생성형 AI 기반 RIS 위상 최적화로 셀프리 마시브 MIMO 성능 혁신

초록

본 논문은 셀프리(cell‑free) 마시브 MIMO 시스템에 RIS를 도입하고, 실시간 CSI와 공간 상관성을 고려한 위상 설계 문제를 해결하기 위해 두 가지 생성형 인공지능(GenAI) 모델인 GCDM(조건부 확산 모델)과 GCDIM(조건부 확산 임시 모델)을 제안한다. 두 모델은 전문가 알고리즘이 만든 최적 위상 데이터를 학습해 조건부 확산 과정을 통해 빠르게 근사 해를 생성한다. 시뮬레이션 결과 GCDM은 전문가 알고리즘과 동일한 합성 스펙트럼 효율(SE)을 달성하면서 연산량을 크게 줄였으며, GCDIM은 추가로 98 %의 계산 시간 감소를 보였다.

상세 분석

이 연구는 RIS‑aided 셀프리 마시브 MIMO 시스템에서 발생하는 고차원 비선형 위상 최적화 문제를 기존의 메타휴리스틱(예: GA, PSO)이나 블록 좌표 하강법(BCD) 대비 효율적으로 해결하고자 한다. 시스템 모델은 M개의 AP, K개의 단일 안테나 사용자, N개의 RIS 요소를 가정하고, LMMSE 기반의 업링크 파일럿 추정과 통계적 CSI에 의한 다운링크 콘쥐게이트 빔포밍을 사용한다. 합성 SE는 사용자의 SINR을 기반으로 닫힌 형태의 하한식(8)–(10)으로 표현되며, 위상 벡터 θ에 대한 제약식(11b) 때문에 전통적인 convex 최적화는 적용 불가능하다.

제안된 GCDM은 전문가 알고리즘이 생성한 (θ⁰, c) 쌍을 학습 데이터로 활용한다. 여기서 c는 대규모 페이딩 계수 집합(βₘᵣ, βᵣₖ, βₘₖ)으로, 채널 상태를 완전하게 기술한다. 확산 과정은 Gaussian 노이즈를 단계적으로 추가해 θ⁰를 순수 노이즈 θ_T 로 변환하고, 역확산 단계에서는 조건부 신경망 w(·)가 현재 단계 t와 채널 상태 c를 입력받아 노이즈 ϵ_w를 예측한다. 손실 함수는 예측된 위상 θ_P와 전문가 위상 θ⁰ 사이의 합성 SE 차이를 L2 거리로 최소화하도록 설계되었으며, 이는 모델이 실제 시스템 성능을 직접 최적화하도록 만든다.

GCDIM은 GCDM의 전 과정 역확산을 비마코프적 방식으로 근사함으로써 샘플링 단계 수 S≪T 로 연산량을 크게 감소시킨다. 식(19)는 θ_{t‑1}을 θ_t 로부터 직접 계산하도록 하여, 고차원 위상 공간에서도 실시간 추론이 가능하도록 만든다. 두 모델 모두 채널 상태에 조건부로 학습되므로, 동적인 CSI 변동에도 빠르게 적응한다는 장점이 있다.

시뮬레이션에서는 N=64, M=4, K=8 등 현실적인 파라미터를 사용했으며, 전문가 알고리즘(예: 연속적인 BCD+SCA 결합)과 비교했다. 결과는 다음과 같다. (1) GCDM은 전문가 알고리즘과 동일한 평균 합성 SE (≈ 7.2 bit/s/Hz) 를 달성하면서 평균 실행 시간은 약 30 % 수준으로 감소했다. (2) GCDIM은 약 0.5 dB 정도의 SE 손실을 보였지만, 실행 시간은 전문가 알고리즘 대비 98 % 단축되었다. 이는 실시간 RIS 제어가 요구되는 6G 시나리오에서 실용성을 크게 높인다. 또한, 채널 추정 오차와 공간 상관성을 포함한 환경에서도 두 모델이 안정적으로 수렴함을 확인했다.

이러한 결과는 확산 기반 GenAI가 고차원 비선형 무선 최적화 문제에 강력한 대안이 될 수 있음을 시사한다. 특히, 조건부 확산 모델이 CSI와 같은 연속적인 시스템 파라미터에 직접 조건을 부여함으로써, 기존의 정적 학습 방식보다 일반화 능력이 뛰어나며, 복잡한 RIS 위상 설계에 필요한 실시간 계산 요구를 충족한다는 점이 핵심 기여이다.