다중경로 근거리 빔 트레이닝을 위한 하이브리드 학습·최적화 접근법

본 논문은 XL‑array 기반 근거리 통신에서 다중경로 채널을 고려한 빔 트레이닝 문제를 체계적으로 다룬다. 먼저 시스템 모델을 정의한다. BS는 N개의 안테나를 갖는 균일 선형 배열(ULA)이며, 사용자는 근거리 영역에 위치한다. 채널은 하나의 LoS 경로와 L개의 NLoS 경로로 구성되며, 각 경로는 복소 이득 gℓ, 공간 각도 θℓ(=cos φℓ), 거리 rℓ으로 파라미터화된다. 근거리 스테어링 벡터 b(θℓ, rℓ)는 구형 파동 전파 모델을 기반으로 정의된다. 빔 트레이닝은 두 단계 프로토콜로 진행된다. 1단계에서는 BS가 DFT 코드북을 사용해 전방향 빔 스위핑을 수행하고, 사용자는 각 빔에 대한 수신 전력 p_n을 측정한다. 이 전력 패턴 p_DFT는 다중경로 파라미터와 복합적인 비선형 관계를 갖는다. 사용자는 p_DFT를 기반으로 각도·거리·이득을 추정하고 이를 BS에 피드백한다. 2단계에서는 BS가 추정된 파라미터를 이용해 MRT 빔을 설계하고 데이터 전송을 수행한다. 기존 방법은 크게 두 갈래로 나뉜다. 첫 번째는 전력 패턴의 구조적 특징(예: 각도 지원)을 이용해 파라미터를 직접 추정하는 방식이며, 두 번째는 딥러닝을 통해 전력 패턴을 코드워드 분류 혹은 직접 빔 설계로 매핑하는 방식이다. 그러나 두 접근 모두 LoS‑우세 채널을 전제로 하며, 다중경로가 존재하면 전력 패턴이 복잡해져 모델 불일치와 추정 오류가 발생한다. 또한 경로 수가 사전에 알려지지 않은 경우와 순열 모호성 문제도 해결되지 않는다. 이에 저자들은 하이브리드 학습‑최적화 프레임워크를 제안한다. 첫 단계에서는 맞춤형 U‑Net을 설계하여 p_DFT를 입력으로 받아 각 경로의 각도와 거리에 대한 coarse 추정값을 출력한다. 네트워크는 다중채널 입력(전력 패턴)과 다중출력(θ, r, 존재 로짓)을 동시에 학습한다. 순열 모호성을 해결하기 위해 PIT 전략을 적용, 손실 계산 전 예측된 경로 집합과 정답 집합 사이의 최적 매칭을 수행한다. 또한 경로 존재 로짓을 통해 실제 존재하는 경로만을 선택하도록 학습한다. U‑Net이 제공하는 coarse 추정값은 통계적 오차 분포를 기반으로 제한된 탐색 구역을 정의한다. 이 구역은 각 파라미터별 평균 오차와 표준편차를 이용해 ±3σ 범위로 설정되며, 이후 최적화 단계에서 탐색 범위를 크게 축소한다. 두 번째 단계에서는 입자군집 최적화(PSO)를 적용한다. PSO는 각 입자를 현재 추정값 주변의 작은 변동으로 초기화하고, 전력 패턴과 현재 파라미터 집합 사이의 손실(예: 제곱 오차)을 최소화하도록 위치를 업데이트한다. 제한된 탐색 구역 덕분에 반복 횟수는 수십 회에 머물러 실시간 구현이 가능하다. 최적화가 수렴하면, 각 경로의 복소 이득 gℓ을 복원하기 위해 Gerchberg‑Saxton(GS) 알고리즘을 사용한다. GS는 전력(강도) 정보만으로 위상을 추정하는 전통적인 위상 회복 기법이며, 여기서는 추정된 θ와 r를 고정한 상태에서 gℓ의 위상을 복원한다. 시뮬레이션 설정은 N=256 안테나, 다양한 SNR, 경로 수 L∈{1,2,3} 등으로 구성되었다. 성능 평가는 평균 제곱오차(MSE), 경로 파라미터 추정 정확도, 그리고 추정된 CSI를 이용한 MRT 전송률을 기준으로 이루어졌다. 결과는 다음과 같다. (1) 제안 하이브리드 방식은 LoS‑전용 파워‑패턴 기반 방법보다 MSE가 5~10 dB 수준 크게 감소한다. (2) 기존 딥러닝 기반 코드워드 분류 방법은 경로 수가 변동하거나 NLoS 경로가 강할 때 급격히 성능이 저하되지만, 제안 방식은 경로 존재 로짓과 PIT 덕분에 안정적인 추정을 유지한다. (3) 최종 전송률은 완전 CSI(이상적인 경우)에 근접하며, 특히 SNR≥10 dB 구간에서 95% 이상의 효율을 달성한다. (4) 연산 복잡도 측면에서 U‑Net 추정은 GPU에서 0.5 ms 이하, PSO는 2 ms 이하(100개 입자, 30회 반복)로 실시간 요구사항을 만족한다. 논문은 또한 확장 가능성을 논의한다. 다중 사용자 시나리오에서는 각 사용자별 전력 패턴을 독립적으로 처리하거나, 공동 학습을 통해 파라미터 공유가 가능하다. 또한 다른 코드북(예: 다중해상도 또는 위상 배열)과 결합해 탐색 효율을 더욱 높일 수 있다. 결론적으로, 본 연구는 다중경로 근거리 빔 트레이닝에서 딥러닝과 전통적 최적화 기법을 조화롭게 결합함으로써, 추정 정확도와 계산 효율성을 동시에 달성한 최초의 프레임워크를 제시한다. 이는 6G 초대규모 안테나 시스템에서 근거리·다중경로 환경을 고려한 실용적인 CSI 획득 및 빔포커싱 기술로서 큰 기대를 모을 것이다.