물리층 네트워크 코딩의 유한 및 무한 필드 적용

본 논문은 물리층 네트워크 코딩(PNC)의 개념을 명확히 정의하고, 이를 두 가지 수학적 구조인 유한 필드와 무한 필드에 따라 각각 PNCF와 PNCI로 구분한다. PNC는 전통적인 네트워크 코딩과 달리 릴레이가 두 송신 노드의 신호를 동시에 수신한 뒤, 개별 복호화 없이 직접 결합된 네트워크 코드를 생성한다는 점에서 차별화된다. 이러한 정의를 바탕으로, 논문은 PNCF와 PNCI 각각에 대해 두 가지 추정 기법을 적용한 총 네 가지 스킴을 제시한다. PNCF(유한 필드 기반)에서는 (1) MAP 기반 추정과 (2) MMSE 기반 추정을 사용한다. MAP 기반은 수신 신호 y₃에 대해 사후 확률을 최대화하는 이산 XOR 값을 선택하는 방식으로, 전력·위상 동기화가 없는 경우에도 적용 가능하도록 일반화하였다. MMSE 기반은 연속적인 추정값을 산출하고, 전력 제약 계수 α를 통해 평균 전력을 조절한다. 이는 MAP보다 계산 복잡도가 낮으며, 위상 오차에 대한 강인성을 제공한다. PNCI(무한 필드 기반)에서는 (3) 선형 MMSE(ANC) 방식과 (4) 비선형 MMSE 방식을 제시한다. 선형 MMSE는 y₃에 대한 선형 가중합을 통해 h₁₃·x₁ + h₂₃·x₂ 형태의 연속 결합값을 추정한다. 이 방식은 채널 위상 차이에 영향을 받지 않아 구현이 간단하지만, 비선형성에 대한 최적화는 부족하다. 비선형 MMSE는 y₃의 전체 확률 분포를 고려하여 최적의 연속 추정값을 구한다. 이는 선형 MMSE보다 성능이 우수하지만 계산량이 증가한다. 성능 분석에서는 ‘일반화된 SNR(GSNR)’ 개념을 도입한다. GSNR은 릴레이에서 비선형 변환이 적용된 경우에도 신호와 잡음의 평균 제곱 오차를 분리하여 정의할 수 있어, BER과의 직접적인 연관성을 제공한다. 논문은 각 스킴에 대해 MSUE(Mean Square Uncorrelated Error)를 유도하고, 이를 통해 GSNR을 식으로 표현한다. 특히, MMSE 기반 PNCF와 PNCI가 각각의 범주 내에서 MSUE를 최소화하고, 결과적으로 GSNR을 최대화한다는 정리를 제시한다. 이는 기존 연구의 정리를 PNC 상황에 맞게 확장한 것으로, 최적 추정기가 시스템 전반에 걸쳐 가장 높은 신호 품질을 보장함을 이론적으로 증명한다. 시뮬레이션에서는 QPSK 변조와 심볼 수준 동기화만을 가정하고, 다양한 SNR 구간에서 네 가지 스킴의 BER 및 GSNR을 비교한다. 결과는 MMSE 기반 스킴이 MAP 기반 및 선형 ANC보다 전반적으로 낮은 BER과 높은 GSNR을 달성함을 보여준다. 특히, 위상 오차가 존재하는 현실적인 환경에서도 MMSE 기반 PNCF가 강인하게 동작함을 확인한다. 이러한 결과는 위성 중계, IoT, 그리고 복잡한 동기화가 어려운 무선 네트워크에서 높은 효율을 얻을 수 있는 설계 지침을 제공한다.