대규모 MTC를 위한 블록 제한 활성화 딥러닝 기반 초고속 다중사용자 검출

본 논문은 5G·6G 시대에 급증하는 머신‑타입 디바이스(MTC)들의 sporadic한 소패킷 전송을 효율적으로 지원하기 위해, 물리·MAC 계층에서 전송 오버헤드를 최소화하면서도 사용자 활성화와 채널 추정을 동시에 수행할 수 있는 새로운 다중사용자 검출(MUD) 방식을 제안한다. 기존의 압축감지(CS) 기반 MUD는 희소성을 이용해 적은 파일럿 길이로도 활성 사용자를 탐지할 수 있지만, OMP, IHT, BOMP, BIHT와 같은 반복적 알고리즘은 연산량이 많아 실시간 적용이 어렵다. 이를 해결하고자 저자들은 딥러닝(DL) 접근법을 채택한다. 먼저 시스템 모델을 정리한다. K개의 디바이스 중 n개가 동시에 전송하고, 각 디바이스는 길이 N_s인 파일럿 시퀀스를 전송한다. 채널 벡터 h_k는 L 차원의 복소수 벡터이며, 파일럿과 컨볼루션을 행렬 형태로 변환한 ˆS_k와 결합해 수신 신호 y = Σ a_k ˆS_k h_k + n = ˆS x + n 로 표현된다. 여기서 x = A h는 n개의 비영 블록을 갖는 블록 희소 벡터이며, 문제는 y와 ˆS만을 이용해 x를 복원하는 것이 된다. 전통적 방법은 (3)의 ℓ₀ 제약 최적화를 근사하는 방식으로 해결하지만, NP‑hard 특성 때문에 반복적 근사법을 사용한다. 저자들은 이 과정을 ‘블랙박스’ 함수 g(y, ˆS, θ) 로 보고, 딥 뉴럴 네트워크(DNN)를 통해 직접 매핑하고자 한다. 특히, 블록 구조를 반영한 새로운 비선형 활성화 유닛인 Block‑Restrictive Activation Unit(BRU)을 도입한다. BRU는 블록 내 최대값이 양수이면 전체 블록을 그대로 전달하고, 그렇지 않으면 영벡터로 만든다. 이는 블록 단위의 선택을 자연스럽게 구현해, 기존 원소별 활성화 함수보다 효율적으로 블록 희소성을 활용한다. 네트워크 구성은 다음과 같다. 입력층 뒤에 여러 개의 전통적인 Fully‑Connected 레이어가 배치 정규화와 ReLU 활성화를 거치며, 중간부터는 BRU를 삽입해 블록 단위의 비선형 변환을 수행한다. 잔차 연결(residual connection)과 배치 정규화는 학습 안정성을 높이고, 마지막 Softmax 레이어는 각 블록(사용자)의 활성화 여부를 다중 라벨 확률로 출력한다. 손실은 교차 엔트로피이며, 학습은 대규모 합성 데이터셋을 이용해 오프라인으로 진행한다. 데이터 생성은 임의의 잡음 n과 블록 희소 벡터 x를 만든 뒤, 시스템 모델 y = ˆS x + n 을 적용해 관측값을 얻는 방식으로, 실제 채널 측정이 필요 없다는 장점이 있다. 실험 설정은 K=100, L=6, N_s를 30~50 사이에서 변화시키고, 활성 사용자 수 n을 3~6으로 설정하였다. SNR은 10 dB이며, 학습 데이터 8×10⁶개, 검증·테스트 각각 10⁵개를 사용했다. 학습 과정에서 BRNN은 일반 DNN보다 빠르게 손실을 감소시켰으며, 블록 활성화 유닛 덕분에 구조적 prior를 효과적으로 학습했다. 추론 단계에서는 CPU 환경에서 평균 실행 시간을 측정했는데, BRNN과 DNN은 OMP·BOMP·IHT·BIHT 대비 10배 이상 짧은 시간(≈2.5×10⁻⁴ s)만에 사용자 검출을 수행했다. 성능 평가에서는 세 가지 지표를 사용했다. (1) 활성 사용자 검출 성공률: 다양한 n과 N_s에 대해 BRNN이 가장 높은 성공률을 기록했으며, 특히 파일럿 길이가 짧을수록 전통적 알고리즘보다 큰 격차를 보였다. (2) 채널 추정 MSE: 활성 사용자 검출 결과를 바탕으로 최소 제곱 추정기를 적용했을 때, BRNN이 가장 낮은 MSE를 달성했다. (3) 전체 복합 성능: n/K 비율이 증가하거나 파일럿 길이가 감소해도 BRNN은 비교적 안정적인 성능을 유지했다. 결론적으로, 본 연구는 블록 희소성을 직접 반영한 딥러닝 네트워크(BRNN)를 제안함으로써, 대규모 MTC 환경에서 실시간 다중사용자 검출을 가능하게 했다. 기존 CS‑MUD의 높은 연산 복잡도를 크게 낮추면서도 탐지 정확도와 채널 복원 품질을 향상시켰다. 향후 연구는 (i) 실제 무선 시험환경에서의 검증, (ii) 더 깊은 네트워크와 다양한 활성화 함수 탐색, (iii) 온라인 적응 학습을 통한 동적 환경 대응 등을 통해 실용성을 더욱 강화할 수 있을 것으로 기대된다.