3월 27, 2025
Andreas, Mobile World Congress 2023에서 뉴럴 리시버를 최초로 선보였는데, 업계 반응은 어땠습니까?
AI와 ML이 2023 MWC에서 소개될 당시에는 무선 통신 및 차세대 이동통신의 관점에서 2024년이나 2025년만큼 큰 주목을 받지 않았습니다. 로데슈바르즈와 NVIDIA는 이 분야에서 새로운 지평을 열었습니다. 두 기업의 데모가 독특했던 점은 두 개의 독립적인 파트너가 참여했다는 것입니다. 로데슈바르즈는 두 기업의 솔루션을 통합하고 함께 테스트를 실시했습니다. 이는 전례가 없었던 일이라 순수한 호기심과 함께 전문가들의 관심을 끌 수 있었습니다.
칩셋 및 모뎀 개발, 인프라 제조, 휴대폰 생산에 종사하는 고객들과의 논의도 중요했습니다. 로데슈바르즈는 시나리오 선택, 그에 따른 도전 과제, 기술적 배경과 세부 사항, 그리고 여기에서 얻는 통찰력 등에 관한 주제를 다루었습니다.
그 후로 프로젝트는 어떻게 전개되었습니까?
이 프로젝트는 MWC 2023 이후에도 계속 진행되고 있었습니다. 진정한 혁신이 이루어진 계기는 송신기를 학습 프로세스에 통합한 때였습니다. 우리는 6G 표준의 1차 버전은 처음에 네트워크 인프라, 즉, 기지국에서 AI 기반 신호 처리를 사용한다는 가정 하에 작업하고 있습니다. 더욱 큰 복잡성과 훨씬 커진 컴퓨팅 성능은 더 많은 에너지 소비를 의미합니다. 아직 이 과제와 관련하여 효율성 개선을 위한 집중적 연구가 진행되고 있습니다.
송신기는 어떤 역할을 합니까?
송신기는 맞춤형 또는 비균일 성상도에서도 중요한 역할을 합니다. 즉, AI 모델을 훈련시켜 선택한 변조 방법에 대해 채널을 고려한 최상의 별자리를 학습하게 하는 것입니다. 로데슈바르즈는 뉴럴 리시버 모델을 확장하고 테스트 및 측정 장비인 R&S®SMW200A Vector Signal Generator와 FSW Signal and Spectrum Analyzer에 기존 5G 옵션을 추가했습니다. 이제 성상도의 모든 점을 훈련된 AI 모델을 기반으로 진폭과 위상 측면에서 IQ 수준에서 재정의할 수 있습니다.
그림 1: 뉴럴 리시버 테스트 셋업
로데슈바르즈는 Mobile World Congress 2024에 마련된 전시 부스에서 신호 발생기와 수신기를 이용한 뉴럴 리시버 테스트 셋업을 선보였습니다(왼쪽).
이 접근 방식의 장점은 송신기 신호에 더 이상 파일럿 신호가 필요하지 않기 때문에 데이터 전송을 위한 자원을 확보할 수 있다는 점입니다. 따라서 전체 송신의 효율성이 향상됩니다. 로데슈바르즈의 분석에 따르면 최대 7%의 효율성 향상이 나타났으며 다른 연구에서는 스펙트럼 효율성이 최대 14% 개선된 것으로 나타났습니다. 하지만 이러한 수치는 선택한 구성과 파일럿 신호의 주파수에 따라 크게 달라집니다.
AI는 어떻게 훈련하나요?
우리는 NVIDIA의 Sionna 소프트웨어를 사용하여 오프라인으로 훈련합니다. 뉴럴 리시버를 특정 채널 모델에 대해 훈련할 경우 과적합되는 경향이 있습니다. 이는 일반적으로 바람직하지 않기 때문에 로데슈바르즈 수신기는 다양한 도플러 이동 및 확산에 대해 3GPP UMi 채널 모델을 적용한 훈련을 실행하였습니다. 이를 통해 일반화가 잘 작동하고 가능한 많은 시나리오에 대응할 수 있습니다.
