6G 무선 네트워크로의 진화는 비지상 네트워크(Non-Terrestrial Networks, NTN)를 전 세계 어디서나 연결 가능한 보편적 글로벌 연결을 위한 핵심 가능요소로 자리매김시켰다. NTN 아키텍처 중에서도 Ka-band 주파수에서 동작하는 매우 저궤도(Very Low Earth Orbit, VLEO) 위성은 더 우수한 링크 버짓(link budget)과 더 낮은 지연을 제공한다. 그러나 7.7 km/s에 이르는 극단적인 궤도 속도는 다수의 부반송파 간격을 가로지르는 심각한 반송파 주파수 오프셋(Carrier Frequency Offset, CFO) 문제를 야기하며, 이는 기존의 추정 역량을 크게 초과한다. 부반송파의 분수(fractional) 구간 범위 내에서 CFO가 유지되는 지상 시스템과 달리, VLEO 시스템에서는 막대한 도플러 이동(massive Doppler shifts)으로 인해 OFDMA 부반송파의 직교성이 저하되어, 세심하게 설계된 파형이 간섭이 지배하는 신호로 변질된다. 기존 접근법은 정수(integer)와 분수(fractional) CFO 추정을 독립적인 순차 문제로 취급함으로써 이들의 근본적인 결합을 무시하고, 오류 전파로 인한 지속적인 동기화 실패를 초래하여 성능 저하가 상당하다. 본 논문은 결합된 정수-분수 CFO 추정 문제를 단일한 기계학습으로 해결하는 듀얼 헤드(dual-head) 시간순환 합성곱 신경망(Temporal Convolutional Network, TCN) 아키텍처를 제안한다. 2단계 프레임워크는 Stage 01에서 듀얼 헤드 TCN을 활용하여 정수 및 분수 성분을 함께 추정함으로써 광범위한 거친 획득(wide-range coarse acquisition)을 수행하고, Stage 02에서는 잔여 오프셋이 작은 경우에 최적화된 위상 고정 루프(phase-locked loop) 기법을 통해 정밀 추적을 제공한다. 지상 사용자와 공중 사용자 모두에 대해 극단적인 VLEO 시나리오 전반에 걸친 포괄적 시뮬레이션 결과, 시스템 수준 성능이 우수함을 확인하였다: 정수 분류 정확도 97.7%, 분수 추정 RMSE 0.1229, 이상적인 보상 대비 비트 오류율이 0.1 dB 이내로 나타나, 고도플러 조건에서 시스템 성능이 저하되는 기존 방법 대비 실질적인 성능 향상을 보여준다. 또한 CNN, LSTM, Transformer 아키텍처에 대한 백본 비교를 통해 TCN의 우수한 정확도-복잡도(trade-off) 관계가 확인되었고, 절제(ablation) 실험은 각 아키텍처 구성요소의 필요성을 검증하였다.
*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.