통합 센싱·통신을 위한 분할 파형가이드 핀칭 안테나 최적화와 히스테리시스 강화 학습

초록

**
본 논문은 낮은 전파 손실을 갖는 분할 파형가이드 기반 핀칭 안테나 배열(SWAN)을 활용한 ISAC 시스템을 제안한다. 하이브리드 세그먼트 선택·다중화(HSSM) 프로토콜과 전송 빔포밍·세그먼트 선택·핀칭 안테나 위치를 공동 최적화하는 프레임워크를 수립하고, 비선형·비볼록 문제를 해결하기 위해 세그먼트 히스테리시스 기반 강화학습(SHRL) 알고리즘을 설계한다. 시뮬레이션 결과, 제안된 SWAN‑ISAC 구조와 SHRL이 기존 베이스라인 대비 통신률과 센싱 품질 모두에서 우수함을 확인하였다.

**

상세 분석

**
본 연구는 6G 시대의 초고속·초저지연 통신과 동시에 정밀 환경 인지를 요구하는 응용을 겨냥한다. 기존의 전자식 위상 배열이나 재구성 가능한 안테나는 비용·복잡도·구조적 유연성에서 한계를 보이며, 핀칭 안테나는 파형가이드를 직접 “핀칭”해 복수의 방사점을 생성함으로써 하드웨어 복잡성을 크게 낮춘다. 그러나 단일 혹은 장거리 파형가이드를 이용한 기존 설계는 전파 손실과 유지보수 비용이 크게 증가한다는 문제점이 있다.

이에 저자들은 파형가이드를 물리적으로 여러 세그먼트로 나누고, 각 세그먼트를 독립적인 RF 체인에 연결하는 SWAN 구조를 도입한다. 각 세그먼트는 필요에 따라 선택·비활성화될 수 있어, 전력 소모와 전파 손실을 최소화하면서도 공간 자원을 세밀하게 할당할 수 있다. HSSM 프로토콜은 이러한 세그먼트 선택을 다중화와 결합해 하드웨어 비용을 최소화한다는 점에서 혁신적이다.

수학적으로는 전송 빔포밍 행렬 W, 세그먼트 선택 이진 변수 φ, 그리고 핀칭 안테나 위치 ψ를 공동 최적화한다. 목적함수는 모든 통신 사용자의 합 데이터율을 최대화하면서, 각 센싱 목표에 대한 최소 조도(illumination) 요구를 만족하도록 제약한다. 제약식(7a)–(7d)는 전력 제한, 세그먼트 선택 범위, 그리고 안테나 간 최소 거리 등을 포함해 실제 구현 가능성을 반영한다.

이 최적화는 비선형성(위상 항의 지수 형태), 절대값·제곱 등으로 인해 전통적인 convex 최적화 기법으로는 해결이 불가능하다. 따라서 저자들은 **Segment‑Hysteresis Reinforcement Learning (SHRL)**을 제안한다. SHRL은 MDP를 정의하고, 상태에 CSI와 이전 선택 정보를 포함시켜 히스테리시스 게이트를 통해 급격한 세그먼트 전환을 억제한다. 이는 정책의 비정상성을 감소시켜 학습 안정성을 크게 향상시킨다. 구체적으로, 원시 세그먼트 로짓 φ에 대해 확률 p_update 이하일 경우 기존 선택을 유지하고, 그 외에는 새로운 선택을 적용한다.

알고리즘 구현은 Advantage Actor‑Critic(A2C) 기반이며, 액터는 연속형 빔포밍 파라미터와 원시 세그먼트 로짓을 출력하고, 비평가가 상태 가치 함수를 추정한다. 히스테리시스 필터는 액터 출력 후에 적용돼, 정책 업데이트 시 구조적 변동을 최소화한다.

시뮬레이션 설정은 28 GHz, 5 m 파형가이드 높이, M=3 세그먼트, 각 세그먼트당 N=10 핀칭 안테나, 총 전력 100 W 등 현실적인 파라미터를 사용한다. 두 가지 시나리오(희소·밀집)에서 SWAN‑HSSM, SWAN‑SM, 기존 PASS 방식을 비교했으며, SHRL, SPRL(고정 주기 선택), A2C, PPO, Random 등 다섯 가지 학습 전략을 평가하였다. 결과는 다음과 같다.

1. SWAN‑HSSM이 가장 높은 최종 보상을 기록했으며, 특히 희소 환경에서 조도와 데이터율 모두 크게 향상되었다.
2. SHRL은 보상 수렴 속도가 빠르고, 최종 보상이 가장 높으며, 불필요한 세그먼트 스위칭을 억제해 학습 안정성을 확보했다.
3. SPRL은 고정 주기 선택으로 탐색 유연성이 제한돼 수렴이 느리고 최종 성능이 낮았다.
4. PPO와 A2C는 일반적인 정책‑그라디언트 방법으로, SHRL에 비해 변동성이 크고 최적점에 도달하는 데 더 많은 에피소드가 필요했다.
5. PASS는 세그먼트 비활성화·다중화를 활용하지 않으므로 전력 효율과 빔포밍 자유도가 낮아 전반적으로 성능이 뒤처졌다.

이러한 결과는 세그먼트 히스테리시스가 구조적 변동을 제어함으로써 고차원 ISAC 최적화 문제에서 강화학습의 실용성을 크게 높일 수 있음을 입증한다. 또한, 분할 파형가이드를 이용한 핀칭 안테나 배열이 기존 설계 대비 하드웨어 비용·전력 소모·전파 손실 측면에서 현저한 이점을 제공한다는 점을 강조한다.

**