RIS 그룹화와 분산 딥러닝으로 정확한 캐스케이드 채널 추정하기

초록

6G 핵심 기술인 RIS의 실용화를 가로막는 큰 걸림돌은 기지국-RIS-사용자 간의 복잡한 ‘캐스케이드 채널’을 추정하는 데 필요한 막대한 파일럿 신호 오버헤드와 계산량입니다. 본 연구는 RIS 요소를 그룹화하여 문제 규모를 축소하고, 분산 머신러닝으로 다양한 사용자 데이터를 활용해 일반화 성능을 극대화하는 계층적 신경망 구조를 제안합니다. 이를 통해 파일럿 오버헤드와 복잡도를 대폭 낮추면서도 기존 방법보다 뛰어난 채널 추정 정확도를 달성했습니다.

상세 분석

본 논문이 해결하고자 하는 근본적인 문제는 RIS의 수동적(passive) 특성에서 기인합니다. RIS는 전파를 반사만 할 뿐, 능동적으로 신호를 송수신하지 않기 때문에 기지국-RIS 구간과 RIS-사용자 구간의 채널을 독립적으로 추정할 수 없습니다. 오직 두 채널이 결합된 ‘캐스케이드 채널’만 관측 가능한데, 이 채널의 파라미터 수는 RIS 소자 수(N)와 기지국 안테나 수(M)의 곱(NM)으로 급증합니다. 전통적인 최소자승법(LS) 추정은 NM개 이상의 파일럿 신호를 요구하여 실용성을 현저히 떨어뜨립니다.

논문의 첫 번째 핵심 기여는 ‘RIS 그룹화(RIS Grouping)‘입니다. 인접한 RIS 소자들을 하나의 제어 단위로 묶어(N’ = N/g), 효과적인 채널 차원을 NM에서 N’M으로 축소합니다. 이는 물리적으로 유사한 반사 특성을 가진 소자들을 하나로 취급함으로써 파일럿 요구량과 계산 복잡도를 근본적으로 줄이면서, 전체 반사 에너지는 보존하는 현실적인 절충안입니다.

두 번째이자 가장 중요한 기여는 ‘분산 머신러닝(DML) 기반의 계층적 추정기’ 설계입니다. 단일 사용자 데이터로 훈련된 기존 딥러닝 모델은 새로운 위치나 전파 환경(예: LOS/NLOS, 산란도 변화)에서 성능이 급격히 저하되는 ‘일반화’ 문제를 겪습니다. 이를 해결하기 위해 본 연구는 중앙 서버(기지국)와 여러 사용자가 로컬 데이터로 모델을 개별적으로 훈련한 후, 그 가중치만을 평균하여 공유 모델을 업데이트하는 ‘Federated Averaging(FedAvg)’ 전략을 채택했습니다. 이는 사용자의 원본 데이터를 공유하지 않으면서도 네트워크 전반의 다양한 채널 데이터를 학습에 활용할 수 있어, 다양한 시나리오에 강건한 모델을 구축할 수 있습니다.

이 분산 학습 프레임워크 위에 ‘지역 기반 게이트 메커니즘(Region-Gated MoE)‘을 추가했습니다. 이 구조는 먼저 저복잡도 분류기(게이트)가 사용자의 대략적인 전파 지역(예: 구역 1, 2, … R)을 판단한 후, 해당 지역에 특화된 ‘전문가(Expert)’ 신경망만을 활성화하여 채널 특징을 추정합니다. 모든 전문가 네트워크를 항상 실행하는 대신 하나만 실행하므로, 사용자 장비(UE)의 온라인 추론 부하는 단일 소형 CNN 수준으로 유지되면서도 각 지역별 특성에 최적화된 고정밀 추정이 가능해집니다.

종합하면, 이 연구는 RIS 채널 추정의 삼중고인 ‘파일럿 오버헤드’, ‘계산 복잡도’, ‘일반화 성능 저하’를 RIS 그룹화(차원 축소), 분산 학습(데이터 다양성 확보), 게이트 구조(지역 특화)라는 세 가지 기술을 유기적으로 결합하여 동시에 해결한 포괄적인 솔루션을 제시했다는 점에서 높은 평가를 받을 만합니다.