디지털 트윈 기반 AF 릴레이 빔포밍으로 간섭 억제

초록

**
본 논문은 증폭‑전송(AF) 릴레이가 CSI 없이도 목표 사용자와 다중 간섭원을 고려한 빔포밍을 수행하도록 하는 예측‑보조 최적화(PAO) 프레임워크를 제안한다. PAO는 전력 측정만으로 송신기 위치를 추정하는 신경망과, 추정된 위치를 활용해 가상 환경(Digital Twin)에서 빔 방향을 반복적으로 탐색·최적화하는 두 단계로 구성된다. 실제 mmWave 실험 플랫폼을 이용한 측정으로 학습·검증했으며, 위치 오차가 존재해도 SINR 향상을 유지하면서 실측 횟수를 크게 절감한다는 결과를 보여준다.

**

상세 분석

**
이 연구는 기존 MIMO 빔포밍이 CSI에 의존하고, 특히 AF 릴레이에서는 채널 측정이 불가능하다는 한계를 정확히 짚어낸다. 저자는 이를 극복하기 위해 ‘예측‑보조 최적화(PAO)’라는 두 단계 구조를 설계했는데, 첫 단계인 SINR‑기반 로컬라이제이션(SL)에서는 다중 빔 코드북을 순차적으로 적용해 얻은 전력·SINR 데이터를 입력으로 사용한다. 여기서 사용된 신경망은 3차원 좌표를 직접 회귀하는 구조이며, 학습 데이터는 디지털 트윈(DT) 시뮬레이션과 실제 mmWave 측정 데이터를 혼합해 만든다. 이렇게 얻어진 위치 추정치는 오차가 존재하지만, DT‑보조 최적화(DT‑AO) 단계에서 가상 채널 모델에 투입돼 후보 빔 방향의 SINR을 빠르게 평가한다. 최적화 알고리즘으로는 미분 가능성을 활용한 Gradient‑Based Optimization(GBO)와 전역 탐색 능력이 뛰어난 Genetic Algorithm(GA)을 병행 적용해, 복잡한 비선형 SINR 함수의 전역 최적점을 효율적으로 찾는다.

핵심 기여는 (1) 전력 측정만으로 다중 간섭원을 포함한 환경 정보를 추정한다는 점, (2) 디지털 트윈을 실시간으로 업데이트해 가상‑실제 루프를 형성함으로써 물리적 측정 비용을 크게 낮춘다는 점, (3) 실제 mmWave 하드웨어와 복잡한 실내/실외 환경을 반영한 실험을 통해 시뮬레이션과 동일한 수준의 성능을 검증했다는 점이다. 실험 결과는 위치 추정 오차가 0.5 m 수준에서도 SINR 향상이 90 % 이상 유지되며, 전통적인 CSI 기반 빔코드북 탐색에 비해 측정 횟수를 7배 이상 절감한다는 것을 보여준다. 또한, GA와 GBO를 조합한 하이브리드 최적화가 단일 알고리즘보다 수렴 속도와 최종 SINR 모두에서 우수함을 확인했다.

한계점으로는 (i) SL 단계에서 학습된 신경망이 환경 변화(예: 새로운 장애물 등장)나 대규모 사용자 이동에 대해 재학습이 필요할 수 있다는 점, (ii) DT 모델이 정확히 현실을 반영하려면 사전 환경 매핑이 필수이며, 이는 초기 구축 비용을 증가시킨다는 점을 들 수 있다. 향후 연구에서는 온라인 학습과 전이 학습을 도입해 모델 적응성을 높이고, 다중 릴레이·다중 AP 시나리오에 대한 확장성을 검증할 필요가 있다.

**