심층 학습은 채널 상태 정보(CSI) 피드백 및 채널 추정을 포함한 대규모 다중 입력 다중 출력(Massive MIMO) 물리 계층 태스크에서 강력한 잠재력을 보여주었다. 그러나 환경 이질성은 보지 못한 시나리오에서 CSI 모델의 성능을 심각하게 저하시킬 수 있으며, 기존 적응 방식은 타깃 도메인 데이터와 상당한 계산을 필요로 한다. 본 논문은 동적 무선 환경에서 CSI 모델의 신속한 배포를 위한 종단 간(end-to-end) 파이프라인인 채널 조건부 매개변수 생성(CCPG)을 제안한다. CCPG는 구성 요소 동결 실험을 통해 장면에 민감한 적응 병목을 식별하고, 전체 모델 매개변수 대신 경량 LoRA 가중치만 생성한다. 연쇄 SVD와 Perceiver Resampler를 사용하여 고차원 채널 특징을 압축된 잠재 조건으로 압축한다. 에너지 기반 정준화(canonicalization) 메커니즘은 LoRA 가중치의 순열 및 부호 모호성을 완화하며, 확산 기반 생성기는 구조적 정보와 토폴로지 인식 매개변수 생성을 위한 비대칭 크기 인식 손실을 통합한다. DeepMIMO 및 WAIR-D에서 CSI 피드백과 채널 추정에 대한 실험 결과, CCPG는 타깃 시나리오 학습이나 미세조정 없이 단일 순전파로 약 3초 만에 새로운 시나리오에 적응하며, 비용이 큰 온라인 적응에 필적하는 교차 도메인 복구 성능을 달성한다. 이러한 결과는 CCPG가 지능형 6G 통신을 위한 대규모 동적 무선 시나리오에서 CSI 모델의 효율적인 배포를 가능하게 함을 보여준다.
대규모 MIMO 수신기의 하드웨어 손상(hardware impairments)이 채널 추정 성능을 저하시키는 문제를 해결하기 위해, RGRU(residual recurrent gated unit)로 인트라-슬롯 메모리 효과를 모델링하고 메시지 패싱 기반 이중-시간척도(two-timescale) 베이지안 딥러닝 프레임워크(MP-TTBDL)를 제안한다. 빠르게 변화하는 무선 채널에는 빠른-변화 마르코프 사전분포를, 느리게 드리프트하는 하드웨어 손상 파라미터에는 느린-변화 가우시안 마르코프 사전분포를 각각 할당하고, Turbo-OAMP와 DAMP를 반복적으로 교환하여 채널과 손상을 공동 추적함으로써 기존 보상기 기반 방법 대비 낮은 채널 추정 오차를 달성했다.
무선 파운데이션 모델은 6세대(6G) 시스템을 위한 재사용 가능한 채널 상태 정보(CSI) 인텔리전스로 나아가는 경로를 제공한다. 그러나 기존의 일반적인 백본 적응 및 CSI 사전학습 방법들은 CSI를 전파 조건부 채널 응답이 아닌 태스크 텐서로 처리하는 경우가 많아, 무선 환경의 본질적인 시간-주파수-공간 기하학적 특성을 포착하지 못한다. 본 논문은 CSI 네이티브 파운데이션 모델을 향한 채널 적응형 로드맵을 제시하며, 사전학습, 위치 모델링, 어텐션 제어를 세 가지 채널 요구사항인 스케일 인식 이기종 노출, 물리적 시간-주파수-안테나 좌표, 상관관계 경계 토큰 상호작용과 정렬하는 통합 프레임워크를 제안한다. 광범위한 실험을 통해 제안된 프레임워크가 세 가지 차원에서 우수성을 입증한다: 제로샷 일반화의 경우 공간-시간-주파수 태스크에서 NMSE를 4 dB 이상 감소시키고; 스케일 외삽의 경우 8배 미확인 안테나 스케일링에서 최대 5.4 dB의 이득을 제공하며; 추론 효율성의 경우 이동성 인식 처리를 최대 18.8% 가속화한다. Sionna SYS를 이용한 시스템 수준 평가에서는 제안된 프레임워크가 밀집 파일럿 오버헤드의 7.01%만 사용하고, 평균 NMSE -18.64 dB에 도달하며, 밀집 LMMSE 대비 평균 순 스펙트럼 효율을 36.6%, WiFo 대비 15.5% 향상시킴으로써, CSI 네이티브 표현 학습이 파일럿 효율적인 무선 접속을 지원할 수 있음을 나타낸다.
AI 네이티브 아키텍처는 6G 무선 통신에 필수적입니다. 채널 추정(channel estimation)과 같은 중요한 애플리케이션에 사용되는 심층 학습(deep learning) 모델의 블랙박스 특성과 높은 복잡성은 실제 배포를 제한합니다. 섭동 기반 설명 가능한 인공지능(XAI) 솔루션은 입력 필터링을 제공하지만, 내부 구조 최적화는 간과하는 경우가 많습니다. 우리는 입력 필터링과 아키텍처 미세조정(fine-tuning)을 통합한 XAI 기반 프레임워크인 X-REFINE을 제안합니다. 분해 기반의 부호 안정화된 LRP 엡실론 규칙을 활용하여, X-REFINE은 예측을 역전파(backpropagate)하고 부반송파(subcarriers)와 은닉 뉴런(hidden neurons) 모두에 대해 고해상도 관련성(relevance) 점수를 도출합니다. 이를 통해 가장 신뢰할 수 있는 모델 구성 요소를 식별하는 신뢰할 수 있는 최적화가 가능해집니다. 시뮬레이션 결과, X-REFINE은 외부 섭동 기반 XAI 프레임워크와 비교하여 우수한 성능-복잡도-해석 가능성 트레이드오프를 달성하며, 견고한 비트 오류율(BER) 성능을 유지하면서 계산 복잡도를 크게 줄이는 것으로 나타났습니다.
다중 채널 혼합 SNR 학습은 IEEE 802.11p 차량 통신을 위한 심층 학습 채널 추정기의 분포 외(OOD) 일반화를 향상시키지만, 이를 담당하는 내부 메커니즘은 아직 설명되지 않았다. 본 연구는 REACH(Relevance-based Explanation and Architectural Compression for cHannel estimators)를 제안한다. 이는 그래디언트 기반 해석 가능성 프레임워크로 두 수준에서 동작한다. 입력 수준 기여도(attribution)는 평가된 모든 채널 조건에서 일관되게 관련 있는 시간-주파수 특징의 부분집합을 식별하여, 최소한의 성능 손실로 입력 차원 축소를 가능하게 한다. 필터 수준 기여도는 거의 보편적인 내부 표현을 드러내어, 관찰된 OOD 일반화에 대한 표현적 설명을 제공한다. 그 결과로 얻은 필터 분류체계를 바탕으로 한 관련성 기반 아키텍처 압축은 파라미터 수와 부동소수점 연산(FLOPs) 수를 크게 줄이면서 정규화 평균 제곱 오차(NMSE) 저하를 1 dB 미만으로 유지하며, 압축이 증가할수록 OOD 일반화는 분포 내 정확도보다 더 완만하게 저하된다.