메타표면 통합 무선 신경망으로 구현하는 경량 OTA 엣지 추론

본 논문은 6G 시대에 요구되는 초저지연·초저전력 엣지 추론(EI)을 구현하기 위해 물리계층에서 직접 딥러닝 연산을 수행하는 새로운 프레임워크인 Metasurfaces‑Integrated Neural Networks(MINN)를 제안한다. 기존 디지털 하드웨어 기반 DNN은 연산량과 전력 소모가 크게 증가하는 반면, MINN은 프로그래머블 다층 메타표면(Stacked Intelligent Metasurfaces, SIM)과 MIMO 무선 채널을 결합해 전파 매체 자체를 ‘연산 장치’로 활용한다. 논문은 먼저 메타표면 기반 딥러닝(Deep Diffractive Neural Networks, D²NN)의 기본 원리를 소개한다. SIM은 얇은 메타표면 층을 여러 개 적층한 구조로, 각 층의 메타원소는 전압 제어가 가능한 전자기 소자를 포함한다. 입사 전파는 각 층을 통과하면서 선형 변환을 겪으며, 이 변환은 완전 연결 레이어의 가중치 행렬에 대응한다. 따라서 메타표면의 전자기 응답을 학습 가능한 파라미터로 두고, 역전파를 통해 최적화할 수 있다. 그 다음, MINN의 시스템 아키텍처를 제시한다. 전체 시스템은 Encoder·Channel·Decoder의 세 모듈로 구성된다. Encoder는 다중 안테나 TX에 탑재된 디지털 혹은 아날로그 DNN으로, 입력 데이터를 전처리·압축·변조하여 복소수 베이스밴드 신호 텐서를 생성한다. Channel 모듈은 (1) 제어 불가능한 무선 페이딩·노이즈와 (2) 프로그래머블 다층 메타표면으로 이루어진다. 메타표면은 전자기 응답을 학습 가능한 가중치로 두어, 전파 과정 자체가 선형 연산을 수행하도록 설계된다. Decoder는 RX에 위치한 디지털·아날로그 DNN으로, 수신된 신호를 디지털 형태로 복원하고 최종 추론 결과를 출력한다. 전체 E2E 시스템을 하나의 DNN으로 모델링함으로써, 연쇄법칙에 따라 메타표면 가중치와 디지털 레이어 파라미터를 동시에 미분 가능하게 만든다. 학습 절차는 크게 두 단계로 나뉜다. 첫 번째는 전자기 시뮬레이터(예: CST, HFSS)와 딥러닝 프레임워크를 연동해 메타표면의 연속적인 설계 변수를 파라미터화하는 단계이며, 두 번째는 전통적인 SGD/Adam 기반 최적화를 통해 전체 손실 함수를 최소화하는 단계이다. 논문은 이 과정을 자동 미분 가능한 형태로 구현하여, 메타표면 설계와 DNN 학습을 하나의 파이프라인으로 통합한다. 두 가지 대표 변형 모델이 제시된다. 변형 1은 메타표면을 TX와 RX 사이에 배치해 순수 OTA 연산을 수행한다. 여기서는 메타표면이 채널 페이딩을 보정하고, 입력 데이터의 선형 변환을 담당한다. 변형 2는 메타표면을 TX 혹은 RX에 통합해 부분적인 전처리·후처리를 수행한다. 예를 들어, TX 측 메타표면은 입력 데이터의 차원 축소와 빔포밍을 동시에 수행하고, RX 측 메타표면은 수신 신호의 디코딩을 보조한다. 성능 평가에서는 이미지 분류(MNIST, CIFAR‑10)와 무선 채널 상태 예측 두 가지 시나리오를 실험한다. 동일한 네트워크 깊이와 파라미터 수를 가진 전통적인 디지털 DNN과 비교했을 때, MINN은 평균 75 % 전력 절감과 0.5 dB 이하의 SNR 손실을 보였다. 특히, 메타표면이 채널 변동성을 학습에 포함시켜 적응함으로써, 전송 전력 제한 하에서도 정확도가 92 % 이상 유지되었다. 또한, 연산 지연은 전파 속도에 의해 거의 즉시 처리되므로, 디지털 프로세서 대비 10배 이상 빠른 추론이 가능함을 확인했다. 전력 효율 측면에서 메타표면은 거의 수동 소자이며, 제어 회로가 나노와트 수준의 전력만 소모한다. 따라서 전체 시스템 전력은 디지털 GPU 기반 DNN에 비해 수십 배 낮다. 그러나 현재 메타표면 제조 공정의 해상도 제한, 제어 회로의 전력 오버헤드, 실시간 환경 변화에 대한 빠른 재학습 필요성 등 실용화에 앞서 해결해야 할 과제가 존재한다. 마지막으로 논문은 향후 연구 방향을 제시한다. (1) 메타표면 설계 자동화와 고해상도 제조 기술 개발, (2) 온라인 학습 및 적응형 OTA 연산을 위한 경량화된 재학습 알고리즘, (3) 보안·프라이버시를 고려한 물리‑레벨 암호화와 공격 방어, (4) 다양한 무선 서비스(통신·위치·센싱)와의 통합, (5) 표준화와 시스템‑레벨 시뮬레이션 툴 체인 구축 등이 있다. MINN은 물리계층에서 직접 인공지능 연산을 수행함으로써, 차세대 6G 네트워크의 경량·저전력 엣지 인퍼런스 구현에 중요한 전환점을 제공한다.