Movable 안테나 기반 딥러닝 채널 추정 및 빔포밍

초록

본 논문은 이동 가능한 안테나(MA) 시스템에서 정확한 채널 상태 정보를 확보하고, 안테나 위치와 디지털 빔포밍을 공동 최적화하기 위해 두 단계의 채널 추정과 트랜스포머 기반 위치 선택, 모델 기반 WMMSE 빔포밍을 결합한 딥러닝 프레임워크를 제안한다. 압축 센싱으로 초기 CSI를 복원한 뒤 Swin‑Transformer 기반 디노이징 네트워크로 정제하고, 정제된 CSI를 입력으로 트랜스포머 인코더가 각 서브캐리어에 대한 최적 안테나 위치를 예측한다. 마지막으로 가중 평균 제곱오차(WMMSE) 원리를 활용한 경량화된 빔포밍 네트워크가 합산 전송률을 극대화한다. 시뮬레이션 결과, 제안 방법은 기존 압축 센싱·WMMSE 조합에 비해 NMSE와 sum‑rate 모두에서 현저히 우수함을 보인다.

상세 분석

이 논문은 이동 가능한 안테나(MA)라는 새로운 자유도를 활용해 차세대 6G 무선 시스템의 성능을 끌어올리는 방안을 제시한다. 기존 고정 안테나 기반 MIMO는 다수의 RF 체인과 복잡한 신호 처리 비용이 크게 요구되지만, MA는 물리적으로 안테나 위치를 조정함으로써 채널 조건을 직접 최적화한다는 점에서 비용·전력 효율성 측면에서 큰 장점을 가진다. 그러나 MA 시스템에서 핵심적인 문제는 ‘정확한 CSI 확보’와 ‘위치·빔포밍 공동 최적화’라는 이중 과제이다.

첫 번째 기여는 두 단계로 구성된 채널 추정(CE) 프레임워크이다. 초기 단계에서는 압축 센싱(Compressive Sensing, CS) 기반의 SOMP(동시 정규 직교 매칭 추출) 알고리즘을 사용해 제한된 파일럿 측정값으로부터 고차원 채널 행렬을 희소 표현으로 복원한다. 여기서 가상 각도(azimuth, elevation)를 G×G 격자로 세분화해 사전(dictionary) 행렬을 구성하고, 모든 서브캐리어에 대해 동일한 지원 집합(support set)을 강제함으로써 다중 경로(L) 정보를 일관되게 추정한다. 이 단계는 기존 CS 기반 CE가 갖는 ‘희소 모델 의존성’ 문제를 완화하지만, 여전히 측정 노이즈와 모델 불일치에 취약하다.

이를 보완하기 위해 두 번째 단계에서는 Swin‑Transformer 기반의 MA‑CENet을 도입한다. 입력은 CS‑복원된 채널 텐서를 실수·허수로 분리한 뒤 패치 임베딩을 수행하고, 윈도우 기반 다중 헤드 셀프 어텐션과 시프트 윈도우 메커니즘을 결합한 계층적 트랜스포머 블록을 여러 층 쌓는다. 로컬(짧은 거리) 의존성은 윈도우 어텐션이, 글로벌(장거리) 의존성은 시프트 윈도우가 각각 포착한다. 이후 패치 병합(patch merging)과 듀얼 업스케일링(표준 컨볼루션 + 픽셀 셔플) 디코더를 통해 원래 해상도로 복원한다. 손실 함수는 정규화 평균 제곱오차(NMSE)이며, 실험 결과 CS‑복원 대비 NMSE가 3~5 dB 개선되는 것을 확인한다.

두 번째 핵심 기여는 트랜스포머 기반 안테나 위치 선택 네트워크(MA‑PSN)이다. 정제된 CSI H_den을 실수·허수 결합 후 2D 행렬 형태(N_c × 2KN)로 변환하고, 이를 트랜스포머 인코더에 입력한다. 인코더는 다중 헤드 셀프 어텐션을 통해 서브캐리어 간 상관관계를 학습하고, 최종 Fully‑Connected 레이어를 통해 N×M 차원의 확률 행렬 ˜B를 출력한다. Softmax와 Argmax 연산을 거쳐 각 안테나에 대해 최적 위치를 0/1 매트릭스 B_pos로 결정한다. 이는 전통적인 탐색 기반(예: 그리드 서치, 그래프 최적화)보다 연산 복잡도가 O(NM)으로 선형이며, 실시간 적용이 가능하도록 설계되었다.

마지막으로 제안된 모델‑드리븐 WMMSE 빔포밍 네트워크(MA‑DBN)는 기존 WMMSE 알고리즘의 반복 연산을 딥러닝으로 근사한다. 입력은 B_pos에 의해 선택된 채널 h_T