본 연구에서는 초거대 지능형 메타표면(Extremely Large Intelligent Metasurfaces)을 사용하는 6세대 무선 시스템의 빔포밍 및 근접장 채널 모델링을 위한 물리 기반 딥러닝 프레임워크를 소개합니다. 제안된 방법은 기존의 원거리장 통신 기술과 비교하여 에너지 효율, 빔포밍 이득 및 스펙트럼 효율을 향상시킵니다.
연구 논문
6세대 무선 시스템의 근접장 채널 모델링 및 빔포밍을 위한 딥러닝 기반 GNN-어텐션 프레임워크: 시뮬레이션 연구
이 논문에서
요약
초록
6세대(6G) 네트워크의 등장은 초고속 및 고스펙트럼 효율을 구현하기 위한 초거대 지능형 메타표면(XL-IMS)의 개발을 촉진했습니다. 그러나 기존의 원거리 장(far-field) 채널은 구면파 전파와 공간 정지성 부족으로 인해 근거리 장(near-field) 전송에 적용할 수 없으며, 이는 빔포밍 성능 저하와 계산 복잡도 증가로 이어집니다. 따라서 본 연구의 목표는 물리 기반 딥러닝을 이용한 근거리 장 채널 모델링 및 빔포밍 최적화 방법을 개발하는 것입니다. 제안된 솔루션은 물리 기반 구면파 채널 모델과 더불어 그래프 신경망(GNN) 및 어텐션 메커니즘을 활용하여 사용자 간의 국부적 공간 관계와 글로벌 네트워크 간의 관계를 포착합니다. 또한, 근거리 장 사용자에 대한 에너지 집중 효율을 높이기 위해 학습 기반 빔포밍 알고리즘을 제안합니다. 제안된 프레임워크의 성능은 DeepMIMO 데이터셋의 실제 전파 시나리오를 사용하여 평가되었습니다. 시뮬레이션 결과, 제안된 기술은 11.6 bps/Hz의 달성 가능한 전송률, 28 dB의 빔포밍 이득, 10.5 bps/Hz의 스펙트럼 효율, 9.8 bits/Joule의 에너지 효율 및 25 dB의 신호 대 간섭 잡음비(SINR)를 나타냈습니다. Zero Forcing(ZF), Minimum Mean Square Error(MMSE), Semidefinite Relaxation(SDR) 및 Alternating Optimization(AO)과 같은 기존 기술과 비교했을 때, 제안된 방식은 전반적인 통신 성능을 약 10-15% 향상시켰습니다. 이러한 결과는 근거리 장 채널 모델링과 GNN 기반 어텐션 학습의 통합이 XL-IMS 기술을 활용하는 미래 6G 무선 네트워크를 위한 효율적이고 정확한 빔포밍 기술이 될 수 있음을 보여줍니다.
서론
최근 몇 년 동안 빔포밍(beamforming)에 대한 관심이 급격히 증가했습니다. 더 나은 연결성과 더 빠른 데이터 전송률에 대한 수요가 증가함에 따라, 6G의 도입과 함께 극도로 높은 용량 요구 사항이 일반화되었습니다. 따라서 신호를 효과적으로 유도하고 전반적인 네트워크 성능을 향상시키기 위해 빔포밍은 유망한 방법입니다1. 기존의 무선 통신 시스템은 공간 다이버시티를 위해 원거리 장(far-field) 공간 자원을 효과적으로 활용해 왔습니다. 미래 무선 통신을 위해 엄청난 가능성을 지닌 신흥 연구 분야는 근거리 장(near-field) 빔포밍입니다2.
반면, 재구성 가능한 지능형 표면(RIS)은 mmWave/THz 스펙트럼과 관련된 일부 전파 문제를 극복할 수 있다는 점에서 특히 흥미롭습니다3,4. RIS는 입사되는 전자기파를 반사, 굴절 및 조절할 수 있습니다5. 이 경우, 빔을 원하는 방향이나 모양으로 조향하는 것이 주요 목표이며, RIS는 방사원의 방사 패턴을 변경하는 것으로 묘사될 수 있습니다. 원거리장 RIS의 경우, 채널 추정, 위치 추정, 표준화, 수동/능동 빔포밍을 포함하여 수년 동안 여러 기본 주제들이 연구되어 왔습니다6,7,8,9,10,11. 이 기술은 빔을 집중시켜 다중 사용자 통신을 가능하게 하며, 특히 10 GHz 대역과 같은 중주파수 대역에서 경로 손실과 투과율 사이의 절충안을 제공합니다12. 스마트 인터페이스는 통신 네트워크 내에서 더욱 발전되었으며, 현재 공간 해상도와 통신 대역폭을 향상시키기 위해 연구되고 있습니다13. 5G에서 6G로 전환되는 과정에서 더 높은 주파수와 더 큰 안테나 개구면의 사용으로 인해 전통적인 원거리장 통신 시나리오가 근거리장 통신 시나리오로 전환되고 있습니다14,15.
근접장(near-field) 영역은 6G 네트워크에서 중요해질 것이며, 이에 따라 새로운 근접장 기술에 대한 연구가 필요합니다16. 근접장 기술에서 전자기파 전파 특성을 개선하기 위해서는 파동을 평면파가 아닌 구형파로 처리해야 합니다. 이러한 새로운 물리적 특성은 공간적 비정상성(spatial non-stationarity), 빔 분할(beam splitting), 삼중 편파(tri-polarization), 소멸파(evanescent waves)를 포함한 다양한 전자기적 효과를 나타냅니다17. 이로 인해 많은 기존 통신 방식은 이러한 새로운 물리적 특성을 충분히 활용하지 못하거나 6G 근접장 환경에서 심각한 성능 저하를 겪을 수 있습니다18. 현재의 원거리장(far-field) 통신 기술과 근접장 전파 모델 간의 불일치는 근접장 위치에서 기존 원거리장 기술의 효율성을 크게 떨어뜨릴 수 있습니다19. 전통적인 원거리장 협대역 시스템과 달리, 근접장 광대역 RIS 시스템에서는 새로운 전자기(EM) 효과를 고려해야 합니다. 우선, 원거리장 채널 모델의 평면파 가설과 달리, 근접장 스펙트럼의 구형 파면으로 인해 근접장 채널은 두 개의 각도와 거리 차원을 포함합니다. 이는 원거리장 빔 조향 대신 근접장 빔 집중 효과를 가져옵니다20,21. "빔 분할 효과"라는 용어는 다양한 발생 지점에서 생성된 빔이 서로 다른 위치에 집중될 가능성을 의미합니다22.
전자기(EM) 파면을 평면파로 근사하는 원거리장(far-field)과 달리, 근거리장(near-field) 통신에서는 구면 파면 전파를 고려해야 합니다. 이러한 특성은 미래 무선 네트워크에 기회와 도전 과제를 동시에 제공합니다. 구면 파면을 활용하면 빔 포커싱(beam focusing)을 통해 특정 공간 영역 내에 신호를 집중시킬 수 있으며, 이를 통해 기존의 원거리장 빔 스티어링(beam steering)보다 개선된 간섭 억제 및 다중 사용자 통신을 구현할 수 있습니다. 그러나 이는 설계 및 신호 처리의 복잡성을 추가로 증가시키기도 합니다23,24. 근거리장 통신에 관한 초기 연구에는 근거리장과 원거리장 영역의 차이점, 핵심 개념, 기술적 과제, 응용 분야 및 코드북 기반 채널 추정을 기술한 25의 연구가 포함됩니다. 이후 해당 저자26는 빔포밍, 채널 분석, 시스템 성능 및 차세대 기술과의 통합에 초점을 맞추어, 평면 파면 기반의 원거리장 전송과 구면 파면 기반의 근거리장 전송 간의 근본적인 차이점을 조사하였습니다. 또한, 저자27는 채널 모델링, 추정, 빔포밍, 하드웨어 아키텍처 및 센싱을 포함한 근거리장 통신의 주요 과제를 연구하며 이 분야의 최근 진전 상황을 정리하였습니다.
최근 연구들은 차세대 6G 시스템을 위한 근거리장(near-field) 무선 통신 및 채널 모델링을 광범위하게 조사해 왔습니다. 종합적인 서베이들을 통해 근거리장 통신 원리, 홀로그래픽 MIMO 아키텍처, 채널 모델링 기법, 신호 처리 방법 및 통합 센싱 및 통신(ISAC) 응용 분야를 검토하였으며, 동시에 근거리장 환경에서의 채널 추정 및 시스템 설계와 관련된 주요 과제들을 식별하였습니다28,29. RIS 보조 mmWave/THz 시스템의 빔 분할(beam-splitting) 현상을 해결하기 위해, 분산형 RIS 배치 전략과 진정한 시간 지연(TTD) 보조 RIS 아키텍처를 포함한 다양한 솔루션들이 제안되었습니다. 이러한 접근 방식들은 주파수 선택적 빔 제어를 개선하고 빔 분할로 인한 성능 저하를 완화하지만, 종종 배치 비용의 증가, 하드웨어 복잡도 상승 또는 특수한 지연 소자에 대한 의존성을 수반합니다 30,31,32.
