Physical/Link Layer : Semantic Communcation과 E2E Learning
Semantic Communication의 의미
전통적인 통신 시스템은 Shannon의 Separation Theorem에 기반한다.
이는 송신단을 소스 코딩, 채널 코딩, 변조 등 여러 개의 독립적인 블록으로 나누고 각각을 최적화하는 방식이다.
이때 각 블록이 개별적으로는 최적일지 몰라도, 전체 시스템 관점에서는 최적이 아닐 수 있다.
이처럼 전통적인 통신이 비트를 한 치의 오차 없이 복원하는 '정확성(Accuracy)'에 집중했다면, Semantic Communication은 정보의 '의미(Meaning)'**와 '영향(Effectiveness)'에 집중한다. 이는 워런 위버(Warren Weaver)가 제시한 통신의 세 단계 중 제2, 3단계에 해당한다.
- Level A (Technical): 심볼을 얼마나 정확하게 전달하는가? (전통적 통신)
- Level B (Semantic): 전달된 심볼이 의도한 의미를 얼마나 정확하게 전달하는가? (Semantic Comm)
- Level C (Effectiveness): 전달된 의미가 수신 측에서 원하는 목적을 얼마나 성공적으로 달성하는가? (E2E Intelligence)
이런 상황에서 Physical 및 Link Layer에서의 E2E Learning과 Semantic Communcation이 주목받고 있다.
Semantic Communication을 구현하기 위해서는 데이터에서 '핵심 의미'를 추출하고, 이를 채널 환경에 맞춰 전송한 뒤 다시 복원하는 과정이 필요하다. 이 복잡한 과정을 기존의 수학적 모델(Modular)로 설계하는 것은 불가능에 가깝기 때문에 E2E Learning (Autoencoder)이 필수적인 도구가 된다.
E2E Learning은 Autoencoder 구조라 하여, 송신기와 수신기 전체를 하나의 거대한 심층 신경망(DNN)으로 설계한다.
이때 송신기는 "Encoder", 수신기는 "Decoder"의 역할을 하며, 그 사이의 채널은 하나의 거대한 Layer로 간주된다.
이를 통해 데이터가 들어가서 나올 때 까지의 End-to-End 오차를 최소화하도록 송수신기를 동시에 학습시키는 일 등이 가능해진다.
E2E Intelligence라는 거대한 Trend에서 E2E Learning과 Semantic Communication이 핵심 기술로 연결되는 이유는,
통신의 패러다임이 "데이터의 정확한 전달"에서 "목적의 성공적인 달성"으로 진화하는 데 있다.
정리하면, E2E Learning과 Semantic Communication은 다음과 같은 점에서 E2E Intelligence의 핵심이라고 할 수 있다.
- 설계 방식의 변화 : Block별 최적화에서 전체 최적화로 (Joing Optimization)
기존 방식은 소스 코딩과 채널 코딩을 따로 했지만, E2E Learning은 JSCC (Deep Joint Source-Channel Coding)을 통해 소스의 특성과 채널의 상태를 동시에 고려한다.(예를 들어, 이미지 데이터를 보낼 때 중요한 부분(얼굴 등)은 더 강력하게 보호하고, 덜 중요한 부분(배경)은 압축률을 높이는 식의 지능적 판단을 AI가 스스로 학습하는 방식) - 수학적 모델이 없는 환경에서의 강점
전통적 방식은 채널을 수학적 수식(AWGN, Rayleigh 등)으로 정의해야 합니다. 하지만 6G에서 논의되는 초고주파(THz), 복잡한 도심 환경, 비선형 증폭기 등은 수식화하기 어렵다는 한계가 있다. E2E learning에서는 AI의 Intelligence를 활용해 데이터를 주고받으며 채널의 특성을 스스로 파악하여 수학적 모델이 없어도 데이터만 있다면 해당 환경에 최적화된 통신 방식을 찾아낼 수 있게 된다. - 통신 대상의 변화 : Bit에서 Meaning으로 (Semantic Communication으로의 진화)
이를 통해 단순히 비트(0과 1)를 정확하게 전달하는 것을 넘어, 전달하려는 정보의 '의미'를 추출하여 전송할 수 있게 된다.
