디지털 트윈을 활용한 5G E2E Emulation
이번에는 아래 유튜브 영상 중 지난 포스트에 이은 후반부 영상의 정리이다.
NVIDIA에서 생각하는 Sionna 프로젝트의 방향성과 NVIDIA 연구실에서 공개한 Demo Project의 내용이 주가 된다.
https://www.youtube.com/watch?v=8OH8m5hyC90
디지털 트윈 기반 채널 에뮬레이션
Sionna Research Kit의 핵심 기능은 디지털 트윈(digital twin)을 활용할 수 있다는 점이다.
이는 실제 환경에서 새로운 알고리즘을 테스트하려는 경우 특히 중요하다.
무선 통신 알고리즘은 채널 환경에 매우 민감하다.
같은 알고리즘이라도 실내, 도심, 공장, 차량 환경 등에서 전혀 다른 성능을 보일 수 있다.
따라서 실제 배포 전에 다양한 환경을 정밀하게 재현하고, 그 안에서 알고리즘을 검증할 수 있어야 한다.
Sionna Research Kit는 이를 위해 Sionna Ray Tracing 기능을 통합한다.
Sionna Ray Tracer를 사용하면 3D 환경을 기반으로 무선 전파 경로를 계산할 수 있다.
건물, 벽, 장애물, 반사면 등을 고려해 다중 경로 전파를 모델링하고,
그 결과로 채널 임펄스 응답(channel impulse response)을 얻을 수 있다.
이렇게 얻은 채널 정보는 단순히 시뮬레이션 결과로 끝나지 않는다.
Sionna Research Kit에서는 이 채널을 디지털 베이스밴드(digital baseband) 영역에서 실시간으로 에뮬레이션할 수 있다.
즉, 실제 RF 하드웨어와 사용자 장비가 연결되어 있더라도, 그 사이의 채널은 특정 3D 환경에서 계산된 채널처럼 동작하도록 만들 수 있다.
이를 통해 연구자는 마치 시뮬레이션 환경에 있는 것처럼 다양한 채널 조건을 제어하면서도,
실제 하드웨어와 실제 프로토콜 스택을 함께 검증할 수 있다. 이것이 디지털 트윈 기반 테스트베드의 핵심 가치다.
무선 AI 시스템을 위한 가속 구조
AI-native RAN을 실제로 구현하려면 알고리즘의 정확도뿐 아니라 실시간 처리 성능도 중요하다.
특히 물리 계층에서는 매우 짧은 시간 안에 수신, 복조, 디코딩, 추론, 제어가 이루어져야 한다.
따라서 어떤 방식으로 연산을 가속할 것인지는 시스템 설계에서 핵심적인 문제가 된다.
가속 방식은 크게 두 가지로 나눌 수 있다. 하나는 lookaside 가속, 다른 하나는 inline 가속이다.
Lookaside 가속: 특정 기능을 외부 가속기로 오프로드하는 방식
Lookaside 가속은 특정 기능만 전용 가속기로 넘겨 처리하는 방식이다.
예를 들어 채널 디코딩과 같은 연산 집약적인 기능을 CPU에서 직접 처리하지 않고, 별도의 가속기로 오프로드할 수 있다.
이 방식에서는 일반적으로 다음과 같은 과정이 필요하다.
CPU에서 처리하던 데이터를 가속기로 복사하고, 가속기에서 고정 기능 또는 특정 연산을 실행한 뒤, 결과를 다시 CPU로 복사한다.
이 구조는 특정 연산을 빠르게 처리할 수 있다는 장점이 있지만, 데이터 복사 과정에서 오버헤드가 발생한다.
초기에는 이 오버헤드가 크게 문제되지 않을 수 있다. 하지만 여러 기능을 가속기로 오프로드하기 시작하면 상황이 달라진다.
각 기능마다 CPU와 가속기 사이의 데이터 이동이 반복되고,
이 복사 비용이 전체 end-to-end 지연 시간에서 상당한 비중을 차지할 수 있다.
특히 AI-native RAN처럼 마이크로초 또는 밀리초 단위의 지연 시간이 중요한 시스템에서는 이러한 복사 오버헤드가 치명적인 병목이 될 수 있다.
Inline 가속: 전체 파이프라인을 가속기에서 실행하는 방식
반면 inline 가속은 전체 처리 파이프라인을 가속기 위에서 실행하는 방식이다.
특정 기능만 가속기로 넘기는 것이 아니라, 수신 처리 흐름 전체를 가능한 한 가속기 내부에서 연속적으로 처리한다.
이 방식의 가장 큰 장점은 데이터 복사 오버헤드를 줄일 수 있다는 점이다.
CPU와 가속기 사이를 오가며 데이터를 반복적으로 복사하지 않아도 되기 때문에, end-to-end 지연 시간을 줄이는 데 유리하다.
하지만 inline 가속에도 어려움은 있다. 전체 파이프라인을 가속기에서 실행하려면, 해당 파이프라인을 구성하는 모든 기능이 가속기에서 동작하도록 구현되어야 한다.
즉, 단일 연산을 빠르게 만드는 것을 넘어 전체 시스템 구조를 가속기 친화적으로 설계해야 한다.
DGX Spark의 장점 중 하나는 통합 메모리(unified memory)를 활용할 수 있다는 점이다.
CPU와 GPU가 동일한 메모리 공간에 접근할 수 있기 때문에, 전통적인 CPU-GPU 구조에서 발생하는 명시적인 메모리 복사 비용을 크게 줄일 수 있다. 이는 inline 가속 구조를 구현하는 데 중요한 기반이 된다.