초대형 개구면 배열(ELAA) 시스템에서 빔 포커싱과 공간 광대역 왜곡의 결합 효과로 인해 빔포밍 최적화가 상당한 주목을 받고 있습니다. 기존 연구들은 빔포밍 이득을 높이고 이중 광대역 효과를 완화하기 위해 위상 지연 포커싱 방법, TTD 기반 아키텍처 및 홀로그래픽 메타표면 안테나를 위한 최적화 프레임워크를 탐구해 왔습니다33,34,35,36. 그럼에도 불구하고, 대부분의 XL-IMS 관련 연구들은 여전히 원거리장 평면파 가정을 따르고 있으며, 이는 초대형 개구면에 적용하기에는 부적절합니다. 그 결과, 구면파 전파, 공간 비정상성, 상호 결합 및 거리 의존적 빔 포커싱을 포함한 중요한 근거리장 특성들이 흔히 무시되고 있습니다37,38. 최근 인공지능 기술은 XL-IMS 기반 6G 네트워크의 근거리장 빔포밍 및 채널 최적화를 위한 유망한 솔루션으로 등장했습니다. 특히 메타 학습 기반 방법들은 제한된 학습 데이터 환경의 동적인 무선 조건 하에서 강력한 적응성과 빠른 수렴 성능을 입증했습니다. 이러한 접근 방식은 지능형 근거리장 통신 시스템 및 미래의 자율 무선 네트워크 최적화를 위한 상당한 잠재력을 제공합니다39,40.
기존의 빔포밍 기술은 대부분 단순화된 원거리 장(far-field) 채널 모델에 의존하고 있어, 초거대 구조에서의 중요한 근거리 장(near-field) 특성을 포착하지 못합니다. 또한, DeepMIMO와 같은 실제 환경에서의 데이터셋 기반 평가는 여전히 제한적이며, 동적인 사용자 시나리오를 위한 근거리 장 채널 모델링과 빔포밍의 공동 최적화는 충분한 관심을 받지 못했습니다. 아울러, 계산상의 확장성은 실제 XL-IMS 기반 6G 배포에 있어 주요한 과제로 남아 있습니다. 이러한 한계를 해결하기 위해, 본 연구에서는 물리 기반의 구면파(spherical-wave) 채널 모델링을 GNN 및 어텐션 메커니즘과 결합한 근거리 장 빔포밍 통합 프레임워크를 제안합니다. 제안된 프레임워크는 공간적 비정상성, 메타표면 상호작용 및 거리 의존적 전파를 명시적으로 고려하며, DeepMIMO 데이터셋을 통해 검증되었습니다.
제안된 프레임워크는 물리적 채널 모델링과 딥러닝을 통합하여 XL-IMS 시스템을 위한 정확한 근접장 채널 표현 및 빔포밍 최적화를 가능하게 합니다. 구면파 전파와 공간적 비정상성을 명시적으로 모델링함으로써, 본 연구는 에너지 할당, 빔포밍 이득 및 간섭 억제를 개선하는 동시에 정밀한 빔 포커싱을 용이하게 합니다. 또한, 이 프레임워크는 메타표면 위상 응답의 요소별 최적화를 포함하여 밀집된 통신 환경에서 적응형 빔 스티어링을 가능하게 합니다. DeepMIMO 데이터셋의 실제 전파 시나리오를 사용하여, 제안된 접근 방식은 향상된 스펙트럼 효율성, 빔포밍 성능 및 계산 효율성을 입증하며, 대규모 XL-IMS 기반 6G 통신 네트워크를 위한 확장 가능한 솔루션을 제공합니다.
프로토콜
XL-IMS가 적용된 6G 시스템의 근거리장 채널 모델링 및 빔포밍을 위해 제안된 프레임워크는 물리 기반 모델링과 머신러닝 최적화를 결합하여 기존 원거리장 접근 방식의 한계를 극복합니다. 구형파 전파 및 공간적 비정상성을 통합한 근거리장 채널 모델을 개발하고 DeepMIMO 데이터셋을 사용하여 검증하였습니다. 메타표면 소자와 사용자 간의 공간적 의존성을 포착하기 위해 채널 정보를 그래프로 표현하였으며, 근거리장 빔 포커싱을 위한 빔포밍 가중치를 학습시키기 위해 엔드 투 엔드 GNN-attention 네트워크를 채택하였습니다. 기존의 반복적 최적화 방법과 달리, 학습 기반 프레임워크는 빔포밍 솔루션을 직접 예측하여 계산 복잡도를 줄이는 동시에 높은 정확도와 동적인 채널 조건에 대한 적응성을 유지합니다. 성능은 달성 가능한 전송 속도, 빔포밍 이득 및 에너지 효율 측면에서 평가되었으며, 전통적인 원거리장 빔포밍 방법보다 우수한 결과를 입증하였습니다. 그림 1은 전체 프레임워크를 보여줍니다.
제안된 단계는 다음과 같습니다:
단계 1: DeepMIMO 환경 구성
DeepMIMO v3.x 플랫폼은 먼저 28 GHz의 반송파 주파수와 100 MHz의 대역폭을 사용하는 O1 Outdoor 설정을 통해 구성됩니다. 시뮬레이션에서 XL-IMS는 λ/2 간격으로 배치된 256개의 반사 소자로 구성된 16×16 균일 평면 배열로 표현됩니다. 선택된 전파 모델은 LoS 및 NLoS 경로를 포함하는 구면파 모델입니다.
단계 2: XL-IMS 기하학적 구조 및 사용자 위치 정의
XL-IMS를 256개의 재구성 가능한 반사 소자로 구성된 16×16 평면 메타표면으로 설계합니다. 사용자 단말 장치는 Rayleigh 거리 기준에 따라 XL-IMS로부터 0.5m에서 10m 사이의 근접장 범위 내에 무작위로 배치되었습니다.
단계 3: 구형파 전파를 이용한 근접장 채널 생성
거리로 인한 위상 변화를 고려하는 구형파 전파를 사용하여 각 재구성 가능한 메타표면 요소와 사용자 사이의 채널을 모델링하십시오.
단계 4: 근접장 채널 데이터 생성
사용자 단말은 XL-IMS 패널로부터 근거리 영역(0.5-10 m) 내에 균일하게 분포되었습니다. 채널 생성을 위해 DeepMIMO O1 Outdoor Scenario에서 생성된 LoS 및 NLoS 전파 경로가 모두 사용되었습니다.
단계 5: 학습 및 테스트용 데이터셋 준비
생성된 데이터셋은 20,000개의 샘플로 구성되었으며, 그 중 16,000개(80%)는 훈련용으로, 4,000개(20%)는 테스트용으로 사용되었습니다.
단계 6: 입력 특성 정규화 및 모델 입력 준비
준비 과정의 마지막 단계에서는 채널 크기, 위상, 거리 및 사용자 좌표와 같은 모든 입력 특성에 대해 Min-Max 스케일링을 수행하였습니다. 이 과정을 통해 데이터를 스케일링하고 텐서로 변환하여 GNN-attention 네트워크에 입력하였습니다. 모델은 학습률 0.001의 Adam 옵티마이저를 사용하여 50 에포크(epochs) 동안 최적화되었습니다.
7단계: 어텐션 메커니즘 적용
전역 그래프 정보를 고려하고 그래프 노드 간의 장거리 의존성을 캡처하기 위해 어텐션 메커니즘(attention mechanism)을 추가합니다. 이는 모델이 중요한 공간적 특징에 집중하는 데 도움이 됩니다.
단계 8: 빔포밍 가중치 예측
GNN-attention 임베딩을 사용하여 빔포밍 가중치와 위상 이동 값을 예측합니다. 복잡하고 노동 집약적이며 반복적인 빔포밍 절차가 예측 방법으로 대체됩니다.
단계 9: 성능 지표 평가
통신 및 빔포밍의 작동 효율을 평가하기 위해, 달성 가능한 전송률(achievable rate), 빔포밍 이득, 스펙트럼 효율, 에너지 효율 및 SINR과 같은 KPI를 계산하십시오.
단계 10: 벤치마크 방법과 비교
제안된 알고리즘을 ZF, MMSE, SDR 및 AO를 포함한 기존 알고리즘과 비교하십시오.
시스템 모델 정의
제안된 시스템은 조정 가능한 위상 변이를 통해 전자기파 전파를 제어하는 256개의 재구성 가능한 반사 소자로 구성된 XL-IMS가 적용된 6G 무선 네트워크를 고려합니다. 사용자가 근접장(near-field) 영역에서 작동함에 따라 기존의 원거리장 평면파 가정이 무효해지므로, 구면파 전파, 거리 의존적 감쇄 및 공간적 비정상성(spatial non-stationarity)을 고려해야 합니다. 근접장과 원거리장 영역 사이의 경계는 메타표면의 크기와 반송파 파장에 따라 결정되는 Rayleigh 거리로 정의되며, 이는 구면 파면 효과에서 평면파 전파로 전환되는 지점을 나타냅니다. 이는 다음과 같이 설명됩니다:
(1)
여기서 D는 메타표면의 크기, λ는 파장, R은 레일리 거리(Rayleigh distance)를 나타냅니다. 사용자가 실제 R 값보다 더 가까운 위치에 있을 때 통신 채널에서 근접장 현상이 발생합니다. 신호가 서로 다른 메타표면 구성 요소를 통과함에 따라 서로 다른 위상 및 진폭 변화가 일어납니다.
n번째 메타 표면에서 사용자까지의 채널은 근접장 전파를 위한 구면파 모델을 사용하며, 이는 다음과 같은 채널 계수 방정식으로 표현됩니다:
(2)
여기서 α는 경로 손실 계수를, λ는 반송파 파장을 나타내며, dn은 구성 요소로부터 사용자까지의 거리를 의미합니다.
