AI 기반 파장 제어 RIS 최적화: 유전 알고리즘과 시뮬레이티드 어닐링의 만남

본 기사는 AI 기반 최적화 기법을 활용하여 파장 제어 RIS의 성능을 향상시킨 연구에 대해 다룹니다. 유전 알고리즘과 시뮬레이티드 어닐링을 결합한 혁신적인 접근 방식을 통해, RIS의 복잡한 요소들을 고려하여 실제 성능과 예측 성능 간의 차이를 최소화하는 데 성공했습니다. 이 연구는 차세대 통신 시스템 발전에 크게 기여할 것으로 기대됩니다.

혁신적인 AI 기술로 RIS의 한계를 극복하다: 파장 제어 RIS 최적화

최근, 재구성 가능 지능형 표면(RIS) 기술이 차세대 통신 시스템의 핵심 요소로 주목받고 있습니다. 특히, 파장 제어 방식 RIS는 가변용량 다이오드(varactor)를 이용하여 각 요소의 반사 계수를 제어하는 혁신적인 기술입니다. 하지만, 장치의 비선형성, 주파수 의존성, 요소 간의 결합 등의 복잡한 요소들로 인해 실제 성능과 예측 성능 간의 차이가 크다는 문제점이 존재했습니다.

Gal Ben Itzhak 등 연구진은 이러한 문제를 해결하기 위해 AI 기반 최적화 기법을 제안했습니다. 연구진은 시간 주기적 신호로 바이어싱 정재파(BSW)를 생성하고, 이를 각 RIS 요소에서 샘플링하여 원하는 바이어싱 전압을 생성함으로써 반사 계수를 제어하는 방식을 채택했습니다. 단순 정류기를 사용하여 전압을 샘플링하고 BSW의 피크 값을 시간에 따라 포착하는 방식입니다.

핵심은 데이터 기반 접근 방식입니다. 연구진은 BSW의 집합에 대한 RIS의 반사 방사 패턴을 샘플링하여 얻은 훈련 데이터를 사용하여 신경망(NN)을 설계했습니다. 이 NN은 BSW 진폭과 결과적으로 샘플링된 방사 패턴 사이의 입력-출력 매핑을 생성합니다. 여기서 핵심은 유전 알고리즘(GA) 을 사용하여 NN을 최적화하여 예측된 방사 패턴과 측정된 방사 패턴 간의 오차를 최소화하는 것입니다.

더 나아가, 연구진은 시뮬레이티드 어닐링(SA) 을 통해 BSW 진폭을 설계하여 신호 대 누설 플러스 잡음비(signal-to-leakage-plus-noise ratio)를 최적화했습니다. NN을 통해 BSW 진폭을 반복적으로 전파하고, 그 출력을 피드백으로 사용하여 수렴 여부를 판단하는 방식입니다. 최적의 솔루션은 조회 테이블에 저장되어 RIS를 즉시 구성하는 설정으로 사용되거나, 더 복잡한 방사 패턴을 결정하는 기반으로 사용됩니다.

이 연구는 AI 기반 최적화 기법을 통해 RIS의 성능을 향상시키고, 실제 환경에서의 적용 가능성을 높였다는 점에서 큰 의의를 지닙니다. 이는 향후 5G, 6G 등 차세대 통신 시스템의 발전에 크게 기여할 것으로 기대됩니다. 하지만, 더욱 광범위한 실험과 검증을 통해 실제 환경에서의 성능을 확인하는 후속 연구가 필요할 것으로 보입니다.