물론 모든 오버헤드가 완전히 사라지는 것은 아니다.
GPU 커널 실행에 따른 오버헤드는 여전히 존재하고, 캐시 미스나 메모리 접근 패턴에 따른 성능 저하도 발생할 수 있다.
따라서 실제 시스템에서는 커널 실행 단위, 메모리 배치, 데이터 흐름, 파이프라인 병렬성 등을 세밀하게 최적화해야 한다.
그럼에도 불구하고, 명시적인 메모리 복사, 즉 memcpy 기반 데이터 이동을 반복하는 구조와 비교하면 inline 가속은 훨씬 낮은 지연 시간을 달성할 수 있는 가능성을 제공한다.
결국 AI-native RAN에서 중요한 것은 단순히 신경망을 빠르게 실행하는 것이 아니다.
신경망이 포함된 전체 무선 수신 파이프라인을 어떻게 구성하고, 데이터 이동을 어떻게 줄이며, 실제 시간 제약 안에서 어떻게 안정적으로 동작하게 만들 것인지가 핵심이다.
Sionna Research Kit는 이러한 관점에서 시뮬레이션, 실제 RF 테스트베드, 디지털 트윈, 그리고 하드웨어 가속을 하나의 연구 흐름 안에 연결한다. 이를 통해 연구자는 AI 기반 무선 알고리즘을 설계하는 데 그치지 않고, 실제 시스템 수준에서 구현 가능성과 성능을 함께 검증할 수 있다.
예시 : Site-Specific Training
이제 Sionna Research Kit를 활용할 수 있는 구체적인 예시로 Site-Specific Training을 살펴보자.
이는 특정 배치 환경, 즉 특정 지역이나 사이트의 채널 특성을 활용해 AI 기반 수신기를 최적화하는 접근이다.
예를 들어 왼쪽 그림에는 스위스 알프스의 한 지역이 있다고 가정해보자.
사용자가 산에서 하이킹을 하다가 휴대폰을 기지국에 연결하는 상황이다.
이 경우 사용자의 이동성은 낮을 가능성이 높고, 동시에 접속 사용자 수도 많지 않을 수 있다.
채널 환경 역시 비교적 개방적이고, 특정한 지형적 특성을 강하게 반영할 것이다.
반면 오른쪽 그림은 NVIDIA 산타클라라 본사 주변과 같은 도심형 환경을 나타낸다.
이곳에는 차량 이동이 많은 도로가 있고, 사용자 이동성도 높으며, 반사와 산란이 많이 발생하는 복잡한 전파 환경이 형성된다.
즉, 두 환경은 완전히 다른 채널 특성을 가진다.
그럼에도 오늘날의 무선 시스템은 대체로 서로 다른 환경에 동일한 알고리즘을 배포한다.
물론 표준화된 알고리즘은 범용성과 안정성 측면에서 장점이 있다.
하지만 특정 환경의 구조와 채널 특성을 알고 있다면, 이를 활용해 더 높은 성능을 얻을 수 있지 않을까?
Site-Specific Training의 출발점은 여기서 시작한다.
기지국이 배치된 위치, 주변 지형, 건물 구조, 사용자 이동 패턴과 같은 정보를 활용하면 수신기 성능을 개선할 수 있다.
특히 AI 기반 수신기는 이러한 환경 특성을 학습해 특정 사이트에 더 적합한 방식으로 신호를 복원할 가능성이 있다.
다만 여기에서 고려해야할 중요한 부분이 하나 있는데,
특정 환경에 지나치게 최적화된 알고리즘은 예상치 못한 상황에서 성능이 급격히 떨어질 수 있다는 점이다.
따라서 목표는 단순히 한 환경에서만 잘 동작하는 모델을 만드는 것이 아니라,
특정 Site의 특성을 활용하면서도, 예외적인 상황이나 환경 변화에도 견고하게 동작하는 알고리즘을 설계해야 한다.
즉, Site-Specific Training의 핵심은 최적화와 견고성 사이의 균형이다.
Neural Receiver: 신호 처리 파이프라인을 신경망으로 대체하기
이를 위해 활용할 수 있는 대표적인 개념이 Neural Receiver다.
최근 여러 연구에서는 전통적인 무선 수신기의 일부 신호 처리 블록을 신경망으로 대체하는 접근을 제안해왔다.
일반적인 무선 통신 시스템의 목적은 한 지점에서 다른 지점으로 정보를 안정적으로 전달하는 것이다.
송신 측에서는 payload bit를 채널 코딩하고, 변조 심볼로 매핑한 뒤, OFDM 변조를 거쳐 무선 채널로 전송한다.
수신 측에서는 이 과정을 반대로 수행한다.
즉, 수신 신호로부터 채널을 추정하고, 등화(equalization)를 수행하며, demapping과 decoding을 통해 원래의 bit를 복원한다.
Neural Receiver는 이 수신 파이프라인의 일부를 신경망으로 대체한다.
예를 들어 기존 수신기에서 채널 추정, 등화, demapping으로 구성된 블록을 하나의 신경망으로 대체할 수 있다.
이 신경망은 수신된 신호를 입력으로 받아 codeword bit 또는 likelihood ratio를 재구성하도록 학습된다.
이후 출력된 likelihood ratio는 기존의 채널 디코더, 예를 들어 LDPC decoder로 전달된다.
이 접근의 장점은 명확한데, 전통적인 수신기는 각 단계가 명시적인 수학적 모델과 가정에 기반해 설계된다.
반면 Neural Receiver는 실제 채널 조건과 하드웨어 특성을 데이터로부터 학습할 수 있다.
