콘텐츠로 이동

무선 인터페이스 AI/ML

스펙 · 릴리즈

연구: TR 38.843 (Rel-18, AI/ML for NR air interface) · 망 AI: TS 38.300 §16.20 (Rel-18 NG-RAN AI/ML), TR 37.817 · 핵심망: TS 23.288 (NWDAF) · Rel-19: 빔 관리·측위 규격화, CSI 예측, LCM 일반 절차 Rel-17 RAN3 연구 → Rel-18 무선 연구 + RAN3 규격 → Rel-19 무선 규격화(1단계) → Rel-20 확장 → 6G AI-native

한눈에 보기

지금까지 이동통신의 신호 처리는 사람이 수식으로 설계했습니다. 5G-Advanced부터는 일부를 학습된 AI 모델로 바꾸는 작업이 표준에 들어오고 있습니다.

대표적인 활용 예 세 가지:

  1. CSI 압축·예측: 단말이 채널 정보를 AI로 압축해서 보고 → 피드백 비트를 줄이면서 정확도는 높임. 미래 채널을 예측해 고속 이동에서도 정확한 빔포밍
  2. 빔 관리: 빔 64개를 다 재지 않고 몇 개만 재서 나머지를 추론 → 측정 시간·전력 감소
  3. 측위: 다중경로가 심한 공장에서도 채널 패턴으로 위치를 학습 → cm~m 단위 정확도

표준은 AI 모델 자체를 정하지 않습니다. 대신 모델을 어떻게 학습·배포·감시·교체할지와 입출력 형식을 정합니다.

유스케이스

유스케이스 모델 위치 입력 → 출력 기대 효과 표준화 단계
CSI 압축 양측 (단말 인코더 + 기지국 디코더) 채널 → 잠재 벡터 → 복원 채널 같은 오버헤드에서 정확도 ↑ (Type II 대비) 연구 계속 (상호운용 쟁점)
CSI 예측 단말 과거 CSI → 미래 CSI 고속 이동 시 CSI 노화 보상 Rel-19 규격
빔 관리 (공간) 단말 또는 망 일부 빔 측정 (Set B) → 전체 빔 중 최고 (Set A) 측정 RS·보고 감소 Rel-19 규격
빔 관리 (시간) 단말 또는 망 과거 빔 측정 → 미래 최고 빔 빔 전환 지연 감소 Rel-19 규격
측위 (직접) 단말 또는 LMF CIR/PDP 등 → 위치 NLOS 환경 정확도 ↑ Rel-19 규격
측위 (보조) 단말 또는 gNB 측정 → LOS/NLOS, 보정된 TOA 기존 방식 정확도 ↑ Rel-19 규격

모델 수명 주기 관리 (LCM)

flowchart LR
    D[데이터 수집<br/>학습용 · 추론용 · 모니터링용] --> T[모델 학습<br/>오프라인, 표준 밖]
    T --> R[모델 등록·식별<br/>Model ID / 기능 ID]
    R --> A[활성화 · 비활성화<br/>전환 · 폴백]
    A --> I[추론]
    I --> M[성능 모니터링<br/>지표 · 기준값 비교]
    M -->|성능 저하| A
    M -->|재학습 필요| D
개념 의미
기능 기반 LCM 망은 "어떤 기능(예: 빔 예측 8→64)을 쓸지"만 관리, 구체 모델은 단말 구현
모델 ID 기반 LCM 망이 특정 모델을 식별·지시
협력 수준 Level x: 협력 없음 / y: 시그널링 기반 협력 / z: 모델 전송까지
일반화 학습 환경과 다른 셀·단말 배치에서 성능 유지 여부 — 모니터링·전환이 필요한 이유

망(RAN·핵심망) AI

영역 규격 내용
NG-RAN AI (Rel-18) RAN3 에너지 절감, 부하 분산, 이동성 최적화를 위한 예측 정보 교환(Xn/NG)
NWDAF (Rel-15~) SA2 망 분석: 부하·QoS·이동성 예측, 모델 학습 기능 분리(MTLF), 연합 학습
관리 (OAM) SA5 AI 모델 학습·배포·성능 관리
전문가 노트 — 평가 결과와 표준화 쟁점

CSI 압축 평가 (TR 38.843 요지). 여러 회사 시뮬레이션에서 Rel-16 eType II 대비 같은 오버헤드에서 평균 SGCS(코사인 유사도) 향상과 수 % ~ 10% 수준의 처리량 이득이 보고되었습니다(시나리오·가정에 따라 편차가 큼). 그러나 양측 모델은 단말 인코더와 기지국 디코더를 누가 어떻게 맞출지(Type 1 공동 학습 / Type 2 순차 학습 / Type 3 각자 학습 + 데이터셋 공유)가 상호운용의 핵심 쟁점입니다.

빔 예측 이득. Set B(예: 8개 측정)로 Set A(예: 32–64개) 최고 빔을 맞히는 Top-1/Top-K 정확도가 높게 나와, RS 오버헤드·측정 지연을 크게 줄일 수 있음이 확인되었습니다. 단말 측 모델은 단말 회전·차단 패턴 학습에 유리하고, 망 측 모델은 다수 단말 데이터를 활용합니다.

시험 가능성(RAN4). 학습된 모델의 성능을 어떻게 인증할지가 어렵습니다. 기준 데이터셋·기준 모델·시험 채널 모델 정의가 함께 논의됩니다.

6G AI-native. 6G에서는 AI를 전제로 한 참조신호 설계, AI 기반 수신기, 모델 배포 프레임워크(데이터·모델 전송 계층) 등 더 근본적인 통합이 연구됩니다. → 6G 후보 기술

관련 페이지