위치 기반 특징 융합을 활용한 6G 빔 예측 딥러닝 프레임워크

초록

본 논문은 초대규모 MIMO 시스템에서 빔 트레이닝 오버헤드를 감소시키기 위해, 사용자 위치 정보를 활용한 특징 융합 기법을 도입한 딥러닝 기반 빔 예측 모델을 제안한다. 이중‑branch RegNet 구조와 적응형·대립형 융합 전략을 결합하여, 3.5 GHz DeepMIMO 시뮬레이션 데이터셋의 4개 도시 시나리오에서 기존 방법들을 능가하는 정확도와 일반화 성능을 입증하였다.

상세 분석

이 연구는 6G 시대 초대규모 안테나 배열을 갖는 BS에서 빔 선택에 필요한 전통적인 전수 탐색 방식이 초래하는 막대한 시간·신호 비용을 근본적으로 완화하고자 한다. 핵심 아이디어는 ‘위치‑인식 특징’과 ‘빔‑도메인 특징’이라는 두 종류의 정보를 별도의 서브네트워크로 추출한 뒤, 특수 설계된 Feature Fusion 모듈을 통해 효율적으로 결합하는 것이다.
첫 번째 서브네트워크는 RegNet 기반의 Position Extraction Branch이며, 입력으로는 사용자 UE의 3차원 좌표 라벨을 사용해 지도 학습을 수행한다. 좌표 라벨을 직접 감독함으로써 네트워크는 공간 기하학을 내재화한 표현을 학습하고, 이는 빔 선택 시 거리·각도 관계를 자연스럽게 반영한다. 두 번째 서브네트워크는 동일한 RegNet 구조를 공유하지만, 입력은 RSRP(Reference Signal Received Power)와 같은 무선 신호 강도 정보이다. 이 두 브랜치를 결합하기 위해 두 가지 융합 전략을 제안한다.

1. Adaptive Fusion: 학습 과정에서 각 브랜치의 특징 벡터에 가중치를 동적으로 부여하는 attention‑like 메커니즘을 적용한다. 이를 통해 환경에 따라 위치 정보가 더 유용한 경우와 무선 신호 정보가 우세한 경우를 자동으로 구분한다.
2. Adversarial Fusion: 위치 특징과 빔 특징 사이의 도메인 격차를 최소화하기 위해 적대적 학습을 도입한다. 구체적으로, 두 특징을 결합한 후 도메인 판별기를 두어, 판별기가 두 특징이 구분되지 못하도록 학습함으로써 보다 일관된 통합 표현을 만든다.
   데이터는 DeepMIMO 시뮬레이터를 이용해 3.5 GHz, 3GPP TR 38.843 규격에 맞춘 4개의 도시 환경(도심, 교차로, 고층, 저밀도)에서 생성하였다. 각 시나리오는 In‑Distribution(학습과 동일한 환경)과 Out‑of‑Distribution(새로운 건물 배치·채널 조건)으로 나누어 평가하였다. 실험 결과, 제안 모델은 Top‑1 빔 정확도에서 기존 RSRP‑only RegNet 대비 평균 7.3%p 상승, 위치‑보조 전통 모델 대비 4.1%p 상승을 기록했으며, 특히 SNR이 낮은 상황에서 위치 정보를 효과적으로 활용해 성능 저하를 최소화하였다. 또한, Adversarial Fusion은 모델의 일반화 능력을 향상시켜 OOD 환경에서도 안정적인 예측을 가능하게 했다.
   한계점으로는 정확한 위치 라벨이 필요하다는 점과, 학습 단계에서 대규모 라벨링 데이터가 요구된다는 점을 들 수 있다. 향후 연구에서는 라벨이 없는 상황에서도 자기‑지도 학습을 결합하거나, 차량·드론 등 이동체의 궤적 정보를 시계열 모델과 결합해 동적 빔 추적 성능을 강화하는 방향이 제시된다.