“AI-RAN 학습 데이터, ‘무선 디지털 트윈’으로 확보”

AI-RAN 연구의 핵심 과제 중 하나로 학습 데이터 확보가 제시됐다. AI 적용 대상은 무선 통신망이며, 다양한 전파 환경을 학습하기 위해서는 대규모 데이터가 필요하다. 그러나 실제 통신망에서는 충분한 데이터를 수집하기가 어렵다는 점이 문제로 언급됐다.

이에 대한 대안으로 '무선 디지털 트윈(Wireless Digital Twin)' 활용 방안이 제시됐다. 무선 디지털 트윈은 도시·건물·단말 이동을 가상 환경에서 재현하는 방식이다. 이를 통해 학습 데이터를 생성하고 알고리즘 검증에도 활용하는 접근이 소개됐다.

이 같은 내용은 13일 행사인 AI네트워크얼라이언스(AINA) AI-RAN 컴퓨팅 워킹그룹(WG) & 산업융합위원회 공동회의에서 발표됐다. 발표자는 최계원 성균관대학교 전기전자컴퓨터공학과 교수였다. 발표는 AI-RAN 학습·검증용 데이터를 디지털 트윈으로 확보하는 방법에 초점을 맞췄다.

AI-RAN은 무선접속망(RAN)에 인공지능(AI)을 적용해 무선 자원 운용을 효율화하고 통신 성능을 향상하는 기술이다. 최계원 성균관대학교 전기전자컴퓨터공학과 교수는 발표를 진행하며 AI-RAN에 디지털 트윈이 필요한 이유를 제시했다.

최 교수는 먼저 CDL·TDL 등 통계적 채널 모델의 한계를 배경으로 들었다. CDL·TDL은 전파의 다중 경로 변화를 표현하는 무선 채널 모델로, 통신 알고리즘과 장비 성능 시뮬레이션에 활용된다.

다만 최 교수는 해당 채널 모델이 과도하게 단순화돼 있으며 실제 환경의 다양성과 공간적 특성을 반영하는 데 부족하다는 요지를 밝혔다. 이 같은 한계는 AI-RAN 구현 과정에서 실제 환경을 충분히 재현하지 못하는 문제로 이어진다는 설명이다.

최 교수는 실제 환경 데이터 수집 과제도 함께 짚었다. 실제 환경에서 확보 가능한 데이터가 제한적인 만큼, AI-RAN에 필요한 검증과 구현 과정에서 현실을 반영하는 데 제약이 있다는 취지다.

이어 기존 네트워크 시뮬레이터의 한계도 거론했다. 기존 네트워크 시뮬레이터는 실제와 차이 있는 추상화된 프로토콜 모델에 의존해 실제 환경을 충분히 재현하지 못한다고 설명했다. 사진은 성원영 기자이다.

무선 디지털 트윈은 실제 전파 환경·통신 작동 방식의 가상 공간 재현을 통해 한계를 보완하는 것을 목적으로 한다. 이를 위해 지형, 건물 배치, 단말 이동을 구성 요소로 모델링한다. 이후 '레이 트레이싱(Ray Tracing)'을 활용해 전파 전달·반사 경로를 계산하고, 이를 바탕으로 무선 채널 데이터를 생성한다.

이렇게 만든 환경에는 실제 통신 프로토콜 스택의 연동이 가능하다. 연동 후에는 전파 환경 변화에 따른 통신 동작 시험이 가능하고, AI 학습·검증용 데이터 확보도 가능하다.

대표적 디지털 트윈 플랫폼으로는 엔비디아 '에어리얼 옴니버스 디지털 트윈(AODT·Aerial Omniverse Digital Twin)'이 있다. AODT는 가상 공간 내 무선 환경 구성, 레이 트레이싱 기반 전파 경로 계산, 통신 링크 시뮬레이션 수행, 네트워크 시뮬레이션 수행 기능을 갖췄다. 또 특정 지역 전파 환경 반영 데이터 기반 기지국 알고리즘 개발, AI 모델 학습, AI 모델 성능 평가에 활용된다.

무선 디지털 트윈은 개별 AI-RAN 알고리즘 학습뿐 아니라 '무선 파운데이션 모델(Wireless Foundation Model)' 연구에도 활용될 수 있다. 무선 파운데이션 모델의 방식은 거대언어모델(LLM)과 유사하다.

이 모델은 방대한 데이터 기반 사전 학습(Pre-training)을 거친 뒤 목적별 파인튜닝(fine-tuning)을 수행하는 절차를 따른다. 사전 학습 단계에서는 다양한 무선 채널 데이터를 바탕으로 채널의 공통 특성과 패턴을 학습한다.

이후에는 목적별로 모델을 미세조정하거나 작업별 모델을 추가 학습해 활용할 수 있다. 적용 작업의 예로는 빔 예측과 채널 복원이 있다. 이 같은 학습 방식은 특정 작업마다 처음부터 학습하는 대신, 사전 학습으로 얻은 다양한 특성을 재사용하는 데 특징이 있다.

이런 활용을 위해서는 디지털 트윈 데이터 확보에서 규모와 다양성, 실제 환경과의 정합성이 조건으로 제시된다. 최 교수는 특정 도시 환경에서 데이터 양만 늘리는 방식만으로는 다양한 전파 환경에 대응하는 모델 학습에 한계가 있다고 봤다. 따라서 서로 다른 건물 배치와 단말 이동 조건, 실제 적용 환경의 특성을 반영해야 한다.

가상 환경 학습 모델이 실제 통신망에서도 동일한 성능을 내는지 확인하는 검증 과제가 필요한 가운데, 가상 환경과 실제 통신망 사이에 건물 재질의 전파 특성 차이와 송수신 장비 동작의 실제와의 차이가 있으면 모델 성능이 낮아질 수 있다. 이를 줄이기 위한 대응으로 최 교수는 다양한 조건의 학습을 반영하고, 실측 데이터 기반의 추가 학습을 하는 방안을 제안했다.

출처: 아이티데일리 (IT DAILY) · 성원영 기자
원문: https://www.itdaily.kr/news/articleView.html?idxno=242173

참고자료

• https://www.itdaily.kr/news/articleView.html?idxno=242173