학습 가능한 스택형 지능형 메타서페이스(SIM) 기반 무선 신호 처리 혁신

초록

본 논문은 스택형 지능형 메타서페이스(SIM)를 인공신경망(ANN)과 구조적으로 유사한 학습 가능한 하드웨어 플랫폼으로 재해석한다. SIM의 각 메타‑원자를 가중치, 각 층을 은닉층에 대응시켜 위상 변환을 학습 파라미터로 설정하고, 역전파 기반 최적화를 통해 물리적 재구성을 수행한다. 이를 바탕으로 다중 사용자 MISO 업링크에서 사용자 신호 분리와 통신·재밍 신호 구분 두 가지 시나리오를 설계·시뮬레이션했으며, 스펙트럼 효율·안티재밍 성능이 크게 향상됨을 보였다. 또한 셀‑프리 네트워크, 대규모 IoT, 의미 기반 통신 등 6G 핵심 분야에서의 확장 가능성을 제시한다.

상세 분석

본 연구는 SIM을 단순히 재구성 가능한 반사/투과 메타서페이스가 아니라, 전파 전파 자체를 연산 매체로 활용하는 ‘아날로그 컴퓨팅 엔진’으로 정의한다. SIM의 물리적 구조—다중 층의 투과형 메타원소 배열—는 전자기 파동이 각 층을 통과하면서 발생하는 복합 회절·간섭 현상을 통해 선형 변환을 수행한다. 이때 각 메타원소가 제공하는 위상시프트는 복소수 가중치에 해당하며, 층간 전파 경로는 고정된 선형 연산(고정 가중치)으로 해석된다. 이러한 관점에서 ANN의 은닉층 ↔ SIM 층, 뉴런 ↔ 메타원소, 가중치 ↔ 위상시프트라는 1:1 매핑이 가능함을 논문은 표 1에 정리한다.

핵심 기여는 ‘학습 가능한 SIM’ 아키텍처를 제안하고, 이를 기반으로 두 가지 무선 신호 처리 파이프라인을 설계한 점이다. 첫 번째는 MU‑MISO 업링크에서 다중 사용자의 전송 신호를 물리적으로 사전 분리(pre‑separated)하는 방식이다. 전통적인 디지털 베이스밴드에서는 채널 행렬의 역연산·QR 분해 등 복잡한 연산이 필요하지만, SIM은 전파 단계에서 거의 완전한 직교성을 구현한다. 이를 위해 파일럿 신호를 이용해 손실 함수(정규화된 유클리드 거리)를 정의하고, 역전파를 통해 위상시프트를 반복적으로 업데이트한다. 학습‑재구성 단계는 ‘Training‑as‑Reconfiguration’이라 명명했으며, 학습률의 지수 감쇠와 미니배치 그라디언트 계산을 포함한 구체적 알고리즘을 제시한다.

두 번째는 통신 신호와 재밍 신호를 동시에 수신하는 상황에서, SIM이 두 신호를 공간·주파수적으로 구분하도록 위상시프트를 최적화하는 방법이다. 재밍 공격자를 ‘Mallory’라 가정하고, SIM이 재밍 파형을 억제하면서 정상 신호는 그대로 전달하도록 설계한다. 시뮬레이션 결과, 전통적인 디지털 빔포밍 대비 SINR이 8 dB 이상 향상되고, 스펙트럼 활용 효율이 30 % 이상 증가한다는 실험적 증거를 제공한다.

또한 논문은 학습 가능한 SIM이 6G 핵심 시나리오에 어떻게 적용될 수 있는지를 세 가지 방향으로 제시한다. (1) 셀‑프리 네트워크에서 분산된 다수의 SIM이 협업하여 전파 환경을 공동 최적화, (2) 대규모 IoT에서 저전력·저정밀 ADC/DAC만으로도 충분히 동작하는 경량화된 수신기 구현, (3) 의미 기반 통신에서 파동 자체가 의미 정보를 압축·전달하는 ‘wave‑semantic’ 처리. 이러한 전망은 SIM이 하드웨어‑알고리즘 통합을 넘어, 물리‑레벨에서의 지능형 네트워크 설계 패러다임을 제시한다는 점에서 의미가 크다.

전반적으로 논문은 SIM과 ANN 사이의 구조적 유사성을 정량화하고, 이를 기반으로 실제 무선 시스템에 적용 가능한 학습‑재구성 프레임워크를 제시함으로써, 디지털 기반 신호 처리의 한계를 물리적 파동 연산으로 극복하려는 혁신적 접근을 보여준다.