AI 제한과 유동 안테나가 결합된 통합 감지·통신 시스템의 근본 한계

초록

본 논문은 송신 측 AI 인코더가 정보 용량을 제한하는 “표현 병목”을 도입하고, 수신 측은 유동 안테나(FAS)로 최적 포트를 선택하는 ISAC 시스템을 모델링한다. AI 병목은 등가적인 가우시안 잡음으로 작용해 통신·감지 SNR을 감소시키며, 포트 선택 이득은 FAS 길이에 비례하는 공간 자유도에 의해 제한된다. 길이를 늘리면 선택 포트 SNR이 AI‑제한 상한에 근접해 통신률과 감지 MSE가 각각 AI‑제한 용량·왜곡 경계에 수렴한다.

상세 분석

본 연구는 ISAC(통합 감지·통신) 시스템에 두 가지 최신 기술—AI 기반 전송 인코딩과 유동 안테나(FAS)—을 동시에 적용함으로써 발생하는 근본적인 성능 한계를 정보이론적으로 규명한다. 먼저 송신부에서는 이상적인 가우시안 파형 X를 AI 인코더를 통해 제한된 용량 C_AI를 가진 잠재 표현 Z로 변환한다. 이는 전통적인 채널 용량 제한이 아니라, 학습 모듈이 보유한 정보 저장량에 의해 제약되는 “표현 병목”이며, Z = X + W_z (W_z∼𝒞𝒩(0,N_z)) 형태의 가우시안 잡음 모델로 등가화된다. MI 제약 I(X;Z) ≤ C_AI 를 만족시키는 최소 잡음 분산 N*_z = P/(2^{C_AI}−1) 로부터, AI 병목이 실제 전송 신호에 추가적인 잡음으로 작용함을 확인한다.

수신부는 L개의 포트를 가진 유동 안테나를 이용해 각 포트 ℓ에 대한 통신 채널 이득 h_{c,ℓ}와 감지 채널 이득 h_{s,ℓ}를 관측한다. 포트 선택 규칙 U(·)=arg max_ℓ |h_{c,ℓ}|^2 (또는 복합 유틸리티)으로 가장 좋은 포트를 선택함에 따라, 선택된 포트의 유효 SNR은 Γ*c = P|h{c,ℓ*}|^2/(N_0+N_z) 와 Γ*s = P|h{s,ℓ*}|^2/(N_0+N_z) 로 표현된다. 여기서 N_0는 열 잡음, N_z는 AI 병목 잡음이다. 따라서 AI 병목은 통신·감지 양쪽 SNR을 동일하게 저감시키며, 이는 전통적인 ISAC 모델에서 가정하던 “무제한 파형 생성” 가정과 근본적으로 다르다.

다음으로 저자들은 Jakes 상관 모델을 적용해 포트 간 공간 상관성을 분석한다. Jakes 상관 행렬 R의 수치적 랭크 r_eff는 실제 유동 안테나 길이 W와 포트 간 간격 d에 의해 결정되며, r_eff = rank(R) ≈ ⌊2πW/λ⌋ 로 근사된다. 이는 포트 수 L과 무관하게 물리적 길이에 의해 결정되는 유효 자유도(DoF)를 의미한다. 포트 선택 이득은 r_eff에 비례하는 다이버시티 순서로 제한되며, L을 무한히 늘려도 SNR 향상은 포기되지 않는다.

AI 병목이 존재함에도 불구하고, FAS 길이를 충분히 확대하면 선택 포트의 평균 채널 이득이 AI‑제한 상한 Γ_AI = P/(N_0+N*_z) 에 근접한다. 이 경우 통신 용량 C = log₂(1+Γ*_c) 가 C_AI 로 수렴하고, 감지 MSE D_s = σ_θ^2/(1+Γ*_s) 가 AI‑제한 최소 왜곡에 도달한다. 저자들은 레일리 페이딩을 가정한 정확한 용량‑왜곡 영역을 도출하고, 상한(Converse)와 하한(Achievability) 모두를 일치시키는 코딩·디코딩 스키마를 제시한다. 또한 변분 정보 병목(VIB) 기반 실용적인 신경망 인코더 설계를 제안해, 이론적 가우시안 모델을 실제 딥러닝 구현으로 연결한다.

결과적으로, 본 논문은 (1) AI 표현 병목이 등가적인 잡음으로 작용해 ISAC 성능을 제한함을, (2) 유동 안테나의 물리적 길이가 공간 자유도를 결정하고 포트 선택 이득을 제한함을, (3) 두 제한을 동시에 고려한 경우에도 FAS 길이 확장을 통해 AI‑제한 상한에 도달할 수 있음을 rigorously 증명한다. 이는 차세대 6G 시스템 설계 시 AI 기반 전송 모듈과 유동 안테나 하드웨어의 상호 보완적 배치를 위한 중요한 설계 지침을 제공한다.