KR20230058400A

KR20230058400A - 선택적 가중치 전송에 기반한 연합 학습 방법 및 그 단말

Info

Publication number: KR20230058400A
Application number: KR1020237007029A
Authority: KR
Inventors: 이명희; 김성진
Original assignee: 엘지전자 주식회사
Priority date: 2020-08-28
Filing date: 2020-08-28
Publication date: 2023-05-03
Also published as: WO2022045399A1

Abstract

선택적 가중치 전송에 기반한 연합 학습 방법 및 그 단말이 개시된다. 본 명세서의 일 실시예에 따른 연합 학습 방법은, 무선 통신 시스템에서 단말의 연합 학습 방법에 있어서 로컬 모델에 기초하여 상기 로컬 모델에 연관된 제1 파라미터 셋을 제2 파라미터 셋으로 변경하는 단계, 상기 제1, 제2 파라미터 셋의 차이에 기초하여 상기 제2 파라미터 셋 중 적어도 일부를 선택하는 단계, 상기 선택된 적어도 일부를 서버로 전송하는 단계를 포함한다. 이에 따라, 단말은 연합 학습을 위한 파라미터 전송에 할당되는 주파수대역을 절약할 수 있다. 본 명세서의 단말, 서버는 인공 지능(Artificial Intelligence) 모듈, 드론(Unmanned Aerial Vehicle, UAV), 로봇, 증강 현실(Augmented Reality, AR) 장치, 가상 현실(virtual reality, VR) 장치, 5G/6G 서비스와 관련된 장치 등과 연계될 수 있다.

Description

선택적 가중치 전송에 기반한 연합 학습 방법 및 그 단말

본 명세서는 선택적 가중치 전송에 기반한 연합 학습 방법 및 그 단말에 관한 것으로서, 보다 구체적으로는 로컬 모델을 통해 변경된 가중치와 변경 전 가중치를 비교하여 변경된 가중치 중 일부를 선택적으로 전송할 수 있는 선택적 가중치 전송에 기반한 연합 학습 방법 및 그 단말에 관한 것이다.

무선 통신 시스템이 음성이나 데이터 등과 같은 다양한 종류의 통신 서비스를 제공하기 위해 광범위하게 전개되고 있다. 일반적으로 무선통신 시스템은 가용한 시스템 자원(대역폭, 전송 파워 등)을 공유하여 다중 사용자와의 통신을 지원할 수 있는 다중 접속(multiple access) 시스템이다. 다중 접속 시스템의 예들로는 CDMA(Code Division Multiple Access) 시스템, FDMA(Frequency Division Multiple Access) 시스템, TDMA(Time Division Multiple Access) 시스템, SDMA(Space Division Multiple Access), OFDMA(Orthogonal Frequency Division Multiple Access) 시스템, SC-FDMA(Single Carrier Frequency Division Multiple Access) 시스템, IDMA (Interleave Division Multiple Access) 시스템 등이 있다.

본 명세서는 전술한 필요성 및/또는 문제점을 해결하는 것을 목적으로 한다.

또한, 본 명세서는, 연합 학습을 위한 파라미터 중 일부를 선택적으로 전송함으로써 업링크 주파수대역을 절약하는 선택적 가중치 전송에 기반한 연합 학습 방법 및 그 단말을 구현하는 것을 목적으로 한다.

또한, 본 명세서는, 2 이상의 클라이언트 디바이스들로부터 탈중앙화된 데이터를 수신 및 누적하고, 그 데이터들로 연합 학습을 수행함으로써 중앙화되지 않은 글로벌 모델을 제공하는 선택적 가중치 전송에 기반한 연합 학습 방법 및 그 단말을 구현하는 것을 목적으로 한다.

본 명세서의 일 양상에 따른 무선 통신 시스템에서 단말의 연합 학습 방법은 로컬 모델에 기초하여 상기 로컬 모델에 연관된 제1 파라미터 셋을 제2 파라미터 셋으로 변경하는 단계, 상기 제1, 제2 파라미터 셋의 차이에 기초하여 상기 제2 파라미터 셋 중 적어도 일부를 선택하는 단계 및 상기 선택된 적어도 일부를 서버로 전송하는 단계를 포함한다.

또한, 하나 이상의 로우 데이터를 얻는 단계, 상기 하나 이상의 로우 데이터에 기초하여 하나 이상의 특징 정보를 추출하는 단계를 포함하고, 상기 변경하는 단계는 상기 하나 이상의 특징 정보와 상기 특징 정보에 연관된 하나 이상의 레이블에 기초하여 수행될 수 있다.

또한, 상기 하나 이상의 특징 정보 중 적어도 일부에 대하여 레이블을 할당하는 단계를 더 포함하고, 상기 레이블을 할당하는 단계는, 상기 단말의 제어 동작에 연관된 입력을 수신하는 것에 응답하여 상기 제어 동작에 연관된 명령어를 상기 적어도 일부의 특징 정보에 대한 레이블로 할당할 수 있다.

또한, 상기 하나 이상의 특징 정보 중 적어도 일부에 대하여 레이블을 할당하는 단계를 더 포함하고, 상기 추출하는 단계는 상기 단말의 제어 동작에 연관된 입력을 수신하는 것에 응답하여 수행되고, 상기 레이블을 할당하는 단계는, 상기 제어 동작에 연관된 명령어를 상기 적어도 일부의 특징 정보에 대한 레이블로 할당할 수 있다.

또한, 상기 선택하는 단계는 상기 제1, 제2 파라미터 셋의 차이가 설정된 기준 값을 초과하는 적어도 일부의 파라미터들을 선택할 수 있다.

또한, 상기 기준 값은 0일 수 있다.

또한, 상기 기지국으로 전송되는 적어도 일부의 파라미터는, 상기 서버에 저장된 글로벌 모델의 학습을 위한 것일 수 있다.

본 명세서의 다른 양상에 따른 무선 통신 시스템에서 서버의 연합 학습 방법은 2 이상의 단말로부터 글로벌 모델의 학습을 위한 제1 파라미터 셋들을 수신하는 단계, 상기 수신된 제1 파라미터 셋들의 각 요소 별 평균(element-wise averaging)에 기초하여 산출된 새로운 제2 파라미터 셋으로 상기 글로벌 모델의 파라미터 셋 중 적어도 일부를 변경하는 단계 및 상기 변경된 제3 파라미터 셋을 상기 2 이상의 단말로 전송하는 단계를 포함한다.

본 명세서의 일 실시예에 따른 선택적 가중치 전송에 기반한 연합 학습 방법 및 그 단말의 효과에 대해 설명하면 다음과 같다.

본 명세서는 연합 학습을 위한 파라미터 중 일부를 선택적으로 전송함으로써 업링크 주파수대역을 절약할 수 있다.

또한, 본 명세서는 2 이상의 클라이언트 디바이스들로부터 탈중앙화된 데이터를 수신 및 누적하고, 그 데이터들로 연합 학습을 수행함으로써 중앙화되지 않은 글로벌 모델을 제공할 수 있다.

본 명세서에서 얻을 수 있는 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 명세서가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

