통합 감지 및 통신(Integrated Sensing and Communication, ISAC) 기술은 향후 무선 네트워크의 발전 가능성으로서 탐구되어 왔으며, 통신과 감지를 모두 위해 스펙트럼 자원을 효율적으로 활용하고자 한다. 재구성 가능 지능형 표면(Reconfigurable Intelligent Surfaces, RIS)을 ISAC에 통합하면, 전파 환경을 최적화함으로써 감지 정확도와 통신 품질을 모두 향상시키는 추가적인 이점을 제공한다. 이러한 영역에서 신뢰할 수 있는 배치를 보장하기 위해서는 정확한 채널 추정이 핵심적이다. 전통적인 딥러닝(DL) 접근법은 효과적이긴 하지만 무선 채널의 복잡한 동역학을 모델링하는 과정에서 성능 제한을 초래할 수 있다. 본 논문은 RIS 보조 ISAC 시스템의 채널 추정 문제를 해결하기 위해 조건부 생성적 적대 신경망(Conditional Generative Adversarial Networks, CGANs)의 새로운 적용을 제안한다. CGAN 프레임워크는 두 개의 DL 네트워크를 적대적으로 학습하여, 생성기 네트워크가 관측 데이터에서 실제 채널 상태로의 매핑 관계를 학습할 뿐만 아니라 판별기 네트워크의 피드백을 기반으로 출력을 개선함으로써 학습 과정과 추정 정확도를 효과적으로 최적화할 수 있도록 한다. 수치 시뮬레이션 결과, 제안된 CGAN 기반 방법은 기존의 DL 기법에 비해 추정 성능을 효과적으로 향상시키는 것으로 나타났다. 이러한 결과는 CGAN이 채널 추정을 혁신할 잠재력을 지니며, 보다 정확하고 신뢰할 수 있는 ISAC 배치를 위한 길을 열어줄 수 있음을 시사한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.