다중 눈 FSO 시스템의 난류와 포인팅 오류를 한번에 잡는 계층적 딥러닝 기술

초록

자유공간광통신(FSO)의 핵심 장애요인인 대기 난류, 송신기 포인팅 오류, 수신기 입사각 변동을 기존과 달리 동시에 추정하는 기술을 제안한다. 다중 조리개 수신기 구조와 계층적 딥러닝 프레임워크를 결합해, 복잡하게 얽힌 효과를 분리하고 순차적으로 추정함으로써 높은 정확도와 낮은 계산 비용을 달성했다.

상세 분석

본 논문은 FSO 통신의 실용화를 가로막는 세 가지 주요 채널 손실 요인(대기 난류, 송신기 포인팅 오류(PE), 수신기 입사각(AoA) 변동)을 통합적으로 해결한 획기적인 연구다. 기존 연구가 각 손실을 독립적으로 모델링하고 추정하는 데 그쳤다면, 본 연구는 이들이 수신 신호에서 ‘승법적으로 결합’되어 있다는 현실적인 문제 인식에서 출발한다. 이러한 결합은 기존 추정기의 성능을 심각하게 제한하며 동시 복구를 불가능하게 만든다.

논문의 핵심 기여는 두 가지로 요약된다. 첫째는 하드웨어 혁신이다. 단일 대형 렌즈 대신 여러 개의 소형 렌즈로 구성된 배열을 수신기에 도입했다. 이 ‘다중 조리개’ 구조는 각 렌즈 뒤에 4분할 광검출기(Quad PD)를 배치하여 공간적으로 분해된 측정을 가능하게 한다. 이를 통해 AoA에 의한 초점 스팟의 이동을 정밀하게 감지할 수 있는 동시에, 배열 간의 공간 다이버시티를 활용해 난류와 포인팅 오류의 효과를 분리하는 데 필요한 데이터를 제공한다.

둘째는 계층적 추정 전략을 구현한 딥러닝 프레임워크이다. 엔드-투-엔드 방식으로 모든 매개변수를 한 번에 추정하는 것은 학습 복잡도가 높고 일반화 성능이 떨어질 수 있다. 따라서 저자들은 물리적 모델에서 영감을 받은 3단계 계층적 접근법을 설계했다.

1. 1단계 (AoA 추정): 각 렌즈의 4분할 PD 출력의 ‘정규화된 비율’을 입력으로 사용한다. 이 비율은 공통적인 승법적 스케일링 요소(포인팅 오류, 난류, 채널 손실)의 영향을 제거하고 순수한 AoA 정보만을 포함하도록 설계되어, AoA 추정을 단순화하고 강인하게 만든다.
2. 2단계 (PE 추정): 1단계에서 추정된 AoA를 보상한 후, 각 렌즈에서 수집된 총 광전력을 분석한다. 이 보상된 데이터는 주로 송신기 포인팅 오류의 정보를 담고 있으며, 이를 통해 PE를 추정한다.
3. 3단계 (난류 추정): 최종적으로, 수신기 자체의 진동에 의한 지터는 AoA와 PE 추정값의 차이로 계산하고, 각 조리개별 난류 계수는 추정된 PE 성분을 제거한 나머지 신호에서 복구한다.

이러한 ‘분해-정복’ 전략은 학습 복잡도를 크게 낮추고, 각 하위 문제에 최적화된 신경망을 설계할 수 있게 하여 전체적인 추정 정확도와 일반화 능력을 향상시킨다. 시뮬레이션 결과는 제안 방식이 최대사후확률(MAP) 추정기와 유사한 정확도를 유지하면서 계산 복잡도는 수 orders-of-magnitude 낮추었으며, 엔드-투-엔드 학습 기준선을 크게 능가함을 보여준다. 이는 모바일 및 항공 FSO 링크와 같이 채널 조건이 빠르게 변화하는 실시간 응용 분야에 매우 실용적인 솔루션을 제시한다.