대규모 MIMO 무작위 접속을 위한 생성 확산 모델 기반 통합 탐지·채널 추정·데이터 복원

초록

**
본 논문은 대규모 MIMO 시스템에서 변동 파일럿 길이에 대응하는 Transformer 기반 활성 사용자 탐지(AUD)와, 점수 함수를 활용한 생성 확산 모델(GDM)으로 채널 추정(CE) 및 데이터 검출(DD)을 공동 수행하는 두 단계 프레임워크를 제안한다. 변동 파일럿 길이와 안테나 수에 대해 하나의 모델만으로 일반화가 가능하도록 설계했으며, 학습된 점수와 폐쇄형 식으로 얻은 점수를 결합한 비동기 교대 방식의 예측‑보정 샘플링을 통해 기존 방법 대비 AUD, CE, DD 모두에서 현저한 성능 향상을 달성한다.

**

상세 분석

**
본 연구는 대규모 무작위 접속(Massive Random Access, MRA) 환경에서 세 가지 핵심 과제인 활성 사용자 탐지(AUD), 채널 추정(CE), 데이터 검출(DD)을 통합적으로 해결하고자 한다. 첫 번째 단계에서는 파일럿 길이가 가변적인 상황을 고려해 Transformer 기반 네트워크(VPL‑AUDNet)를 설계하였다. 기존 Transformer‑AUD는 고정된 파일럿 길이에 최적화돼 파일럿 길이가 바뀔 경우 재학습이 필요했지만, 저자들은 파일럿 길이 정보를 명시적으로 입력하고, 파일럿 길이에 따라 가중치를 조정하는 파일럿 길이 적응 모듈(PLAM)을 도입함으로써 하나의 모델이 다양한 파일럿 길이와 안테나 수에 대해 일반화하도록 만들었다. 또한, 수신 신호의 공간 상관성을 추출하는 Spatial Correlation Module(SCM)을 삽입해 다중 안테나 간의 상관관계를 학습, 비정규 채널 환경에서도 탐지 정확도를 크게 향상시켰다.

두 번째 단계는 생성 확산 모델(GDM)을 이용한 JCEDD(Joint Channel Estimation and Data Detection)이다. 확산 과정은 고차원 가우시안 잡음에서 시작해 역확산을 통해 실제 채널과 데이터 심볼을 복원한다. 핵심은 점수 함수(Score Function)이며, 이는 로그 사후 확률의 그래디언트이다. 저자들은 점수 함수를 두 부분으로 분해한다. 첫 번째는 대규모 채널 데이터셋을 이용해 신경망으로 학습된 부분으로, 복잡하고 비선형적인 채널 분포를 효과적으로 모델링한다. 두 번째는 심볼 집합의 사전 분포와 전송 모델이 알려져 있기 때문에 폐쇄형 식으로 직접 계산할 수 있다. 이렇게 얻은 전체 점수를 이용해 Predictor‑Corrector 샘플러를 적용, 비동기적으로 CE와 DD를 교대로 수행한다. 초기화 단계에서는 LMMSE 기반의 CE를 사용해 초기 잡음 레벨을 크게 낮추어 샘플링 단계 수를 감소시키고 수렴 속도를 높였다.

시뮬레이션 결과는 제안된 VPL‑AUDNet이 파일럿 길이가 4, 8, 16 등 다양한 설정에서 기존 Covariance‑based AUD, 기존 Transformer‑AUD보다 높은 탐지 정확도와 낮은 복구 오류율을 보였으며, GDM‑ 기반 JCEDD는 SMLD·ALD 기반 방법들에 비해 MSE와 BER에서 2~3 dB 정도의 이득을 제공한다. 특히, 비동기 교대 구조가 채널 추정 오차를 데이터 검출에 반영하고, 반대로 데이터 복원된 심볼을 다시 채널 추정에 활용함으로써 전통적인 순차식(CE→DD)보다 견고한 성능을 달성한다.

이 논문은 (1) 파일럿 길이와 안테나 수에 대한 모델 일반화, (2) 점수 기반 확산 모델을 통한 연속적인 JCEDD, (3) 비동기 교대 예측‑보정 샘플링이라는 세 가지 혁신적인 요소를 제시함으로써, 차세대 6G·초대규모 IoT 환경에서 요구되는 초저지연·초고밀도 접속을 실현하는 데 중요한 기술적 토대를 제공한다.

**