샘플링‑프리 디퓨전 트랜스포머 기반 저복잡도 MIMO 채널 추정

초록

본 논문은 기존 확산 모델이 요구하는 반복 역샘플링을 없애고, 단일 전방 패스로 MIMO 채널을 복원하는 경량 디퓨전 트랜스포머(SF‑DiT‑CE)를 제안한다. 각 채널을 각도 도메인으로 변환해 희소성을 활용하고, VE 노이즈 스케줄링 하에 클린 채널을 직접 예측하도록 학습한다. 실험 결과, 최신 확산 기반 및 전통적 추정기 대비 NMSE를 최대 5.6 dB 개선하면서 연산량과 지연 시간을 크게 감소시켰다.

상세 분석

본 연구는 MIMO 채널 추정 문제를 확산 모델의 프레임워크 안에서 재구성하면서, 기존 방법이 안고 있던 “역샘플링 병목”을 근본적으로 해소한다는 점에서 의의가 크다. 먼저 저자들은 채널의 각도 도메인(공간 푸리에 변환) 표현이 스파스하고 저차원 매니폴드에 가까운 특성을 갖는다는 사실을 이용한다. 이를 통해 복잡한 복소수 CSI를 실수 2채널 2D 이미지 형태로 변환하고, 패치화 후 트랜스포머 토큰으로 입력한다.

노이즈 주입은 VE(Variance‑Exploding) 방식으로 설계했는데, 이는 LS 추정값이 단순히 클린 채널에 AWGN이 더해진 형태와 정확히 일치한다. 따라서 학습 시 사용한 노이즈 스케줄링과 추론 시 입력되는 LS‑LS(Least‑Squares) 추정값 사이에 모델‑불일치가 발생하지 않는다. 기존 VP 기반 방법이 LS 추정에 VP 노이즈를 강제 적용해 성능 저하를 겪는 점을 명확히 지적한다.

예측 목표는 X‑prediction, 즉 노이즈가 섞인 입력으로부터 직접 클린 채널을 복원하도록 설계했다. 이는 채널이 저차원 매니폴드에 존재한다는 가정 하에, 노이즈 혹은 속도와 같은 f‑매니폴드 변수보다 클린 채널 자체를 예측하는 것이 학습 난이도를 크게 낮춘다. 손실 함수는 V‑loss(velocity loss)를 채택했으며, 이는 실제 노이즈와 예측된 클린 채널 사이의 차이를 통해 간접적으로 X‑prediction을 최적화한다.

네트워크 아키텍처는 경량 DiT(디퓨전 트랜스포머)를 사용한다. 입력 토큰은 2D sinusoidal embedding과 노이즈 레벨 임베딩을 결합해 조건부 정규화와 게이팅 메커니즘을 통해 각 트랜스포머 블록에 전달된다. 전체 모델은 L=2 레이어, d=128 차원, 패치 크기 4, 헤드 8로 구성돼 파라미터 수와 연산량을 최소화한다.

추론 단계에서는 먼저 LS 추정을 수행하고, 이를 각도 도메인으로 변환한 뒤 동일한 노이즈 레벨 σ를 조건으로 DiT에 입력한다. 모델은 한 번의 전방 패스로 클린 채널 이미지를 출력하고, 이를 다시 복소수 형태와 공간 도메인으로 역변환한다. 이 과정은 기존 확산 기반 추정기가 요구하던 수십~수백 번의 NFEs(Neural Function Evaluations)를 1로 줄여, 실시간 무선 시스템에 적용 가능한 지연 시간을 제공한다.

실험에서는 3GPP CDL‑C/D 채널 모델을 사용해 (N_r,N_t)=(64,16) ULA 환경에서 40 GHz 대역을 시뮬레이션했다. 학습 데이터는 10,000개, 테스트는 100개씩 사용했으며, 500 epoch 학습 후 성능을 평가했다. 결과는 LS, LMMSE, 기존 VE/VP 기반 확산 모델, 그리고 최신 GAN 기반 방법보다 NMSE가 평균 3–5.6 dB 개선됨을 보여준다. 특히 SNR이 낮은 상황에서도 견고한 복원 능력을 유지했으며, 연산량 측면에서는 기존 확산 모델 대비 10배 이상 빠른 추론 속도를 기록했다.

요약하면, 이 논문은 (1) VE 기반 노이즈 모델과 LS 추정의 일치, (2) 각도 도메인 스파스성 활용, (3) X‑prediction 목표와 V‑loss 손실 설계, (4) 경량 DiT 아키텍처 도입이라는 네 가지 핵심 설계를 통해 확산 모델의 강력한 사전 학습 능력을 유지하면서도 실시간 MIMO 채널 추정에 필요한 복잡도를 크게 낮췄다. 향후 다중 사용자 MIMO, 대역폭 확장, 그리고 하드웨어 가속 구현 등으로 확장 가능성이 높다.