(예를 들어, "고양이가 소파 위에 있다"는 문장을 보낼 때, 기존 방식은 문장 전체의 비트를 다 보내야 하지만, 세만틱 통신은 AI가 '고양이', '소파', '위'라는 핵심 의미 정보(Feature)만 추출해 보냅니다. 수신 측 AI는 이 정보로 원래 의미를 복원한다. 이는 대역폭을 획기적으로 절약할 수 있어, 자원이 한정된 미래 통신망의 지능화 수준을 결정짓는 핵심 요소이다.)
Semantic Communication에서 AI Agent의 역할
LLM의 역할: 거대한 '지식 베이스(Knowledge Base)'이자 '의미 번역기'
Semantic Communication의 가장 큰 숙제는 "송신자가 추출한 '의미'를 수신자가 어떻게 똑같이 이해하게 할 것인가?"이다.
LLM은 여기서 두 가지 핵심 역할을 수행한다.
- 공유 지식 베이스 (Shared Knowledge Base): Semantic Communication이 성공하려면 송수신기가 사전 지식을 공유해야 한다. LLM은 인류의 방대한 지식을 학습한 모델이므로, 송신기가 아주 짧은 '추상적 토큰'만 보내도 수신기의 LLM은 그 맥락을 파악해 풍부한 정보로 복원해낼 수 있다. (예: "고양이, 소파"라는 키워드만으로도 완벽한 문장이나 이미지를 생성)
- 멀티모달 의미 추출 (Multimodal Semantic Extraction): 텍스트뿐만 아니라 이미지, 영상, 센서 데이터를 하나의 '의미 공간(Embedding Space)'으로 통합한다. LLM(혹은 LMM)은 상황을 텍스트로 묘사하거나 핵심 특징을 벡터화하여, 통신 계층이 처리하기 가장 효율적인 형태로 변환해주는 최상위 인코더 역할을 한다.
Agent의 역할: '목적 달성(Effectiveness)'의 주체
Weaver의 Level C(Effectiveness)를 담당하는 것이 바로 에이전트이다. 에이전트는 단순히 데이터를 주고받는 것을 넘어, 통신의 결과로 무엇을 이룰 것인가를 판단한다.
- Goal-Oriented Decision Making: 에이전트는 현재 통신 환경(L1~L4)과 앱의 요구사항을 고려하여 전송 전략을 결정한다. 예를 들어, "배터리가 부족하니 화질을 낮추더라도 핵심 정보 위주로 보내라"거나 "지금은 긴급 상황이니 의미 중심이 아닌 정확도 중심(Level A)으로 전환해라"와 같은 지능형 정책을 실시간으로 수행한다.
- 자가 적응 및 협상 (Autonomous Negotiation): 송신 측 에이전트와 수신 측 에이전트가 서로 협상한다. "내가 가진 모델은 Llama-3인데, 너도 같은 모델을 써서 내 의미를 해석해줄 수 있어?"라고 묻고, 최적의 통신 파라미터를 스스로 합의한다. 이는 사람이 설계한 프로토콜이 아닌, AI 간의 자율적 프로토콜을 형성하는 과정이다.
'딥러닝 모델 > LLM for Resource Allocation' 카테고리의 다른 글
| RAN-CN 시뮬레이션 환경에서 LLM 기반 Resource 할당하기 (0) | 2026.05.28 |
|---|---|
| RAN Resource Allocation을 위한 Prompt Engineering 과정 (0) | 2025.12.13 |
| RAN과 Core Network의 환경 구축 (0) | 2025.12.12 |
| [논문 리뷰] Latency Equalization Policy of End-to-End Network Slicing Based on Reinforcement Learning (0) | 2025.11.12 |
| RAN과 Core의 Network Slicing에 대한 정리 (0) | 2025.11.11 |