3.5 GHz 데이터로 7 GHz 채널을 예측하는 딥러닝 프레임워크 CIR‑UNext

초록

본 논문은 저주파 3.5 GHz 채널 임펄스 응답(CIR)을 활용해 상위 미드밴드 7 GHz CIR을 고정밀도로 예측하는 딥러닝 모델인 CIR‑UNext을 제안한다. 레이 트레이싱 기반 데이터셋을 구축하고, 주의(attention) U‑Net 구조를 변형한 Gain‑UNext과 Phase‑UNext을 각각 이득과 위상 예측에 적용한다. 보조 입력(안테나 패턴, AoD 등)을 포함한 AU‑Net‑Aux가 평균 이득 오차 0.58 dB, 위상 오차 0.27 rad를 달성했으며, 이를 토대로 MIMO‑OFDM 시스템의 스루풋을 예측하는 Channel2ComMap 기반 모델도 기존 방법보다 우수한 성능을 보였다.

상세 분석

본 연구는 6G 상위 미드밴드(FR3, 7–24 GHz)에서 채널 추정·예측이 필수적이라는 점에 착안한다. 고주파 대역은 침투 손실과 차단 현상이 심해 측정 비용이 크게 증가하고, 레이 트레이싱(RT) 기반 시뮬레이션은 계산량이 방대해 실시간 적용이 어렵다. 이러한 문제를 해결하기 위해 저주파 3.5 GHz 대역에 이미 존재하는 풍부한 CIR 데이터를 고주파 7 GHz 채널로 변환하는 방법을 모색한다. 물리적 근거는 3GPP TR 38.901의 채널 모델에서 각 경로의 지연·각도·방향 벡터 등은 주파수에 독립적이며, 주파수 의존성은 전파 손실·재료 상호작용·위상 회전 등 전송 행렬 Tₗ(f) 에만 존재한다는 점이다. 따라서 저주파에서 얻은 경로 기하 정보를 그대로 재사용하고, Tₗ(f) 의 주파수 의존성을 학습하면 고주파 채널을 정확히 재구성할 수 있다.

데이터셋 구축은 OpenStreetMap과 Blender를 이용해 실제 도시 환경을 3D 메쉬로 변환하고, Sionna와 Shooting‑and‑Bouncing‑Rays(SBR) 알고리즘으로 3.5 GHz와 7 GHz 각각에 대해 다중 경로를 시뮬레이션한다. 안테나 빔폭·이득 차이, 랜덤 회전 등을 반영해 900개의 테스트 샘플을 포함한 대규모 페어링 데이터를 확보하였다. 이러한 물리 기반 데이터는 학습이 실제 환경에 일반화될 수 있는 토대를 제공한다.

모델 설계는 두 개의 전용 AU‑Net 변형으로 구성된다. Gain‑UNext은 (4·L+1) 채널 입력(경로 이득, 상호작용 횟수, 안테나 패턴, AoD 등)을 받아 7 GHz 경로 이득을 예측하고, Phase‑UNext은 (2·L) 채널 입력(지연·상호작용 수)으로 위상을 예측한다. AU‑Net‑Aux는 보조 정보를 인코더와 스킵 연결에 동시에 전달함으로써 정보 손실을 최소화한다. 실험 결과, 표준 U‑Net 대비 주의 게이트와 보조 입력을 결합한 AU‑Net‑Aux가 평균 절대 오차를 0.70 dB(중위값)로 낮추고 IQR을 1.34 dB까지 축소한다. 특히 안테나 패턴과 AoD를 함께 제공했을 때 오차 감소 효과가 가장 크게 나타났다. 건물 밀도가 높은 BM2 환경에서는 오차가 더 낮아졌으며, 이는 복잡한 다중 경로가 모델에 충분한 학습 신호를 제공하기 때문으로 해석된다.

추가적으로, CIR‑UNext을 기반으로 한 Foundation Model인 Channel2ComMap을 설계해 MIMO‑OFDM 시스템의 스루풋을 직접 예측한다. 기존 Geo2ComMap이 지리 정보와 희소 스루풋 샘플에 의존하는 반면, 본 모델은 전체 경로 이득·위상 정보를 활용해 더 정밀한 채널 매핑을 수행한다. 실험에서는 평균 스루풋 예측 오차가 기존 방법 대비 15 % 이상 감소했으며, 실시간 자원 할당·빔 관리 등에 바로 적용 가능한 수준의 연산 효율성을 보였다.

한계점으로는 7 GHz 외에 12 GHz, 24 GHz 등 보다 넓은 FR3 대역에 대한 일반화 검증이 부족하고, 실제 현장 측정 데이터와의 차이 분석이 미비하다. 또한, 모델이 경로 수 L=20으로 고정돼 있어 매우 풍부하거나 희박한 다중 경로 환경에서의 성능 변동을 추가로 조사할 필요가 있다. 향후 연구에서는 멀티‑밴드(3.5 GHz, 7 GHz, 14 GHz 등) 공동 학습, 물리‑인포드 손실 함수 도입, 그리고 실시간 디지털 트윈 시스템에의 통합을 목표로 할 수 있다.