이 경우, βn 다음의 경로 손실 계수는 무엇입니까? nth XL-IMS 요소이며 다음과 같이 표현될 수 있다 βn = dn−α여기서 α 경로 손실 지수를 나타냅니다. 다음 사항에 유의해야 합니다. dn 사용자의 위치에서 다음까지의 유클리드 거리입니다. nth 메타표면 요소. 공간에 따른 채널 변화는 ~의 상당한 차이로 인해 발생합니다. dn 원거리 장 채널의 상황과는 대조적으로, 다양한 메타 표면들 사이에서 채널 벡터는 일반적으로 다음과 같이 설명될 수 있습니다.
(3)
사용자가 수신하는 입력 신호는 XL-IMS 시스템의 위상 튜닝에 따라 달라집니다. 메타표면을 사용하여 구현된 위상 이동을 θ = [θ1, θ2, …., θN]라고 가정하면, 입력 신호는 다음과 같이 표현할 수 있습니다:
(4)
여기서 Φ = diag(ejθ1, ….., ejθN)는 송신 신호, w는 기본 코딩 프리코딩 벡터, n은 잡음을 나타냅니다. 근거리 채널 벡터는 h ∈ ℂN×1, XL-IMS의 대각 위상 이동 행렬은 Φ ∈ ℂN×N, 빔포밍 벡터는 x ∈ ℂN×1, 그리고 수신 신호는 y ∈ ℂ로 정의됩니다. 가산성 잡음 항은 n ∼ CN (0, σ2)로 정의됩니다. 이러한 차원들은 수식의 수학적 정확성을 유지합니다.
이 경우, ws는 전송 심볼(s)을 프리코딩하는 데 사용되는 기지국 프리코딩 벡터입니다. 성능 벤치마킹 과정에서, ZF 및 MMSE와 같은 일반적인 디지털 프리코딩 방식이 유사한 근거리 채널 실현을 통해 기지국에 구현됩니다. 그러나 새로운 방식은 GNN-attention 학습 메커니즘을 통해 XL-IMS 위상 이동 행렬(θ)을 최적화하고자 합니다.
근거리 영역(near-field region)에 에너지를 집중시키기 위해서는, 사용자 지점에서 보강 간섭이 일어나는 설계 θ를 달성할 수 있어야 합니다. 빔포밍 전략은 스펙트럼 효율 또는 수신 신호 전력을 최대화하는 것을 목표로 합니다. 그림 2는 XL-IMS 방식을 기반으로 한 근거리 통신 시스템 모델의 구조를 보여줍니다.
근접장 채널 모델링
제안된 XL-IMS 기반 6G 통신 네트워크 근거리 모델은 메타표면으로부터 Rayleigh 거리 부근의 전파 조건을 모사하도록 특별히 설계되었습니다. 평면파를 가정하는 기존의 원거리 전파 모델과 달리, 근거리 영역에서의 전파는 구면파 형태이며, 메타표면 전체에 걸쳐 위상 값이 변화하고 공간 파라미터가 비균질하게 나타납니다. 본 연구에서는 메타표면 소자와 사용자 단말기의 물리적 위치를 모두 고려하여 정확한 채널 임펄스 응답 행렬을 설계하기 위해 물리 기반 구면파 모델을 사용하였습니다.
거리에 기반한 채널 표현
각 메타표면 구성 요소와 사용자 사이의 거리는 근거리 영역(near-field regime)에서 채널 모델을 구축하는 데 중요한 요소입니다. 사용자 위치 pu와 n번째 XL-IMS 구성 요소 사이의 거리 pn은 다음과 같이 제공됩니다:
(5)
이 값은 메타표면의 면적이 매우 넓기 때문에 표면 전체에서 크게 달라지며, 이로 인해 전파 시간과 위상 이동이 불균일해지므로 모델에서 이를 반드시 고려해야 합니다.
구형파 채널 모델
n번째 소자와 사용자 사이의 채널 계수는 식 (2)에서 설명한 구면파 모델을 사용하여 결정되며, 이는 거리에 따른 위상 및 진폭 변화를 포착합니다. 데이터셋 생성 및 모델 학습을 위해 채널 계수는 실제 환경 구조를 기반으로 가시선(LoS) 및 비가시선(NLoS) 다중 경로 전파를 모두 포함하는 DeepMIMO 레이 트레이싱 프레임워크로부터 얻습니다. 이를 통해 식 (3)과 같이 모든 N개 메타 표면 소자의 채널 응답으로부터 채널 응답 행렬을 구성할 수 있습니다.
근접장 채널의 공간적 비정상성과 모델 중요도
원거리장 채널과 달리 근거리장 채널은 메타표면 전체에서 수신 신호가 달라지는 공간적 비정상성(spatial non-stationarity)을 보이며, 이를 통해 위치 의존적 빔 포커싱이 가능합니다. 이러한 공간 정보는 채널 응답 행렬에 내포되어 있으며 GNN-attention 모델에 의해 포착됩니다. 보충 그림 1 XL-IMS 기반 6G 통신 시스템을 위한 제안된 근접장 채널 모델링 프레임워크와 딥러닝 기반 빔포밍을 위한 실제적인 채널 데이터 생성 과정을 보여줍니다.
데이터셋 생성
데이터 생성은 환경 기하학, 공간 일관성 및 사용자 이동성을 통합하여 실제와 유사한 레이 트레이싱 기반 채널 시뮬레이션을 제공하는 DeepMIMO 프레임워크를 사용하여 수행되었습니다. 28 GHz의 캐리어 주파수와 100 MHz의 대역폭에서 O1 실외 시나리오를 사용하여 여러 근거리 필드 사용자 위치에 대한 채널 응답을 생성했습니다. XL-IMS는 균일하게 분포된 256개의 반사 소자로 구성되었으며, 사용자 위치는 레일리 기준(Rayleigh criterion)에 따라 근거리 필드 영역 내에서 선택되었습니다. 채널 계수, 경로 이득 및 공간 정보는 DeepMIMO Python 라이브러리를 사용하여 추출되었습니다. 보충 표 1에 시뮬레이션 및 재현성 매개변수가 요약되어 있습니다. 모델은 채널 상태 특성을 입력으로 하고 물리 기반 최적화 빔포밍 가중치를 타겟 레이블로 하여 지도 학습을 통해 훈련되었습니다.
입력 특성 생성 및 데이터셋 구조
다음으로, 원시 채널 데이터를 딥러닝 모델의 입력값으로 사용할 특성(feature)으로 변환하였습니다. 이러한 특성에는 별개의 구성 요소로서 채널 응답 크기와 위상이 포함되었습니다. 문제 요구 사항에 따라 다른 입력 파라미터도 포함될 수 있습니다. 예를 들어, 사용자의 좌표, 거리 및 일부 공간적 파라미터 또한 특성으로 고려될 수 있습니다. 데이터셋은 80:20의 비율로 훈련 세트와 테스트 세트로 분할되었습니다.
훈련용 데이터셋 준비
마지막 단계에서는 준비된 데이터셋을 정규화하고, 학습을 위해 GNN-attention 아키텍처의 입력으로 적합한 텐서로 변환하였습니다. 학습 데이터셋은 채널 상태에서 최적 빔포밍 가중치로의 매핑을 학습하는 데 사용되었으며, 테스트 데이터셋은 모델의 효과를 평가하는 데 사용되었습니다. 이렇게 잘 준비된 데이터셋 덕분에 학습 과정이 더 쉽고 효율적으로 이루어졌습니다. 보충 표 2는 DeepMIMO의 데이터셋 설명 세부 사항을 보여줍니다.
특징 표현
특징 표현 단계에서는 복소수 값의 근접장 채널 데이터를 딥러닝에 적합한 형식으로 변환하였습니다. 채널 응답은 학습을 위한 필수적인 근접장 정보를 보존하면서 공간적 및 전파 특성을 포착하는 특징들로 분해되었습니다. 보충 그림 2 이 과정에 사용된 DeepMIMO 데이터셋을 보여줍니다. 근접장 환경의 채널 데이터는 복소수로 표현되었습니다. hn채널 계수의 위상 및 진폭 정보를 나타내는 실수부와 허수부를 포함하며, 머신러닝 알고리즘에서 효과적으로 사용할 수 있도록 계수를 실수부(Rehn) 및 허수부(Imhn) 부분들입니다. 데이터는 크기로 나타낼 수도 있습니다. hn 그리고 계수의 위상 ∠hn.
공간 특징 추출
채널 계수 외에도 근거리 장 환경의 기하학적 특성을 반영하기 위해 공간적 특징이 포함되었습니다. 여기에는 각 메타표면 요소에서 수신기까지의 거리 dn과 수신기의 좌표(x, y, z)가 포함되었습니다. 이를 통해 모델은 신호 특성이 송수신기 쌍의 공간적 위치에 따라 달라질 수 있다는 점을 고려하였으며, 이는 근거리 전파에서 중요한 특성입니다.
