딥러닝 기반 통합 설계로 MU MIMO 시스템의 CSI 오버헤드 문제를 해결하다

초록

FDD MU-MIMO OFDM 시스템에서 안테나 수 증가에 따른 CSI 획득의 어려움을 해결하기 위해, 본 논문은 딥러닝 기반 통합 설계를 제안합니다. 수신된 파일럿 신호를 직접 활용하여 채널 추정(CE), CSI 피드백, 프리코딩을 단일 네트워크로 통합한 ‘JEFPNet’은 기존 분리형 방식보다 높은 스펙트럼 효율을 달성하며, 사용자 수 변화에 자동으로 적응하는 파라미터 효율성을 보여줍니다.

상세 분석

본 논문이 제안하는 ‘JEFPNet’의 핵심 혁신은 통합 설계 철학과 DJSCC(Deep Joint Source-Channel Coding) 아키텍처의 적용에 있습니다. 기존 연구들은 채널 추정, 피드백 압축, 채널 코딩, 프리코딩 설계 등 각 모듈을 분리하거나 부분적으로 통합하여 개발했으나, 이는 모듈 간 불일치로 인한 성능 저하(“cliff effect”)와 사용자 수 변화 시 모델 교체 부담을 초래했습니다.

JEFPNet은 파일럿 설계부터 UE측의 통합 채널 추정/압축(인코더), BS측의 통합 복원/프리코딩(디코더)까지를 단일 end-to-end 네트워크로 학습합니다. 특히 수신된 파일럿 신호를 명시적인 채널 추정 없이 직접 네트워크 입력으로 사용함으로써, 추정 오류가 후속 모듈에 전파되는 문제를 근본적으로 회피합니다. 이는 ‘과제 지향적 의미론적 정보’를 추출하여 전송하는 방식으로, 전통적인 비트 수준의 정확한 복원보다 시스템 전체 목표(스펙트럼 효율 극대화)에 최적화된 압축을 가능하게 합니다.

두 번째 주요 기여는 Transformer 구조를 활용한 사용자 수 적응성입니다. 네트워크 파라미터 수를 고정한 채로 가변적인 수의 사용자 입력을 처리할 수 있도록 설계하여, 사용자 수마다 별도의 모델을 학습하고 저장/배포해야 하는 부담을 제거했습니다. 이는 실무 배포에서 모델 스위칭 지연과 오버헤드를 획기적으로 줄입니다.

실험 결과는 통합 설계의 우수성을 입증합니다. 동일한 피드백 오버헤드 하에서 기존 분리형 아키텍처나 부분적 AI 통합 방식보다 높은 다운링크 스펙트럼 효율을 보였으며, 채널 품질이 열악할수록 그 격차가 더 벌어졌습니다. 이는 DJSCC가 채널 코딩을 포함한 통합 학습으로 인해 피드백 신뢰성을 높였기 때문입니다. 또한 UE측에서는 복잡한 명시적 채널 추정 연산이 필요 없어 계산 부담과 저장 공간이 줄어, 저복잡도 단말 배포에 유리합니다. BS측에서는 단일 파라미터 세트로 다양한 사용자 수를 처리함으로써 프리코딩 설계 지연을 줄여 채널 aging 문제를 완화합니다.