따라서 특정 환경에서 반복적으로 나타나는 채널 구조나 RF 손상을 더 잘 활용할 가능성이 있다.
실제 사용자 장비와 연결하기 위한 Constraints
하지만 연구용 Neural Receiver를 실제 시스템에 적용하려면 몇 가지 중요한 제약을 만족해야 한다.
우선 실제 사용자 장비와 연결되어야 한다. 여기서 사용자 장비는 상용 5G 단말 또는 5G 모뎀일 수 있다.
예를 들어 Qualcomm 칩셋을 사용하는 상용 UE를 생각할 수 있다.
이러한 장비는 연구자가 내부 동작을 마음대로 바꿀 수 없는 일종의 블랙박스다.
따라서 기지국 측 수신기를 신경망으로 바꾸더라도, 전체 시스템은 여전히 5G 규격을 준수해야 한다.
UE는 표준에 맞춰 uplink 신호를 전송하고, 기지국은 이를 표준과 호환되는 방식으로 수신해야 한다.
동시에 이 모든 과정은 실시간으로 동작해야 한다.
즉, Neural Receiver를 실제 시스템에 적용하기 위해서는 두 가지 조건을 동시에 만족해야 한다.
첫째, 5G 표준과 호환되어야 한다.
둘째, 물리 계층의 엄격한 시간 제약 안에서 실행되어야 한다.
이 두 조건이 Neural Receiver 연구를 단순한 머신러닝 문제가 아니라 실제 통신 시스템 설계 문제로 만든다.
5G 관점과 머신러닝 관점
그럼 Neural Receiver 문제는 두 가지 관점에서 생각할 수 있다.
하나는 5G 시스템 관점이고, 다른 하나는 머신러닝 관점이다.
5G 관점에서는 uplink, 특히 PUSCH를 대상으로 생각할 수 있다.
사용자가 기지국으로 데이터를 전송하고, 기지국은 수신된 uplink 신호로부터 payload bit를 복원해야 한다.
이 경우 머신러닝 추론은 기지국 측에서 수행된다.
즉, UE는 기존 5G 규격에 따라 신호를 전송하고, 기지국 수신기 일부가 신경망 기반으로 대체되는 구조다.
머신러닝 관점에서는 이 문제를 대규모 병렬 분류 문제로 볼 수 있다.
수신된 복소수 신호 텐서를 입력으로 받아, 각 bit가 0인지 1인지 추정하는 문제이기 때문이다.
예를 들어 multi-user MIMO 구성을 가정해보자.
100MHz 대역폭을 사용하고, 두 명의 사용자가 uplink로 데이터를 전송하며, 기지국에는 4개의 수신 안테나가 있다고 하자.
하나의 5G 슬롯에는 여러 개의 subcarrier와 OFDM symbol이 포함된다.
예를 들어 3,200개의 subcarrier와 14개의 OFDM symbol을 갖는다고 하면, 수신 신호는 매우 큰 텐서로 표현된다.
복소수 신호는 머신러닝 모델에 입력하기 위해 실수부와 허수부로 나누어 표현할 수 있다.
따라서 수신 안테나 수, subcarrier 수, OFDM symbol 수, 실수부와 허수부 차원이 결합된 고차원 입력 텐서가 만들어진다.
이를 일종의 이미지처럼 생각할 수도 있다.
다만 일반적인 이미지 분류처럼 고양이와 개를 한 번 구분하는 문제가 아니라, 매우 많은 bit에 대해 동시에 0과 1을 분류하는 문제에 가깝다.
예를 들어 한 슬롯에서 약 17만 개의 bit를 추정해야 한다면, 이는 17만 개의 이진 분류 작업을 병렬로 수행하는 것과 같다.
학습 목표는 비교적 직관적인데, 수신된 모든 bit, 모든 사용자, 모든 data stream에 대해 이진 교차 엔트로피(binary cross entropy)를 평균한 값을 손실 함수로 사용할 수 있다.
Sionna는 TensorFlow 기반으로 구현되어 있기 때문에, 이러한 학습 파이프라인을 자연스럽게 구성할 수 있다.
stochastic channel model을 통해 다양한 채널 조건을 생성하고, 그 위에서 Neural Receiver를 학습시킨 뒤, 배포 가능한 수신기 모델을 얻을 수 있다.
실시간 Neural Receiver 아키텍처와 복잡도 제어
Neural Receiver를 실제 시스템에 배포하기 전에는 반드시 추론 지연 시간을 측정해야 한다.
통신 시스템에서는 모델의 성능만큼이나 지연 시간이 중요하기 때문이다.
Neural Receiver의 지연 시간은 네트워크의 깊이와 밀접하게 관련된다.
더 많은 layer를 가진 큰 모델은 일반적으로 더 높은 성능을 낼 수 있지만, 계산량이 증가하고 추론 시간이 길어진다.
반대로 layer 수를 줄이면 지연 시간은 줄어들지만, 수신 성능이 저하될 수 있다.
예를 들어 초기 Neural Receiver 아키텍처는 목표 하드웨어 플랫폼에서 약 3ms의 추론 시간이 필요했다고 하자.
이는 많은 머신러닝 애플리케이션에서는 매우 빠른 수준이지만, 5G 물리 계층 수신기 관점에서는 너무 느릴 수 있다.
실시간 처리를 위해 1ms 미만의 지연 시간이 필요하다면, 모델 구조를 더 가볍게 만들어야 한다.
성능 평가는 일반적으로 특정 목표 오류율을 달성하는 데 필요한 SNR로 비교할 수 있다.