정규화 및 모델 입력 준비
모델에 입력을 제공하기 전 예비 단계로, 수치적 불안정성을 방지하고 수렴을 가속화하기 위해 정규화 과정을 수행하였다. 구조화된 벡터는 (Xtrain, Xtest)로 표시되는 훈련 데이터 세트와 테스트 데이터 세트로 나누었다. 이렇게 하여 입력값이 GNN 및 어텐션 모델에 제공되었다.
부록 그림 2의 특성 표현을 바탕으로, 본 데이터셋에서는 모든 메타표면 요소의 복소 신호 응답을 나타내는 채널 계수 hn을 포함하여 다양한 종류의 특성이 사용되었습니다. 또 다른 특성은 본 사례에서 전파 효과를 나타내는 거리 dn이었습니다. 허수부와 실수부는 신호에 대한 수치적 설명을 제공하지만, 크기와 위상 부분은 각각 신호 강도와 위상 천이에 대한 명시적인 설명을 제공합니다. 사용자 위치 좌표(x, y, z)는 모델의 공간 인식 능력을 향상시키는 또 다른 중요한 특성이었습니다.
공간적 의존성 모델링을 위한 GNN 기반 딥러닝 설계와 전역 문맥 학습을 위한 하이브리드 어텐션 메커니즘의 통합
이 학습 알고리즘은 GNN과 어텐션 메커니즘을 사용하여 공간적 및 전파 특성을 가진 복잡한 근접장 XL-IMS 채널을 효율적으로 학습시키기 위해 개발되었습니다. 메타표면 소자들은 서로 매우 밀접하게 연관되어 있으며 근접장 구역 내에서의 상호작용이 균일하지 않으므로, 완전 연결 네트워크(fully connected network)로는 채널을 적절히 표현하기에 적합하지 않습니다. 따라서 본 접근 방식에서는 메타표면을 그래프로 표현하며, 각 소자를 노드로, 소자 간의 상호작용을 엣지로 설정하였습니다. GNN은 인접 노드 간의 국소적 공간 의존성을 포착하고, 어텐션 메커니즘은 전역적 의존성의 학습 능력을 향상시켰습니다.
XL-IMS의 그래프 표현
XL-IMS는 그래프 G = (V, E)로 생성되며, 여기서 각 정점 vn ∈ V은 하나의 메타표면 요소를 나타내고, 간선 eij ∈ E은 요소 간의 공간적 관계를 나타냅니다. 각 정점은 특성 표현 단계를 통해 획득한 특성 벡터 xn을 갖습니다. 인접 행렬 A는 서로 가깝거나 특정 거리 제한 내에 있는 정점 간의 연결성을 포착합니다. 이러한 그래프 공식화는 근접장 전파에 존재하는 공간 정보를 통합하는 데 사용됩니다.
재현성을 확보하기 위해, k를 8로 설정한 K-Nearest Neighbors 방식을 사용하여 그래프 연결성을 결정합니다. pi와 pj를 각각 i번째와 j번째 XL-IMS 세포의 위치 벡터라고 가정합니다. 두 정점 사이의 거리는 다음과 같이 유클리드 거리로 측정합니다: dij = ||pi − pj||2. 정점 j가 정점 i에서 가장 가까운 8개 이웃 그룹에 포함되면 정점 i와 j 사이에 에지가 생성됩니다. 따라서 인접 행렬은 다음과 같은 규칙으로 구성됩니다: j ∈ Nk(i)이면 Aij = 1이고, 그렇지 않으면 Aij = 0입니다.
제안된 GNN에서 각 노드의 업데이트는 다른 이웃 노드들의 정보를 기반으로 계산됩니다. 구체적으로, 레이어 l의 전파는 다음과 같이 정의될 수 있습니다:
(6)
여기서 hi(l)은 레이어 l에서 정점 i의 특징 벡터를 나타내며, N(i)는 정점 i의 이웃, W(l)은 학습 가능한 가중치 행렬, 그리고 σ(·)는 비선형 활성화 함수를 상징합니다.
GNN-attention 모델은 은닉 차원이 128로 설정된 3개의 그래프 컨볼루션 층으로 구성되었으며, 활성화 함수로는 Rectified Linear Unit (ReLU)이 사용되었습니다. 그래프 생성은 k-최근접 이웃법(k=8)을 사용하여 수행되었습니다. 각 XL-IMS 특징은 노드 역할을 하며, 엣지는 인접 노드 간의 유클리드 거리를 기반으로 형성됩니다. 전역 공간 의존성을 추출하기 위해 4개의 헤드를 가진 멀티 헤드 셀프 어텐션 네트워크를 사용했습니다. 과적합을 방지하기 위해 드롭아웃 확률은 0.3으로 설정되었습니다.
어텐션 메커니즘
국소 이웃 범위를 벗어나는 장거리 의존성을 모델링하기 위해, 다음과 같이 작동하는 어텐션(attention) 기법이 모델에 도입되었습니다.
(7)
여기서 eij = LeakyReLU(aT[Whi | Whj])는 노드 i와 j의 중요도를 나타냅니다. 이 모델을 통해 각 노드의 역할에 따라 서로 다른 중요도 수준을 할당할 수 있으며, 이를 통해 모델이 메타표면 전체의 전역적 문맥을 더 쉽게 이해할 수 있습니다. 하이브리드 프레임워크는 국부적 및 전역적 공간 정보를 모두 포착하며, 학습된 특징들은 완전 연결 층(fully connected layers)을 통해 처리되어 빔포밍 가중치를 생성합니다. 부록 그림 3과 4에 나타난 바와 같이, GNN은 메시지 전달 및 특징 집계를 통해 국부적 공간 의존성을 모델링하며, 어텐션 메커니즘은 메타표면 요소 간의 전역적 상호작용을 포착하여 효과적인 근거리장 빔포밍을 가능하게 합니다. 노드 쌍의 관련성을 정량화하기 위해 어텐션 가중치를 계산하며, 더 유용한 정보가 포함된 상호작용에 더 높은 중요도를 할당합니다. 이 가중치를 사용하여 각 노드는 다른 모든 노드로부터 정보를 집계하며, 이를 통해 모델은 국부적 이웃 범위를 넘어 전역적 의존성을 포착할 수 있습니다. 결과적으로 가중치가 적용된 특징 융합을 통해 덜 관련 있는 정보는 억제하고 중요한 공간적 특성은 강조하는 최적화된 특징 표현을 생성함으로써, 효과적인 빔포밍 최적화 및 에너지 집중을 지원합니다.
빔포밍 최적화
빔포밍 최적화 단계에서는 근거리-장(near-field) 사용자에게 에너지를 집중시키기 위한 XL-IMS 위상 이동 및 빔포밍 가중치를 결정하였습니다. 기존의 원거리-장(far-field) 빔 스티어링과 달리, 근거리-장 빔포밍은 특정 공간적 위치에 에너지를 집중시킵니다. 제안된 프레임워크에서는 GNN-어텐션 모델이 채널 특성으로부터 최적의 빔포밍 파라미터를 직접 학습하여, 반복적인 최적화 방법의 복잡성을 줄였습니다. 수신된 사용자 신호는 식 (4)와 같습니다.
각 채널 구현에 대한 학습 데이터는 DeepMIMO에서 얻었으며, 이에 대응하는 XL-IMS 위상 편이는 AO 알고리즘을 사용하여 결정했습니다. 수신 신호 전력을 최대화함으로써 위상 편이 벡터 θ를 계산하기 위해 근접장 채널 행렬 h와 XL-IMS 위상 편이 행렬이 사용되었습니다:
(8)
(9)
AO 최적화 도구는 원하는 수렴 임계값인 10−4에 도달할 때까지 100회 반복 실행되었습니다. 이렇게 최적화된 값들은 GNN-attention 모델의 학습 레이블로 사용되었습니다. 목표는 효과적인 근접장 빔 포커싱과 수신 신호 전력 향상을 위해 건설적 간섭을 구현하는 것이었습니다. SDR 또는 AO와 같은 기존의 최적화 방법 대신, 학습 기반 접근 방식을 사용하여 문제를 해결했습니다. 구체적으로, 빔포밍 최적화 문제는 딥러닝 모델 fΘ(⋅)를 통해 근사되었습니다.
AO 알고리즘을 통해 제공된 최적의 빔포밍 위상 이동 벡터를 학습 목표로 설정하여 GNN-attention 모델을 훈련시키기 위해 지도 학습을 채택하였습니다. 구체적으로, AO로 생성된 최적 위상 이동 벡터를 θAO,i로, 네트워크 예측값을 
로 표기하면, 학습 기준은 다음과 같이 수립되었습니다:
(10)
여기서 N은 훈련 샘플의 수입니다.
알고리즘 1: GNN-attention 모델을 이용한 근거리 빔포밍은 보충 파일 1에 제시되어 있습니다. 이 알고리즘의 첫 번째 단계는 시스템 파라미터와 DeepMIMO 데이터베이스를 설정하여 실제적인 채널 조건을 생성하는 것이었습니다. 각 샘플에 대한 근거리 채널 특성은 구면파 모델을 사용하여 계산되었으며, 이후 데이터베이스에서 채널 계수 및 공간적 특성과 같은 주요 특징들이 추출되었습니다. 추출된 특징들은 구조화된 형태로 변환되었으며, 메타표면 소자를 노드로 하는 그래프로 표현되었습니다. 딥러닝 모델은 국부적 공간 의존성을 포착하기 위해 GNN 층을 사용하여 생성되었으며, 전역적 의존성을 학습하기 위해 어텐션 메커니즘이 도입되었습니다. 딥러닝 프레임워크는 예측된 위상 편이와 AO로 생성된 최적 위상 편이 레이블 간의 MSE 손실을 이용한 지도 학습을 통해 훈련되었습니다.
