RIS 기반 ISAC 시스템을 위한 물리‑인포드 암시적 신경표현 이미지화

초록

본 논문은 재구성 가능한 지능형 표면(RIS)과 통합 감지·통신(ISAC) 환경에서, 물리 모델을 손실함수에 결합한 암시적 신경표현(Implicit Neural Representation, INR)을 이용해 무선 이미징을 구현한다. INR은 CSI 측정값만으로 연속적인 목표 형태와 산란 특성을 학습하고, 다중 경로 간섭을 파라미터화하여 동시에 복원한다. 또한, 이전 프레임의 이미지 정보를 초기화에 활용해 동적 목표의 실시간 이미징 속도를 높이고, 복원된 이미지로 RIS 위상 설계를 보조함으로써 통신 성능을 향상시킨다. 시뮬레이션 결과, 기존 모델 기반 방법보다 초해상도와 오프‑그리드 정확도를 제공함을 입증한다.

상세 분석

이 연구는 무선 영상화 문제를 전통적인 역문제(P1) 형태에서 “신경망 파라미터 최적화” 문제로 전환한다는 점에서 혁신적이다. 기존 FT·CS 기반 방법은 정확한 전방 모델 f(·)와 다중 경로 제거가 전제돼 복잡한 환경에서 성능 저하가 불가피했으며, 데이터‑드리븐 딥러닝은 대규모 라벨링된 CSI‑이미지 쌍이 필요해 실용성이 제한됐다. INR은 좌표→볼륨값이라는 연속 함수를 신경망으로 근사함으로써, 물리 모델을 손실함수에 직접 삽입해 간접 감독(physics‑informed supervision)을 가능케 한다. 이때 CSI y와 전방 모델 f(σ) 사이의 차이를 최소화하는 물리‑인포드 손실 μ(f(σ),y)와 정규화 ρ(σ)를 신경망 파라미터 θ에 대해 역전파한다.

다중 경로 간섭을 다루기 위해 논문은 두 단계 접근을 제안한다. 첫째, 배경 캘리브레이션을 통해 ROI와 무관한 경로를 사전 제거한다. 둘째, 남은 ROI‑관련 다중 경로를 추가 파라미터 η로 모델링하고, 이미지 σ와 η를 공동 학습한다. 이렇게 하면 전방 모델의 불완전성을 보완하면서도 별도의 경로 추정 알고리즘을 도입할 필요가 없어진다.

동적 목표에 대해서는 INR이 매 프레임마다 새롭게 학습해야 하는 단점을 인식하고, 이전 프레임에서 얻은 최적 파라미터 θ_{t‑1}를 초기값으로 사용한다. 이는 시간적 연속성을 활용한 전이 학습 형태이며, 실험에서 학습 횟수가 평균 30 % 감소하고 재구성 정확도가 향상되는 효과를 보였다.

RIS 위상 설계와의 연계는 두 가지 관점에서 이루어진다. 첫째, 이미지 σ가 제공하는 환경 정보(예: 물체 위치·형태)를 기반으로 사용자‑내·외 구분에 맞는 최적 위상 벡터 ω*를 설계한다. 둘째, 복원된 σ를 직접 채널 모델에 삽입해 가상 채널을 생성하고, 이를 통해 전송 파워 할당·빔포밍을 최적화한다. 시뮬레이션 결과, 이미지 기반 RIS 설계가 전통적인 통계적 설계 대비 스펙트럼 효율을 15 % 이상 향상시켰다.

전체적으로, INR 기반 무선 영상화는 (1) 물리 모델과 데이터‑드리븐 학습의 장점을 결합, (2) 다중 경로와 동적 상황에 대한 적응성을 제공, (3) 이미지 정보를 통신 설계에 직접 활용함으로써 ISAC 시스템의 전반적인 효율을 높인다. 또한, 연속적인 좌표 표현과 해시 인코딩을 활용해 오프‑그리드·초해상도 재구성이 가능하므로, 기존 격자 기반 방법이 갖는 해상도 한계를 극복한다.