RIS 지원 mmWave 통신을 위한 지능형 각도 맵 기반 빔 정렬

초록

본 논문은 사용자 위치 정보를 입력으로 받아, Transformer 기반의 각도 맵(angle map)을 학습함으로써 RIS‑aided mmWave 시스템에서 빔 스캐닝 없이 다중 UE의 최적 빔 방향을 즉시 예측하는 새로운 빔 정렬 방식을 제안한다. 제안 방식은 LOS·NLOS UE 모두를 동시에 처리하며, 공개된 DeepMIMO 레이 트레이싱 데이터셋을 이용한 시뮬레이션에서 기존 탐색 기반 및 학습 기반 방법에 비해 정밀도와 지연 면에서 우수함을 입증한다.

상세 분석

이 논문은 mmWave 통신에서 RIS가 도입됨에 따라 발생하는 2‑hop 전파 경로와 다중 사용자 환경에서의 빔 정렬 복잡성을 해결하고자 한다. 핵심 아이디어는 “각도 맵(Angle Map, AM)”이라는 위치‑각도 매핑 함수를 사전 학습된 Transformer 모델을 통해 구축하는 것이다. Transformer는 입력 위치 벡터(예: 3‑D 좌표)를 시퀀스 형태로 인코딩하고, 다중 헤드 어텐션을 활용해 공간적 상관관계를 효과적으로 학습한다. 이를 통해 하나의 모델이 다수의 UE 위치에 대해 병렬적으로 최적 AoD/AoA를 출력할 수 있다.

시스템 모델은 mBS(다중 안테나 UPA)와 M개의 패시브 요소를 가진 RIS, 그리고 N개의 UE(LOS UE N₁, NLOS UE N₂)로 구성된다. 채널 모델은 LOS 경로와 RIS‑mediated NLOS 경로를 각각 식 (2)–(5)와 같이 정의하고, RIS 반사 행렬 Φ는 고정된 위상 설계가 아니라 학습된 각도 맵에 의해 간접적으로 최적화된다. 기존의 전통적 탐색(전면 탐색, 계층적 탐색)이나 압축 센싱 기반 방법은 빔 스캔·피드백·CSI 획득에 큰 오버헤드가 소요되며, UE 수가 증가할수록 복합 최적화 문제는 급격히 복잡해진다.

제안된 AM 기반 정렬 절차는 다음과 같다. (1) 사전 단계에서 대규모 레이 트레이싱 데이터(DeepMIMO)와 UE 위치‑채널 매핑 데이터를 수집한다. (2) Transformer를 사용해 위치 → 최적 빔 방향(θ_T, φ_T, θ_R, φ_R) 매핑을 학습한다. 손실 함수는 예측 각도와 레이블 각도 사이의 L2 거리와, 해당 각도로 구성된 빔포밍 벡터가 달성하는 수신 SNR을 결합한 복합 목표를 포함한다. (3) 학습이 완료된 AM을 현장에 배포하고, UE가 자신의 GPS/5G‑定位 정보를 전송하면, BS는 즉시 해당 UE에 대한 최적 전송·수신 빔을 결정한다. RIS‑aided UE의 경우, AM이 제공하는 두 단계(BS→RIS, RIS→UE) 각도 정보를 조합해 Φ를 구성함으로써 별도의 채널 추정 없이도 효과적인 반사 설계가 가능하다.

기술적 장점은 크게 네 가지이다. 첫째, 위치 정보만으로 빔 정렬이 가능하므로 실시간 빔 스캔이 불가능한 고속 이동 시나리오에 적합하다. 둘째, Transformer의 병렬 처리 특성 덕분에 다중 UE에 대한 일괄 예측이 가능해, 전통적 최적화가 겪는 차원 저주를 회피한다. 셋째, RIS가 추가된 2‑hop 구조에서도 별도 복합 최적화 없이 동일한 AM을 재사용함으로써 설계 복잡도를 크게 낮춘다. 넷째, 학습 기반이므로 환경 변화(예: 건물 구조, 반사체 배치)에도 데이터 재수집·재학습만으로 적응이 가능하다.

시뮬레이션 결과는 DeepMIMO 데이터셋(30 GHz, 64×64 BS 안테나, 256 RIS 요소)에서 수행되었다. 제안 방식은 전통적 전면 탐색 대비 평균 빔 정렬 시간 95 % 감소, SNR 손실 0.3 dB 이하, 그리고 NLOS UE에 대해서도 LOS UE와 동일한 정밀도를 유지하였다. 또한, 기존 딥러닝 기반 방법(예: CNN‑based beam predictor)과 비교했을 때, Transformer 기반 AM은 복잡도는 비슷하지만 위치‑각도 매핑 정확도가 약 12 % 향상되었다.

한계점으로는 (i) 위치 오차가 큰 경우(>1 m) 각도 예측 정확도가 급격히 저하될 수 있다는 점, (ii) 학습 데이터가 특정 환경에 국한될 경우 일반화 성능이 떨어질 가능성, (iii) RIS 위상 설계가 고정된 코드북 형태가 아니라 연속적인 위상 조정이 필요하므로 실제 하드웨어 구현 시 양자화 오차가 발생할 수 있다는 점을 들 수 있다. 향후 연구에서는 위치 추정 오차에 대한 강인성 강화, 도메인 적응 전이 학습, 그리고 양자화‑제한된 RIS 위상 설계와의 공동 최적화를 탐색할 예정이다.