6G 시대의 지능형 통신을 위한 혁신적인 AI 알고리즘: 분산형 전문가 혼합 시스템 최적화

본 기사는 6G 이동통신망과 에지 AI에서 분산형 전문가 혼합 시스템(DMoE)의 효율적인 전문가 선택을 위한 혁신적인 알고리즘을 소개합니다. 연구팀은 AI 성능과 채널 상태를 통합적으로 고려하는 새로운 DMoE 프로토콜과 알고리즘을 제안하여 높은 성능과 비용 절감을 동시에 달성했습니다.

서론: 6G 이동통신망과 에지 AI의 발전으로 분산형 전문가 혼합 시스템(DMoE)이 주목받고 있습니다. DMoE는 에지 노드에 전문가 모델을 배치하여 연결된 지능을 구현하는 시스템입니다. 하지만 기존 DMoE 시스템은 과제-전문가 관련성과 채널 다양성을 동시에 고려하는 효과적인 전문가 선택 알고리즘이 부족했습니다. 기존 AI 또는 통신 시스템은 성능 또는 채널 상태 중 하나에만 집중하여 직접 적용 시 높은 통신 오버헤드나 낮은 성능으로 이어졌습니다.

문제 해결을 위한 혁신: Qin Shengling 박사를 비롯한 연구팀은 이러한 문제를 해결하기 위해 새로운 DMoE 프로토콜을 제안했습니다. 이 프로토콜은 전문가 추론 및 전문가 간 전송을 스케줄링하며, 전문가 선택과 서브캐리어 할당을 핵심 최적화 문제로 정의합니다. 연구팀은 AI 성능과 채널 상태를 모두 고려한 전문가 선택 문제를 공식화하고, DMoE 프레임워크 내에서 포괄적인 AI 및 채널 관리를 위한 Joint Expert and Subcarrier Allocation (JESA) 문제로 확장했습니다.

알고리즘 개발: NP-hard 문제인 전문가 선택 문제를 해결하기 위해, 연구팀은 선형 완화를 경계 기준으로 활용하여 검색 복잡도를 크게 줄이는 동적 전문가 선택(DES) 알고리즘을 도입했습니다. JESA 문제에 대해서는 독특한 구조적 특성을 발견하여 대부분의 시나리오에서 점근적 최적성을 보장하는 반복 알고리즘을 제안했습니다. 이 알고리즘은 서브캐리어 할당을 하위 문제로 다루고 DES 알고리즘과 통합합니다. 제안된 프레임워크는 조정 가능한 중요도 계수를 통해 과제 관련성과 채널 상태 간의 절충을 효과적으로 관리하여 다양한 시나리오에 유연하게 적응할 수 있습니다.

결과: 수치 실험을 통해 제안된 전문가 선택 알고리즘의 이중 효과, 즉 높은 성능과 상당한 비용 절감을 검증했습니다. 이는 6G 시대의 에지 AI 및 지능형 통신 발전에 중요한 기여를 할 것으로 예상됩니다. 이 연구는 단순히 성능이나 채널 상태 중 하나만 고려하는 기존 방식에서 벗어나, 두 요소를 통합적으로 고려함으로써 더욱 효율적이고 강력한 DMoE 시스템을 구축하는 길을 열었습니다. 향후 연구는 더욱 다양한 실제 환경에서의 성능 검증 및 알고리즘의 확장성 연구를 통해 지속적인 발전이 기대됩니다.