업링크 잠재력 극대화: 압축 채널 상태 정보를 활용한 AI 기반 채널 선택성 정합

5G-Advanced와 6G 무선 네트워크에서 업링크 처리량은 핵심 성능 지표지만, 업링크 스펙트럼 효율을 높이는 데는 현실적인 제약이 있다. 현재 3GPP 규격의 업링크 전송은 광대역 코드북 프리코딩에 의존해 서브밴드별 주파수 선택적 채널 특성을 세밀하게 반영하기 어렵다.

3GPP Rel-19 RAN 워크숍에 따르면 서브밴드 프리코딩은 4-Tx 안테나 구성에서 13%, 8-Tx 구성에서 23%의 처리량 향상을 제공할 수 있다. 그러나 서브밴드 비코드북 프리코딩은 안테나 포트와 서브밴드 수가 늘어날수록 무선 제어 신호 오버헤드가 급증하며, 단말의 전력 증폭기(PA) 성능과 PAPR 제한도 구현을 어렵게 만든다.

삼성 연구진은 이를 해결하기 위해 SQNC-T라는 AI 기반 고해상도 업링크 프리코딩 프레임워크를 제안했다. 이 방식은 Transformer 기반 오토인코더와 학습 가능한 **Segment Vector Quantization(SVQ)**을 결합해 서브밴드 비코드북 프리코딩 행렬을 작은 신호 코드워드로 압축한다. 동시에 **서브밴드별 전력 균등화(SWE)**를 적용해 단말의 PA 제약을 만족하도록 설계했다.

동작 과정은 다음과 같다.

• 기지국이 SRS를 이용해 채널 상태 정보를 추정한다.
• 서브밴드 평균 채널 공분산 행렬을 고유값 분해해 최적 비코드북 프리코딩 행렬을 계산한다.
• AI 인코더가 프리코딩 행렬의 공간·주파수 상관관계를 추출해 저차원 잠재 벡터로 압축한다.
• SVQ가 잠재 벡터를 여러 세그먼트로 나누고 학습된 코드북 벡터로 양자화한다.
• 압축된 코드워드 인덱스를 무선으로 전송한 뒤, 단말이 디코더로 프리코딩 행렬을 복원하고 전력 균등화를 수행한다.

양단 AI 모델은 인코더, SVQ 양자화기, 디양자화기, 디코더로 구성된다. 학습 과정에서는 프리코딩 행렬의 복원 품질을 높이는 재구성 손실과 함께, 인코더의 잠재 벡터를 코드워드에 가깝게 만드는 인코더 손실 및 코드워드가 클러스터 중심에 수렴하도록 하는 군집화 손실을 함께 최적화한다. 이를 통해 제어 신호 오버헤드를 줄이면서도 서브밴드 단위의 고해상도 업링크 프리코딩을 구현하는 것이 목표다.