본 구현은 Python과 PyTorch를 사용하여 수행되었습니다. DeepMIMO 채널 샘플은 O1 야외 시나리오에서 얻었습니다. 이러한 채널 계수들은 그래프로 변환되었으며, 3개의 층과 멀티헤드 어텐션 메커니즘을 갖춘 GNN을 통해 처리되었습니다. 모델은 MSE 손실 함수와 Adam 옵티마이저를 사용하여 학습되었습니다. 이 모델은 근거리 사용자(near-field users)를 위한 빔포밍 위상 천이 및 가중치를 생성하였으며, 그 결과는 전송률, 효율성 및 SINR 관점에서 평가되었습니다.
결과
6G 통신 네트워크의 XL-IMS를 위해 도입된 근접장 채널 모델링 및 빔포밍 프레임워크의 성능은 실제 전파 환경과 공간적으로 일관된 채널 데이터를 제공하는 DeepMIMO 데이터셋을 사용하여 평가됩니다. 이 데이터셋을 구성하려면 메타표면 근접장의 다양한 사용자 위치를 나타내는 다수의 채널 샘플을 생성해야 합니다. 구체적으로, 본 연구에서는 서로 다른 전파 조건과 사용자 위치에서 수집된 최대 10,000–20,000개의 샘플을 사용합니다. 이러한 채널 샘플은 80:20의 비율로 나누어 80%는 학습용으로, 20%는 테스트용으로 사용하였습니다. 이러한 방식으로 학습 세트는 학습의 기초를 제공하며, 테스트 세트는 모델의 일반화 능력을 평가합니다.
실험 결과, 제안된 GNN-Attention 프레임워크가 기존의 원거리 빔포밍 및 최적화 기반 방법보다 우수한 성능을 보임을 입증하였습니다. 구면파 채널 모델링과 딥러닝 기반의 공간 특징 추출을 결합함으로써, 제안된 접근 방식은 더 높은 빔포밍 이득, 스펙트럼 효율 및 에너지 집중 성능을 달성하였습니다. 성능은 통신 용량, 신호 집중 효과 및 전력 소비 대비 데이터 전송 효율을 각각 측정하는 달성 가능 전송률, 빔포밍 이득 및 에너지 효율을 사용하여 평가되었습니다.
제안된 방법은 ZF 및 MMSE를 포함한 기존의 빔포밍 기술과 SDR 및 AO와 같은 최적화 기반 방법과 비교되었습니다. 원거리장(far-field) 접근 방식은 평면파 가정을 통해 제한되며 근거리장 XL-IMS 환경에서 성능이 저하되는 반면, 최적화 방법은 종종 높은 계산 복잡도를 수반합니다. 이에 반해, GNN-attention 프레임워크는 더 낮은 계산 오버헤드로 효율적인 빔포밍을 제공합니다. 공정한 비교를 위해 모든 방법은 동일한 DeepMIMO 생성 근거리장 채널, XL-IMS 구성, 반송파 주파수, 사용자 위치, 전송 전력 및 신호 대 잡음비(SNR) 조건 하에서 평가되었습니다. ZF와 MMSE는 동일한 채널 상태 정보를 가정하였으며, SDR과 AO는 표준 문헌 기반 파라미터 설정을 사용하여 동일한 전력 및 위상 이동 제약 조건 하에 구현되었습니다.
근접장 채널 모델링 검증
그림 3에서 제안된 그래프 신경망-어텐션 기반 빔포밍 모델의 달성 가능한 전송률 성능을 비교하기 위해 ZF, MMSE, SDR 및 AO를 포함한 벤치마크 방법들이 사용되었습니다. SNR이 0에서 30 dB로 증가함에 따라 모든 방법에서 달성 가능한 전송률이 향상되었으나, 제안된 모델이 일관되게 벤치마크보다 우수한 성능을 보였습니다. 제안된 모델은 0 dB에서 2.1 bps/Hz, 15 dB에서 7.8 bps/Hz, 30 dB에서 11.6 bps/Hz를 기록하여 모든 SNR 수준에서 ZF, MMSE, SDR 및 AO의 성능을 상회했습니다. 표 1은 SNR 대비 달성 가능한 전송률의 비교 결과를 보여줍니다.
그림 4는 근접장 영역에서의 사용자 거리에 따른 제안된 GNN-attention 기반 모델과 ZF, MMSE, SDR, AO를 포함한 기존 방식의 빔포밍 이득을 비교하여 보여줍니다. 사용자 거리가 증가함에 따라 전파 경로 손실이 증가하여 수신된 빔포밍 신호 전력이 감소하며, 결과적으로 모든 방식에서 빔포밍 이득이 줄어듭니다. 그럼에도 불구하고, 제안된 GNN-attention 프레임워크는 1 m에서 약 28 dB, 4 m에서 25 dB, 7 m에서 22 dB를 달성하며 일관되게 가장 높은 빔포밍 이득을 기록하여, 평가된 모든 거리에서 SDR, AO, MMSE, ZF보다 우수한 성능을 보였습니다. 이러한 결과는 제안된 프레임워크의 탁월한 근접장 빔 포커싱 능력과 이득 유지 성능을 입증하며, 기존 방식 대비 향상된 빔포밍 효율을 가져옵니다.
GNN-attention 학습 프레임워크의 성능
그림 5는 0에서 30 dB까지의 SNR 값에 따른 제안된 GNN-attention 빔포밍 방식과 ZF, MMSE, SDR, AO의 스펙트럼 효율을 비교한 것입니다. 모든 방식에서 SNR이 높아질수록 스펙트럼 효율이 증가하지만, 제안된 접근 방식은 0 dB에서 1.8 bps/Hz, 15 dB에서 6.8 bps/Hz, 30 dB에서 10.5 bps/Hz에 도달하여 모든 벤치마크 방식보다 뛰어난 일관된 최적의 성능을 보입니다. 그림 6은 다양한 SNR 조건에서 제안된 GNN-attention 빔포밍 시스템과 ZF, MMSE, SDR, AO의 에너지 효율을 비교한 것입니다. 모든 방식에서 SNR이 증가함에 따라 에너지 효율이 향상되지만, 제안된 접근 방식은 0 dB에서 약 2.5 bits/Joule, 15 dB에서 7.2 bits/Joule, 30 dB에서 9.8 bits/Joule에 도달하여 모든 벤치마크 기술보다 일관되게 가장 높은 성능을 달성합니다.
데이터 세트 및 특성 표현 평가
그림 7 제안된 GNN-attention 모델의 훈련 에포크(epoch)에 따른 평균 제곱 오차(MSE) 기준 수렴 동작을 보여줍니다. MSE는 훈련 초기 단계에서 빠르게 감소하며, 약 로부터 하락합니다. 에포크(epoch) 5에서 0.69, 에포크 20에서 0.22그리고 더욱 감소하여 약 35 에포크(epoch) 기준 0.08. 모델은 다음을 통해 점진적으로 수렴합니다. 에포크 50, 약 어느 정도의 MSE(평균 제곱 오차)를 달성하며 0.04, 이는 안정적인 학습과 기저 채널 특성의 효과적인 습득이 이루어졌음을 나타냅니다.
빔포밍 최적화 결과
그림 8은 사용자 수가 2명에서 12명으로 증가함에 따라 제안된 GNN-attention 빔포밍 방법과 ZF, MMSE, SDR 및 AO의 합산 전송률(sum-rate) 성능을 비교한 것입니다. 모든 방법이 사용자 수가 많을수록 더 높은 합산 전송률을 달성하지만, 제안된 방식은 사용자 2명일 때 12.5 bps/Hz, 6명일 때 31.6 bps/Hz, 12명일 때 50.3 bps/Hz를 기록하며 다양한 사용자 밀도 전반에서 모든 벤치마크 방법을 능가하는 최적의 성능을 일관되게 보여줍니다.
표 2는 제안된 GNN-attention 빔포밍 프레임워크의 다중 사용자 성능을 ZF, MMSE, SDR 및 AO와 비교한 결과입니다. 제안된 방법은 가장 높은 다중 사용자 효율(92.5%), SINR(24.8 dB) 및 용량 이득(50.3 bps/Hz)을 달성하여 벤치마크 방법들에 비해 우수한 확장성, 간섭 관리 및 자원 할당 능력을 입증하였습니다. 그림 9는 SINR 누적 분포 함수(CDF)의 비교 결과를 보여줍니다. 제안된 접근 방식은 분포가 오른쪽으로 이동한 형태를 띠며, 이는 모든 사용자에게 걸쳐 일관되게 더 높은 SINR 값이 나타남을 의미합니다. 중앙값(50백분위수)에서 약 25 dB의 SINR을 달성하여 SDR(23 dB), AO(22 dB), MMSE(20 dB) 및 ZF(17 dB)보다 우수한 성능을 보였습니다. 제안된 모델의 우수한 SINR 성능은 GNN을 통해 지역적 공간 종속성을 포착하고 attention 메커니즘을 통해 전역적 상호작용을 포착하는 능력에서 기인하며, 이를 통해 효과적인 근접장 빔포밍이 가능해졌습니다. CDF 결과는 기존의 ZF, MMSE, SDR 및 AO 방법보다 더 견고한 간섭 관리와 일관되게 더 높은 SINR을 보여줍니다.
