JSSAnet 이론 기반 서브채널 분할 및 공동 공간 어텐션을 이용한 근거리 채널 추정

본 논문은 6세대 이동통신 시스템에서 초대형 안테나 배열(ELAA)을 활용한 근거리 채널 추정의 핵심 문제들을 체계적으로 분석하고, 이를 해결하기 위한 새로운 딥러닝 프레임워크인 JSSAnet을 제안한다. 먼저, 근거리 전파는 구면파 전파 특성으로 인해 전통적인 평면파 기반 모델이 적용되지 못하고, 안테나 수가 급증함에 따라 채널 행렬의 차원이 크게 확대되어 계산 복잡도가 급증한다는 점을 강조한다. 기존의 LS·LMMSE와 같은 선형 추정법은 잡음에 취약하고, CS 기반 방법은 사전(dictionary) 선택과 정지 기준에 크게 의존해 실시간 적용이 어려운 한계가 있다. 이를 극복하기 위해 저자들은 ‘조각별 푸리에 표현(piecewise Fourier representation)’을 도입한다. 이 표현은 근거리 채널의 비선형 위상 변화를 서브배열 단위로 근사함으로써, 전체 채널을 여러 개의 서브채널로 분할한다. 각 서브채널은 DFT를 통해 각도 도메인에 매핑되며, 이는 근거리 채널이 갖는 각도 희소성을 효과적으로 활용한다. 서브채널 수에 대한 이론적 하한은 근사 오차 기준을 만족하도록, 상한은 DFT 양자화 손실을 최소화하도록 도출되어, 서브채널 간 각도 다양성을 보존하면서도 근사 정확도를 유지한다. 이러한 서브채널 구조 위에 JSSAnet을 설계한다. JSSAnet은 두 단계의 어텐션 메커니즘을 결합한다. 첫 번째 단계인 Joint Subchannel‑Spatial‑Attention(JSSA) 레이어는 각 서브채널에 대해 독립적인 공간 어텐션 가중치를 병렬로 계산한다. JSSA는 대규모 커널 컨볼루션(DLKC)을 요소별 곱으로 구현함으로써, 전통적인 self‑attention의 O(N²) 복잡도를 선형 O(N) 수준으로 낮춘다. 두 번째 단계인 Feed‑Forward Network(FFN) 레이어는 서브채널 간 비선형 상호작용을 모델링하여, 서브채널 간 잔여 의존성을 정제한다. 이때 FFN은 다중 레이어 퍼셉트론 구조를 사용하지만, 각 레이어에 큰 수용 영역 커널을 적용해 넓은 컨텍스트 정보를 학습한다. 이론적 분석 외에도, 저자들은 시뮬레이션을 통해 JSSAnet의 성능을 검증한다. 실험 설정은 ELAA 기반 OFDM 시스템을 가정하고, 다양한 SNR 환경 및 경로 수(L) 조건에서 LS, LMMSE, 기존 CS 기반 OMP, LISTA, Transformer 기반 모델 등과 비교한다. 결과는 JSSAnet이 NMSE 측면에서 모든 비교 대상보다 우수함을 보여준다. 특히, 서브채널 분할 자체가 차원 축소 효과를 가져와 학습 및 추론 속도를 크게 향상시키며, JSSA가 서브채널 별 희소성을 정확히 반영해 잡음에 강인한 추정 성능을 제공한다. 추가적인 Ablation Study에서는 (1) 서브채널 수 변화에 따른 성능 변동, (2) JSSA와 FFN의 유무에 따른 성능 차이, (3) DLKC와 전통적인 1×1 컨볼루션 비교 등을 수행한다. 이들 실험을 통해 서브채널‑공간 어텐션이 핵심적인 역할을 함을 확인하고, DLKC가 복잡도는 낮추면서도 컨텍스트 학습 능력을 유지한다는 점을 입증한다. 결론적으로, 본 논문은 근거리 채널의 비선형성을 이론적으로 분석하고, 서브채널‑공간 어텐션 기반 딥러닝 모델을 제시함으로써 ELAA 환경에서 실시간 고정밀 채널 추정이 가능함을 증명한다. 향후 연구에서는 다중 사용자 시나리오, RIS‑보조 채널, 그리고 실시간 하드웨어 구현을 통한 최적화 방향을 제시한다.