전문가 모델에서 대형 모델까지: 의미‑인식 MIMO 패러다임 전환

본 논문은 차세대 6G 통신에서 대규모 다중입출력(MIMO) 시스템이 직면한 두 가지 핵심 문제—물리계층 오버헤드 증가와 전통적인 신호 처리 방식이 새로운 서비스(혼합현실, 환경 감지 등)의 요구를 충족시키지 못한다는 점—에 대한 해결책으로 ‘의미‑인식 MIMO(semantic‑aware MIMO)’ 패러다임을 제안한다. 의미‑인식이란 채널과 소스가 내포하고 있는 구조적·의미적 정보를 딥러닝 기반 특성으로 추출하고, 이를 물리계층 작업에 직접 활용함으로써 전통적인 ‘문법‑중심’ 통신(심볼 정확도)에서 탈피해 ‘의미‑중심’ 통신으로 전환하는 것을 의미한다. 논문은 먼저 MIMO 시스템의 전형적인 물리계층 과제인 (1) 사용자 활동 탐지(UAD), (2) CSI 피드백, (3) 프리코딩을 대상으로 각각 전문 모델(Specialist Model)을 설계한다. 모든 모델의 핵심은 Transformer 구조를 백본으로 채택한 점이다. Transformer의 자기‑주의(self‑attention)는 전역적인 종속성을 포착하고, 교차‑주의(cross‑attention)는 서로 다른 도메인(프리앰블·채널·데이터) 간 상관을 효율적으로 모델링한다. **1) 사용자 활동 탐지(UAD)** 전통적인 압축 센싱(CS)이나 공분산 기반 최대우도 검출은 채널 자체를 복원하려다 보니 프리앰블 길이가 길어지는 단점이 있다. 이를 극복하기 위해 저자는 ‘SA‑UADNet‑VPL(semantic‑aware UAD network with variable preamble length)’을 제안한다. 이 네트워크는 (i) 사용자 프리앰블과 수신 신호의 자동상관을 동일 차원으로 선형 임베딩하고, (ii) 이질적인 Transformer(프리앰블과 수신 신호에 별도 가중치)로 상관관계를 학습한다. 마지막 디코더는 두 특징 시퀀스 간 상관을 직접 계산해 사용자 활동을 추정한다. 가변 프리앰블 길이 적응 모듈(PLAM)은 프리앰블 길이 정보를 평균 풀링된 특징에 결합해 스케일링 팩터를 생성, 주의 메커니즘을 길이에 따라 동적으로 조정한다. 시뮬레이션 결과, 고정 길이 모델 대비 짧은 프리앰블에서도 오류 확률(Pe)이 크게 감소했으며, 다양한 길이에 대한 일반화 능력이 입증되었다. **2) CSI 피드백** 전통적인 코드북·CS 기반 피드백은 높은 압축률에서 SNR 저하에 취약한 ‘클리프 효과’를 보인다. 논문은 ‘SA‑RCA‑MUNet(semantic‑aware residual cross‑attention multi‑user network)’을 통해 이 문제를 해결한다. 각 UE는 Delay‑Angle 변환 후 Transformer 인코더로 의미적 특징을 추출하고, 저차원 시퀀스로 압축해 아날로그 심볼로 전송한다. BS에서는 파라미터 공유 Transformer 디코더와 RCA‑Block을 이용해 개별 CSI를 복원하고, 다중 UE의 사이드 정보를 공동으로 정제한다. RCA‑Block은 Query‑Key‑Value 메커니즘을 이용해 다른 UE와의 의미적 연관성을 강조한다. 실험에서는 압축 비율이 낮아도 NMSE가 크게 개선되어, 기존 DeepCMC·ADJSCC 대비 우수한 성능을 보였다. **3) 프리코딩** 다운링크 CSI와 데이터 스트림을 동시에 처리하는 ‘semantic fusion’ 단계가 도입된다. Transformer 기반 교차‑주의가 CSI와 데이터 의미를 결합해 사용자별 최적 프리코딩 행렬을 생성한다. 이는 전통적인 선형 프리코딩 대비 복잡도는 증가하지만, 채널 변동성 및 사용자 요구에 대한 적응성을 크게 향상시킨다. **전문가 모델의 공통 특징** - 모든 작업에 Transformer를 백본으로 사용해 전역 종속성을 효과적으로 모델링한다. - 의미‑인식 단계는 (i) 의미‑지각(semantic perception): 사용자 활동·채널 특성 추출, (ii) 의미‑활용(semantic utilization): 사이드 정보를 활용해 재구성 품질 향상, (iii) 의미‑융합(semantic fusion): CSI와 데이터 결합을 통한 프리코딩 설계 로 구분된다. - 가변 프리앰블 적응(PLAM)과 RCA‑Block은 실제 네트워크 환경(프리앰블 길이 변동·다중 사용자 연관성)에서 강인성을 제공한다. **4) 대형 모델(Large Model) 전환** 전통적인 전문가 모델은 작업별로 별도 설계·학습이 필요하지만, 6G에서는 다양한 물리계층 작업을 하나의 프레임워크에서 동시에 처리해야 한다는 요구가 있다. 이를 위해 논문은 대형 언어 모델(LLM)과 전문가 혼합(MoE) 구조를 MIMO 물리계층에 적용하는 방안을 탐색한다. 핵심 아이디어는 모든 작업을 동일 토큰 공간에 매핑하고, 추론 시 활성화되는 전문가 서브네트워크만 선택적으로 사용하도록 하는 것이다. 이렇게 하면 모델 파라미터를 공유하면서도 작업 특화 성능을 유지할 수 있다. 논문은 현재 연구 동향을 정리하고, 데이터 효율성, 연산 비용, 실시간 추론 등 실용화 과제들을 제시한다. **5) 도전 과제 및 전망** - **연산·지연**: 대형 모델을 실시간 MIMO 시스템에 적용하려면 추론 지연과 메모리 사용량을 최소화해야 한다. 하드웨어 가속기(FPGA/ASIC)와 모델 압축 기술이 필요하다. - **데이터 확보**: 의미‑인식 모델 학습에 필요한 대규모 라벨링·시뮬레이션 데이터 구축 비용이 높다. 실제 환경에서의 도메인 적응과 전이 학습이 중요한 연구 과제로 남는다. - **표준화**: 의미‑인식 통신을 위한 프로토콜·인터페이스 표준이 아직 부재한다. 3GPP와 같은 표준화 기구와의 연계가 필요하다. - **보안·프라이버시**: 채널·사용자 의미 정보를 학습·전송함에 따라 새로운 프라이버시 위험이 발생한다. 암호화·프라이버시‑보존 학습 기법이 요구된다. 결론적으로, 논문은 6G 대규모 MIMO 시스템이 직면한 물리계층 과제를 ‘semantic‑aware’라는 새로운 관점에서 재정의하고, 전문 모델과 대형 모델을 조화롭게 활용하는 로드맵을 제시한다. 이는 파일럿·피드백 오버헤드 감소, 클리프 현상 완화, 다중 작업 동시 처리 등 실질적인 성능 향상을 기대하게 하며, 향후 연구와 실용화에 중요한 방향성을 제공한다.