AI 기반 Cellular Communication 기술 동향 리뷰

 이번 글에서는 AI 기반의 Cellular 통신에 대해 어떤 논의가 진행되고 있는지에 대해 정리한 ETRI의 전자통신동향 분석자료를 리뷰해보고자 한다. ETRI의 전자통신동향 분석은 나올 때마다 읽어보고 있는데, 상당히 정리가 잘 되어있는 편이기 때문에 관심이 있는 사람들은 주기적으로 읽어보는 것을 추천한다.

 

제목: AI 기반 이동통신 물리계층 기술 동향과 전망 [1]

저자: 장갑석 (K. Chang, kschang@etri.re.kr) 6G무선방식연구실 책임연구원/기술총괄

고영조 (Y.J. Ko, koyj@etri.re.kr) 6G무선방식연구실 책임연구원/실장

김일규 (I.G. Kim, igkim@etri.re.kr) 미래이동통신연구본부 책임연구원/본부장

 

 가장 먼저 리뷰할 동향은 AI가 PHY Layer에 미치는 영향이다. 앞선 글들에서 정리했다시피, 이동통신은 PHY - MAC - RLC 등으로 이어지는 RAN과 gNB 뒤쪽의 Core 망이 연결되어서 IP Network로 외부통신과 연결되게 된다. 즉, 무선통신은 PHY Layer로 시작되어 있고, 상당히 복잡한 내용들이 PHY Layer에 구현되어 있다. 국내서적, 해외원서 등을 찾아보면 대부분의 내용들이 PHY Layer에 Focusing이 될 정도로 어려운 내용들이 많다. 어려운 내용들이 많다는 점은 살짝만 돌려서 얘기하면 Control할 수 있는 Parameter나 개선할 수 있는 기술들이 많다는 이야기이기도 하다. 이번 글에서는 PHY Layer에 AI를 접목해서 개선할 수 있는 포인트들에 대해 정리한다.

 5G를 넘어서 6G에 대한 논의가 나오기 시작하고 있다. Samsung에서는 이와 관련된 White Paper를 내놓았고, Ericsson, Nokia, Qualcomm 등의 해외기업들도 6G와 관련된 기고문이나 발표자료등을 통해 방향성을 제시하고 있다. 각자의 이해관계에 따라서 다양한 기술들을 제안하고 있지만, AI의 필요성에 대해서는 어느 정도 공감대가 형성되고 있다. 이 중에 PHY Layer에 대한 연구부터 정리했다.

 

MIMO

 가장 먼저 논의해볼 기술은 Multi Input Multi Ouput (MIMO)에 AI를 적용하는 방향이다. MIMO는 이름을 통해 알기 쉽게 여러 개의 Antenna를 통해서 통신을 주고받는 방식이다. 5G에서 이 기술이 중요한 이유는 mmWave 대역을 사용하기 위해서는 여러 개의 안테나를 모아서 쏘는 Beamforming등의 기술들이 반드시 필요하기 때문에 이를 위한 MIMO에 대한 다양한 연구가 제시되었다. 간단해보이지만, UE가 어느 위치에 있는지를 파악하고, 어느 방향으로 Beam을 쏠 지는 상당히 어려운 Issue 중 하나다.

 첫 주제는 Beam Search 및 Selection과 관련된 논문들로, 다중 Base Station 들의 Channel 정보를 Input으로 넣어서 어떤 Beam을 선택할지 등에 대해 제시[3]하고 있다. 결국 AI는 어떤 Input을 넣었을 때, Output을 어떤 것을 도출할 지만 결정되면, 나머지는 다양한 Model을 가져다 쓰면 되기 때문에 이런 Idea 싸움이 핵심이라고 볼 수 있다.

 두 번째 주제는 Transmit power를 조절하여 MIMO를 사용할 때의 간섭을 Control하는 방식이다. MIMO는 여러 Input과 Output이 동시에 고려되어야 하는데, 각자의 Power가 다른 Antenna에는 간섭으로 작용할 수 있다. 이를 Control하기 위해 Conventional한 방식으로 도출한 WMMSE 방식을 지도학습으로 이용하여 유사한 성능을 보여준다. WMMSE가 이미 있는데 AI가 필요한 이유는, WMMSE가 근본적으로는 반복학습이기 때문에, 복잡도가 늘어나는데, 이를 지도학습으로 미리 학습시켜놓으면 빠른 처리가 가능해지기 때문이다.

 이 자료에서는 '관련 이슈 및 표준화/구현 영향'까지도 언급하고 있다. 기술의 나열만이 아닌, 표준화와 구현까지 다루고 있다는 점이 좋았다. MIMO에 대한 내용을 정리하면

 '안테나 수 및 Channel의 변화에 따른 강건한 학습 요구' / '오프라인과 온라인 상의 채널이 불일치 할 수 있음'이다. 두번째 이슈는 오프라인 학습에서 어쩔 수 없이 발생하는 문제이기 때문에, 이를 보완하기 위한 노력도 필요할 것으로 보인다. 표준화/구현에서는 Beam 형성을 위해서 기존 알고리즘을 대체하는 것만을 위해서는 표준화가 필요하지 않지만, 이를 위한 연산장치나 간섭제어를 위한 BS와 Central-Unit이 통신할 인터페이스 규격이 필요할 것으로 내다봤다.

