무선 채널 식별·적응 전송 제어 및 분산 학습 최적화

Wireless channel identification, adaptive retransmission control, and federated learning optimization

연구 내용

채널 분류와 NLoS 식별을 위한 신경망 프레임, HARQ 적응 제어, 위상 동기화 기반 federated learning을 통합하는 연구

무선 시스템에서는 채널 상태의 불확실성과 전송 환경의 비균질성이 성능 저하의 원인이 됩니다. 연구실은 Hankelized 행렬의 특성 및 저차원 입력 설계를 통해 Rician 및 Rayleigh 채널을 분류하는 프레임을 구성하고, near-field 비가시 환경에서는 NLoS 채널을 신경망 기반으로 식별하는 접근을 수행합니다. 또한 저비용 단말 환경에서 다중 링크 동기 전송을 지원하기 위해 HARQ 적용 여부와 변조·코딩 레이트를 Markov decision process로 모델링해 적응 재전송 정책을 도출합니다. 분산 학습에서는 non-IID 데이터와 부분 참여로 인한 drift를 억제하기 위해 위상 동기화 개념을 적용한 federated learning 알고리즘을 제안하여 수렴성과 정확도를 개선하는 방향으로 확장합니다. 아울러 비가시 환경 무선 측위 연구와 연계해 채널/전송 조건 추정이 위치 보정에 활용되도록 설계합니다.

관련 프로젝트

1건

연구 흐름

초기에는 채널 모델 기반의 분류 문제를 신경망으로 해결하기 위해 Hankelization 이후의 행렬 성질을 입력 특징으로 연결하는 CR2Net을 제안했습니다. 이후 near-field 환경에서 NLoS를 식별하는 방향으로 채널 인식 범위를 확장하며, 비가시 전파 조건에서 필요한 학습 입력 구성을 다듬었습니다. 한편 통신 성능 관점에서는 다중 링크 전송에서 HARQ를 적용하는 것이 제한적인 저비용 칩셋 상황을 문제로 설정하고, MDP 기반 적응 재전송 정책을 통해 처리량과 지연을 함께 고려하는 연구를 수행했습니다. 최근에는 federated learning에서 업데이트 불일치 문제를 위상 동기화 관점으로 모델링해 drift를 완화하는 FedKuramoto로 확장했으며, 비가시 환경 측위 과제와 연계해 채널 추정 정보를 응용 단계로 연결하고 있습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

Rician/Rayleigh 채널 상태 분류
near-field NLoS 채널 식별
통신 링크 적응 재전송 정책
저비용 단말 기반 다중 링크 전송 지원
AR/VR 트래픽 지연 제어
비균질 데이터에서 federated learning 안정화
부분 참여 환경에서의 분산 학습 최적화
무선 측위 보정 입력 생성
비가시 환경의 채널 기반 추정 고도화
분산 네트워크 업데이트 방향 일관성 제어