DIFFRACT: 미분 가능 프로그래밍을 이용한 무선 네트워크의 신경화된 효용 최대화
DIFFRACT: Neuralized Utility Maximization for Wireless Networks by Differentiable Programming
위성-Open RAN 시스템을 포함한 차세대 무선 네트워크는 확률적 서비스 품질(QoS) 제약 조건 하에서 동적인 다중 사용자 간섭을 처리할 수 있는 민첩하고 지능적인 자원 관리를 요구한다. 본 논문은 DIFFRACT를 제안한다. 이는 미분 가능 프로그래밍을 활용하여 무선 네트워크에서 심층 학습과 최적화를 통합하는 신경화된 효용 최대화 프레임워크이다. 우리 접근법의 핵심은 무선 전력 제어의 기반이 되는 표준 간섭 함수의 수학적 구조를 활용하는 것이다. 이러한 함수에 대한 이중성 이론(duality theory)을 개발함으로써, 알고리즘 언롤링(algorithm unrolling)을 통해 반복적 간섭 관리 알고리즘을 미분 가능한 신경망 아키텍처로 매핑한다. 이를 통해 네트워크 엣지에서 분산형 종단 간(end-to-end) 그래디언트 기반 학습이 가능해지며, 지상 및 비지상 환경 모두에서 간섭에 대한 실시간 적응을 지원한다. DIFFRACT는 복잡한 채널 동역학을 모델링하고 미분 가능 모델의 표현력을 활용하여 확장 가능하고 견고한 효용 최대화를 가능하게 한다. 실험 결과는 차세대 무선 시스템에 대한 본 프레임워크의 이론적 타당성과 실용적 효과를 확인한다.