6G 업링크의 한계를 뛰어넘는 추론 기반 통신, 인퍼컴

초록

자원이 제한된 디바이스와 높은 지능형 서비스 요구 사이의 갈등으로 6G 업링크가 주요 병목이 되고 있습니다. 이 논문은 생성형 AI를 수신기에 도입한 ‘인퍼컴’ 아키텍처를 소개합니다. 경량화된 송신기와 강력한 추론 능력을 가진 수신기의 비대칭 구조, QoE 기반 재전송을 통해 낮은 SNR 환경에서도 의미론적 신뢰성을 보장하며, 기존 방식 대비 효율성과 성능을 크게 향상시킵니다.

상세 분석

이 논문이 제안하는 InferCom의 핵심 혁신은 ‘컴퓨팅 비대칭성’에 기반한 패러다임 전환에 있습니다. 기존 의미론적 통신(SemCom)이나 Deep-JSCC가 복잡한 신경망을 송수신 양측에 배치해 부하를 분산했다면, InferCom은 엄격한 자원 제약을 받는 디바이스(송신기)의 부담을 극적으로 줄이는 동시에, 네트워크 측(수신기)의 풍부한 컴퓨팅 자원을 활용합니다. 구체적으로, 송신기는 다운샘플링이나 평균 필터링 같은 단순한 작업-불가지적 압축만 수행합니다. 이는 정보 이론적 관점에서 원본 신호와의 상호 정보량(I(X;U))을 의도적으로 줄이는 행위지만, 생성형 AI 모델이 가진 강력한 ‘생성 사전 지식’ 덕분에 수신기에서 충분한 의미론적 재구성이 가능해집니다.

또한, ‘오류 분산 채널 코딩’ 개념은 통신 이론의 고정관념을 깹니다. 기존 FEC는 오류 자체를 제거하는 데 목적을 두지만, InferCom은 생성형 AI 모델이 처리하기 쉬운 형태로 오류를 분산시키는 것을 목표로 합니다. 구조화된 오류(예: 특정 블록 전체 손실)보다 무작위로 분산된 오류가 AI 추론에 더 유리할 수 있다는 통찰이 반영된 설계입니다.

마지막으로, QoE 인식 재전송 메커니즘은 의미론적 적절성을 최종 판단 기준으로 삼아 프로토콜 계층의 효율성을 재정의합니다. 비트 오류가 존재하더라도 AI 모델이 작업 관련성을 만족시키는 재구성을 해낸다면 재전송을 요청하지 않아, 낮은 SNR 환경에서의 불필요한 지연과 오버헤드를 줄입니다. 이 모든 설계 원리는 궁극적으로 정보 병목 이론의 확장된 관점에서 설명될 수 있으며, ‘작업 관련 정보’의 보존과 전달이라는 최종 목표에 모든 계층이 부합하도록 통신 스택을 재구성했다는 점에서 의미가 깊습니다.