도 1은 3GPP 시스템에 이용되는 물리 채널들 및 일반적인 신호 전송을 예시한다.
도 2는 6G 시스템에서 제공 가능한 통신 구조의 일례를 나타낸 도이다.
도 3은 퍼셉트론 구조를 예시한다.
도 4는 다층 퍼셉트론 구조를 예시한다.
도 5는 심층 신경망 구조를 예시한다.
도 6은 컨볼루션 신경망 구조를 예시한다.
도 7은 컨볼루션 신경망에서의 필터 연산을 예시한다.
도 8은 순환 루프가 존재하는 신경망 구조를 예시한다.
도 9는 순환 신경망의 동작 구조를 예시한다.
도 10은 전자기 스펙트럼의 일례를 나타낸다.
도 11은 THz 통신 응용의 일례를 나타낸다.
도 12는 전자소자 기반 THz 무선통신 송수신기의 일례를 나타낸다.
도 13은 광 소자 기반 THz 신호를 생성하는 방법의 일례를 나타낸다.
도 14는 광 소자 기반 THz 무선통신 송수신기의 일례를 나타낸다.
도 15는 광자 소스(Photonic Source) 기반 송신기 구조를 예시한다.
도 16은 광 변조기(Optical Modulator)의 구조를 예시한다.
도 17은 본 명세서의 다양한 실시예 적용되는 무선 통신 시스템의 예시도이다.
도 18은 본 명세서의 제1 실시예에 따른 연합 학습 방법의 순서도이다.
도 19는 본 명세서의 제2 실시예에 따른 연합 학습 방법의 순서도이다.
도 20은 본 명세서의 제3 실시예에 따른 연합 학습 방법이다.
도 21은 본 명세서의 제4 실시예에 따른 연합 학습 방법이다.
도 22는 본 명세서의 다양한 실시예에 따른 구현예이다.
도 23 및 도 24는 본 명세서의 다양한 실시예에 적용되는 수신 파라미터 셋의 평균 산출 방법이다.
도 25은 본 발명에 적용되는 통신 시스템을 예시한다.
도 26은 본 발명에 적용될 수 있는 무선 기기를 예시한다.
도 27는 전송 신호를 위한 신호 처리 회로를 예시한다.
도 28은 본 발명에 적용되는 무선 기기의 다른 예를 나타낸다.
도 29는 본 발명에 적용되는 휴대 기기를 예시한다.
도 30는 본 발명에 적용되는 차량 또는 자율 주행 차량을 예시한다.
도 31은 본 발명에 적용되는 차량을 예시한다.
도 32은 본 발명에 적용되는 XR 기기를 예시한다.
도 33은 본 발명에 적용되는 로봇을 예시한다.
도 34는 본 발명에 적용되는 AI 기기를 예시한다.
본 명세서에 관한 이해를 돕기 위해 상세한 설명의 일부로 포함되는, 첨부 도면은 본 명세서에 대한 실시예를 제공하고, 상세한 설명과 함께 본 명세서의 기술적 특징을 설명한다.

이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 명세서의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.

단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.

본 출원에서, "포함한다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

이하의 기술은 CDMA, FDMA, TDMA, OFDMA, SC-FDMA 등과 같은 다양한 무선 접속 시스템에 사용될 수 있다. CDMA는 UTRA(Universal Terrestrial Radio Access)나 CDMA2000과 같은 무선 기술로 구현될 수 있다. TDMA는 GSM(Global System for Mobile communications)/GPRS(General Packet Radio Service)/EDGE(Enhanced Data Rates for GSM Evolution)와 같은 무선 기술로 구현될 수 있다. OFDMA는 IEEE 802.11 (Wi-Fi), IEEE 802.16 (WiMAX), IEEE 802-20, E-UTRA(Evolved UTRA) 등과 같은 무선 기술로 구현될 수 있다. UTRA는 UMTS(Universal Mobile Telecommunications System)의 일부이다. 3GPP(3rd Generation Partnership Project) LTE(Long Term Evolution)은 E-UTRA를 사용하는 E-UMTS(Evolved UMTS)의 일부이고 LTE-A(Advanced)/LTE-A pro는 3GPP LTE의 진화된 버전이다. 3GPP NR(New Radio or New Radio Access Technology)는 3GPP LTE/LTE-A/LTE-A pro의 진화된 버전이다. 3GPP 6G는 3GPP NR의 진화된 버전일 수 있다.

설명을 명확하게 하기 위해, 3GPP 통신 시스템(예, LTE, NR 등)을 기반으로 설명하지만 본 발명의 기술적 사상이 이에 제한되는 것은 아니다. LTE는 3GPP TS 36.xxx Release 8 이후의 기술을 의미한다. 세부적으로, 3GPP TS 36.xxx Release 10 이후의 LTE 기술은 LTE-A로 지칭되고, 3GPP TS 36.xxx Release 13 이후의 LTE 기술은 LTE-A pro로 지칭된다. 3GPP NR은 TS 38.xxx Release 15 이후의 기술을 의미한다. 3GPP 6G는 TS Release 17 및/또는 Release 18 이후의 기술을 의미할 수 있다. "xxx"는 표준 문서 세부 번호를 의미한다. LTE/NR/6G는 3GPP 시스템으로 통칭될 수 있다. 본 발명의 설명에 사용된 배경기술, 용어, 약어 등에 관해서는 본 발명 이전에 공개된 표준 문서에 기재된 사항을 참조할 수 있다. 예를 들어, 다음 문서를 참조할 수 있다.

3GPP LTE

- 36.211: Physical channels and modulation

- 36.212: Multiplexing and channel coding

- 36.213: Physical layer procedures

- 36.300: Overall description

- 36.331: Radio Resource Control (RRC)

3GPP NR

- 38.211: Physical channels and modulation

- 38.212: Multiplexing and channel coding

- 38.213: Physical layer procedures for control

- 38.214: Physical layer procedures for data

- 38.300: NR and NG-RAN Overall Description

- 38.331: Radio Resource Control (RRC) protocol specification

물리 채널 및 프레임 구조

물리 채널 및 일반적인 신호 전송

도 1은 3GPP 시스템에 이용되는 물리 채널들 및 일반적인 신호 전송을 예시한다. 무선 통신 시스템에서 단말은 기지국으로부터 하향링크(Downlink, DL)를 통해 정보를 수신하고, 단말은 기지국으로 상향링크(Uplink, UL)를 통해 정보를 전송한다. 기지국과 단말이 송수신하는 정보는 데이터 및 다양한 제어 정보를 포함하고, 이들이 송수신 하는 정보의 종류/용도에 따라 다양한 물리 채널이 존재한다.

단말은 전원이 켜지거나 새로이 셀에 진입한 경우 기지국과 동기를 맞추는 등의 초기 셀 탐색(Initial cell search) 작업을 수행한다(S11). 이를 위해, 단말은 기지국으로부터 주 동기 신호(Primary Synchronization Signal, PSS) 및 부 동기 신호(Secondary Synchronization Signal, SSS)을 수신하여 기지국과 동기를 맞추고, 셀 ID 등의 정보를 획득할 수 있다. 그 후, 단말은 기지국으로부터 물리 방송 채널(Physical Broadcast Channel, PBCH)를 수신하여 셀 내 방송 정보를 획득할 수 있다. 한편, 단말은 초기 셀 탐색 단계에서 하향링크 참조 신호(Downlink Reference Signal, DL RS)를 수신하여 하향링크 채널 상태를 확인할 수 있다.

초기 셀 탐색을 마친 단말은 물리 하향링크 제어 채널(Physical Downlink Control Channel, PDCCH) 및 상기 PDCCH에 실린 정보에 따라 물리 하향링크 공유 채널(Physical Downlink Control Channel; PDSCH)을 수신함으로써 좀더 구체적인 시스템 정보를 획득할 수 있다(S12).

한편, 기지국에 최초로 접속하거나 신호 송신을 위한 무선 자원이 없는 경우, 단말은 기지국에 대해 임의 접속 과정(Random Access Procedure, RACH)을 수행할 수 있다(S13 내지 S16). 이를 위해, 단말은 물리 임의 접속 채널(Physical Random Access Channel, PRACH)을 통해 특정 시퀀스를 프리앰블로 송신하고(S13 및 S15), PDCCH 및 대응하는 PDSCH를 통해 프리앰블에 대한 응답 메시지((RAR(Random Access Response) message)를 수신할 수 있다. 경쟁 기반 RACH의 경우, 추가적으로 충돌 해결 절차(Contention Resolution Procedure)를 수행할 수 있다(S16).

상술한 바와 같은 절차를 수행한 단말은 이후 일반적인 상/하향링크 신호 송신 절차로서 PDCCH/PDSCH 수신(S17) 및 물리 상향링크 공유 채널(Physical Uplink Shared Channel, PUSCH)/물리 상향링크 제어 채널(Physical Uplink Control Channel; PUCCH) 송신(S18)을 수행할 수 있다. 특히 단말은 PDCCH를 통하여 하향링크 제어 정보(Downlink Control Information, DCI)를 수신할 수 있다. 여기서, DCI는 단말에 대한 자원 할당 정보와 같은 제어 정보를 포함하며, 사용 목적에 따라 포맷이 서로 다르게 적용될 수 있다.

한편, 단말이 상향링크를 통해 기지국에 송신하는 또는 단말이 기지국으로부터 수신하는 제어 정보는 하향링크/상향링크 ACK/NACK 신호, CQI(Channel Quality Indicator), PMI(Precoding Matrix 인덱스), RI(Rank Indicator) 등을 포함할 수 있다. 단말은 상술한 CQI/PMI/RI 등의 제어 정보를 PUSCH 및/또는 PUCCH를 통해 송신할 수 있다.

상향링크 및 하향링크 채널의 구조

하향링크 채널 구조

기지국은 후술하는 하향링크 채널을 통해 관련 신호를 단말에게 전송하고, 단말은 후술하는 하향링크 채널을 통해 관련 신호를 기지국으로부터 수신한다.