예를 들어 목표 block error rate를 10%로 설정할 수 있다. 이는 link adaptation에서 자주 사용되는 기준이다.
이때 동일한 block error rate를 달성하는 데 필요한 SNR이 낮을수록 수신기의 성능이 더 좋다고 볼 수 있다.
큰 Neural Receiver는 특정 환경에서 매우 강력한 성능을 보일 수 있으며, 최적에 가까운 성능을 달성할 수도 있다.
하지만 실시간 제약을 만족하기 위해 네트워크 layer를 줄이면 성능은 어느 정도 저하된다.
이는 실시간 시스템에서 피하기 어려운 trade-off다.
따라서 Neural Receiver를 평가할 때는 단순히 오류율이나 SNR 성능만 비교해서는 안 된다.
채널 추정기, MIMO detector, demapper와 같은 기존 수신기 알고리즘과 비교할 때도 반드시 계산 복잡도와 실시간 처리 가능성을 함께 고려해야 한다.
동일한 지연 시간 조건, 동일한 하드웨어 제약, 동일한 표준 호환성 조건에서 비교해야 공정한 평가가 가능하다.
여기서 중요한 질문이 나온다. 실시간 제약 때문에 작은 모델을 사용해야 한다면, 그로 인한 성능 손실을 어떻게 줄일 수 있을까?
이 질문에 대한 하나의 답이 바로 Site-Specific Training이다.
특정 환경의 채널 특성을 활용해 모델을 학습시키면, 작은 Neural Receiver라도 범용 모델에 가까운 성능, 또는 특정 사이트에서는 그 이상의 성능을 달성할 가능성이 있다.
다음 부분에서는 이러한 Site-Specific Training이 실제로 어떻게 성능을 회복하고,
실시간 Neural Receiver의 한계를 보완할 수 있는지 살펴본다.
Site-Specific 알고리즘은 어떻게 평가할 수 있을까?
Site-Specific Training을 실제로 활용하려면 먼저 중요한 질문에 답해야 한다.
특정 환경에 최적화된 알고리즘을 어떻게 평가할 수 있을까?
기존의 무선 통신 연구에서는 3GPP 표준 채널 모델을 많이 사용한다.
예를 들어 UMi, UMa, RMa와 같은 모델은 다양한 환경을 통계적으로 추상화해준다.
하지만 Site-Specific Training에서는 이러한 표준 채널 모델만으로는 충분하지 않다.
특정 도시, 특정 건물 배치, 특정 기지국 위치, 특정 사용자 이동 경로에서의 채널 특성을 반영해야 하기 때문이다.
이를 위해 Sionna Research Kit에서는 Sionna Ray Tracing을 활용할 수 있다.
OpenStreetMap에서 실제 지역의 3D 환경 정보를 가져온 뒤,
ray tracing 기법을 통해 해당 환경에서의 다중 경로 전파를 시뮬레이션한다.
전파가 건물이나 장애물에 의해 반사되고, 여러 경로를 통해 수신기에 도달하는 과정을 계산함으로써, 특정 사이트에 대응하는 채널 임펄스 응답을 얻을 수 있다.
또한 이러한 정보를 바탕으로 radio map을 계산할 수도 있다.
Radio map은 특정 위치에서의 수신 전력, 채널 품질, 커버리지 특성 등을 공간적으로 표현한 것이다.
이를 활용하면 단순히 평균적인 채널 모델이 아니라, 실제 지형과 건물 배치를 반영한 환경별 무선 특성을 분석할 수 있다.
이제 우리는 시뮬레이션된 채널 임펄스 응답을 얻었다.
다음 문제는 이 정보를 실제 테스트베드 환경에 어떻게 적용할 것인가이다.
다시 말해, Sionna RT에서 계산한 site-specific channel을 실제 5G 스택과 RF 하드웨어가 연결된 환경에서 어떻게 재현할 수 있을까?
Sionna RT와 실시간 채널 에뮬레이션
이를 위해 Sionna Research Kit는 오픈 인터페이스 기반 코드베이스에 채널 에뮬레이터(channel emulator)를 통합한다.
목표는 Sionna RT에서 얻은 채널 정보를 실제 5G 테스트베드의 디지털 베이스밴드 처리 과정에 삽입하는 것이다.
구성은 다음과 같다. 먼저 DGX Spark를 USRP와 연결한다. 여기서는 케이블 연결 방식을 사용할 수 있다.
여기에 Quectel 모뎀과 같은 상용 5G 모뎀을 연결한다. 즉, 시스템에는 실제 RF 부품과 실제 상용 사용자 장비가 포함된다.
예를 들어 N78 대역, 즉 3.6GHz 근처의 5G 주파수 대역에서 동작하는 구성을 생각할 수 있다.
중요한 점은 모뎀이 이 환경을 특별한 연구용 테스트베드로 인식하지 않는다는 것이다.
모뎀 입장에서는 단순히 일반적인 5G 기지국에 연결된 것처럼 보인다.
즉, 사용자 장비는 표준 5G 절차에 따라 동작하고,
연구자는 기지국 측 스택과 베이스밴드 처리 과정에 새로운 알고리즘을 삽입할 수 있다.
USRP에서 수신된 IQ 샘플은 디지털 베이스밴드 영역으로 전달되고, 이후 OpenAirInterface와 같은 5G 스택으로 입력된다.
다만 5G 스택으로 들어가기 전에 채널 에뮬레이션이 수행된다.
여기서 Sionna Ray Tracer로부터 얻은 채널 임펄스 응답을 사용해 IQ 샘플에 convolution을 적용한다.
그 결과, 실제 하드웨어에서 들어온 신호가 특정 3D 환경을 통과한 것처럼 변형된다.
