동적 산업 환경을 위한 메모리 증강 생성 AI 기반 실시간 무선 채널 예측

초록

본 논문은 스마트 창고와 같은 동적인 산업 현장에서 SINR을 실시간으로 예측하기 위해, 메모리‑증강 변분 오토인코더와 ConvLSTM을 결합한 Evo‑WISVA 모델을 제안한다. 주목할 만한 성능 향상(재구성 오차 47.6 % 감소)과 10개의 이동 장애물까지 일반화 가능한 효율성을 입증한다.

상세 분석

Evo‑WISVA는 두 개의 핵심 모듈, 즉 메모리‑증강 변분 오토인코더(VAE)와 Convolutional LSTM(ConvLSTM)으로 구성된다. VAE는 입력으로 거리 지도, 유전율 지도, AP 위치 지도 등 세 가지 물리‑기반 텐서를 받아 공간적 특성을 압축하고, 평균과 로그 분산을 통해 잠재 변수 z를 샘플링한다. 여기서 주목할 점은 잠재 메모리 모듈(LMM)이다. LMM은 과거 z 값들을 메모리 뱅크에 저장하고, 현재 z 를 쿼리로 삼아 키‑값 어텐션을 수행한다. 이 과정에서 시간적 연속성을 보존하고, 급격한 환경 변화에 대한 ‘플리커링’ 현상을 완화한다. 어텐션 가중치는 스케일드 닷‑프로덕트 방식으로 계산되며, 가중합 결과가 기존 z 에 더해져 ẑ 를 만든다. 디코더는 ẑ 를 역컨볼루션으로 복원해 현재 시점의 SINR 히트맵을 출력한다.

시간적 예측을 담당하는 ConvLSTM은 VAE가 생성한 복원된 SINR 맵과 원본 입력 텐서를 채널 차원으로 결합해 입력한다. ConvLSTM은 공간적 구조를 유지하면서 시계열 정보를 학습하므로, 전통적인 LSTM보다 메모리 사용량과 연산량이 효율적이다. 두 모듈은 공동 손실 함수를 통해 end‑to‑end 학습된다. 손실은 재구성 손실(예: MSE), KL‑다이버전스, 그리고 ConvLSTM 예측 손실을 가중합한 형태이며, β‑조정을 통해 VAE의 잠재 공간 정규화와 예측 정확도 사이의 균형을 맞춘다.

데이터셋은 ns‑3 시뮬레이터를 이용해 5 GHz 및 60 GHz 대역의 스마트 창고 환경을 고해상도 SINR 히트맵으로 생성한 것이다. 시뮬레이션에는 이동 로봇, 자동 운반차량, 가변형 선반 배치 등 10가지 이상의 동적 장애물을 포함시켜 복잡성을 높였다. 실험에서는 기존 CNN‑LSTM, 순수 VAE, 그리고 최신 Diffusion 기반 모델과 비교했으며, Evo‑WISVA는 평균 재구성 오차와 예측 RMSE 모두에서 30 % 이상 개선을 보였다. 특히, 메모리 모듈을 제외한 베이스라인은 장애물 수가 증가할수록 급격히 성능이 저하되었으나, Evo‑WISVA는 안정적인 추론 시간을 유지하며 10 ms 이하의 지연으로 실시간 적용이 가능했다.

한계점으로는 메모리 뱅크 크기와 어텐션 연산이 모델 규모를 제한한다는 점, 그리고 시뮬레이션 기반 데이터에 의존하므로 실제 현장 적용 시 도메인 갭이 존재할 수 있다는 점을 언급한다. 향후 연구에서는 온라인 학습과 도메인 적응 기법을 결합해 현장 데이터를 지속적으로 반영하는 방안을 제시한다.