텍스트 기반 채널 추정을 위한 의미 파일럿 설계

초록

본 논문은 대형 언어 모델(LLM)을 활용해 텍스트 전송 중 발생하는 오탈자를 교정하고, 교정 전후 텍스트를 비교해 신뢰할 수 있는 심볼을 추출한다. 이 ‘의미 파일럿’은 기존 파일럿 신호와 결합해 데이터 보조 채널 추정에 사용되며, 시뮬레이션 결과 기존 파일럿 전용 방식보다 NMSE, 위상 오차, BER 모두에서 우수함을 보인다.

상세 분석

이 연구는 전통적인 파일럿 기반 채널 추정의 한계를 극복하기 위해 의미 정보를 활용한다는 점에서 혁신적이다. 먼저 SISO 시스템을 가정하고, 텍스트 데이터를 6비트 고정 길이 부호화 후 QPSK 변조한다. 전송된 파일럿은 Zadoff‑Chu 시퀀스로 구성되어 LS 추정으로 초기 채널을 얻는다. 초기 추정이 불완전하면 디코딩된 텍스트에 오탈자가 발생하고, 이는 LLM이 제공하는 문맥 기반 교정으로 보정된다. 핵심 아이디어는 교정 전후 텍스트를 문자 단위로 일치 여부를 검사해, 변함없는 문자에 대응하는 변조 심볼을 ‘신뢰 가능한 심볼’로 간주하는 것이다. 이러한 심볼 집합을 ‘의미 파일럿’이라 명명하고, 기존 파일럿과 함께 두 단계의 데이터 보조 추정에 투입한다.

첫 단계는 위상 추정으로, 파일럿과 의미 파일럿을 모두 사용해 최소 제곱법으로 복소 채널 위상을 추정한다. 여기서 각 심볼의 복소 공액을 가중치로 사용해 평균을 구함으로써 노이즈에 대한 강인성을 확보한다. 두 번째 단계는 크기 스케일링으로, 전체 디코딩된 텍스트 심볼을 이용해 채널 이득을 평균화한다. 이는 대수의 법칙을 활용해 잡음 평균을 0에 가깝게 만들면서 위상 추정 결과를 보정한다.

시뮬레이션에서는 Europarl 데이터셋을 사용해 실제 언어 특성을 반영했으며, OpenAI의 gpt‑4‑mini 모델을 LLM으로 채택했다. 비교 대상은 전통적인 파일럿 전용 추정, 전체 디코딩 심볼을 이용한 데이터 보조 추정, LLM 교정 심볼 전체를 이용한 추정 등이다. 결과는 의미 파일럿을 활용한 제안 방식이 NMSE와 위상 오차에서 가장 낮은 값을 기록했으며, BER 역시 9 dB SNR에서 기존 파일럿 방식 대비 약 7.85 % 개선되었다. 특히 신뢰도(99.94 %)와 검출률(97.29 %)이 매우 높아 의미 파일럿이 실제 오류 없는 심볼을 효과적으로 추출함을 입증한다.

이 논문의 주요 공헌은 (1) LLM을 이용한 텍스트 교정과 의미 기반 심볼 선택이라는 새로운 데이터 보조 채널 추정 프레임워크 제시, (2) 의미 파일럿을 통해 파일럿 오버헤드 없이도 추정 정확도를 크게 향상시킨 점, (3) 기존 통계 기반 신뢰도 판단과는 달리 언어적 맥락을 활용함으로써 복합적인 통신·언어 시스템에 적용 가능성을 열었다는 점이다. 향후 연구에서는 MIMO 확장, 경량화 LLM 적용, 실시간 시스템 구현 등을 통해 실용성을 높일 필요가 있다.