(1) 물리 하향링크 공유 채널(PDSCH)

PDSCH는 하향링크 데이터(예, DL-shared channel transport block, DL-SCH TB)를 운반하고, QPSK(Quadrature Phase Shift Keying), 16 QAM(Quadrature Amplitude Modulation), 64 QAM, 256 QAM 등의 변조 방법이 적용된다. TB를 인코딩하여 코드워드(codeword)가 생성된다. PDSCH는 다수의 코드워드들을 나를 수 있다. 코드워드(codeword) 별로 스크램블링(scrambling) 및 변조 매핑(modulation mapping)이 수행되고, 각 코드워드로부터 생성된 변조 심볼들은 하나 이상의 레이어로 매핑된다(Layer mapping). 각 레이어는 DMRS(Demodulation Reference Signal)과 함께 자원에 매핑되어 OFDM 심볼 신호로 생성되고, 해당 안테나 포트를 통해 전송된다.

(2) 물리 하향링크 제어 채널(PDCCH)

PDCCH는 하향링크 제어 정보(DCI)를 운반하고 QPSK 변조 방법 등이 적용된다. 하나의 PDCCH는 AL(Aggregation Level)에 따라 1, 2, 4, 8, 16 개 등의 CCE(Control Channel Element)로 구성된다. 하나의 CCE는 6개의 REG(Resource Element Group)로 구성된다. 하나의 REG는 하나의 OFDM 심볼과 하나의 (P)RB로 정의된다.

단말은 PDCCH 후보들의 세트에 대한 디코딩(일명, 블라인드 디코딩)을 수행하여 PDCCH를 통해 전송되는 DCI를 획득한다. 단말이 디코딩하는 PDCCH 후보들의 세트는 PDCCH 검색 공간(Search Space) 세트라 정의한다. 검색 공간 세트는 공통 검색 공간 (common search space) 또는 단말-특정 검색 공간 (UE-specific search space)일 수 있다. 단말은 MIB 또는 상위 계층 시그널링에 의해 설정된 하나 이상의 검색 공간 세트 내 PDCCH 후보를 모니터링하여 DCI를 획득할 수 있다.

상향링크 채널 구조

단말은 후술하는 상향링크 채널을 통해 관련 신호를 기지국으로 전송하고, 기지국은 후술하는 상향링크 채널을 통해 관련 신호를 단말로부터 수신한다.

(1) 물리 상향링크 공유 채널(PUSCH)

PUSCH는 상향링크 데이터(예, UL-shared channel transport block, UL-SCH TB) 및/또는 상향링크 제어 정보(UCI)를 운반하고, CP-OFDM (Cyclic Prefix - Orthogonal Frequency Division Multiplexing) 파형(waveform), DFT-s-OFDM (Discrete Fourier Transform - spread - Orthogonal Frequency Division Multiplexing) 파형 등에 기초하여 전송된다. PUSCH가 DFT-s-OFDM 파형에 기초하여 전송되는 경우, 단말은 변환 프리코딩(transform precoding)을 적용하여 PUSCH를 전송한다. 일 예로, 변환 프리코딩이 불가능한 경우(예, transform precoding is disabled) 단말은 CP-OFDM 파형에 기초하여 PUSCH를 전송하고, 변환 프리코딩이 가능한 경우(예, transform precoding is enabled) 단말은 CP-OFDM 파형 또는 DFT-s-OFDM 파형에 기초하여 PUSCH를 전송할 수 있다. PUSCH 전송은 DCI 내 UL 그랜트에 의해 동적으로 스케줄링 되거나, 상위 계층(예, RRC) 시그널링 (및/또는 Layer 1(L1) 시그널링(예, PDCCH))에 기초하여 반-정적(semi-static)으로 스케줄링 될 수 있다(configured grant). PUSCH 전송은 코드북 기반 또는 비-코드북 기반으로 수행될 수 있다.

(2) 물리 상향링크 제어 채널(PUCCH)

PUCCH는 상향링크 제어 정보, HARQ-ACK 및/또는 스케줄링 요청(SR)을 운반하고, PUCCH 전송 길이에 따라 다수의 PUCCH들로 구분될 수 있다.

6G 시스템 일반

6G (무선통신) 시스템은 (i) 디바이스 당 매우 높은 데이터 속도, (ii) 매우 많은 수의 연결된 디바이스들, (iii) 글로벌 연결성(global connectivity), (iv) 매우 낮은 지연, (v) 배터리-프리(battery-free) IoT 디바이스들의 에너지 소비를 낮추고, (vi) 초고신뢰성 연결, (vii) 머신 러닝 능력을 가지는 연결된 지능 등에 목적이 있다. 6G 시스템의 비젼은 intelligent connectivity, deep connectivity, holographic connectivity, ubiquitous connectivity와 같은 4가지 측면일 수 있으며, 6G 시스템은 아래 표 1과 같은 요구 사항을 만족시킬 수 있다. 즉, 표 1은 6G 시스템의 요구 사항의 일례를 나타낸 표이다.

6G 시스템은 Enhanced mobile broadband (eMBB), Ultra-reliable low latency communications (URLLC), massive machine-type communication (mMTC), AI integrated communication, Tactile internet, High throughput, High network capacity, High energy efficiency, Low backhaul and access network congestion, Enhanced data security와 같은 핵심 요소(key factor)들을 가질 수 있다.

도 2는 6G 시스템에서 제공 가능한 통신 구조의 일례를 나타낸 도이다.

6G 시스템은 5G 무선통신 시스템보다 50배 더 높은 동시 무선통신 연결성을 가질 것으로 예상된다. 5G의 key feature인 URLLC는 6G 통신에서 1ms보다 적은 단-대-단(end-to-end) 지연을 제공함으로써 보다 더 주요한 기술이 될 것이다. 6G 시스템은 자주 사용되는 영역 스펙트럼 효율과 달리 체적 스펙트럼 효율이 훨씬 우수할 것이다. 6G 시스템은 매우 긴 배터리 수명과 에너지 수확을 위한 고급 배터리 기술을 제공할 수 있어, 6G 시스템에서 모바일 디바이스들은 별도로 충전될 필요가 없을 것이다. 6G에서 새로운 네트워크 특성들은 다음과 같을 수 있다.

- 위성 통합 네트워크(Satellites integrated network): 글로벌 모바일 집단을 제공하기 위해 6G는 위성과 통합될 것으로 예상된다. 지상파, 위성 및 공중 네트워크를 하나의 무선통신 시스템으로 통합은 6G에 매우 중요하다.

- 연결된 인텔리전스(Connected intelligence): 이전 세대의 무선 통신 시스템과 달리 6G는 혁신적이며, "연결된 사물"에서 "연결된 지능"으로 무선 진화가 업데이트될 것이다. AI는 통신 절차의 각 단계(또는 후술할 신호 처리의 각 절차)에서 적용될 수 있다.

- 무선 정보 및 에너지 전달의 완벽한 통합(Seamless integration wireless information and energy transfer): 6G 무선 네트워크는 스마트폰들과 센서들과 같이 디바이스들의 배터리를 충전하기 위해 전력을 전달할 것이다. 그러므로, 무선 정보 및 에너지 전송 (WIET)은 통합될 것이다.

- 유비쿼터스 슈퍼 3D 연결(Ubiquitous super 3D connectivity): 드론 및 매우 낮은 지구 궤도 위성의 네트워크 및 핵심 네트워크 기능에 접속은 6G 유비쿼터스에서 슈퍼 3D 연결을 만들 것이다.

위와 같은 6G의 새로운 네트워크 특성들에서 몇 가지 일반적인 요구 사항은 다음과 같을 수 있다.

- 스몰 셀 네트워크(small cell networks): 스몰 셀 네트워크의 아이디어는 셀룰러 시스템에서 처리량, 에너지 효율 및 스펙트럼 효율 향상의 결과로 수신 신호 품질을 향상시키기 위해 도입되었다. 결과적으로, 스몰 셀 네트워크는 5G 및 비욘드 5G (5GB) 이상의 통신 시스템에 필수적인 특성이다. 따라서, 6G 통신 시스템 역시 스몰 셀 네트워크의 특성을 채택한다.

- 초 고밀도 이기종 네트워크(Ultra-dense heterogeneous network): 초 고밀도 이기종 네트워크들은 6G 통신 시스템의 또 다른 중요한 특성이 될 것이다. 이기종 네트워크로 구성된 멀티-티어 네트워크는 전체 QoS를 개선하고 비용을 줄인다.

