내부 경로 진화 모델 기반 채널 디지털 트윈으로 6G 무선통신 혁신

초록

본 논문은 기존 외부 센서에 의존하는 채널 디지털 트윈(CDT)의 한계를 극복하고자, 연속적인 CSI 측정만으로 물리적 경로 변화를 디지털화하는 Path Evolution Model(PEM)을 제안한다. PEM은 완전 내재형(endogenous), 자체 지속(self‑sustaining), 환경 일반화(environment‑generalizable)라는 세 가지 핵심 장점을 갖으며, 경량화된 운영 프레임워크와 효율적인 학습 기법을 통해 고정밀·저오버헤드 CSI 획득을 실현한다. 시뮬레이션 결과, PEM은 다양한 환경에서 기존 CDT 대비 뛰어난 예측 정확도와 파일럿 오버헤드 감소 효과를 보였다.

상세 분석

PEM은 “경로 추출 → 경로 업데이트 → 경로 진화”의 3단계 파이프라인으로 구성된다. 첫 단계에서는 기존 SRS 등 파일럿 신호로부터 얻은 고차원 CSI를 delay‑angular 도메인으로 변환하고, ESPRIT·SAGE와 같은 고해상도 파라미터 추정 기법을 이용해 각 경로의 지연, AoA, 전력 등 물리적 특성을 추출한다. 이때 경로 수가 환경에 따라 달라질 수 있음을 감안해 클러스터링 기반 서브패스 합성을 도입함으로써 풍부한 다중산란 환경에서도 안정적인 특성 추출이 가능하도록 설계하였다.

두 번째 단계인 경로 업데이트에서는 추출된 경로 특성을 시간 순서대로 입력으로 받아, 신경망(NN) 기반의 연속시간 모델에 전달한다. 여기서 NN은 LSTM·GRU와 같은 순환 구조를 채택해 과거 히스토리를 은닉 상태에 압축 저장한다. 경로의 ‘탄생·소멸’ 현상은 특성 거리와 사전 정의된 임계값을 이용해 자동 검출하고, 살아남은 경로는 이분 매칭(bipartite matching)으로 과거 경로와 연결한다. 이렇게 함으로써 블로킹 상황에서도 모델이 급격히 붕괴되지 않고, 실시간으로 디지털 트윈을 갱신할 수 있다.

세 번째 단계인 경로 진화에서는 업데이트된 은닉 상태를 기반으로 미래 시점의 경로 특성을 예측한다. 핵심은 물리적 파라미터(전도도, 유전율 등)와 이동 모델(속도, 가속도, 경로 토폴로지)이 환경에 따라 변하더라도, 이들 파라미터가 CSI 히스토리에서 암묵적으로 추정될 수 있다는 ‘환경 불변성(invariance)’ 가정이다. 논문은 EM 전파 법칙과 이동학적 모델이 보편적이며, 이를 히스토리에서 추출된 특성으로 대체함으로써 목표 함수가 환경에 독립적임을 수식적으로 증명한다.

학습 효율성을 위해 저차원 특성(예: delay‑angular 파워 스펙트럼)만을 입력으로 사용하고, 전이 학습(domain adaptation) 기법을 적용해 한 환경에서 학습된 모델을 다른 환경에 최소한의 fine‑tuning만으로 적용한다. 실험에서는 0.1 s 업데이트 주기로 충분히 빠른 실시간 성능을 확보하면서도 메모리 사용량을 수십 KB 수준으로 제한하였다.

시뮬레이션 결과는 두 가지 주요 지표에서 기존 CDT·전통 CSI 획득 방식을 능가한다. 첫째, 파일럿 밀도가 10 % 수준으로 감소해도 평균 제곱오차(MSE)가 10⁻³ 이하로 유지돼 고정밀 빔포밍이 가능하다. 둘째, 환경 전이 실험(도시·실내·산악)에서 모델 재학습 없이도 2 dB 이내의 성능 저하만을 보이며, 이는 환경 일반화 능력이 실제 무선망 배치 비용을 크게 절감함을 의미한다.

전반적으로 PEM은 “채널을 측정 → 경로를 디지털 트윈화 → 미래 채널을 예측”이라는 순환 구조를 통해, 외부 센서 없이도 고차원 CSI 획득의 병목을 해소하고, 6G 대규모 Massive MIMO 시스템에 필수적인 저오버헤드·고정밀 CSI 제공을 가능하게 한다.