물리 기반 텐서 복원을 통한 픽셀형 유동 안테나 라디오 맵 재구성

초록

본 논문은 픽셀 기반 유동 안테나(FAS) 시스템에서 희소한 CSI 측정만으로 고해상도 라디오 맵을 복원하기 위해, 환경의 저‑랭크 특성과 안테나의 결정론적 이득 차이를 물리적 사전으로 결합한 물리‑정규화 저‑랭크 텐서 완성(PR‑LRTC) 프레임워크를 제안한다. 3차원 텐서 모델링, 차동 이득 토폴로지 정규화, ADMM 기반 최적화를 통해 10 % 샘플링 비율에서도 기존 방법 대비 약 4 dB 향상을 달성한다.

상세 분석

본 연구는 픽셀형 유동 안테나가 제공하는 ‘모드‑간 차동 이득’이라는 물리적 제약을 텐서 복원 문제에 직접 삽입함으로써, 기존의 순수 데이터‑드리븐 저‑랭크 텐서 완성 기법이 갖는 물리 무관성 문제를 해결한다. 먼저, 수신 전력 모델을 기반으로 공간 (I×J)과 안테나 모드 (M) 차원을 결합한 3‑way 텐서 X∈ℝ^{I×J×M}를 정의한다. 이 텐서는 경로 손실, 그림자 페이딩, 그리고 모드‑특이적인 안테나 이득 G(r,m)으로 구성되며, 특히 G(r,m)는 EADoF 이론에 따라 제한된 차수 R의 푸리에 기반 기저함수 B_k(ϕ)와 모드‑별 가중치 w_{m,k}의 선형 결합으로 표현된다.

핵심 물리 사전은 차동 이득 토폴로지 D∈ℝ^{I×J×M×M} 로, D_{i,j}^{p,q}=G(r_{i,j},p)-G(r_{i,j},q) 로 정의된다. 이 차분은 경로 손실 및 그림자 항이 상쇄되어 순수히 안테나 구조에 의해 결정되므로, D는 환경 변화에 강인한 ‘물리적 골격’ 역할을 한다. 논문은 D를 이용해 각 위치의 모드 벡터 x_{i,j}에 대한 순환 차분 연산자 A를 적용하고, 실제 복원된 텐서 X̂가 A·x_{i,j}와 이론적 차분 d_{i,j} 사이의 L2 오차를 최소화하도록 정규화 항 R_{phys}(X,D)=∑{i,j}‖A x{i,j}−d_{i,j}‖_2^2 를 설계한다.

전역적인 저‑랭크 특성은 텐서의 각 모드‑언폴딩 X^{(k)}에 대한 핵노름 ‖X^{(k)}‖* 를 가중합(α_k) 형태로 포함시켜, 다중 차원에서의 선형 종속성을 촉진한다. 최종 목적함수는 데이터 적합도 ‖P_Ω(X−Y)‖F^2, 물리 정규화 λ_2 R{phys}, 그리고 저‑랭크 핵노름 λ_1∑α_k‖X^{(k)}‖* 로 구성된다.

이 복합 최적화는 비스무스(비스무스)하고 변수 간 상호 의존성이 강하므로, 변수 분할을 통한 ADMM(Alternating Direction Method of Multipliers) 접근을 채택한다. 보조 변수 M_k를 도입해 핵노름을 M_k에만 적용하고, X는 데이터와 물리 정규화만 담당하도록 분리한다. X‑업데이트는 2차식 형태이므로 각 (i,j) 위치별로 폐쇄형 해를 얻을 수 있어 병렬화가 용이하고, M_k‑업데이트는 특이값 임계값(soft‑thresholding) 연산으로 구현된다. 라그랑주 승수 U_k와 페널티 ρ는 표준 ADMM 스케줄에 따라 갱신된다.

실험에서는 2D 도시 환경 시뮬레이션을 기반으로 I=64, J=64, M=16 정도의 텐서를 구성하고, 5 %~10 %의 랜덤 샘플링 비율에서 PR‑LRTC와 기존의 단순 저‑랭크 텐서 완성, 그리고 CNN‑기반 복원 방법을 비교한다. PR‑LRTC는 특히 그림자 경계와 건물 실루엣 같은 급격한 변화를 보존하면서 평균 제곱 오차(MSE)를 4 dB 정도 낮추고, 시각적으로도 날카로운 에지 복원이 확인된다. 이는 물리 사전이 희소 데이터 사이에 존재하는 ‘숨은 구조’를 효과적으로 전달했기 때문이다.

본 연구의 주요 기여는 (1) 안테나 모드 간 차동 이득을 정량적 물리 사전으로 정형화, (2) 저‑랭크 텐서 모델과 물리 정규화를 통합한 새로운 복원 프레임워크, (3) ADMM 기반 효율적 알고리즘을 제시함으로써 실시간 혹은 근실시간 빔 관리에 적용 가능한 계산 복잡도를 달성한 점이다. 한계점으로는 EADoF 기반 모델이 실제 안테나의 비선형 비이상성(예: 제조 공정 오차, 온도 변동)에는 민감할 수 있어, 정규화 파라미터 λ_2의 튜닝이 필요하고, 복잡한 3D 환경에서는 차동 지도 D의 사전 계산 비용이 증가할 수 있다. 향후 연구에서는 적응형 물리 사전 학습과 다중 주파수·다중 사용자 시나리오에 대한 확장을 고려할 수 있다.