- 대용량 백홀(High-capacity backhaul): 백홀 연결은 대용량 트래픽을 지원하기 위해 대용량 백홀 네트워크로 특징 지어진다. 고속 광섬유 및 자유 공간 광학 (FSO) 시스템이 이 문제에 대한 가능한 솔루션일 수 있다.

- 모바일 기술과 통합된 레이더 기술: 통신을 통한 고정밀 지역화(또는 위치 기반 서비스)는 6G 무선통신 시스템의 기능 중 하나이다. 따라서, 레이더 시스템은 6G 네트워크와 통합될 것이다.

- 소프트화 및 가상화(Softwarization and virtualization): 소프트화 및 가상화는 유연성, 재구성성 및 프로그래밍 가능성을 보장하기 위해 5GB 네트워크에서 설계 프로세스의 기초가 되는 두 가지 중요한 기능이다. 또한, 공유 물리적 인프라에서 수십억 개의 장치가 공유될 수 있다.

6G 시스템의 핵심 구현 기술

인공 지능(Artificial Intelligence)

6G 시스템에 가장 중요하며, 새로 도입될 기술은 AI이다. 4G 시스템에는 AI가 관여하지 않았다. 5G 시스템은 부분 또는 매우 제한된 AI를 지원할 것이다. 그러나, 6G 시스템은 완전히 자동화를 위해 AI가 지원될 것이다. 머신 러닝의 발전은 6G에서 실시간 통신을 위해 보다 지능적인 네트워크를 만들 것이다. 통신에 AI를 도입하면 실시간 데이터 전송이 간소화되고 향상될 수 있다. AI는 수많은 분석을 사용하여 복잡한 대상 작업이 수행되는 방식을 결정할 수 있다. 즉, AI는 효율성을 높이고 처리 지연을 줄일 수 있다.

핸드 오버, 네트워크 선택, 자원 스케쥴링과 같은 시간 소모적인 작업은 AI를 사용함으로써 즉시 수행될 수 있다. AI는 M2M, 기계-대-인간 및 인간-대-기계 통신에서도 중요한 역할을 할 수 있다. 또한, AI는 BCI(Brain Computer Interface)에서 신속한 통신이 될 수 있다. AI 기반 통신 시스템은 메타 물질, 지능형 구조, 지능형 네트워크, 지능형 장치, 지능형 인지 라디오(radio), 자체 유지 무선 네트워크 및 머신 러닝에 의해 지원될 수 있다.

최근에는 AI를 무선 통신 시스템과 통합하려고 하는 시도들이 나타나고 있으나, 이는 application layer, network layer 특히, 딥러닝을 wireless resource management and allocation 분야에 집중되어 왔다. 그러나, 이러한 연구는 점점 MAC layer 와 Physical layer로 발전하고 있으며, 특히 물리계층에서 딥러닝을 무선 전송(wireless transmission)과 결합하고자 하는 시도들이 나타나고 있다. AI 기반의 물리계층 전송은, 근본적인 신호 처리 및 통신 메커니즘에 있어서, 전통적인 통신 프레임워크가 아니라 AI 드라이버에 기초한 신호 처리 및 통신 메커니즘을 적용하는 것을 의미한다. 예를 들어, 딥러닝 기반의 채널 코딩 및 디코딩(channel coding and decoding), 딥러닝 기반의 신호 추정(estimation) 및 검출(detection), 딥러닝 기반의 MIMO mechanism, AI 기반의 자원 스케줄링(scheduling) 및 할당(allocation) 등을 포함할 수 있다.

머신 러닝은 채널 추정 및 채널 트래킹을 위해 사용될 수 있으며, DL(downlink)의 물리 계층(physical layer)에서 전력 할당(power allocation), 간섭 제거 (interference cancellation) 등에 사용될 수 있다. 또한, 머신 러닝은 MIMO 시스템에서 안테나 선택, 전력 제어(power control), 심볼 검출(symbol detection) 등에도 사용될 수 있다.

그러나 물리계층에서의 전송을 위한 DNN의 적용은 아래와 같은 문제점이 있을 수 있다.

딥러닝 기반의 AI 알고리즘은 훈련 파라미터를 최적화하기 위해 수많은 훈련 데이터가 필요하다. 그러나 특정 채널 환경에서의 데이터를 훈련 데이터로 획득하는데 있어서의 한계로 인해, 오프라인 상에서 많은 훈련 데이터를 사용한다. 이는 특정 채널 환경에서 훈련 데이터에 대한 정적 훈련(static training)은, 무선 채널의 동적 특성 및 다이버시티(diversity) 사이에 모순(contradiction)이 생길 수 있다.

또한, 현재 딥러닝은 주로 실제 신호(real signal)을 대상으로 한다. 그러나, 무선 통신의 물리 계층의 신호들은 복소 신호(complex signal)이다. 무선 통신 신호의 특성을 매칭시키기 위해 복소 도메인 신호의 검출하는 신경망(neural network)에 대한 연구가 더 필요하다.

이하, 머신 러닝에 대해 보다 구체적으로 살펴본다.

머신 러닝은 사람이 할 수 있거나 혹은 하기 어려운 작업을 대신해낼 수 있는 기계를 만들어내기 위해 기계를 학습시키는 일련의 동작을 의미한다. 머신 러닝을 위해서는 데이터와 러닝 모델이 필요하다. 머신 러닝에서 데이터의 학습 방법은 크게 3가지 즉, 지도 학습(supervised learning), 비지도 학습(unsupervised learning) 그리고 강화 학습(reinforcement learning)으로 구분될 수 있다.

신경망 학습은 출력의 오류를 최소화하기 위한 것이다. 신경망 학습은 반복적으로 학습 데이터를 신경망에 입력시키고 학습 데이터에 대한 신경망의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 신경망의 에러를 신경망의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation) 하여 신경망의 각 노드의 가중치를 업데이트하는 과정이다.

지도 학습은 학습 데이터에 정답이 라벨링된 학습 데이터를 사용하며 비지도 학습은 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 지도 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링된 데이터 일 수 있다. 라벨링된 학습 데이터가 신경망에 입력되고 신경망의 출력(카테고리)과 학습 데이터의 라벨을 비교하여 오차(error)가 계산될 수 있다. 계산된 오차는 신경망에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 신경망의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learing rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 신경망의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 신경망의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 신경망의 학습 초기에는 높은 학습률을 사용하여 신경망이 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다

데이터의 특징에 따라 학습 방법은 달라질 수 있다. 예를 들어, 통신 시스템 상에서 송신단에서 전송한 데이터를 수신단에서 정확하게 예측하는 것을 목적으로 하는 경우, 비지도 학습 또는 강화 학습 보다는 지도 학습을 이용하여 학습을 수행하는 것이 바람직하다.

러닝 모델은 인간의 뇌에 해당하는 것으로서, 가장 기본적인 선형 모델을 생각할 수 있으나, 인공 신경망(artificial neural networks)와 같은 복잡성이 높은 신경망 구조를 러닝 모델로 사용하는 머신 러닝의 패러다임을 딥러닝(deep learning)이라 한다.

학습(learning) 방식으로 사용하는 신경망 코어(neural network cord)는 크게 심층 신경망(DNN, deep neural networks), 합성곱 신경망(CNN, convolutional deep neural networks), 순환 신경망(RNN, Recurrent Boltzmann Machine) 방식이 있다.

인공 신경망(artificial neural network)은 여러 개의 퍼셉트론을 연결한 예시이다.

도 3을 참조하면, 입력 벡터 x=(x1,x2,...,xd) 가 입력되면 각 성분에 가중치(W1,W2,...,Wd)를 곱하고, 그 결과를 모두 합산한 후, 활성함수를 적용하는 전체 과정을 퍼셉트론(perceptron)이라 한다. 거대한 인공 신경망 구조는 도 3에 도시한 단순화된 퍼셉트론 구조를 확장하여 입력벡터를 서로 다른 다 차원의 퍼셉트론에 적용할 수도 있다. 설명의 편의를 위해 입력값 또는 출력값을 노드(node)라 칭한다.

한편, 도 3에 도시된 퍼셉트론 구조는 입력값, 출력값을 기준으로 총 3개의 층(layer)로 구성되는 것으로 설명할 수 있다. 1st layer와 2nd layer 사이에는 (d+1) 차원의 퍼셉트론 H개, 2nd layer와 3rd layer 사이에는 (H+1)차원 퍼셉트론이 K 개 존재하는 인공신경망을 도 4와 같이 표현할 수 있다.

