Sionna와 Sionna Research Kit의 개념 및 차이점 (Sionna RT에 대해)

Sionna란?

---

 

 

무선 통신 분야에는 새로운 아이디어와 풍부한 계산 자원이 있지만, 연구 결과를 실제로 구현하고 실험하는 일은 여전히 쉽지 않다.
머신러닝 분야는 GPU와 오픈소스 생태계 덕분에 아이디어를 곧바로 코드로 옮기고 반복 실험이 가능해 빠르게 발전해 왔다.

 

반면 무선 통신은 기지국, 단말, 주파수, RF 하드웨어 등 현실적인 장벽 때문에 많은 연구가 논문 수준에서 멈추는 경우가 많았다.

좋은 알고리즘이 제안되더라도 실제 시스템에 올려 검증하기까지의 비용과 난이도가 너무 높았기 때문이다.

 

이러한 간극을 줄이기 위해 NVIDIA는 Sionna를 개발해 오픈소스로 공개하고 있다.

 

 

Sionna의 역할

---

https://github.com/NVlabs/sionna

GitHub - NVlabs/sionna: Sionna: An Open-Source Library for Research on Communication Systems

 

 

Sionna는 GPU를 활용해 무선 채널, PHY 계층, 시스템 전체를 빠르게 시뮬레이션할 수 있는 오픈소스 라이브러리이다.

Python 환경에서 한 줄의 명령어로 설치할 수 있고, GPU가 없는 환경에서도 실행할 수 있어 누구나 쉽게 접근할 수 있다.

 

이를 통해 연구과정에서 복잡한 인프라를 직접 구축하지 않고도

“일단 아이디어를 시뮬레이션해 보고, 빠르게 검증하는 단계”까지는 손쉽게 도달할 수 있다.

실제로 Sionna는 최근 다수의 논문에서 인용되며, 5G·6G 연구를 위한 표준적인 연구 도구로 자리 잡고 있다.

 

 

Sionna를 활용한 Research 사례는 공식 문서 페이지에 정리되어 있다.

Sionna를 활용한 논문들 : https://nvlabs.github.io/sionna/made_with_sionna.html#

“Made with Sionna” — Sionna 1.2.1 documentation

 

 

 

Sionna의 구성요소

---

Sionna는 다음의 세 가지 모듈로 구성되어 있다.

 

 

• Sionna RT는 무선 전파 모델링을 위한 초고속 독립형 레이 트레이서다.
• Sionna PHY는 무선 및 광 통신 시스템을 위한 링크 레벨 시뮬레이터다.
• Sionna SYS는 물리 계층 추상화에 기반한 시스템 레벨 시뮬레이션 기능을 제공한다.

Sionna의 핵심 원칙은 모듈성, 확장성, 그리고 미분 가능성이다.
각 구성 요소는 독립적인 모듈로 설계되어 있어 쉽게 테스트하고 이해할 수 있으며, 사용자의 필요에 따라 수정할 수 있다.

딥 뉴럴 네트워크를 레이어 단위로 쌓듯이, 원하는 블록을 연결해 복잡한 통신 시스템 아키텍처를 빠르게 구성할 수 있다.

 

Sionna PHY와 Sionna SYS는 TensorFlow 기반으로 작성되었고, Sionna RT는 Mitsuba 3와 Dr.Jit 위에서 동작한다.

이들 프레임워크는 자동 미분을 제공해 시스템 전체에 대해 그래디언트를 역전파할 수 있으며,

이는 통신 시스템을 대상으로 한 그래디언트 기반 최적화와 신경망 통합을 가능하게 한다.

 

또한 NVIDIA GPU 가속을 통해 시뮬레이션 속도를 수십 배 이상 향상시킬 수 있으며,

Jupyter 노트북이나 Google Colab과 같은 환경에서 대화형으로 실험할 수 있다.

 

 

 

Sionna RT의 역할 : 더욱 구체적인 무선 채널 모델링

---

 

무선 통신 시스템의 성능은 결국 “채널”에 의해 결정된다.

