이 논문은 TR 38.901 기반 채널 모델인 Sionna가 신뢰할 수 있지만, 다수의 multi-user 채널 실현을 생성하는 비용이 크다는 문제에서 출발한다. 목표는 사용자 기하를 반영한 상관구조를 잃지 않으면서 Sionna보다 빠르게 multi-user TR 38.901 채널을 만드는 것이다. 이를 위해 Sionna 참조 데이터로 학습한 physics-aware, geometry-conditioned SetGAN을 제안한다.
방법은 채널을 큰 스케일 수신전력과 정규화된 작은 스케일 페이딩으로 분리하고, 후자를 주성분분석으로 압축한 뒤 잠재공간에서 조건부 분포를 학습한다. 생성기는 전역 노이즈와 사용자별 지역 노이즈, 사용자 좌표를 함께 받아 순열 일관적인 set 기반 출력을 낸다. 거리 의존 상대 위치 편향을 넣은 self-attention과, 거리별 페이딩 구조·수신전력 유사도 프로필을 맞추는 손실을 함께 사용해 공간 일관성을 보존한다.
검증은 UMa/NLoS 벤치마크에서 수행됐다. 수신전력 분포는 참조와 가까웠고 Wasserstein 거리는 약 0.41 dB였다. 공간 일관성 프로필은 거리 대비 median 곡선의 평균 편차가 0.03 미만이었다. 세부적으로는 수신전력 유사도 프로필의 median-curve MAE가 0.0255, worst-bin deviation이 0.0518이었고, 페이딩 구조 유사도 프로필은 각각 0.0260과 0.0496이었다. 이 수치는 각 도메인에서 3,712,500개의 사용자쌍으로 계산됐다.
| 항목 | 값 | 조건/비교 | source_locator |
|---|---|---|---|
| UMa/NLoS 수신전력 Wasserstein distance | 약 0.41 dB | Sionna 참조 대비 | Abstract; V.A |
| 수신전력 유사도 프로필 median-curve MAE | 0.0255 | UMa/NLoS, distance-binned profiles | V.B |
| 페이딩 구조 유사도 프로필 median-curve MAE | 0.0260 | UMa/NLoS, distance-binned profiles | V.B |
| CPU-vs-CPU 생성시간 speedup | 3.45× | matched user positions, fixed-position benchmark | V.C |
| CPU-vs-CPU CPU-total cost speedup | 6.15× | matched user positions, fixed-position benchmark | V.C |
자료: STORIUM 정리
실험 설정은 U=100, K=1024, Neval=750, random-square side length 10–2000 m, selected checkpoint e⋆=60이었다. 고정 위치 CPU-vs-CPU 기준에서 생성시간은 3.45배, CPU-total cost는 6.15배, call time은 1.88배 빨라졌다. 같은 절차의 GPU-vs-GPU에서는 각각 2.52배, 1.31배, 1.22배의 속도 향상이 보고됐다. 즉, matched user positions에서의 비교에서 이 생성기는 공간 일관성을 유지한 채 TR 38.901 채널 생성을 가속했다.
저작권자 © STORIUM 무단전재 및 재배포 금지