입력벡터가 위치하는 층을 입력층(input layer), 최종 출력값이 위치하는 층을 출력층(output layer), 입력층과 출력층 사이에 위치하는 모든 층을 은닉층(hidden layer)라 한다. 도 4의 예시는 3개의 층이 개시되나, 실제 인공신경망 층의 개수를 카운트할 때는 입력층을 제외하고 카운트하므로 총 2개의 층으로 볼 수 있다. 인공신경망은 기본 블록의 퍼셉트론을 2차원적으로 연결되어 구성된다.

전술한 입력층, 은닉층, 출력층은 다층 퍼셉트론 뿐 아니라 후술할 CNN, RNN 등 다양한 인공신경망 구조에서 공동적으로 적용될 수 있다. 은닉층의 개수가 많아질수록 인공신경망이 깊어진 것이며, 충분히 깊어진 인공신경망을 러닝모델로 사용하는 머신러닝 패러다임을 딥러닝(Deep Learning)이라 한다. 또한 딥러닝을 위해 사용하는 인공신경망을 심층 신경망(DNN: Deep neural network)라 한다.

도 5에 도시된 심층 신경망은 은닉층+출력층이 8개로 구성된 다층 퍼셉트론이다. 상기 다층 퍼셉트론 구조를 완전 연결 신경망(fully-connected neural network)이라 표현한다. 완전 연결 신경망은 서로 같은 층에 위치하는 노드 간에는 연결 관계가 존재하지 않으며, 인접한 층에 위치한 노드들 간에만 연결 관계가 존재한다. DNN은 완전 연결 신경망 구조를 가지고 다수의 은닉층과 활성함수들의 조합으로 구성되어 입력과 출력 사이의 상관관계 특성을 파악하는데 유용하게 적용될 수 있다. 여기서 상관관계 특성은 입출력의 결합확률(joint probability)을 의미할 수 있다.

‘한편, 복수의 퍼셉트론을 서로 어떻게 연결하느냐에 따라 전술한 DNN과 다른 다양한 인공 신경망 구조를 형성할 수 있다.

DNN은 하나의 층 내부에 위치한 노드들이 1차원적의 세로 방향으로 배치되어 있다. 그러나, 도 6는 노드들이 2차원적으로 가로 w개, 세로 h개의 노드가 배치할 경우를 가정할 수 있다(도 6의 컨볼루션 신경망 구조). 이 경우, 하나의 입력노드에서 은닉층으로 이어지는 연결과정에서 연결 하나당 가중치가 부가되므로 총 hХw 개의 가중치를 고려해야한다. 입력층에 hХw 개의 노드가 존재하므로 인접한 두 층 사이에는 총 h²w² 개의 가중치가 필요하다.

도 6의 컨볼루션 신경망은 연결개수에 따라 가중치의 개수가 기하급수적으로 증가하는 문제가 있어 인접한 층 간의 모든 모드의 연결을 고려하는 대신, 크기가 작은 필터(filter)가 존재하는 것으로 가정하여 도 7에서와 같이 필터가 겹치는 부분에 대해서는 가중합 및 활성함수 연산을 수행하도록 한다.

하나의 필터는 그 크기만큼의 개수에 해당하는 가중치를 가지며, 이미지 상의 어느 특정한 특징을 요인으로 추출하여 출력할 수 있도록 가중치의 학습이 이루어질 수 있다. 도 7에서는 3Х3 크기의 필터가 입력층의 가장 좌측 상단 3Х3 영역에 적용되고, 해당 노드에 대한 가중합 및 활성함수 연산을 수행한 결과 출력값을 z22에 저장한다.

상기 필터는 입력층을 스캔하면서 가로,세로 일정 간격 만큼 이동하면서 가중합 및 활성함수 연산을 수행하고 그 출력값을 현재 필터의 위치에 위치시킨다. 이러한 연산 방식은 컴퓨터 비전(computer vision) 분야에서 이미지에 대한 컨볼루션(convolution) 연산과 유사하여 이러한 구조의 심층 신경망을 컨볼루션 신경망(CNN: convolutional neural network)라 하고, 컨볼루션 연산 결과 생성되는 은닉층을 컨볼루션 층(convolutional layer)라 한다. 또한, 복수의 컨볼루션 층이 존재하는 신경망을 심층 컨볼루션 신경망(DCNN: Deep convolutional)이라 한다.

컨볼루션 층에서는 현재 필터가 위치한 노드에서, 상기 필터가 커버하는 영역에 위치한 노드만을 포괄하여 가중합을 계산함으로써, 가중치의 개수를 줄여줄 수 있다. 이로 인해, 하나의 필터가 로컬(local) 영역에 대한 특징에 집중하도록 이용될 수 있다. 이에 따라 CNN은 2차원 영역 상의 물리적 거리가 중요한 판단 기준이 되는 이미지 데이터 처리에 효과적으로 적용될 수 있다. 한편, CNN은 컨볼루션 층의 직전에 복수의 필터가 적용될 수 있으며, 각 필터의 컨볼루션 연산을 통해 복수의 출력 결과를 생성할 수도 있다.

한편, 데이터 속성에 따라 시퀀스(sequence) 특성이 중요한 데이터들이 있을 수 있다. 이러한 시퀀스 데이터들의 길이 가변성, 선후 관계를 고려하여 데이터 시퀀스 상의 원소를 매 시점(timestep) 마다 하나씩 입력하고, 특정 시점에 출력된 은닉층의 출력 벡터(은닉 벡터)를, 시퀀스 상의 바로 다음 원소와 함께 입력하는 방식을 인공 신경망에 적용한 구조를 순환 신경망 구조라 한다.

도 8를 참조하면, 순환 신경망(RNN: recurrent neural netwok)은 데이터 시퀀스 상의 어느 시선 t의 원소 (x1(t), x2(t), ..., xd(t))를 완전 연결 신경망에 입력하는 과정에서, 바로 이전 시점 t-1은 은닉 벡터 (z1(t-1), z2(t-1), ..., zH(t-1))을 함께 입력하여 가중합 및 활성함수를 적용하는 구조이다. 이와 같이 은닉 벡터를 다음 시점으로 전달하는 이유는 앞선 시점들에서의 입력 벡터속 정보들이 현재 시점의 은닉 벡터에 누적된 것으로 간주하기 때문이다.

도 8을 참조하면, 순환 신경망은 입력되는 데이터 시퀀스에 대하여 소정의 시점 순서대로 동작한다.

시점 1에서의 입력 벡터 (x1(t), x2(t), ,..., xd(t))가 순환 신경망에 입력되었을 때의 은닉 벡터 (z1(1),z2(1),...,zH(1))가 시점 2의 입력 벡터 (x1(2),x2(2),...,xd(2))와 함께 입력되어 가중합 및 활성 함수를 통해 은닉층의 벡터 (z1(2),z2(2) ,...,zH(2))를 결정한다. 이러한 과정은 시점 2, 시점 3, ,,, 시점 T 까지 반복적으로 수행된다.

한편, 순환 신경망 내에서 복수의 은닉층이 배치될 경우, 이를 심층 순환 신경망(DRNN: Deep recurrent neural network)라 한다. 순환 신경망은 시퀀스 데이터(예를 들어, 자연어 처리(natural language processing)에 유용하게 적용되도록 설계되어 있다.

학습(learning) 방식으로 사용하는 신경망 코어로서 DNN, CNN, RNN 외에 제한 볼츠만 머신(RBM, Restricted Boltzmann Machine), 심층 신뢰 신경망(DBN, deep belief networks), 심층 Q-네트워크(Deep Q-Network)와 같은 다양한 딥 러닝 기법들을 포함하며, 컴퓨터비젼, 음성인식, 자연어처리, 음성/신호처리 등의 분야에 적용될 수 있다.

THz(Terahertz) 통신

데이터 전송률은 대역폭을 늘려 높일 수 있다. 이것은 넓은 대역폭으로 sub-THz 통신을 사용하고, 진보된 대규모 MIMO 기술을 적용하여 수행될 수 있다. 밀리미터 이하의 방사선으로도 알려진 THz파는 일반적으로 0.03mm-3mm 범위의 해당 파장을 가진 0.1THz와 10THz 사이의 주파수 대역을 나타낸다. 100GHz-300GHz 대역 범위(Sub THz 대역)는 셀룰러 통신을 위한 THz 대역의 주요 부분으로 간주된다. Sub-THz 대역 mmWave 대역 에 추가하면 6G 셀룰러 통신 용량은 늘어난다.. 정의된 THz 대역 중 300GHz-3THz는 원적외선 (IR) 주파수 대역에 있다. 300GHz-3THz 대역은 광 대역의 일부이지만 광 대역의 경계에 있으며, RF 대역 바로 뒤에 있다. 따라서, 이 300 GHz-3 THz 대역은 RF와 유사성을 나타낸다. 도 10는 전자기 스펙트럼의 일례를 나타낸다.