표 3은 5회의 독립적인 실험 실행을 통해 얻은 평균 성능, 표준 편차 및 95% 신뢰 구간을 나타내며, 이는 제안된 프레임워크의 안정성과 재현성을 입증합니다. 표 4는 제안된 GNN-attention 빔포밍 기법과 기존 방법들의 계산 복잡도 및 추론 시간을 비교합니다. 학습 과정에서 계산 비용은 주로 그래프 메시지 전달과 어텐션 메커니즘에 의해 결정되며, 이로 인해 O(E·L·F2 + N2)의 복잡도를 갖습니다. 이러한 학습 오버헤드에도 불구하고, 학습된 빔포머는 배포 단계에서 반복적인 최적화의 필요성을 제거합니다. 제안된 모델은 평균 추론 시간 4.9 ms를 달성하였으며, 이는 SDR (85.4 ms), AO (63.7 ms), MMSE (15.6 ms) 및 ZF (12.8 ms)보다 상당히 낮은 수치입니다. 또한, 확장성 분석 결과 사용자 수와 메타표면 소자 수가 증가함에 따라 안정적인 성능을 보여, 제안된 프레임워크가 대규모 XL-IMS 기반 6G 통신 시스템에 적합함을 강조합니다.
어블레이션 연구
프레임워크 내 개별 구성 요소의 효과는 GNN, Attention, 물리 기반 근접장 채널 모델링과 같은 구성 요소를 생략하거나 변경하는 어블레이션 분석(ablation analysis)을 통해 평가할 수 있습니다. 전체 프레임워크는 이 세 가지 구성 요소를 모두 포함하며, 어블레이션 모델은 (i) GNN 모델만 사용, (ii) Attention 모델만 사용, (iii) 물리 기반 구면파 모델 제외(원거리장 가정)로 구성됩니다. 성능 평가는 달성 가능한 전송률(achievable rate), 빔포밍 이득(beamforming gain) 및 SINR과 같은 지표를 사용하여 수행됩니다. 결과에 따르면 전체 시스템 성능은 구성 요소에 의해 크게 영향을 받으며, 특히 물리 기반 채널 모델을 생략했을 때 가장 큰 성능 저하가 나타났습니다. 이는 근접장 영역에서 채널을 정확하게 모델링하는 것이 중요하다는 것을 시사합니다.
표 5의 어블레이션 결과로부터, 제안된 아키텍처의 각 구성 요소의 중요성을 확인할 수 있습니다. 위의 실험 결과에서 알 수 있듯이, 모든 구성 요소가 포함된 모델이 11.6 bps/Hz의 달성 가능한 전송률, 28 dB의 빔포밍 이득, 25 dB의 SINR로 최상의 성능을 기록하여, 제안된 아키텍처가 효과적으로 작동함을 입증하였습니다. 어텐션 메커니즘이 없을 때 모델은 10.2 bps/Hz만을 달성하며, 이는 전역 신호 컨텍스트가 약화되었음을 나타냅니다. 또한, GNN 구성 요소를 제거하면 9.8 bps/Hz라는 낮은 성능이 나타나며, 이는 근거리 통신을 위해 공간적 의존성 모델링이 필수적임을 시사합니다. 물리 기반 구면파 모델을 무시했을 때 가장 큰 성능 저하가 관찰되었으며, 달성 가능한 전송률 8.5 bps/Hz와 SINR 19.2 dB를 기록하여 근거리 채널 모델링 또한 반드시 필요함을 입증하였습니다.
요약하자면, 실험 결과는 XL-IMS 기반 6G 네트워크에 적용 가능한 전자기파의 근접장 기반 채널 및 빔포밍 모델을 개발한다는 연구 목표를 확인해 주었습니다. GNN-attention 아키텍처는 ZF, MMSE, SDR 및 AO 방식과 같은 전통적인 접근 방식보다 달성 가능한 전송 속도, 빔포밍 이득, 스펙트럼 효율, 에너지 효율 및 SINR 측면에서 더 높은 성능을 달성했습니다. 어블레이션 분석 결과, 구면파를 위한 물리 모델, 그래프 신경망 및 어텐션의 사용이 성능 향상에 매우 가치 있다는 것이 나타났습니다.
데이터 가용성
본 연구 중에 생성 및 분석된 데이터 세트와 지원 자료는 Zenodo 리포지토리(https://doi.org/10.5281/zenodo.21037047)에서 공개적으로 이용 가능합니다. 시뮬레이션 데이터 세트는 O1 실외 레이 트레이싱 시나리오, 28 GHz 반송파 주파수 및 근거리장 XL-MIMO 설정을 적용한 DeepMIMO Python 리포지토리를 사용하여 생성되었습니다. DeepMIMO Python 리포지토리는 다음 주소에서 이용할 수 있습니다: https://github.com/DeepMIMO/DeepMIMO-python.
그림 1: 제안된 연구의 전체 아키텍처. 제안된 근접장 채널 모델링 및 빔포밍 방법의 전체 파이프라인에 대한 모식도. 여기 를 클릭하여 이 그림의 더 큰 버전을 확인하십시오.
그림 2: 시스템 모델의 구조. 근거리 빔 포커싱을 적용한 XL-IMS 기반 6G 통신의 시스템 레벨 구조를 나타낸 도식도입니다. 여기에서 이 그림의 더 큰 버전을 확인하십시오.
그림 3: 달성 가능한 전송률 대 SNR 결과. 제안된 방식 및 기존 방식의 SNR에 따른 전송률 성능. 여기를 클릭하여 이 그림의 더 큰 버전을 확인하십시오.
그림 4: 빔포밍 이득 대 거리. 근접장 영역 내 사용자 거리에 따른 다양한 빔포밍 방식의 빔포밍 이득을 나타내며, 거리 증가에 따른 공간 신호 포커싱의 효과와 이득 유지 능력을 보여준다. 여기를 클릭하여 이 그림의 확대 버전을 확인하십시오.
그림 5: SNR 대비 스펙트럼 효율 결과. 다양한 SNR 값에서의 스펙트럼 효율 비교. 이 그림의 더 큰 버전을 보시려면 여기를 클릭하십시오.
그림 6: 에너지 효율 대 SNR 결과. 다양한 SNR 값에서의 에너지 효율 성능. 이 그림의 확대 버전을 보려면 여기를 클릭하십시오.
그림 7: MSE 수렴 결과. 학습 과정 중 MSE 손실의 수렴 정도. 여기를 클릭하여 이 그림의 확대 버전을 확인하십시오.
그림 8: 사용자 수에 따른 합산 전송률 결과. 사용자 수가 증가함에 따른 합산 전송률 성능. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 9: CDF를 이용한 SINR 비교 결과. CDF 그래프를 기반으로 한 SINR 비교. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
| 방법 | 평균 달성 가능 전송률 (bps/Hz) | 성능 수준 |
| 제안 방법 (GNN-attention) | 7.36 | ***** |
| SDR | 6.66 | **** |
| AO | 6.5 | **** |
| MMSE | 6.03 | *** |
| ZF | 5.23 | *** |
표 1: 달성 가능한 속도 비교. 제안된 기술과 기존 기술의 성능 속도를 나타냅니다.
| 방법 | 다중 사용자 효율 (%) | 간섭 처리 (SINR, dB) | 용량 개선 (bps/Hz) |
| 제안된 (GNN-Attention) | 92.5 ± 0.8 | 24.8 ± 0.5 | 50.3 ± 0.7 |
| SDR(소프트웨어 정의 라디오) | 86.3 ± 1.1 | 22.1 ± 0.7 | 45.0 ± 0.9 |
| AO | 84.7 ± 1.0 | 21.5 ± 0.8 | 43.2 ± 1.0 |
| 간이 정신 상태 검사(MMSE) | 78.9 ± 1.3 | 19.2 ± 0.9 | 38.7 ± 1.2 |
| ZF | 72.5 ± 1.5 | 17.0 ± 1.0 | 33.5 ± 1.4 |
표 2: 확장성 성능의 실험 결과. 다중 사용자 통신 환경에서의 확장성 성능을 보여줍니다.
| 측정 지표 | 평균 | 표준 편차 | 95% 신뢰구간 |
| 달성 가능한 전송률 | 11.6 ± 0.21 | 0.21 | [11.42,11.78] |
| 스펙트럼 효율 | 10.5 ± 0.18 | 0.18 | [10.34,10.66] |
| 에너지 효율 | 9.8 ± 0.15 | 0.15 | [9.67,9.93] |
| 신호 대 간섭 및 잡음비 | 25.0 ± 0.42 | 0.42 | [24.63,25.37] |
표 3: 통계 분석. 통계 분석 성능은 평균, 표준 편차 및 신뢰 구간을 사용하여 평가합니다.
