본 연구실은 무선통신 시스템의 복잡한 최적화 문제를 해결하기 위해 인공지능(AI)과 대규모 언어 모델(LLM, Large Language Model)을 적극적으로 도입하고 있습니다. 최근 무선 네트워크의 자원 할당, 네트워크 관리, 스케줄링, 빔포밍 등 다양한 최적화 문제는 변수의 수가 방대하고, 환경이 동적으로 변화하는 특성이 있어 기존의 수학적 최적화 방법만으로는 한계가 있습니다. 이에 따라 본 연구실은 LLM을 활용한 최적화 프레임워크를 개발하여, 네트워크 관리 자동화, 자율적 네트워크 운영, 그리고 복잡한 환경에서의 실시간 의사결정 문제를 해결하고 있습니다. 특히, LLM 기반의 네트워크 관리 및 최적화 연구는 기존의 규칙 기반 또는 모델 기반 접근법과 달리, 데이터 기반의 학습을 통해 다양한 네트워크 상황에 적응할 수 있는 유연성과 확장성을 제공합니다. 예를 들어, 네트워크 트래픽 예측, 장애 탐지, 자원 스케줄링 등에서 LLM이 제공하는 자연어 처리 능력과 추론 능력을 결합하여, 네트워크 운영자가 직면하는 다양한 문제를 자동화하고, 효율적으로 해결할 수 있습니다. 또한, LLM을 활용한 정책 최적화 및 분산 네트워크 관리 기법은 차세대 6G 및 미래 지능형 네트워크의 핵심 기술로 주목받고 있습니다. 이러한 연구는 실제 산업계와의 협력을 통해 실질적인 네트워크 환경에 적용되고 있으며, 삼성전자, LG전자, 국방과학연구소 등과의 산학협력을 통해 LLM 기반 네트워크 관리 자동화, 무선 자원 최적화, 네트워크 보안 및 이상 탐지 등 다양한 응용 분야에서 혁신적인 성과를 창출하고 있습니다. 앞으로도 본 연구실은 LLM과 AI 기술을 융합하여, 무선통신 시스템의 지능화와 자율화를 선도할 계획입니다.

본 연구실은 무선 네트워크의 자원 관리, 스케줄링, 빔포밍, 네트워크 슬라이싱 등 다양한 시스템 최적화 문제에 딥러닝과 강화학습(Reinforcement Learning, RL) 기법을 적용하는 연구를 선도하고 있습니다. 무선 네트워크 환경은 사용자 수, 채널 상태, 트래픽 패턴 등 다양한 요소가 시시각각 변화하기 때문에, 기존의 고정된 알고리즘으로는 최적의 성능을 보장하기 어렵습니다. 이에 따라 본 연구실은 딥러닝 기반의 예측 모델과 강화학습 기반의 정책 최적화 알고리즘을 개발하여, 네트워크의 효율성과 유연성을 극대화하고 있습니다. 특히, 다중 에이전트 강화학습(Multi-Agent RL) 기법을 활용하여, 분산된 네트워크 노드(기지국, UAV, IoT 디바이스 등)들이 각자의 관찰 정보만을 바탕으로 협력적으로 자원 할당 및 네트워크 운영을 수행할 수 있도록 연구하고 있습니다. 예를 들어, UAV 기반 모바일 엣지 컴퓨팅(MEC) 네트워크에서의 작업 오프로딩, 자원 할당, UAV 경로 최적화 문제를 강화학습으로 해결하여, 실시간 환경 변화에 적응하는 자율 네트워크를 구현하고 있습니다. 또한, 딥러닝 기반 빔포밍, 코드북 설계, 이상 탐지 등 다양한 무선통신 핵심 기술에도 AI 기법을 접목하고 있습니다. 이러한 연구는 실제 5G/6G 네트워크, IoT, 위성통신, 자율주행 등 다양한 응용 분야에서 실질적인 성능 향상과 효율성 증대를 이끌고 있습니다. 본 연구실은 앞으로도 강화학습과 딥러닝을 결합한 차세대 무선 네트워크 자원 관리 및 시스템 최적화 기술을 지속적으로 개발하여, 미래 지능형 통신 인프라의 혁신을 선도할 것입니다.