THz 통신의 주요 특성은 (i) 매우 높은 데이터 전송률을 지원하기 위해 광범위하게 사용 가능한 대역폭, (ii) 고주파에서 발생하는 높은 경로 손실 (고 지향성 안테나는 필수 불가결)을 포함한다. 높은 지향성 안테나에서 생성된 좁은 빔 폭은 간섭을 줄인다. THz 신호의 작은 파장은 훨씬 더 많은 수의 안테나 소자가 이 대역에서 동작하는 장치 및 BS에 통합될 수 있게 한다. 이를 통해 범위 제한을 극복할 수 있는 고급 적응형 배열 기술을 사용할 수 있다.

광 무선 기술 (Optical wireless technology)

OWC 기술은 가능한 모든 장치-대-액세스 네트워크를 위한 RF 기반 통신 외에도 6G 통신을 위해 계획되었다. 이러한 네트워크는 네트워크-대-백홀/프론트홀 네트워크 연결에 접속한다. OWC 기술은 4G 통신 시스템 이후 이미 사용되고 있으나 6G 통신 시스템의 요구를 충족시키기 위해 더 널리 사용될 것이다. 광 충실도(light fidelity), 가시광 통신, 광 카메라 통신 및 광 대역에 기초한 FSO 통신과 같은 OWC 기술은 이미 잘 알려진 기술이다. 광 무선 기술 기반의 통신은 매우 높은 데이터 속도, 낮은 지연 시간 및 안전한 통신을 제공할 수 있다. LiDAR 또한 광 대역을 기반으로 6G 통신에서 초 고해상도 3D 매핑을 위해 이용될 수 있다.

FSO 백홀 네트워크

FSO 시스템의 송신기 및 수신기 특성은 광섬유 네트워크의 특성과 유사하다. 따라서, FSO 시스템의 데이터 전송은 광섬유 시스템과 비슷하다. 따라서, FSO는 광섬유 네트워크와 함께 6G 시스템에서 백홀 연결을 제공하는 좋은 기술이 될 수 있다. FSO를 사용하면, 10,000km 이상의 거리에서도 매우 장거리 통신이 가능하다. FSO는 바다, 우주, 수중, 고립된 섬과 같은 원격 및 비원격 지역을 위한 대용량 백홀 연결을 지원한다. FSO는 셀룰러 BS 연결도 지원한다.

대규모 MIMO 기술

스펙트럼 효율을 향상시키는 핵심 기술 중 하나는 MIMO 기술을 적용하는 것이다. MIMO 기술이 향상되면 스펙트럼 효율도 향상된다. 따라서, 6G 시스템에서 대규모 MIMO 기술이 중요할 것이다. MIMO 기술은 다중 경로를 이용하기 때문에 데이터 신호가 하나 이상의 경로로 전송될 수 있도록 다중화 기술 및 THz 대역에 적합한 빔 생성 및 운영 기술도 중요하게 고려되어야 한다.

블록 체인

블록 체인은 미래의 통신 시스템에서 대량의 데이터를 관리하는 중요한 기술이 될 것이다. 블록 체인은 분산 원장 기술의 한 형태로서, 분산 원장은 수많은 노드 또는 컴퓨팅 장치에 분산되어 있는 데이터베이스이다. 각 노드는 동일한 원장 사본을 복제하고 저장한다. 블록 체인은 P2P 네트워크로 관리된다. 중앙 집중식 기관이나 서버에서 관리하지 않고 존재할 수 있다. 블록 체인의 데이터는 함께 수집되어 블록으로 구성된다. 블록은 서로 연결되고 암호화를 사용하여 보호된다. 블록 체인은 본질적으로 향상된 상호 운용성(interoperability), 보안, 개인 정보 보호, 안정성 및 확장성을 통해 대규모 IoT를 완벽하게 보완한다. 따라서, 블록 체인 기술은 장치 간 상호 운용성, 대용량 데이터 추적성, 다른 IoT 시스템의 자율적 상호 작용 및 6G 통신 시스템의 대규모 연결 안정성과 같은 여러 기능을 제공한다.

3D 네트워킹

6G 시스템은 지상 및 공중 네트워크를 통합하여 수직 확장의 사용자 통신을 지원한다. 3D BS는 저궤도 위성 및 UAV를 통해 제공될 것이다. 고도 및 관련 자유도 측면에서 새로운 차원을 추가하면 3D 연결이 기존 2D 네트워크와 상당히 다르다.

양자 커뮤니케이션

6G 네트워크의 맥락에서 네트워크의 감독되지 않은 강화 학습이 유망하다. 지도 학습 방식은 6G에서 생성된 방대한 양의 데이터에 레이블을 지정할 수 없다. 비지도 학습에는 라벨링이 필요하지 않다. 따라서, 이 기술은 복잡한 네트워크의 표현을 자율적으로 구축하는 데 사용할 수 있다. 강화 학습과 비지도 학습을 결합하면 진정한 자율적인 방식으로 네트워크를 운영할 수 있다.

무인 항공기

UAV(Unmanned Aerial Vehicle) 또는 드론은 6G 무선 통신에서 중요한 요소가 될 것이다. 대부분의 경우, UAV 기술을 사용하여 고속 데이터 무선 연결이 제공된다. BS 엔티티는 셀룰러 연결을 제공하기 위해 UAV에 설치된다. UAV는 쉬운 배치, 강력한 가시선 링크 및 이동성이 제어되는 자유도와 같은 고정 BS 인프라에서 볼 수 없는 특정 기능을 가지고 있다. 천재 지변 등의 긴급 상황 동안, 지상 통신 인프라의 배치는 경제적으로 실현 가능하지 않으며, 때로는 휘발성 환경에서 서비스를 제공할 수 없다. UAV는 이러한 상황을 쉽게 처리할 수 있다. UAV는 무선 통신 분야의 새로운 패러다임이 될 것이다. 이 기술은 eMBB, URLLC 및 mMTC 인 무선 네트워크의 세 가지 기본 요구 사항을 용이하게 한다. UAV는 또한, 네트워크 연결성 향상, 화재 감지, 재난 응급 서비스, 보안 및 감시, 오염 모니터링, 주차 모니터링, 사고 모니터링 등과 같은 여러 가지 목적을 지원할 수 있다. 따라서, UAV 기술은 6G 통신에 가장 중요한 기술 중 하나로 인식되고 있다.

셀-프리 통신(Cell-free Communication)

여러 주파수와 이기종 통신 기술의 긴밀한 통합은 6G 시스템에서 매우 중요하다. 결과적으로, 사용자는 디바이스에서 어떤 수동 구성을 만들 필요 없이 네트워크에서 다른 네트워크로 원활하게 이동할 수 있다. 사용 가능한 통신 기술에서 최상의 네트워크가 자동으로 선택된다. 이것은 무선 통신에서 셀 개념의 한계를 깨뜨릴 것이다. 현재, 하나의 셀에서 다른 셀로의 사용자 이동은 고밀도 네트워크에서 너무 많은 핸드 오버를 야기하고, 핸드 오버 실패, 핸드 오버 지연, 데이터 손실 및 핑퐁 효과를 야기한다. 6G 셀-프리 통신은 이 모든 것을 극복하고 더 나은 QoS를 제공할 것이다. 셀-프리 통신은 멀티 커넥티비티 및 멀티-티어 하이브리드 기술과 장치의 서로 다른 이기종 라디오를 통해 달성될 것이다.

무선 정보 및 에너지 전송 통합

WIET은 무선 통신 시스템과 같이 동일한 필드와 웨이브(wave)를 사용한다. 특히, 센서와 스마트폰은 통신 중 무선 전력 전송을 사용하여 충전될 것이다. WIET은 배터리 충전 무선 시스템의 수명을 연장하기 위한 유망한 기술이다. 따라서, 배터리가 없는 장치는 6G 통신에서 지원될 것이다.