특히 5G, 6G와 같은 초고주파(mmWave) 및 초대역폭 환경에선 전파의 반사, 굴절, 산란 특성이 시스템 성능에 큰 영향을 미친다.

이러한 복잡한 전파 환경을 정확하게 모델링하기 위한 대표적인 방법이 Ray Tracing 기반 채널 시뮬레이션이다.

 

Ray Tracing은 기하학적 광학(Geometric Optics)과 전자기 이론을 기반으로 전파가 환경 내에서 어떻게 반사, 굴절, 산란되는지를 물리적으로 계산하는 기법이다.

Sionna RT는 이러한 Ray Tracing을 무선 채널 모델링에 특화하여 구현한 오픈소스 하드웨어 가속 Differentiable Ray Tracer.

이 시스템은 Mitsuba 3 위에 구축되어 있으며, 내부적으로 Dr.Jit 기반의 자동 미분 기능을 활용한다.

이 구조의 핵심 특징은 다음과 같다.

• 실제 3D 환경 기반의 물리적 채널 모델링
• GPU 가속을 통한 대규모 시뮬레이션
• 자동 미분(Automatic Differentiation) 지원
• Gradient 기반 최적화 문제에 직접 활용 가능

즉, 단순한 채널 생성기가 아니라 “최적화 가능한 물리 기반 채널 엔진”인 셈이다.

 

 

 

Scene 기반의 무선 환경 모델링

---

 

Sionna RT는 모든 시뮬레이션을 Scene 중심으로 구성한다.

Scene은 3D 공간의 모든 객체를 포함하며, 각 객체는 SceneObject로 관리된다.

이때 각 SceneObjectㄴ는 다음과 같은 속성을 가진다.

• position (위치)
• orientation (회전)
• scaling (크기)
• velocity (속도 벡터)
• radio_material (전파 특성 물질)

여기서 앞서 itu_marble, itu_metal과 같이 설정한 radio_material은 해당 객체가 전파와 어떻게 상호작용하는지를 정의한다.

각 material마다 벽의 유전율(ηr), 전도도(σ), 두께(thickness)와 같이 반사 및 감쇠 특성에 영향을 주는 값이 정의되어 있다.

만약 주파수를 변경하면 물질의 주파수 의존 특성도 자동으로 업데이트된다.

이는 실제 고주파 대역에서의 물리적 특성을 반영하는 중요한 요소이다.

 

 

 

시뮬레이션의 한계와 Sionna Research Kit (Sionna RK)

---

그러나 Sionna는 본질적으로 시뮬레이션 도구로,

아무리 정교한 모델을 사용하더라도 실제 무선 환경의 모든 요소를 완벽하게 재현할 수는 없다.

RF 전파의 미세한 특성, 하드웨어 노이즈, 셀 간 간섭, 실사용 트래픽이 만들어내는 복잡한 상호작용은 결국 실제 시스템 위에서만 드러나며, 논문과 시뮬레이터에서는 안정적으로 보이던 알고리즘이, 실제 환경에서는 지연이나 불안정성 문제를 드러내는 경우도 적지 않다.

 

그래서 Sionna는 단순한 시뮬레이션에 머무르지 않고, “배포하고 실험하면서 현실 데이터를 쌓는 단계”로 나아가야 한다는 방향성을 명확히 제시한다.

이런 시뮬레이션의 한계를 넘기 위해 NVIDIA가 제시한 다음 단계가 Sionna Research Kit다.

 

Sionna가 알고리즘과 시스템 개념을 빠르게 설계·검증하기 위한 시뮬레이션 중심의 연구 라이브러리라면,

Sionna Research Kit는 그 결과를 실제로 동작하는 5G NR 네트워크 위에 올려 실시간으로 실행·검증하기 위한 실행 플랫폼이다.

즉, Research Kit는 Sionna의 확장판이 아니라, Sionna 이후 단계를 담당하는 실험 인프라다.

 

이 플랫폼에서는 기지국, Core, MAC 스케줄러, RAN Intelligent Controller, AI 기반 PHY 처리까지 모두 실시간으로 실행된다.

