다중 AP 협업 수신을 위한 교차‑주의 트랜스포머 기반 신경 디코더

초록

본 논문은 다중 액세스 포인트(AP)에서 수신된 OFDM 업링크 신호를 공동으로 복호화하기 위해, 각 AP별로 공유된 인코더와 토큰‑단위 교차‑주의(Cross‑Attention) 융합 모듈을 결합한 경량 트랜스포머 구조를 제안한다. 비트‑메트릭 목표로 학습되어 파일럿이 희박하거나 일부 링크가 손실된 상황에서도 각 AP의 신뢰도를 자동으로 가중합하고, 전통적인 LS/LMMSE 파이프라인 및 CNN 기반 베이스라인을 지속적으로 능가한다. 또한 완전 CSI를 가정한 이상적인 디코더와도 경쟁하거나 경우에 따라 초과하는 성능을 보이며, GPU 상에서 낮은 GFLOPs와 지연시간을 달성한다.

상세 분석

이 연구는 차세대 Wi‑Fi(특히 802.11be/8)에서 요구되는 고속·고신뢰 전송을 지원하기 위해, 다중 AP 협업 수신(Multi‑AP Joint Reception)이라는 구조적 기회를 신경망 기반 디코더 설계에 직접 반영한다. 핵심 아이디어는 “공유 인코더 + 교차‑주의 융합”이다. 먼저 각 AP는 동일한 파라미터를 가진 트랜스포머 인코더에 입력되며, 복소수 수신값의 실·허수와 노이즈 분산을 3‑차원 토큰으로 변환 후 2‑D 사인파 위치 인코딩을 더한다. 4개의 인코더 레이어는 멀티‑헤드 셀프‑어텐션을 통해 시간‑주파수 전역 의존성을 학습하고, 채널 추정·이퀄라이제이션·디맵핑을 하나의 엔드‑투‑엔드 블록으로 대체한다.

그 다음 단계에서 토큰‑단위 교차‑주의가 적용된다. 동일한 TF 위치에 대해 N_R개의 AP 토큰을 모아, 하나를 ‘앵커’(예: AP 1)로 설정하고 나머지를 키와 밸류로 활용한다. 쿼리‑키‑밸류 선형 변환 후 스케일드 닷‑프로덕트 어텐션을 수행해, 각 AP의 신뢰도(예: SNR, 페이딩 상태)를 데이터‑드리븐 방식으로 가중합한다. 이렇게 얻어진 융합 표현은 잔차 연결과 레이어 정규화를 거쳐 최종 MLP 헤드에 전달돼, QAM 심볼당 비트 수(m)만큼의 LLR을 출력한다.

학습 목표는 비트‑메트릭 디코딩(BMD) 레이트를 최대화하는 것으로, 이는 BCE 손실과 등가이며, 직접적인 BER 최소화보다 미분 가능성을 제공한다. 실험에서는 3GPP UMi 채널 모델을 기반으로 다양한 SNR, 파일럿 밀도, AP 수(N_R=24) 조건을 시뮬레이션했다. 결과는 전통적인 LS/LMMSE 파이프라인, 최신 CNN 기반 수신기, 그리고 완전 CSI를 가정한 이상적인 디코더와 비교했을 때, 제안 모델이 평균 1.22.0 dB의 SNR 이득을 제공함을 보여준다. 특히 파일럿 비율이 2 % 이하로 감소하거나 일부 AP가 완전히 차단된 경우에도 성능 저하가 미미하며, 교차‑주의가 자동으로 손실된 링크를 무시하고 남은 링크에 집중한다는 점이 강조된다.

계산 복잡도 측면에서, 전체 모델은 약 0.8 GFLOPs(입력 크기 64 × 14) 수준이며, RTX 3080 기준 0.3 ms 이하의 추론 지연을 기록한다. 이는 실시간 무선 시스템에 적용 가능한 수준이며, 파라미터 수는 3 M 이하로 경량화돼 온‑칩 구현 가능성을 시사한다. 한계점으로는 프론트홀 대역폭이 충분히 낮은 경우에만 원시 RE를 중앙집중식으로 전송한다는 가정과, 앵커 AP 선택이 고정되어 있어 동적 네트워크 토폴로지 변화에 대한 추가 연구가 필요하다는 점을 들 수 있다. 전반적으로, 교차‑주의 기반의 트랜스포머는 다중 AP 협업 수신에서 채널 추정·이퀄라이제이션·디맥핑을 통합적으로 대체할 수 있는 강력하고 효율적인 프레임워크임을 입증한다.