센싱과 커뮤니케이션의 통합

자율 무선 네트워크는 동적으로 변화하는 환경 상태를 지속적으로 감지하고 서로 다른 노드간에 정보를 교환할 수 있는 기능이다. 6G에서, 감지는 자율 시스템을 지원하기 위해 통신과 긴밀하게 통합될 것이다.

액세스 백홀 네트워크의 통합

6G에서 액세스 네트워크의 밀도는 엄청날 것이다. 각 액세스 네트워크는 광섬유와 FSO 네트워크와 같은 백홀 연결로 연결된다. 매우 많은 수의 액세스 네트워크들에 대처하기 위해, 액세스 및 백홀 네트워크 사이에 긴밀한 통합이 있을 것이다.

홀로그램 빔 포밍

빔 포밍은 특정 방향으로 무선 신호를 전송하기 위해 안테나 배열을 조정하는 신호 처리 절차이다. 스마트 안테나 또는 진보된 안테나 시스템의 하위 집합이다. 빔 포밍 기술은 높은 호 대잡음비, 간섭 방지 및 거부, 높은 네트워크 효율과 같은 몇 가지 장점이 있다. 홀로그램 빔 포밍 (HBF)은 소프트웨어-정의된 안테나를 사용하기 때문에 MIMO 시스템과 상당히 다른 새로운 빔 포밍 방법이다. HBF는 6G에서 다중 안테나 통신 장치에서 신호의 효율적이고 유연한 전송 및 수신을 위해 매우 효과적인 접근 방식이 될 것이다.

빅 데이터 분석

빅 데이터 분석은 다양한 대규모 데이터 세트 또는 빅 데이터를 분석하기 위한 복잡한 프로세스이다. 이 프로세스는 숨겨진 데이터, 알 수 없는 상관 관계 및 고객 성향과 같은 정보를 찾아 완벽한 데이터 관리를 보장한다. 빅 데이터는 비디오, 소셜 네트워크, 이미지 및 센서와 같은 다양한 소스에서 수집된다. 이 기술은 6G 시스템에서 방대한 데이터를 처리하는 데 널리 사용된다.

Large Intelligent Surface(LIS)

THz 대역 신호의 경우 직진성이 강하여 방해물로 인한 음영 지역이 많이 생길 수 있는데, 이러한 음영 지역 근처에 LIS 설치함으로써 통신 권역을 확대하고 통신 안정성 강화 및 추가적인 부가 서비스가 가능한 LIS 기술이 중요하게 된다. LIS는 전자기 물질(electromagnetic materials)로 만들어진 인공 표면(artificial surface)이고, 들어오는 무선파와 나가는 무선파의 전파(propagation)을 변경시킬 수 있다. LIS는 massive MIMO의 확장으로 보여질 수 있으나, massive MIMO와 서로 다른 array 구조 및 동작 메커니즘이 다르다. 또한, LIS는 수동 엘리먼트(passive elements)를 가진 재구성 가능한 리플렉터(reflector)로서 동작하는 점 즉, 활성(active) RF chain을 사용하지 않고 신호를 수동적으로만 반사(reflect)하는 점에서 낮은 전력 소비를 가지는 장점이 있다. 또한, LIS의 수동적인 리플렉터 각각은 입사되는 신호의 위상 편이를 독립적으로 조절해야 하기 때문에, 무선 통신 채널에 유리할 수 있다. LIS 컨트롤러를 통해 위상 편이를 적절히 조절함으로써, 반사된 신호는 수신된 신호 전력을 부스트(boost)하기 위해 타겟 수신기에서 모여질 수 있다.

테라헤르츠(THz) 무선통신 일반

THz 무선통신은 대략 0.1~10THz(1THz=1012Hz)의 진동수를 가지는 THz파를 이용하여 무선통신을 이용하는 것으로, 100GHz 이상의 매우 높은 캐리어 주파수를 사용하는 테라헤르츠(THz) 대역 무선통신을 의미할 수 있다. THz파는 RF(Radio Frequency)/밀리미터(mm)와 적외선 대역 사이에 위치하며, (i) 가시광/적외선에 비해 비금속/비분극성 물질을 잘 투과하며 RF/밀리미터파에 비해 파장이 짧아 높은 직진성을 가지며 빔 집속이 가능할 수 있다. 또한, THz파의 광자 에너지는 수 meV에 불과하기 때문에 인체에 무해한 특성이 있다. THz 무선통신에 이용될 것으로 기대되는 주파수 대역은 공기 중 분자 흡수에 의한 전파 손실이 작은 D-밴드(110GHz~170GHz) 혹은 H-밴드(220GHz~325GHz) 대역일 수 있다. THz 무선통신에 대한 표준화 논의는 3GPP 이외에도 IEEE 802.15 THz working group을 중심으로 논의되고 있으며, IEEE 802.15의 Task Group (TG3d, TG3e)에서 발행되는 표준문서는 본 명세서에서 설명되는 내용을 구체화하거나 보충할 수 있다. THz 무선통신은 무선 인식(wireless cognition), 센싱(sensing), 이미징(imaging), 무선 통신(wireless), THz 네비게이션(navigation) 등에 응용될 수 있다.

도 11은 THz 통신 응용의 일례를 나타낸 도이다.

도 11에 도시된 바와 같이, THz 무선통신 시나리오는 매크로 네트워크(macro network), 마이크로 네트워크(micro network), 나노스케일 네트워크(nanoscale network)로 분류될 수 있다. 매크로 네트워크에서 THz 무선통신은 vehicle-to-vehicle 연결 및 backhaul/fronthaul 연결에 응용될 수 있다. 마이크로 네트워크에서 THz 무선통신은 인도어 스몰 셀(small cell), 데이터 센터에서 무선 연결과 같은 고정된 point-to-point 또는 multi-point 연결, 키오스크 다운로딩과 같은 근거리 통신(near-field communication)에 응용될 수 있다.

아래 표 2은 THz 파에서 이용될 수 있는 기술의 일례를 나타낸 표이다.

THz 무선통신은 THz 발생 및 수신을 위한 방법을 기준으로 분류할 수 있다. THz 발생 방법은 광 소자 또는 전자소자 기반 기술로 분류할 수 있다.

도 12는 전자소자 기반 THz 무선통신 송수신기의 일례를 나타낸 도이다.

전자 소자를 이용하여 THz를 발생시키는 방법은 공명 터널링 다이오드(RTD: Resonant Tunneling Diode)와 같은 반도체 소자를 이용하는 방법, 국부 발진기와 체배기를 이용하는 방법, 화합물 반도체 HEMT(High Electron Mobility Transistor) 기반의 집적회로를 이용한 MMIC (Monolithic Microwave Integrated Circuits) 방법, Si-CMOS 기반의 집적회로를 이용하는 방법 등이 있다. 도 12의 경우, 주파수를 높이기 위해 체배기(doubler, tripler, multiplier)가 적용되었고, 서브하모닉 믹서를 지나 안테나에 의해 방사된다. THz 대역은 높은 주파수를 형성하므로, 체배기가 필수적이다. 여기서, 체배기는 입력 대비 N배의 출력 주파수를 갖게 하는 회로이며, 원하는 하모닉 주파수에 정합시키고, 나머지 모든 주파수는 걸러낸다. 그리고, 도 12의 안테나에 배열 안테나 등이 적용되어 빔포밍이 구현될 수도 있다. 도 12에서, IF는 중간 주파수(intermediate frequency)를 나타내며, tripler, multipler는 체배기를 나타내며, PA 전력 증폭기(Power Amplifier)를 나타내며, LNA는 저잡음 증폭기(low noise amplifier), PLL은 위상동기회로(Phase-Locked Loop)를 나타낸다.

도 13은 광 소자 기반 THz 신호를 생성하는 방법의 일례를 나타낸 도이며, 도 14는 광 소자 기반 THz 무선통신 송수신기의 일례를 나타낸 도이다.