| 방법 | 훈련 복잡성 | 추론 복잡도 | 평균 추론 시간 (ms) |
| ZF | 제공된 텍스트가 없습니다. 번역할 내용을 입력해 주세요. | O(N)³) | 12.8 |
| 간이 정신 상태 검사 (MMSE) | 제공된 텍스트가 없습니다. 번역할 내용을 입력해 주세요. | O(N)³) | 15.6 |
| SDR | 내용 없음 | O(N)³·⁵) | 85.4 |
| AO | 제공된 소스 텍스트가 없습니다. 번역할 내용을 입력해 주시기 바랍니다. | O(IN²) | 63.7 |
| 제안된 GNN-어텐션 | O(E·L·F² + N²) | O(E·L·F² + N²) | 4.9 |
표 4: 계산 복잡도 및 확장성 분석. 제안된 연구의 계산 복잡도 및 확장성 분석 결과입니다.
| 모델 변형 | 달성 가능한 전송률 (bps/Hz) | 빔포밍 이득 (dB) | SINR (dB) | 스펙트럼 효율 (bps/Hz) |
| 전체 제안 모델 (GNN + attention + 물리 기반) | 11.6 ± 0.2 | 28.0 ± 0.4 | 25.0 ± 0.3 | 10.5 ± 0.2 |
| 어텐션 메커니즘 제외 | 10.2 ± 0.3 | 25.5 ± 0.5 | 22.8 ± 0.4 | 9.1 ± 0.3 |
| GNN 제외 (MLP만 사용) | 9.8 ± 0.3 | 24.0 ± 0.6 | 21.5 ± 0.5 | 8.7 ± 0.3 |
| 물리 기반 채널 모델 제외 (원거리장 가정) | 8.5 ± 0.4 | 21.0 ± 0.7 | 19.2 ± 0.6 | 7.4 ± 0.4 |
표 5: 어블레이션 연구 결과. 모든 모델 구성 요소에 대한 어블레이션 연구를 보여줍니다.
보충 그림 1. 근접장 채널 모델링. 구면파 기반의 근접장 채널 모델링 및 행렬 구성에 대한 개략도입니다.이 파일을 다운로드하려면 여기를 클릭하십시오.
보충 그림 2. 평가에 사용된 DeepMIMO 데이터셋 특징들. DeepMIMO 데이터셋에서 추출하여 훈련 및 평가를 위한 모델 입력값으로 사용한 특징들.이 파일을 다운로드하려면 여기를 클릭하십시오.
보조 그림 3. 공간 의존성 모델링을 위한 GNN. GNN을 통한 공간 상관관계 모델링.이 파일을 다운로드하려면 여기를 클릭하십시오.
보충 그림 4. 전역 문맥 인식을 위한 어텐션 메커니즘. 전역 문맥 정보를 캡처하기 위한 어텐션 모듈의 도식적 설명.이 파일을 다운로드하려면 여기를 클릭하십시오.
보충 표 1. 시뮬레이션 환경. 모델의 훈련 및 테스트에 사용된 시뮬레이션 설정을 나타냅니다.이 파일을 다운로드하려면 여기를 클릭하십시오.
보충 표 2. 데이터 세트 설명. 훈련 및 평가에 사용할 DeepMIMO 데이터 세트의 특성을 보여줍니다.이 파일을 다운로드하려면 여기를 클릭하십시오.
보충 파일 1: 제안된 GNN-attention 기반 빔포밍 프레임워크의 워크플로우. 이 알고리즘은 데이터셋 생성, 그래프 구성, 모델 학습, 빔포밍 최적화 및 성능 평가 단계를 설명합니다.이 파일을 다운로드하시려면 여기를 클릭하십시오.
토론
제안된 알고리즘은 비선형 프리코딩을 사용하여 근접장 구면파 전파를 모델링함으로써 ZF, MMSE, SDR 및 AO와 같은 선형 프리코딩 기반 알고리즘보다 더 우수한 빔 포커싱을 달성합니다. SDR 및 AO 알고리즘의 결과는 최적에 가깝지만, 제안된 GNN-attention 네트워크는 훨씬 낮은 계산 비용으로 더 나은 성능을 구현하며, 이는 향후 6G 네트워크의 XL-IMS 배포에 있어 매우 중요합니다 21,26,27.
앞서 언급한 바와 같이, 이러한 주장을 정량적 관점에서 실증적으로 검증하기 위해 복잡도 분석을 수행하였으며, 그 결과는 표 4에 제시되어 있습니다. 제안된 GNN-attention 아키텍처의 훈련 과정 계산 복잡도는 O(E · d + N2 · d)이며, 여기서 E는 그래프 엣지, N은 메타표면 요소, d는 은닉 특징의 차원을 나타냅니다. 가장 중요한 점은 추론 시 학습 프레임워크를 사용할 경우, SDR 및 AO가 각 채널 실현마다 반복적인 최적화가 필요한 것과 달리 빔포밍 가중치를 O(N · d) 복잡도로 한 번의 패스만으로 계산할 수 있다는 것입니다.
성공적인 결과를 얻기 위해 정확하게 수행되어야 할 중요한 단계는 구면파 전파 원리를 기반으로 한 근거리 채널 모델을 생성하는 것입니다. 사용자 위치 데이터의 잘못된 사용과 부정확한 채널 특성 생성은 특징 추출 과정과 빔포밍 결과에 부정적인 영향을 미칩니다. 그래프 구성 또한 또 다른 핵심 요소인데, 노드 연결성이 부족하면 공간적 관계를 식별하는 GNN의 능력이 저하되기 때문입니다. 과적합 역시 발생할 수 있는 문제로, 네트워크가 소수의 전파 조건에서만 학습될 경우 새로운 사용자 위치에서의 일반화 성능에 영향을 줄 수 있습니다.
잠재적인 문제들을 해결하기 위해 여러 조치를 시행할 수 있습니다. 신경망의 수렴이 원활하지 않을 때는 학습률 감쇠(learning rate decay)와 정규화를 사용하여 이 문제를 해결할 수 있습니다. 특성 정규화와 그래프 희소화를 통해 훈련 중의 불안정성을 방지할 수 있습니다. 빔포밍 이득이 예상치 못하게 떨어지는 경우, 더 많은 데이터 포인트로 알고리즘을 재훈련함으로써 문제를 해결할 수 있습니다.
딥러닝의 또 다른 장점은 기존의 최적화 방법으로는 어려웠던 채널 조건의 변화에 동적으로 적응할 수 있는 알고리즘의 능력입니다. 이는 실행 시간을 최소화하여 빔포머 알고리즘의 효율성을 높이며, 동적인 채널 환경에서 더욱 견고한 성능을 발휘하게 합니다16,18,20.
제안된 모델은 물리적 채널 모델링과 그래프 기반 딥러닝 방법을 결합했다는 점에서 근접장 통신 이론에 혁신적인 것으로 간주됩니다. 전자기적 효과를 고려하기 위해 구면파를 포함함으로써 모델의 정확도가 향상되었으며, GNN과 어텐션 메커니즘을 사용하여 메타표면 소자 간의 수학적 의존성을 기술할 수 있게 되었습니다. 따라서 머신러닝과 전자기학 원리의 결합은 지능형 무선 환경 구축을 위한 새로운 이론적 프레임워크의 등장으로 이어집니다21,27,28.
응용 관점에서, 개발된 접근 방식은 실제 6G 네트워크 구축에 있어 XL-IMS의 적용 가능성을 현저히 향상시킵니다. 최적화 과정이 없어 계산 부하가 감소함으로써, 초저지연 서비스에 필수적인 실시간 빔포밍 결정이 가능해집니다. 또한, 제안된 모델은 스펙트럼 효율성과 에너지 효율성을 모두 입증하여, 밀집 도시, 사물인터넷(IoT) 및 고속 이동 사용자에게 이 기술을 적용할 수 있게 합니다.
제시된 방법론은 많은 강점을 가지고 있지만, 시스템에 몇 가지 약점도 존재한다. DeepMIMO가 레이 트레이싱(ray tracing)을 통해 현실적인 전파 시나리오를 제공함에도 불구하고, 이는 여전히 시뮬레이션 프레임워크이며, 항상 고려해야 할 환경적 변화와 알 수 없는 산란체, 시간적 채널 영향, 기상 영향 및 하드웨어 보정 영향이 존재하기 때문에 실제 무선 전파 동작과 시뮬레이션 결과 사이에 일부 차이가 있을 것이다. 따라서 그 결과는 상한 추정치로 간주되어야 한다26,38. 현재 모델은 송신기와 수신기의 구성 요소가 완벽하다고 가정한다. 실제 시스템에서는 발진기의 위상 잡음, 증폭기 왜곡, 동기화기 오류, 아날로그-디지털 변환기의 양자화 잡음 및 부정확한 채널 추정 등이 모두 성능 저하를 초래할 수 있다. 이러한 문제들은 정렬에 영향을 주고 시스템의 데이터 전송률을 감소시킬 수 있다.
XL-IMS 기반의 근접장 통신을 광범위하게 구현하기 위해서는 여전히 해결해야 할 몇 가지 배포 관련 문제가 있습니다. 이러한 문제로는 대형 메타표면에 대한 실시간 채널 추정, 수천 개의 안테나에 대한 계산 확장성, 분산 네트워크에서의 동기화, 장비 비용, 전력 요구 사항 및 기존 6G 시스템과의 통합 등이 있습니다. 향후 연구는 경량 학습 모델과 빔포밍 탐색에 집중해야 합니다.
