스펙트럼FM: 지능형 스펙트럼 관리용 차세대 파운데이션 모델

초록

스펙트럼FM은 대규모 IQ 데이터에 기반한 자기지도 학습으로 사전학습된 파운데이션 모델이다. CNN과 멀티헤드 셀프‑어텐션을 결합한 하이브리드 인코더와 ‘마스크 재구성’·‘다음 슬롯 예측’ 두 가지 사전학습 과제를 통해 강인한 스펙트럼 표현을 학습한다. 파라미터 효율적인 파인튜닝으로 자동 변조 분류(AMC), 무선 기술 분류(WTC), 스펙트럼 감지(SS), 이상 탐지(AD) 등 네 가지 다운스트림 작업에 적용했을 때 기존 방법 대비 7‑12%·9%·AUC 0.97·10% 이상의 성능 향상을 달성하였다.

상세 분석

스펙트럼FM은 기존의 소규모, 작업‑특화 모델이 갖는 인식 정확도 저하, 수렴 속도 느림, 일반화 한계 등을 근본적으로 해결하고자 설계되었다. 핵심 설계는 두 가지 축으로 나뉜다. 첫째, 인코더는 초기 단계에서 2‑D CNN을 이용해 시간‑주파수 도메인에서 로컬 패턴을 효율적으로 추출하고, 이어지는 멀티헤드 셀프‑어텐션(MHSA) 모듈이 전역적인 장거리 의존성을 포착한다. 이 구조는 순수 CNN이 시간적 연속성을 놓치는 문제와 순수 Transformer가 고주파 잡음에 취약한 문제를 상호 보완한다. 둘째, 사전학습 과제로 도입된 ‘마스크 재구성’은 입력 IQ 시퀀스의 일부를 무작위로 마스킹하고, 모델이 이를 복원하도록 강제함으로써 신호의 내재적 상관관계와 노이즈 강인성을 학습한다. ‘다음 슬롯 예측’은 시계열 연속성을 모델링하도록 설계돼, 동적 스펙트럼 환경에서 미래 슬롯을 예측하게 함으로써 시간적 예측 능력을 강화한다. 두 과제 모두 라벨이 없는 대규모 데이터(수백만 샘플)에서 효율적으로 학습될 수 있어 라벨링 비용을 크게 절감한다.

파인튜닝 단계에서는 LoRA( Low‑Rank Adaptation)와 같은 파라미터 효율 기법을 적용해 전체 모델을 재학습하지 않고도 소수의 가중치만 업데이트한다. 이는 few‑shot 상황에서도 빠른 수렴을 가능하게 하며, 각 다운스트림 작업마다 별도의 대규모 데이터셋이 필요하지 않다. 실험 결과, AMC에서는 RML2016.04C 데이터셋에서 12.1%p, RML2016.10A/B에서 각각 7.5%p·1.9%p의 정확도 향상을 보였고, WTC에서는 9.3%p 상승을 기록했다. 스펙트럼 감지에서는 -4 dB SNR에서도 AUC 0.97을 달성했으며, 이상 탐지에서는 AUC가 0.10 이상 개선되었다. 특히 저 SNR·다중 경로·간섭이 심한 환경에서도 기존 CNN‑기반 모델보다 안정적인 성능을 유지했다.

한계점으로는 현재 모델이 1 GHz 이하의 중·저주파 대역에 초점을 맞추었으며, 초고주파(mmWave)나 광대역(THz) 신호에 대한 검증이 부족하다. 또한 사전학습에 사용된 데이터가 주로 실험실 환경에서 수집된 IQ 파일이기 때문에 실제 현장 배포 시 발생할 수 있는 하드웨어 비선형성·채널 불확실성에 대한 추가 적응이 필요하다. 향후 연구에서는 멀티모달(스펙트로그램·파워 스펙트럼·위치 정보) 통합, 온라인 지속 학습, 그리고 경량화된 엣지 배포를 위한 모델 압축 기법을 탐색할 여지가 있다.