추가로 SNR을 조절하기 위해 노이즈를 더할 수도 있다.
이를 통해 동일한 시나리오에서 특정 노이즈 레벨을 반복적으로 적용할 수 있고, 재현 가능한 실험 환경을 만들 수 있다.
연구 관점에서 이는 매우 중요한데, 그 이유는 동일한 사용자 경로, 동일한 채널 조건, 동일한 노이즈 설정을 반복적으로 사용함으로써 여러 알고리즘을 공정하게 비교할 수 있기 때문이다.
이렇게 생성된 faded IQ sample은 실제 5G 오픈 인터페이스 스택으로 전달된다. 그리고 이 모든 과정은 실시간으로 수행된다.
채널 에뮬레이션은 매우 짧은 시간 안에 처리되어야 하며, 전체 5G uplink 또는 downlink 처리 흐름을 방해하지 않아야 한다.
여기서는 uplink 예시를 중심으로 설명했지만, 같은 방식은 downlink에도 적용할 수 있다.
즉, Sionna Research Kit는 실제 RF 하드웨어와 상용 모뎀을 연결한 상태에서,
특정 사이트의 전파 환경을 디지털 베이스밴드에서 재현할 수 있다.
물론 이 단계는 여전히 시뮬레이션 기반 평가에 해당한다. 실제 현장 측정과는 구분되어야 한다.
하지만 실제 5G 스택, 실제 RF 프론트엔드, 실제 상용 모뎀을 포함한다는 점에서 단순한 링크 레벨 시뮬레이션보다 훨씬 현실적인 평가 환경을 제공한다. 따라서 현장 측정으로 넘어가기 전, site-specific algorithm을 검증하기 위한 중요한 중간 단계가 된다.
뮌헨 시나리오에서의 Site-Specific Training 결과
이제 실제 평가 결과를 살펴보자. 예시로 사용된 환경은 독일 뮌헨의 특정 지역이다.
OpenStreetMap에서 뮌헨 도심 장면을 가져오고, 사용자가 실제로 도심을 걸어 다니는 것과 유사한 이동 궤적을 시뮬레이션한다. 이 경로를 따라 변화하는 채널을 Sionna RT로 계산하고, 여러 종류의 수신기 성능을 비교한다.
비교 기준으로는 먼저 최대 우도 기반 수신기 또는 그 근사치를 생각할 수 있다.
이는 해당 조건에서 얻을 수 있는 이상적인 성능에 가까운 기준선으로 볼 수 있다.
다시 말해, 실험에서 일종의 하한선 또는 upper-performance reference 역할을 한다.
다음으로는 3GPP UMi 채널 모델로 학습된 소형 Neural Receiver를 평가한다.
이 수신기는 실시간 동작을 염두에 두고 설계된 작은 모델이며, 추론 지연 시간이 밀리초 단위로 제한된다.
하지만 뮌헨이라는 특정 환경에서 평가하면 성능 저하가 나타난다.
이는 범용 채널 모델로 학습한 수신기가 특정 사이트의 채널 특성을 충분히 활용하지 못하기 때문이다.
반면 동일한 소형 수신기를 뮌헨 환경에 맞춰 학습시키면 성능이 개선된다.
여기서 중요한 점은 특정 사용자 궤적 하나에 과적합시키는 것이 아니라,
뮌헨이라는 특정 환경의 채널 특성을 반영해 학습한다는 점이다.
그 결과, 수신기는 해당 사이트에서 나타나는 전파 구조를 더 잘 활용하게 되고, 최대 우도 기반 기준선에 더 가까운 성능을 보인다.
흥미로운 점은 site-specific fine-tuning을 적용한 소형 수신기가, fine-tuning을 하지 않은 대형 범용 수신기와 거의 유사한 성능을 보였다는 것이다. 이는 매우 중요한 결과다. 작은 모델은 추론 복잡도가 낮고 실시간 구현에 유리하지만, 일반적으로 성능이 떨어질 수 있다. 그러나 site-specific training을 활용하면 이 성능 격차를 상당 부분 줄일 수 있다.
즉, Site-Specific Training은 범용 대형 수신기와 특정 환경에 최적화된 소형 수신기 사이의 간극을 줄이는 역할을 한다.
이는 실시간 AI-native RAN 구현에서 매우 실용적인 의미를 가진다.
모델 크기를 줄여 추론 지연 시간을 낮추면서도, 특정 배치 환경에 대한 추가 학습을 통해 성능 손실을 보완할 수 있기 때문이다.
학습 복잡도와 추론 복잡도의 새로운 절충점
이 결과는 AI 기반 무선 수신기 설계에서 중요한 trade-off를 보여준다.
기존에는 주로 모델 크기와 성능 사이의 관계를 고민했다.
더 큰 모델은 더 좋은 성능을 낼 수 있지만, 추론 지연 시간이 길고 하드웨어 자원을 더 많이 사용한다.
반대로 작은 모델은 실시간 처리에 유리하지만, 성능이 낮아질 수 있다.
Site-Specific Training은 여기에 새로운 선택지를 제공한다.
모델을 크게 만드는 대신, 특정 환경에 맞춰 더 정교하게 학습시키는 것이다. 즉, 추론 복잡도를 줄이는 대신 학습 복잡도에 더 많은 비용을 투자하는 방식이다.
이는 실제 배포 관점에서 매력적인 방향이다.
학습은 오프라인에서 수행할 수 있지만, 추론은 실제 네트워크에서 매 슬롯마다 반복적으로 수행되어야 한다.