OpenAirInterface를 기반으로 구성되어 있으며, SDR이나 상용 단말과 연동해 실제 RF 환경에 가까운 실험도 가능하다.

즉, Sionna Research Kit는 “시뮬레이션 결과를 실제 시스템에 꽂아보는 단계”를 담당한다.

 

 

 

Sionna Research Kit의 등장 배경

---

https://nvlabs.github.io/sionna/rk/index.html

Research Kit (RK) — Sionna 1.2.1 documentation

 

Sionna Research Kit는 “또 하나의 테스트베드”를 만들기 위해 등장한 프로젝트가 아니다.
공식 문서에서 반복적으로 강조하는 핵심은 Democratizing AI-RAN Research, 즉 AI-RAN 연구의 진입 장벽을 낮추는 것이다.

기존 무선 연구 환경에서는 다음과 같은 문제가 반복되어 왔다.

• 실제 5G 시스템은 상용 장비 위주로 구성되어 내부 구조를 관찰하거나 수정하기 어렵다.
• 연구용 테스트베드는 존재하지만, 설치와 운영 난이도가 높고 재현성이 낮다.
• AI 기반 PHY나 RAN 제어 알고리즘을 실제 스택에 통합하기까지의 비용이 매우 크다.

 

Sionna Research Kit는 이러한 문제를 해결하기 위해 다음과 같은 방향으로 설계되었다.

• OpenAirInterface 기반의 완전한 소프트웨어 정의 5G RAN 및 코어 네트워크 제공
• GPU 가속을 전제로 한 설계로, AI·ML·신호처리를 동일한 메모리 아키텍처 위에서 실행
• 연구자가 통신 스택 전 계층을 직접 관찰·수정·가속할 수 있는 구조
• 교재 수준의 튜토리얼을 통해 “한두 시간 안에 실제 5G 네트워크를 띄우는 경험” 제공

공식 문서에서 “In just one afternoon, you will connect commercial 5G equipment to a network”라 표현하는 이유도 여기있다.

Research Kit의 목표는 고급 연구자만을 위한 장비가 아니라, 학생과 연구자를 빠르게 실제 시스템 연구로 진입시키는 플랫폼이다.

 

 

 

디지털 트윈과 실시간 무선 실험

---

Sionna Research Kit의 가장 중요한 기술적 특징 중 하나는 디지털 트윈 기반 실시간 무선 실험이다.

전통적인 무선 실험은 두 가지 극단 중 하나에 속해 왔다.

• 완전한 시뮬레이션: 빠르지만 현실성이 제한됨
• 실제 RF 실험: 현실적이지만 비용·규제·재현성 문제가 큼

 

Sionna Research Kit는 이 둘 사이를 잇는 구조를 취한다.
실제 전파를 방사하지 않으면서도, 물리적으로 의미 있는 채널을 실시간으로 생성해 실제 5G 스택에 주입한다.

이를 가능하게 하는 핵심 요소는 다음과 같다.

• GPU 가속 레이 트레이싱을 이용한 실시간 채널 임펄스 응답 계산
• 계산된 채널을 기저대역 신호 처리 파이프라인에 직접 적용
• LDPC 디코딩, 신경망 기반 수신기, 채널 에뮬레이션의 동시 실시간 실행
• 필요 시 USRP나 상용 단말을 연결해 케이블드 혹은 오버더에어 실험 수행

 

이 구조 덕분에 연구자는 실제 RF 규제나 대규모 장비 없이도, 현실에 가까운 무선 환경을 디지털 트윈 형태로 재현할 수 있다.
이는 단순히 “시뮬레이션이 정교해졌다”는 의미가 아니라, 실제 기지국 소프트웨어가 실시간으로 동작하는 상태에서 채널만 가상화했다는 점에서 근본적으로 다르다.

 

 

 

 

현재 Sionna Version

---

 

현재 Sinooa의 old 버전은 0.19.2에서 Deprecated되었고, 현재는 v1이 release되어 있다.

관련된 툴을 직접 설치하면서 써볼 예정이다.