고주파 대규모 다중 입출력(MIMO) 시스템은 초고속 데이터 전송률을 보장합니다. 그러나 다중 사용자 MIMO(MU-MIMO) 시나리오에서 요구되는 과도한 빔 훈련 오버헤드와 복잡한 조정으로 인해 효율적인 빔 관리는 여전히 어려운 과제로 남아 있습니다. 이러한 병목 현상을 해결하기 위해, 전수 파일럿 기반 빔 훈련을 피하고 다중 사용자 통신을 간소화하고자 특정 현장 지식을 활용하는 환경(environment) 인지 통신이 유망한 패러다임으로 부상했습니다. 본 논문에서는 멀티모달 환경 데이터를 활용하는 해석 가능하고 기하학 기반인 프레임워크를 제안합니다. 구체적으로는 지역 3D 라이다(LiDAR) 포인트 클라우드와 위치 정보를 활용하여 오프라인 가상 기지국(VBS) 데이터베이스를 구축합니다. 포인트 클라우드로부터 재구성된 건물 파사드 전반의 거울 대칭을 통해 지배적인 반사 경로를 모델링함으로써, VBS 데이터베이스는 무선 전파 환경에 대한 간결하고 희소한 설명을 제공합니다. 기하학적 정보와 무선 채널 간의 의미론적 격차(semantic gap)를 메우기 위해, VBS 유도 기하학적 관계로부터 채널 파라미터를 직접 추정하는 대략적 채널 재구성 메커니즘을 개발합니다. 도출된 대략적 빔 공간 표현을 기반으로, 최소한의 온라인 훈련 오버헤드로 대략적 추정치를 정밀화하는 VBS 보조 직교 파일럿(VOP) 기반 부분 빔 훈련 기법을 설계합니다. 마지막으로 조합적 빔 선택 문제를 해결하고 사용자 간 간섭을 관리하기 위해 협력적 빔 선택을 위한 이중 에이전트 듀얼링 더블 심층 Q 네트워크(DD3QN-CBS)라는 계층적 심층 강화학습(reinforcement learning) 프레임워크를 제안합니다. 시뮬레이션 결과는 휴리스틱 및 학습(training) 기반 베이스라인 대비 빔 훈련 효율성과 빔 선택 성능 모두에서 일관된 향상을 입증합니다.
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.
분산 5G 네트워크의 협력 빔포밍(Coordinated Beamforming)에서 백홀 지연으로 인해 스케줄링 정보가 오래되는 문제를 해결하기 위해, StemGNN(Spectral Temporal Graph Neural Network)을 활용해 지연된 과거 관측값으로부터 미래 단말(UE) 스케줄링 상태를 예측하는 2단계 예측 프레임워크를 제안한다. 3셀 대규모 MIMO(massive MIMO) 환경에서 StemGNN은 평균 87.57%의 스케줄링 예측 정확도로 LSTM, GRU 등 기준 모델을 능가하며, CBF-SLNR 프리코더에 통합 시 1 TTI 백홀 지연으로 인한 합산 전송률 손실의 57~73%를 복구하고 셀 경계 사용자의 공정성 손실도 최대 83%까지 회복함을 보였다.
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.
Accurate channel state information (CSI) prediction is essential for proactive beamforming and resource management in 5G massive MIMO systems, yet the deployment of high-accuracy transformer-based predictors on base-station hardware remains challenging because the most capable models carry upwards of 30\,M parameters. This paper introduces Lightweight PCGAE-Net, which addresses the efficiency problem not by post-hoc compression but by correcting two architectural flaws in the current state of the art. The first is a sequential attention ordering bias: in CS3T-UNet, group-wise temporal attention (GTA) always operates on features that have already been transformed by cross-shaped spatial attention (CSA), distorting what temporal information GTA can capture. We remove this dependency by routing both attention modules to the same layer-normalized input and combining their independent outputs through a learned per-channel sigmoid CrossGate. The second flaw is an uncompressed bottleneck: applying full self-attention at the deepest encoder stage, where channel depth reaches $4C$, is quadratically expensive and carries redundant features. A Bottleneck AutoEncoder (BAE) with $1\times1$ convolutions halves this depth and uses an auxiliary reconstruction loss to prevent information collapse. Wrapping these components inside a shallower encoder-decoder with frequency-domain dimensionality reduction ($N_f\!=\!32$, $C\!=\!48$) produces a model with just 8.54\,M parameters -- 58\% fewer than the CS3T-UNet baseline -- that outperforms it by up to 3.26\,dB at 5\,km/h and 6.0\,dB at 9\,km/h in single-step prediction on QuaDriGa dataset.