 그 다음에 나오는 Issue들은 Channel Coding, Multi-Access, Signal Estimation 등에 대한 내용이다. 해당 내용들 모두 몹시 중요하지만, 필자가 연구하는 분야와는 거리가 있기 때문에 살짝 넘어가고자 한다. 간단하게 설명하면, 무선 채널을 통과할 때, 신호 복원을 위해 적은 Overhead를 사용하면서, 충분한 Signal Recover를 할 수 있도록, AI를 사용해서 적은 복잡도로 이를 진행하는 방식이다. 이를 위해, Codebook에 Auto-Encoder를 적용하는 방안 등이 제시되어 있다. 특히, 표준화/구현에 큰 Impact를 줄 수 있는 연구들이 많은만큼, 자신과 관련있는 분야를 읽어보면 좋을 것 같다.

 

Channel Estimation 기술

 Channel 상황이 계속 변화하기 때문에 BS에서 UE로, UE에서 BS로 Channel 상태를 추정하기 위한 다양한 Reference Signal들이 있다.  5G부터 Antenna의 수가 늘어나면서, 이와 관련된 Channel 들에 대한 Feedback overhead도 커졌다. 이런 Feedback overhead를 줄이기 위해 CSI 정보를 전부 보내는 것이 아니라 AutoEncoder를 통해 CSI의 특성을 압축 (Compressed)해서 보내면 상대방이 Decoder를 통해 CSI를 복원하는 방식에 대한 연구가 많이 진행되어왔다. 더 나아가, 고속 Mobility의 Data-Pilot Aided (DPA)에 AutoEncoder를 함께 사용하는 연구도 진행되었다. 하지만, 출처를 따라가보니, 802.11p를 기반으로 하는 연구였다. (참고로 802.11p는 Cellular 통신이 아닌 WiFi 기반의 차량통신이다.)

 그리고 또 하나의 중요한 연구는 Uplink Channel 정보를 이용해서 Downlink Channel 정보를 예측하는 연구다. 결국 Channel이라고 하는 것은 주변 환경을 기반으로 하기 때문에, User와 BS 사이 Channel의 시공간 상관성을 학습한다면 Channel을 예측하여 이를 미리 이용할 수 있다. 이 내용은 지연시간을 짧게하고 더 높은 신뢰성을 제공해야하는 Beyond 5G에서 더 중요한 포인트로 작용할 것으로 보인다. 추가적으로 위치측위 기술, 변복조 등에 AI를 이용하는 연구방향들도 잘 제시되어 있다. 

 

Network AI

 물리적인 계층에 대한 연구가 많이 설명되고 있지만, 네트워크에 대한 AI 적용도 큰 주제 중 하나다. ETRI에서 함께 기고한 동향집 [2]에는 Network AI에 대한 내용이 나와있다. 해당 동향집에서는 RAN 1, RAN 2의 파라미터를 직접 Control하기 보다는 Core 망의 Network Function 배치, Traffic 조절 등에 Focusing하고 있다.

 예를 들어서, SDN/NFV 개념이 상용화됨에 따라 Network Function이 필요한 곳에 배치되어야 하는데, 이를 배치하는 알고리즘에 AI를 적용해보자는 내용이 있다. 특히, Application 별로 다른 Requirement가 제시되어 있기 떄문에, 5G의 Network Slicing같은 기술들이 적용될 수 있는데, 이를 위한 최적화 등에 AI를 적용해보자는 내용도 포함되어 있다. 추가적으로, 보안 쪽에 Anomaly Detection같은 내용들도 많이 나오는 이슈 중 하나다.

 앞서 소개한 물리계층에 AI를 적용하는 것보다는 살짝 추상적인 내용들이 많지만, 관련 기술들에 대한 리뷰가 잘 되어있기 때문에 관련 분야의 공부를 하는 사람들은 읽어보면 좋을 것 같다.

 

Conclusion 

 5G에 AI를 적용하는 것에는 이미 수많은 논문들이 있지만, 아직 보완해야할 점이 많아 보인다. 이 논문에도 언급이 되어있지만, 그저 AI를 적용하는 것으로 끝내는 것이 아니라, 기존의 최적화 방법으로는 극복할 수 없는 Bottleneck을 찾아야할 것으로 보인다. 이런 해결하기 힘든 문제를 보완하기 위해 AI를 적용했다는 Motivation이 있어야 진정으로 AI를 적용하는 의미를 가질 것으로 보인다. Motivation없이 왠지 AI를 적용해보고 싶다는 생각을 한다면, 그저 보기 좋은 여러 기술 중 하나로 끝날 것 같다는 생각을 해보게 되었다.

 

Reference

[1] 장갑석, 고영조, 김일규 "AI 기반 이동통신 물리계층 기술 동향과 전망", ETRI 전자통신동향분석, 2020.

[2] 김태연, 고남석, 양선희, 김선미, "네트워크와 AI 기술 동향", ETRI 전자통신동향분석, 2020.

[3] A. Alkhateeb et al., “Deep learning coordinated beamforming for highly-mobile millimeter wave systems,” IEEE Access, vol. 6, 2018, pp. 37328-37348