본 연구는 6G 통신의 맥락에서 XL-IMS를 위한 선구적인 근접장 채널 모델링 및 빔포밍 아키텍처를 제시합니다. 이 혁신적인 기술은 물리 기반의 구면파 채널 모델링을 그래프 신경망 및 어텐션 메커니즘과 결합하여 정확한 근접장 채널 표현과 최적의 빔포밍 이득을 달성합니다. 해당 시스템은 근접장 채널 모델링, DeepMIMO 기반의 데이터셋 설계, 특징 표현, 공간 의존성 모델링 및 빔포밍 최적화를 포함합니다. 실험적 평가 결과, 달성 가능한 전송 속도, 빔포밍 이득, 스펙트럼 효율, 에너지 효율 및 SINR 측면에서 ZF, MMSE, SDR, AO와 같은 다른 최신 기법들보다 우수한 결과가 나타났습니다. 또한, 절제 연구를 통해 시스템의 모든 구성 요소가 효과적임을 입증하였습니다.
공개 사항
저자들은 이해관계의 충돌이 없습니다.
감사의 글
본 연구는 중국 국가자연과학基金 (Grant No. 62466036) 및 간동대학교 연구 초기 정착 자금 (Grant No. 12225000423)의 부분적 지원을 받아 수행되었습니다. 저자들은 필요한 연구 시설과 기관적 지원을 제공해 준 간동대학교에 감사를 표합니다. 본 연구는 중국 푸저우에 위치한 간동대학교 정보공학대학 및 인공지능 알고리즘 및 응용 연구실의 지원을 받았습니다.
재료
| 이름 | 회사 | 카탈로그 번호 | 댓글 |
|---|---|---|---|
| CUDA Toolkit | NVIDIA | CUDA 12.4 | https://developer.nvidia.com/cuda-toolkit |
| DGL | DGL Team | DGL 2.2.1 | https://www.dgl.ai |
| Matplotlib | Matplotlib Development Team | Matplotlib 3.9.0 | https://matplotlib.org |
| NumPy | NumPy Developers | NumPy 1.26.4 | https://numpy.org |
| Python | Python Software Foundation | Python 3.10.13 | https://www.python.org |
| PyTorch | Meta AI | PyTorch 2.3.1 | https://pytorch.org |
| PyTorch Geometric | PyG Team | PyG 2.5.3 | https://pytorch-geometric.readthedocs.io |
| Seaborn | Seaborn Developers | Seaborn 0.13.2 | https://seaborn.pydata.org |
| TensorFlow | TensorFlow 2.16.1 | https://www.tensorflow.org |
참고문헌
- Yang S, et al. Near-field channel estimation for extremely large-scale reconfigurable intelligent surface (XL-RIS)-aided wideband mmWave systems. IEEE J Sel Areas Commun. 2024;42:1567-82.
- Ni H, et al. Energy-efficient near-field beamforming: A review on practical channel models. Energies. 2025;18:2966.
- Di Renzo M, et al. Smart radio environments empowered by reconfigurable intelligent surfaces: How it works, state of research, and the road ahead. IEEE J Sel Areas Commun. 2020;38:2450-525.
- Tang W, et al. Wireless communications with reconfigurable intelligent surface: Path loss modeling and experimental measurement. IEEE Trans Wirel Commun. 2021;20:421-39.
- Li R, et al. Joint design of hybrid beamforming and reflection coefficients in RIS-aided mmWave MIMO systems. IEEE Trans Commun. 2022;70:2404-16.
- Wei L, et al. Joint channel estimation and signal recovery for RIS-empowered multiuser communications. IEEE Trans Commun. 2022;70:4640-55.
- Yang S, et al. Separate channel estimation with hybrid RIS-aided multi-user communications. IEEE Trans Veh Technol. 2022;72(1):1318-24.
- Wei L, et al. Channel estimation for RIS-empowered multi-user MISO wireless communications. IEEE Trans Commun. 2021;69:4144-57.
- Huang C, et al. Multi-hop RIS-empowered terahertz communications: A DRL-based hybrid beamforming design. IEEE J Sel Areas Commun. 2021;39:1663-77.
- Fascista A, et al. RIS-aided joint localization and synchronization with a single-antenna receiver: Beamforming design and low-complexity estimation. IEEE J Sel Top Signal Process. 2022;16:1141-56.
- Huang C, et al. Reconfigurable intelligent surfaces for energy efficiency in wireless communication. IEEE Trans Wirel Commun. 2019;18:4157-70.
- Fan W, et al. Near-field channel characterization for mid-band ELAA systems: Sounding, parameter estimation, and modeling. arXiv. 2024;arXiv:2405.06159.
- Hasan SR, et al. A comprehensive review on reconfigurable intelligent surface for 6G communications: Overview, deployment, control mechanism, application, challenges, and opportunities. Wirel Pers Commun. 2024;139:375-429.
- Cui M, et al. Near-field MIMO communications for 6G: Fundamentals, challenges, potentials, and future directions. IEEE Commun Mag. 2023;61:40-6.
- Zhang H, Shlezinger N, Guidi F, Dardari D, Eldar YC. 6G wireless communications: From far-field beam steering to near-field beam focusing. IEEE Commun Mag. 2023;61(4):72-7.
- Ning B, et al. Beamforming technologies for ultra-massive MIMO in terahertz communications. IEEE Open J Commun Soc. 2023;4:614-58.
- Xu B, et al. Resource allocation for near-field communications: Fundamentals, tools, and outlooks. IEEE Wirel Commun. 2024;31:42-50.
- Devi P, Bharti MR, Gautam D. A survey on physical layer security for 5G/6G communications over different fading channels: Approaches, challenges, and future directions. Veh Commun. 2025;53:100891.
- Elzanaty A, et al. Near and far field model mismatch: Implications on 6G communications, localization, and sensing. IEEE Internet Things Mag. 2024;7:120-6.
- Liu Y, et al. Near-field communications: A tutorial review. IEEE Open J Commun Soc. 2023;4:1999-2049.
- Wang Z, Mu X, Liu Y. Near-field integrated sensing and communications. IEEE Commun Lett. 2023;27:2048-52.
- Dai L, Tan J, Chen Z, Poor HV. Delay-phase precoding for wideband THz massive MIMO. IEEE Trans Wirel Commun. 2022;21:7271-86.
- Zhang H, et al. Beam focusing for near-field multiuser MIMO communications. IEEE Trans Wirel Commun. 2022;21(9):7476-90.
- Lu H, Zeng Y. Near-field modeling and performance analysis for multi-user extremely large-scale MIMO communication. IEEE Commun Lett. 2022;26:277-81.
- Zhang J, Björnson E, Matthaiou M, Ng DWK, Larsson EG. Prospective multiple antenna technologies for beyond 5G. IEEE J Sel Areas Commun. 2020;38:1637-60.
- Liu Y, et al. Near-field communications: A comprehensive survey. IEEE Commun Surv Tutor. 2025;27:1687-728.
- Liu Y, et al. Near-field communications: What will be different? IEEE Wirel Commun. 2025;32:262-70.
- Gong T, et al. Holographic MIMO communications: Theoretical foundations, enabling technologies, and future directions. IEEE Commun Surv Tutor. 2024;26:196-257.
- Lu S, et al. Integrated sensing and communications: Recent advances and ten open challenges. IEEE Internet Things J. 2024;11:19094-120.
- Yan W, et al. Beamforming analysis and design for wideband THz reconfigurable intelligent surface communications. IEEE J Sel Areas Commun. 2023;41:2306-20.
- Hao W, et al. Ultra-wideband THz IRS communications: Applications, challenges, key techniques, and research opportunities. IEEE Netw. 2022;36:214-20.
- Sun H, et al. Time-delay unit-based beam squint mitigation for RIS-aided communications. IEEE Commun Lett. 2022;26:2220-4.
- Cui M, Dai L. Near-field wideband beamforming for extremely large antenna arrays. IEEE Trans Wirel Commun. 2024;23(10):13110-24.
- Wang Z, et al. TTD configurations for near-field beamforming: Parallel, serial, or hybrid? IEEE Trans Commun. 2024;72:3783-99.
- Xu J, et al. Near-field wideband extremely large-scale MIMO transmission with holographic metasurface antennas. arXiv. 2022;arXiv:2205.02533.
- Nordio A, et al. Near-field IRS configuration techniques for wideband signals and THz communications. In: Proc IEEE Int Conf Commun Workshops (ICC Workshops); 2023. p. 1198-203.
- Huang C, Zappone A, Alexandropoulos GC, Debbah M, Yuen C. Holographic MIMO surfaces for 6G wireless networks: Opportunities, challenges, and trends. IEEE Wirel Commun. 2020;27:118-25.
- Monemi M, et al. 6G Fresnel spot beamfocusing using large-scale metasurfaces: A distributed DRL-based approach. IEEE Trans Mob Comput. 2024;23:11670-84.
- Zhu F, et al. Robust beamforming for RIS-aided communications: Gradient-based manifold meta learning. IEEE Trans Wirel Commun. 2024;23(11):15945-56.
- Wang X, et al. Energy-efficient beamforming for RISs-aided communications: Gradient based meta learning. In: Proc IEEE Int Conf Commun (ICC); 2024. p. 1-6.