다중 사용자 신호 복조를 위한 무선 기반 모델 WiFoMUD

초록

WiFo-MUD는 확산 모델을 기반으로 한 무선 기초 모델로, 이질적인 다중 사용자 MIMO 환경에서 신호 복조 정확도와 추론 효율성을 동시에 향상시킨다. 사용자별 SNR 불균형을 정렬하는 MU‑Aligner와 조건부 디노이징을 수행하는 Wireless‑Diffusion Transformer를 결합하고, 통신 인식 일관성 증류와 동적 사용자 그룹화를 통해 낮은 지연 시간의 단일 단계 추론을 가능하게 한다. 대규모 이질 데이터셋에서 전·후 학습 모두에서 기존 방법들을 크게 앞서며, 시스템 구성이 바뀌어도 강인한 일반화 능력을 보인다.

상세 분석

본 논문은 다중 사용자 MIMO 시스템에서 발생하는 SNR 불균형과 사용자 간 간섭(IUI)을 근본적으로 해결하기 위해 확산 모델의 확장성을 활용한다. 먼저, 전통적인 선형·비선형 복조기와 최신 딥러닝 기반 복조기의 한계를 명확히 짚으며, 특히 이질적인 안테나 수, 변조 차수, 사용자 수 등에 대한 일반화 부족을 지적한다. 이러한 문제를 해결하기 위해 제안된 WiFo‑MUD는 두 단계 파이프라인으로 구성된다. ① MU‑Aligner는 각 사용자의 초기 추정(예: LMMSE)에서 추정 오차 공분산을 근사해 등가 노이즈 파워를 계산하고, 이를 기반으로 사용자별 디노이징 타임스텝을 할당한다. 이 과정은 확산 과정의 ‘시간’ 개념을 SNR 정렬에 매핑함으로써, 저 SNR 사용자는 더 많은 디노이징 스텝을, 고 SNR 사용자는 적은 스텝을 적용해 균형 잡힌 입력을 만든다. ② Wireless‑Diffusion Transformer(WiDiT)는 변조 심볼의 복소수 구조와 채널 상관성을 반영한 맞춤형 임베딩을 사용해, 조건부 스코어 네트워크를 학습한다. 여기서 SDE/ODE 기반 확산 역전파를 Transformer의 self‑attention 메커니즘에 통합해, 다중 사용자 간의 상호작용을 전역적으로 모델링한다.

추론 단계에서 기존 확산 기반 방법이 수십 번의 반복을 요구하는 반면, 논문은 ‘통신 인식 일관성 증류(Communication‑aware Consistency Distillation)’를 도입한다. 증류 과정은 다중 단계 샘플링으로 얻은 고품질 출력과 단일 단계 출력 사이의 일관성을 최소화하도록 손실을 설계한다. 결과적으로 학습된 학생 모델은 한 번의 포워드 패스로 거의 동일한 복조 성능을 달성한다. 또한, 동적 사용자 그룹화 전략은 사용자가 급격히 증가하거나 감소할 때, 유사한 SNR·채널 특성을 가진 사용자들을 클러스터링해 그룹별로 별도 디노이징을 수행함으로써 IUI를 효과적으로 억제한다.

실험에서는 8×864×64 안테나 구성, QPSK부터 64‑QAM까지 다양한 변조, 사용자 수 216명, 그리고 다양한 채널 모델(Rayleigh, Rician, correlated fading)을 포함한 대규모 데이터셋을 구축하였다. WiFo‑MUD는 전통적인 ML·Sphere Decoding, OAMP‑Net, RE‑MIMO 등과 비교해 1.5~3 dB 수준의 SNR 이득을 보였으며, 특히 zero‑shot 설정에서 기존 모델이 급격히 성능이 떨어지는 반면, 제안 모델은 10% 이하의 BER 상승만을 기록했다. 증류 후 단일 스텝 추론은 평균 5배 이상의 지연 감소를 달성했으며, 하드웨어 구현 시 메모리 사용량도 30% 이하로 절감되었다.

이와 같이 WiFo‑MUD는 확산 모델의 강력한 확률 표현력과 Transformer의 전역적 관계 학습 능력을 결합하고, 통신 특화 전처리·증류 기법을 통해 실시간 무선 시스템에 적용 가능한 효율성과 견고함을 동시에 제공한다.