불확실성 주입 딥 언폴딩을 통한 6G 무선 네트워크 강인성 최적화

초록

본 논문은 다중 안테나 기반 6G 베이스스테이션에서 전송 빔포밍을 설계할 때, 채널 불확실성을 고려한 가중합률(WSR) 최대화를 목표로 한다. 기존의 분수 프로그래밍(FP) 알고리즘을 딥 언폴딩 형태로 전개하고, 학습 과정에 채널 오차 샘플을 주입해 경험적 γ‑분위수 기반 손실을 최소화한다. 실험 결과, 제안된 UI‑DUFP는 전통적인 WMMSE·FP·DL 기법보다 높은 강인 WSR과 짧은 추론 시간을 달성한다.

상세 분석

본 연구는 6G 네트워크가 요구하는 실시간성·동적성·강인성을 동시에 만족시키기 위해 두 가지 핵심 아이디어를 결합한다. 첫 번째는 Fractional Programming(FP) 의 다중 비율 최적화 구조를 Deep Unfolding 기법으로 변환한 것이다. 기존 FP는 Dinkelbach 알고리즘이나 Quadratic Transform(QT)을 이용해 반복적으로 보조 변수 u·g와 빔포밍 행렬 V를 업데이트하지만, 매 반복마다 행렬 역연산·특이값 분해·이진 탐색 등 복잡한 연산이 필요해 실시간 적용이 어렵다. 논문은 이러한 반복을 M개의 신경망 레이어로 풀어내고, 각 레이어 내부에서 N번의 Projected Gradient Descent(PGD) 를 수행한다. PGD 단계에서는 손실 함수 R_Q(V,g,u)의 V에 대한 기울기를 계산하고, 전송 전력 제약 Tr(VV^H)≤P_max을 만족하도록 투사 연산 Ω_C를 적용한다. 학습 가능한 파라미터는 각 PGD 단계의 스텝 사이즈 μ^(n)_m이며, 이는 역전파를 통해 최적화된다.

두 번째 핵심은 불확실성 주입(Uncertainty Injection) 으로, 채널 추정 오차 h_err_k를 복소 정규분포 N(0,σ_h^2 I) 로 모델링하고, 학습 시 B개의 오차 샘플을 무작위로 생성한다. 각 샘플에 대해 추정 채널 ˆh_k,b = h_k + h_err_k,b 를 입력으로 사용해 UI‑DUFP가 출력한 빔포밍 V에 대해 WSR R_Q,b 를 계산한다. 이후 B개의 WSR 값을 정렬하고, γ·B 번째 값을 경험적 γ‑분위수 로 정의한다. 손실 함수 L(μ) = –∑_{m=1}^M quantile_γ{R_Q,b(V^{(N)}_m,g_m,u_m)} 로 설정함으로써, 네트워크는 “최악의 γ‑비율 상황에서도 일정 수준 이상의 WSR을 보장”하도록 학습된다. 이는 기존 평균‑성능 최적화와 달리 확률적 강인성 제약 Pr