따라서 학습 과정에 더 많은 계산 자원을 투입하더라도, 배포된 모델의 추론 비용을 줄일 수 있다면 전체 시스템 관점에서는 유리할 수 있다.
또 하나 흥미로운 점은 대형 수신기의 경우 fine-tuning을 통해 얻는 추가 이득이 크지 않았다는 점이다.
이미 충분히 큰 모델은 범용 채널에서도 견고한 표현 능력을 가지고 있기 때문에, 특정 사이트에 맞춘 추가 학습의 효과가 제한적일 수 있다. 반면 작은 수신기는 표현 능력이 제한되어 있기 때문에, site-specific fine-tuning의 효과가 훨씬 크게 나타난다.
정리하면, Site-Specific Training은 특히 실시간 제약으로 인해 작은 Neural Receiver를 사용해야 하는 상황에서 강력한 도구가 될 수 있다. 특정 환경의 전파 특성을 활용해 소형 모델의 성능을 끌어올리고, 추론 복잡도와 수신 성능 사이의 균형을 개선할 수 있기 때문이다.
이러한 접근은 AI-native RAN을 실제 시스템에 배포하기 위한 중요한 단계다. 단순히 더 큰 모델을 사용하는 것이 아니라,
배치 환경에 맞는 데이터와 디지털 트윈을 활용해 더 작고 빠르면서도 충분히 강력한 수신기를 만드는 방향으로 나아갈 수 있다.
Sionna Research Kit Demo: 완전한 5G Testbed
이번에는 Sionna Research Kit가 실제로 어떻게 구성되고 동작하는지 살펴보자.
Demo에 사용된 구성은 사실상 하나의 완전한 5G 네트워크에 가깝다.
오른쪽에는 DGX Spark가 있고, 이 장비 위에서 OpenAirInterface(OAI) 기반 5G 스택이 실행된다.
DGX Spark는 USRP와 연결되어 RF 신호를 송수신하며, 이 데모에서는 유선 케이블 연결 방식을 사용한다.
여기에 Qualcomm 칩셋 기반의 상용 5G 모뎀이 연결된다.
Demo 환경에서는 실제 전파 방사가 허용되지 않았기 때문에, 모뎀과 RF 장비는 케이블로 연결되었다.
하지만 동작 주파수는 실제 5G 시스템과 동일하게 N78 대역, 즉 3.6GHz 대역으로 설정되었다.
따라서 모뎀 입장에서는 이 시스템이 일반적인 5G 기지국처럼 보인다.
USRP에서 수신된 IQ 샘플은 DGX Spark로 스트리밍된다.
이후 DGX Spark 내부에서 실시간 채널 에뮬레이션이 수행되고, 그 결과가 전체 5G 스택으로 전달된다.
즉, 실제 상용 5G 모뎀, 실제 RF 프론트엔드, 실제 5G 프로토콜 스택을 사용하면서도, 채널 환경은 디지털 베이스밴드에서 원하는 방식으로 재현할 수 있다.
이 구성을 통해 연구자는 특정 환경에서의 live performance를 실시간으로 에뮬레이션하고 관찰할 수 있다.
Ray Tracing 기반 Digital Twin과 실시간 채널 업데이트
이 데모의 핵심 요소 중 하나는 Ray Tracing Digital Twin이다.
별도의 GUI를 통해 3D 환경이 시각화되고, 사용자가 해당 환경 안에서 이동하는 상황을 실시간으로 추적할 수 있다.
예를 들어 이 시나리오에서는 사용자가 컨벤션 센터 내부 또는 주변을 이동한다고 가정한다.
사용자가 이동함에 따라 위치가 바뀌고, 그에 따라 기지국과 사용자 장비 사이의 전파 경로도 달라진다.
Sionna Ray Tracing은 이 위치 변화를 반영해 채널 임펄스 응답을 실시간으로 업데이트한다.
즉, 사용자가 이동할 때마다 해당 위치에서의 다중 경로 전파, 반사, 차폐, 경로 손실 등이 새롭게 계산된다.
이렇게 얻은 위치별 채널 정보는 채널 에뮬레이터로 전달되고,
에뮬레이터는 이를 바탕으로 IQ 샘플에 실제와 유사한 채널 효과를 적용한다.
이 과정은 사용자가 시뮬레이션 환경 안에 있는 것처럼 보이지만, 실제로는 상용 5G 모뎀과 OAI 기반 5G 스택이 함께 동작하는 구조다. 따라서 디지털 트윈, RF 하드웨어, 5G 프로토콜 스택, AI 기반 수신기를 하나의 end-to-end 시스템 안에서 평가할 수 있다.
xApp을 통한 실시간 성능 모니터링
Sionna Research Kit 데모에는 실시간 성능을 확인할 수 있는 xApp도 포함되어 있다.
이 xApp은 현재 시스템 상태를 시각화하고, 주요 무선 성능 지표를 모니터링하는 역할을 한다.
예를 들어 xApp에서는 현재 사용 중인 MCS(Modulation and Coding Scheme), Block Error Rate(BLER), 할당된 PRB(Physical Resource Block) 수 등을 확인할 수 있다.
이러한 값들은 5G 시스템이 현재 채널 상태에 어떻게 적응하고 있는지를 보여준다.
사용자가 컨벤션 센터를 이동하다가 건물이나 장애물 뒤로 들어가면, 기지국과 사용자 사이의 line-of-sight가 사라질 수 있다.
이 경우 수신 신호 품질이 저하되고, 특정 지점에서 BLER이 증가하는 현상을 확인할 수 있다.
