신경 가우시안 라디오 필드 기반 채널 추정

초록

본 논문은 무선 채널 상태 정보를 효율적으로 추정하기 위해 물리 기반의 신경 가우시안 라디오 필드(nGRF) 프레임워크를 제안한다. 3차원 가우시안 프리미티브를 전파원으로 해석하고, 복소값 집합을 직접 3D 공간에서 합성함으로써 전자기 파동의 선형 중첩을 자연스럽게 모델링한다. 실험 결과, 기존 최첨단 방법 대비 10.9 dB 높은 SNR와 220배 빠른 추론 속도(1.1 ms) 등을 달성하였다.

상세 분석

nGRF는 기존 NeRF·3DGS 기반 무선 채널 모델이 갖는 “시각적 가시성·알파 블렌딩”이라는 비물리적 편향을 완전히 배제하고, 전자기학의 기본 원리인 그린 함수와 파동 중첩 법칙을 직접 구현한다. 구체적으로, 각 가우시안 프리미티브 Gi는 위치 μi와 이방성 공분산 Σi를 파라미터로 갖는 복소값 소스 Ai와 결합되어, 수신점 prx에서의 채널 기여 Ci=Ai·Gi(prx)·wi(prx) 로 계산된다. 여기서 wi는 수신점과 프리미티브 중심 사이의 마할라노비스 거리 기반 가중치이며, 이는 전파 경로 손실과 위상 변이를 동시에 반영한다. 전체 채널 행렬 H는 모든 프리미티브의 복소합으로 얻어지며, 이는 연속적인 전자기 적분 E(r)=∫V G(r,r′)J(r′)dV′를 유한 개 파라미터 집합으로 이산화한 형태와 동일하다.

학습 목표는 단순히 H를 예측하는 것이 아니라, 물리적으로 의미 있는 소스 파라미터 {μi,Σi,Ai}를 복원하는 역문제이다. 이 접근은 두 가지 중요한 이점을 제공한다. 첫째, 파라미터 공간이 제한적이므로 정규화 효과가 자연스럽게 발생해 데이터 효율성이 크게 향상된다. 둘째, 파라미터 자체가 물리적 해석이 가능하므로 환경 인식·리소스 배치 등 실용적 응용에 바로 활용될 수 있다.

실험에서는 실내(10 m³)와 대규모 야외(1000 m³) 시나리오를 모두 고려했으며, nGRF는 18배 적은 측정 밀도에서도 28.32 dB SNR을 유지했다. 또한, 단일 서브캐리어 학습 후 전체 대역에 일반화되는 특성을 보여, 주파수 의존적 매핑이 아닌 공간 구조 학습임을 입증한다. 학습 및 추론 시간 역시 기존 NeRF 기반 모델(수백 ms) 대비 180배·220배 가량 가속화되어 5G·6G 실시간 CSI 피드백 요구사항을 충족한다.

한계점으로는 프리미티브 수 N을 사전에 결정해야 하는 점과, 복잡한 비선형 매질(예: 금속 표면에 강한 반사)에서 그린 함수 근사가 정확히 맞지 않을 가능성이 있다. 향후 연구에서는 적응형 프리미티브 추가·제거 메커니즘과, 환경별 맞춤 그린 커널 학습을 통해 이러한 제약을 완화할 수 있을 것으로 기대된다.