해를 완전하게 만든다.