그러면 link adaptation 알고리즘이 동작한다. 시스템은 증가한 오류율을 다시 목표 범위 안으로 낮추기 위해 MCS를 낮춘다.
예를 들어 목표 BLER이 10%라면, 시스템은 현재 채널 상태에 맞춰 변조 및 코딩 방식을 조정함으로써 오류율이 지나치게 높아지지 않도록 제어한다.
이처럼 xApp은 단순한 모니터링 도구를 넘어,
디지털 트윈 환경에서 발생하는 채널 변화가 실제 5G 시스템의 link adaptation에 어떻게 반영되는지를 관찰할 수 있게 해준다.
Neural Receiver의 실시간 비교
이 데모에서는 Neural Receiver를 실시간으로 켜고 끌 수도 있다.
즉, 기존 수신기와 신경망 기반 수신기를 동일한 조건에서 비교할 수 있다.
이 과정에서 Neural Receiver를 활성화했을 때와 비활성화했을 때의 성능을 비교하면서, BLER, MCS, 처리 지연 시간, GPU 부하 등을 함께 관찰할 수 있다. 이는 AI 기반 수신기가 실제 시스템에서 어느 정도의 성능 이득을 제공하는지, 그리고 그 대가로 얼마나 많은 연산 자원을 사용하는지를 평가하는 데 중요하다.
다만 해당 Demo에서 관찰되는 GPU 부하의 대부분은 Neural Receiver 자체보다는
Ray Tracing 기반 채널 시뮬레이션에서 발생한다는 점을 구분할 필요가 있다.
즉, GPU 부하가 높게 나타난다고 해서 그것이 모두 신경망 수신기의 추론 비용을 의미하는 것은 아니다.
실시간 디지털 트윈을 구성하기 위한 ray tracing 연산이 상당한 비중을 차지한다.
이 점은 AI-native RAN 테스트베드를 해석할 때 중요한 부분이다.
전체 시스템 부하를 볼 때는 신경망 추론, 채널 에뮬레이션, 5G 스택 처리, 시각화 및 모니터링 기능을 분리해 분석해야 한다.
Coverage Map과 Site-Specific 분석
Sionna Research Kit는 실시간 채널 에뮬레이션뿐 아니라 coverage map 계산에도 활용될 수 있다.
예를 들어 특정 워싱턴 시나리오에서 위치별 수신 신호 전력을 color map으로 시각화할 수 있다.
이러한 coverage map은 특정 배치 환경에서 신호가 강하게 도달하는 영역과 약하게 도달하는 영역을 직관적으로 보여준다.
건물에 의한 차폐, 반사 경로, 음영 지역, line-of-sight 여부 등이 공간적으로 어떻게 나타나는지 확인할 수 있다.
DGX Spark를 사용하면 이러한 계산도 동일한 테스트베드 안에서 수행할 수 있다.
즉, 하나의 시스템에서 ray tracing 기반 digital twin, 실시간 채널 에뮬레이션, 5G 스택 실행, xApp 기반 성능 모니터링, coverage map 계산을 모두 연결할 수 있다.
현재 Demo에 포함된 xApp은 비교적 단순한 형태지만, 같은 구조를 확장하면 더 다양한 지표를 읽어낼 수 있다.
예를 들어 throughput, latency, HARQ retransmission, scheduler decision, beam selection, 사용자별 resource allocation 등으로 확장할 수 있다.
정리하면, 이 Demo는 Sionna Research Kit가 단순한 연구용 코드나 시뮬레이터가 아니라는 점을 보여준다.
실제 상용 5G 모뎀과 RF 하드웨어를 연결하고, 디지털 트윈 기반 채널을 실시간으로 주입하며, 그 결과를 실제 5G 스택과 xApp을 통해 관찰할 수 있다.
이는 AI-native RAN 연구에서 매우 중요한 의미를 가진다. 연구자는 신경망 기반 수신기나 site-specific algorithm을 단순히 오프라인 시뮬레이션에서 평가하는 것이 아니라, 실제 5G 시스템에 가까운 환경에서 end-to-end로 검증할 수 있다.
DGX Spark에서 클라우드 스케일 디지털 트윈으로
지금까지 살펴본 Sionna Research Kit 데모는 DGX Spark라는 작은 서버 한 대에서 실행되었다.
이 작은 시스템 안에서 OAI 기반 5G 스택, USRP 기반 RF 인터페이스, 상용 5G 모뎀, 실시간 채널 에뮬레이션, Ray Tracing Digital Twin, xApp 기반 모니터링까지 모두 동작했다.
하지만 여기서 중요한 점은 이 코드와 워크플로가 단일 장비에만 머물지 않는다는 것이다.
동일한 소프트웨어 스택은 클라우드나 대규모 GPU 클러스터로 확장될 수 있다.
즉, 연구실의 소형 테스트베드에서 개발한 알고리즘과 시뮬레이션 파이프라인을 더 큰 규모의 디지털 트윈 환경으로 확장할 수 있다.
그렇다면 coverage map 계산을 대규모 클러스터에서 실행하면 어떻게 될까?
NVIDIA는 기술 데모를 통해 동일한 코드를 96개의 GPU로 구성된 클러스터에 배포하는 사례를 보여주었다.
이는 단순히 하나의 건물이나 도심 블록이 아니라, 훨씬 더 넓은 지역을 대상으로 radio map을 계산할 수 있음을 보여주는 예시다.
미국 전역의 Radio Map 계산
이 Demo에서는 미국 전역을 대상으로 coverage map을 계산했다.
기본 아이디어는 Sionna Ray Tracing 기반의 radio map 계산을 대규모 병렬 작업으로 확장하는 것이다.