뉴럴 리시버는 결과 비교를 위해 현재 5G New Radio 표준을 기반으로 합니다. 수신기는 16QAM 변조로 훈련되었습니다. QAM 성상도가 신경망 아키텍처의 훈련된 가중치에 반영되어 있기 때문에 변조 방식을 QPSK, 64QAM 또는 심지어 256QAM으로 변경하려면 재학습 과정이 필요합니다. 즉, 다른 변조에는 다른 AI 모델이 필요합니다.
5G는 멀티캐리어 변조 방식인 OFDM을 기반으로 합니다. 이 모델은 TDD 모드로 작동하는 모든 상용 5G 네트워크에서 사용되는 30 kHz의 서브캐리어 간격으로 학습되었습니다. 변조가 변경될 때 재훈련이 필요한 것처럼, 60 kHz 서브캐리어로 전환할 때에도 재훈련이 필요합니다.
이미지 슬라이더 그림 1의 BLER(Block Error Rate, 블록 오류율) 곡선은 뉴럴 리시버에 관한 동영상(슬라이더의 그림 2) 중 하나에서 발췌한 것입니다. 그림 1이 나타낸 것은 무엇이고 뉴럴 리시버의 성능에 대해 무엇을 설명하는 것일까요?
관련 상품
성능을 평가하기 위해 블록 오류율과 SNR(신호 대 잡음비)의 도표를 그리고 네 가지 수신기 구현 방식 사이에서 비교했습니다.
검은색 곡선은 모든 채널 특성이 알려진 이상적인 시나리오에서의 성능을 나타냅니다. 이 곡선은 달성할 수 있는 이론적 한계를 나타냅니다. 이 이상은 가능하지 않습니다. 초록색 곡선은 뉴럴 리시버를 나타내며 주황색과 파란색은 두 가지 기존 구현 방식을 나타냅니다.
이 중 첫 번째인 파란색 곡선은 채널 추정을 위해 최소 제곱법을 사용하고 간섭 제거를 위해 선형 MMSE 다중 사용자 MIMO 검출기를 사용합니다. 이 구현 방식은 다른 시나리오에 비해 계산 복잡성이 상대적으로 낮을 뿐만 아니라 실용적이면서도 기본적인 구현 방식을 잘 보여줍니다.
주황색 곡선으로 표시된 두 번째 기존 구현 방식은 최대 우도 추정(Maximum Likelihood Estimation)에 기반합니다. 이 방식은 더 복잡하기 때문에 더 많은 계산이 필요합니다. 뉴럴 리시버가 이 방식보다 성능이 뛰어나지는 않지만 상당히 적은 계산 성능으로 기준선에 매우 근접합니다. 네 개 곡선 모두 동일한 입력 데이터를 기반으로 한 시뮬레이션에 기반한 것입니다.
그래프에는 시뮬레이션된 선 외에도 실제 측정값이 포함되어 있습니다.
여기서 로데슈바르즈의 측정 장비를 사용할 수 있습니다. 로데슈바르즈는 위에서 언급한 신호 발생기와 분석기 셋업을 사용하여 3GPP 5G NR에 적합한 신호를 생성합니다. 그런 다음 이 데이터를 뉴럴 리시버의 아키텍처에 입력합니다. 이 예제에서는 SNR 영역을 적용하며 -1 dB에서 시작합니다. 각 단계마다 SNR을 1 dB씩 증가시킵니다. 이 설정은 테스트 셋업을 컨트롤하는 소프트웨어에 저장됩니다.
데모에서는 두 사용자가 서로 다른 채널을 수신합니다. 이 예제에서 사용자 1은 지연 확산이 100 ns이고 도플러 주파수가 400 Hz인 TDL-B 모델을 경험하게 됩니다. 사용자 2는 지연 확산이 300 ns이고 도플러 주파수가 100 Hz인 TDL-C 모델을 경험합니다. 표시된 곡선은 설정된 SNR(신호 대 잡음비)에 대해 달성된 단면 처리량을 나타냅니다. 테스트 셋업으로 측정할 때에는 초록색 곡선(시뮬레이션된 것)만 다시 측정됩니다.
