딥러닝 기반 지능형 인식기: RIS를 활용한 차세대 무선 통신 시스템

황익선, 양제, 문초개, 진시 연구진은 RIS와 딥러닝 기반 지능형 인식기를 활용한 새로운 무선 통신 시스템을 제안했습니다. LSTM 기반 신경망을 통해 RIS 위상과 감지 시간을 동적으로 조절하여, 기존 기술보다 향상된 감지 정확도와 자원 효율을 달성했습니다. 시뮬레이션 결과는 제안된 시스템의 우수성을 입증합니다.

미래의 무선 통신 네트워크는 주변 환경을 인식하고 지능적으로 작동하며, 다양한 상황 인식 애플리케이션을 지원할 것으로 예상됩니다. 이러한 맥락에서 재구성 가능 지능형 표면(RIS)은 목표물 인식과 같은 다양한 감지 작업을 지원하는 데 중요한 역할을 할 것으로 주목받고 있습니다.

하지만 기존의 방법들은 대부분 일회성으로 최적화된 RIS 설정을 고정된 감지 시간 동안 적용하는데, 이는 다양한 목표물에 대한 적응력을 제한하고 감지 정확도를 떨어뜨리는 단점이 있습니다.

황익선, 양제, 문초개, 진시 등 연구진이 발표한 논문, "Integrated Communication and Learned Recognizer with Customized RIS Phases and Sensing Durations"은 이러한 한계를 극복하기 위한 혁신적인 해결책을 제시합니다. 본 연구는 환경 감지를 위한 다운링크 신호를 다중화하고 딥러닝 기술을 기반으로 하는 지능형 인식기를 도입하는 새로운 무선 통신 시스템을 제안합니다.

핵심은 장단기 메모리(LSTM) 아키텍처를 기반으로 설계된 신경망입니다. 이 신경망은 이전 측정값으로부터 정보를 반복적으로 수집하고 융합하여, 다음 순간의 인식 작업에 가장 관련성이 높은 정보를 수집하도록 RIS 위상을 적응적으로 조절합니다. 이러한 설정은 상황, 작업, 목표물, 양자화 사전 정보에 따라 동적으로 조정됩니다.

더 나아가, 인식기에는 의사결정 모듈이 포함되어 있어 수집된 측정값에 따라 감지 과정을 계속할지 또는 종료할지 동적으로 판단하여 감지 시간을 할당합니다. 이러한 접근 방식은 자원 활용 효율을 극대화합니다.

시뮬레이션 결과는 제안된 방법이 감지 및 통신이 동시에 발생하는 경우에도 통신 성능에 미치는 영향을 최소화하면서 기존 기술보다 성능이 훨씬 뛰어남을 보여줍니다. 본 논문의 일부 소스 코드는 https://github.com/kiwi1944/CRISense에서 확인할 수 있습니다.

이는 단순한 기술 향상을 넘어, 더욱 스마트하고 효율적인 차세대 무선 통신 시스템 구축을 위한 중요한 이정표가 될 것으로 기대됩니다. 앞으로 이 기술이 다양한 분야에서 활용될 가능성에 주목할 필요가 있습니다.