먼저 특정 환경의 3D 장면과 전파 조건을 정의한다.
예를 들어 앞서 살펴본 워싱턴 컨벤션 센터와 같은 도시 환경을 생각할 수 있다.
여기에 공개 데이터셋으로 제공되는 대규모 무선 송신탑 정보를 결합한다.
이 Demo에서는 미국 전역의 약 8만 개 송신탑에 대한 공개 데이터를 활용해, 시뮬레이션 범위를 전국 단위로 확장했다.
그 결과 미국 전체를 대상으로 매우 세밀한 coverage map을 생성할 수 있다.
시각화 결과를 보면 고속도로와 주요 도로 주변에 많은 기지국이 분포되어 있음을 확인할 수 있다.
또한 미국 내 특정 지역을 확대해가며 세부적인 커버리지 특성을 분석할 수 있다.
예를 들어 캘리포니아 지역을 확대하고, 다시 NVIDIA 본사가 위치한 산타클라라 주변으로 들어가면 해당 지역의 세밀한 전파 커버리지 패턴을 확인할 수 있다. 이처럼 대규모 radio map은 전국 단위의 거시적 커버리지 분석과 특정 지역의 미시적 분석을 동시에 가능하게 한다.
GPU 클러스터가 만드는 시뮬레이션 속도
이 데모에서 특히 인상적인 부분은 계산 속도다.
미국 전역을 대상으로 한 coverage map 계산이 96개 GPU 클러스터에서 5분도 채 걸리지 않았다.
이는 차세대 무선 네트워크 연구에서 중요한 의미를 가진다.
기존에는 특정 지역의 radio map을 계산하거나 site-specific channel을 분석하는 데 상당한 시간이 필요했다.
하지만 GPU 가속과 대규모 병렬화를 활용하면, 도시 단위는 물론 국가 단위의 디지털 트윈도 매우 빠르게 구축할 수 있다.
이러한 속도는 연구와 운영 양쪽에서 모두 중요하다.
연구자는 다양한 기지국 배치, 주파수 대역, 빔포밍 전략, 커버리지 조건을 빠르게 비교할 수 있다. 운영자는 특정 지역의 커버리지 문제를 분석하거나, 새로운 사이트 배치 후보를 평가하거나, 네트워크 최적화 시나리오를 대규모로 검증할 수 있다.
즉, Sionna Research Kit와 Sionna Ray Tracing은 단순히 작은 테스트베드에서 알고리즘을 검증하는 데 그치지 않는다.
동일한 코드 기반을 클라우드와 GPU 클러스터로 확장함으로써, 실제 네트워크 규모의 디지털 트윈을 구축할 수 있다.
차세대 네트워크 연구를 위한 확장 가능한 워크플로
이 사례는 Sionna Research Kit의 중요한 철학을 잘 보여준다.
작은 DGX Spark 환경에서 시작해 실제 RF 하드웨어와 상용 모뎀을 연결하고, 그 위에서 알고리즘을 개발하고 검증한다.
이후 동일한 코드를 대규모 GPU 클러스터로 확장해 도시, 국가, 또는 더 큰 규모의 radio map과 디지털 트윈을 계산할 수 있다.
이러한 워크플로는 AI-native RAN 연구에 특히 적합하다.
Neural Receiver나 site-specific algorithm을 개발할 때는 먼저 시뮬레이션으로 아이디어를 검증하고, 그 다음 실제 테스트베드에서 동작을 확인하며, 마지막으로 대규모 디지털 트윈을 통해 다양한 환경에서의 성능을 평가할 수 있다.
정리하면, Sionna Research Kit는 세 가지 스케일을 하나로 연결한다.
- 첫째, Sionna 기반의 링크 레벨 시뮬레이션이다.
- 둘째, DGX Spark와 RF 하드웨어를 이용한 실시간 5G 테스트베드다.
- 셋째, 클라우드 GPU 클러스터를 활용한 대규모 디지털 트윈이다.
이 세 가지가 연결되면 차세대 무선 네트워크 연구는 훨씬 더 빠르고 현실적인 방식으로 진행될 수 있다.
연구자는 작은 환경에서 프로토타입을 만들고, 실제 하드웨어에서 검증하며, 대규모 클러스터에서 전국 단위의 네트워크 시나리오까지 확장할 수 있다.
결국 AI와 디지털 트윈은 차세대 무선 네트워크를 위한 핵심 도구가 된다.
AI는 네트워크가 환경에 맞춰 스스로 최적화될 수 있게 하고,
디지털 트윈은 그 AI를 학습하고 검증할 수 있는 현실적인 실험장을 제공한다.
Sionna와 Sionna Research Kit는 이 두 요소를 실제 연구와 프로토타입 개발로 연결하는 플랫폼이라고 볼 수 있다.
'RAN CN 테스트베드 구축 > Sionna RT-OAI (AI-RAN)' 카테고리의 다른 글
| Sionna-RK 패치를 통한 UE별 채널 기반 디지털트윈 AI-RAN 환경 구성 (0) | 2026.07.02 |
|---|---|
| Sionna-RK에서 UE별 위치 기반 CIR을 반영하기 위한 gNB 패치 과정 (0) | 2026.07.02 |
| Sionna RT와 OAI RF Simulator 연동 및 개선점 분석 (0) | 2026.07.01 |
| WSL2 환경에서 Sionna RT 연결을 위한 OAI RF 네트워크 스택 설치하기 (0) | 2026.06.24 |
| NVIDIA Sionna Research Kit: AI-Native RAN 구현을 위한 시뮬레이션과 프로토타이핑 (0) | 2026.06.16 |