광 소자 기반 THz 무선통신 기술은 광소자를 이용하여 THz 신호를 발생 및 변조하는 방법을 말한다. 광 소자 기반 THz 신호 생성 기술은 레이저와 광변조기 등을 이용하여 초고속 광신호를 생성하고, 이를 초고속 광검출기를 이용하여 THz 신호로 변환하는 기술이다. 이 기술은 전자 소자만을 이용하는 기술에 비해 주파수를 증가시키기가 용이하고, 높은 전력의 신호 생성이 가능하며, 넓은 주파수 대역에서 평탄한 응답 특성을 얻을 수 있다. 광소자 기반 THz 신호 생성을 위해서는 도 13에 도시된 바와 같이, 레이저 다이오드, 광대역 광변조기, 초고속 광검출기가 필요하다. 도 13의 경우, 파장이 다른 두 레이저의 빛 신호를 합파하여 레이저 간의 파장 차이에 해당하는 THz 신호를 생성하는 것이다. 도 13에서, 광 커플러(Optical Coupler)는 회로 또는 시스템 간의 전기적 절연과의 결합을 제공하기 위해 광파를 사용하여 전기신호를 전송하도록 하는 반도체 디바이스를 의미하며, UTC-PD(Uni-Travelling Carrier Photo-Detector)은 광 검출기의 하나로서, 능동 캐리어(active carrier)로 전자를 사용하며 밴드갭 그레이딩(Bandgap Grading)으로 전자의 이동 시간을 감소시킨 소자이다. UTC-PD는 150GHz 이상에서 광검출이 가능하다. 도 14에서, EDFA(Erbium-Doped Fiber Amplifier)는 어븀이 첨가된 광섬유 증폭기를 나타내며, PD(Photo Detector)는 광신호를 전기신호로 변환할 수 있는 반도체 디바이스를 나타내며, OSA는 각종 광통신 기능(광전 변환, 전광 변환 등)을 하나의 부품으로 모듈화시킨 광모듈(Optical Sub Aassembly)를 나타내며, DSO는 디지털 스토리지 오실로스코프(digital storage oscilloscope)를 나타낸다.

도 15 및 도 16을 참조하여 광전 변환기(또는 광전 컨버터)의 구조를 설명한다. 도 15는 광자 소스(Photoinc source) 기반 송신기의 구조를 예시하며, 도 16은 광 변조기(Optical modulator)의 구조를 예시한다.

일반적으로 레이저(Laser)의 광학 소스(Optical source)를 광파 가이드(Optical wave guide)를 통과시켜 신호의 위상(phase)등을 변화시킬 수 있다. 이때, 마이크로파 컨택트(Microwave contact) 등을 통해 전기적 특성을 변화시킴으로써 데이터를 싣게 된다. 따라서, 광학 변조기 출력(Optical modulator output)은 변조된(modulated) 형태의 파형으로 형성된다. 광전 변조기(O/E converter)는 비선형 크리스탈(nonlinear crystal)에 의한 광학 정류(optical rectification) 동작, 광전도 안테나(photoconductive antenna)에 의한 광전 변환(O/E conversion), 광속의 전자 다발(bunch of relativistic electrons)로부터의 방출(emission) 등에 따라 THz 펄스를 생성할 수 있다. 상기와 같은 방식으로 발생한 테라헤르츠 펄스(THz pulse)는 펨토 세컨드(femto second)부터 피코 세컨드(pico second)의 단위의 길이를 가질 수 있다. 광전 변환기(O/E converter)는 소자의 비선형성(non-linearity)을 이용하여, 하향 변환(Down conversion)을 수행한다.

테라헤르츠 스펙트럼의 용도(THz spectrum usage)를 고려할 때, 테라헤르츠 시스템을 위해서 고정된(fixed) 또는 모바일 서비스(mobile service) 용도로써 여러 개의 연속적인 기가헤르츠(contiguous GHz)의 대역들(bands)을 사용할 가능성이 높다. 아웃도어(outdoor) 시나리오 기준에 의하면, 1THz까지의 스펙트럼에서 산소 감쇠(Oxygen attenuation) 10^2 dB/km를 기준으로 가용 대역폭(Bandwidth)이 분류될 수 있다. 이에 따라 상기 가용 대역폭이 여러 개의 밴드 청크(band chunk)들로 구성되는 프레임워크(framework)가 고려될 수 있다. 상기 프레임워크의 일 예시로 하나의 캐리어(carrier)에 대해 테라헤르츠 펄스(THz pulse)의 길이를 50ps로 설정한다면, 대역폭(BW)은 약 20GHz가 된다.

적외선 대역(IR band)에서 테라헤르츠 대역(THz band)으로의 효과적인 하향 변환(Down conversion)은 광전 컨버터(O/E converter)의 비선형성(nonlinearity)을 어떻게 활용하는가에 달려 있다. 즉, 원하는 테라헤르츠 대역(THz band)으로 하향 변환(down conversion)하기 위해서는 해당 테라헤르츠 대역(THz band)에 옮기기에 가장 이상적인 비선형성(non-linearity)을 갖는 광전 변환기(O/E converter)의 설계가 요구된다. 만일 타겟으로 하는 주파수 대역에 맞지 않는 광전 변환기(O/E converter)를 사용하는 경우, 해당 펄스(pulse)의 크기(amplitude), 위상(phase)에 대하여 오류(error)가 발생할 가능성이 높다.

단일 캐리어(single carrier) 시스템에서는 광전 변환기 1개를 이용하여 테라헤르츠 송수신 시스템이 구현될 수 있다. 채널 환경에 따라 달라지지만 멀리 캐리어(Multi carrier) 시스템에서는 캐리어 수만큼 광전 변환기가 요구될 수 있다. 특히 전술한 스펙트럼 용도와 관련된 계획에 따라 여러 개의 광대역들을 이용하는 멀티 캐리어 시스템인 경우, 그 현상이 두드러지게 될 것이다. 이와 관련하여 상기 멀티 캐리어 시스템을 위한 프레임 구조가 고려될 수 있다. 광전 변환기를 기반으로 하향 주파수 변환된 신호는 특정 자원 영역(예: 특정 프레임)에서 전송될 수 있다. 상기 특정 자원 영역의 주파수 영역은 복수의 청크(chunk)들을 포함할 수 있다. 각 청크(chunk)는 적어도 하나의 컴포넌트 캐리어(CC)로 구성될 수 있다.

앞서 살핀 6G 통신 기술은 후술할 본 명세서에서 제안되는 방법들과 결합되어 적용될 수 있으며, 또는 본 명세서에서 제안하는 방법들의 기술적 특징을 구체화하거나 명확하게 하는데 보충될 수 있다. 한편, 본 명세서에서 제안하는 통신 서비스는 앞서 설명한 6G 통신 기술뿐만 아니라, 3G, 4G 및/또는 5G 통신 기술에 의한 통신 서비스와 결합되어 적용될 수도 있다.

도 17은 본 명세서의 다양한 실시예 적용되는 무선 통신 시스템의 예시도이다.

도 17을 참조하면, 무선 통신 시스템은, 제1 단말(1701), 제2 단말(1702), 기지국을 포함할 수 있다.

제1 단말(1701)은 제1 로컬 모델(1701m)을 저장하고 있으며, 제2 단말(1702)은 제2 로컬 모델(1702m)을 저장하고 있다. 제1 로컬 모델(1701m), 제2 로컬 모델(1702m)은 동일한 신경망 구조를 갖는 모델일 수 있으나, 이에 한정되는 것은 아니다. 제1 단말(1701), 제2 단말(1702)은 연합 학습을 위하여 기지국으로 제1 로컬 모델(1701m), 제2 로컬 모델(1702m)에 기반하여 산출된 하나 이상의 파라미터(예:가중치 또는 그래디언트)를 기지국으로 전송한다.

기지국은 클라우드 서버로 제1 단말(1701), 제2 단말(1702)로부터 수신된 정보를 전송한다.

이처럼, 연합 학습을 위한 통신 시스템은 로우 데이터가 아닌 로컬 모델에 기반하여 산출된 파라미터 또는 파라미터 셋을 전송함으로써 주파수 대역을 절약하고, 로우데이터에 포함된 개인 정보가 서버 단으로 전송됨에 따라 발생할 수 있는 개인정보 보안 문제를 해결할 수 있다.

도 18은 본 명세서의 제1 실시예에 따른 연합 학습 방법의 순서도이다.

단말의 하나 이상의 프로세서는 로컬 모델에 기초하여 상기 로컬 모델에 연관된 제1 파라미터 셋을 제2 파라미터 셋으로 변경한다(S1801).

상기 파라미터 셋은, 다른 실시예에서 하나 이상의 파라미터 또는 하나 이상의 파라미터로 구성된 시퀀스일 수도 있다. 보다 구체적으로, 상기 파라미터 셋은 2 이상의 파라미터로 구성되는 파라미터들의 군집을 말하나, 상기 하나 이상의 파라미터는 단일 파라미터를 의미하고 상기 시퀀스는 타임 스탬프에 따라 시계열적(time-series)으로 구분되는 파라미터들의 군집을 의미한다. 또한, 파라미터 셋은 파라미터 벡터 또는 파라미터 매트릭스로도 혼용될 수 있다.

한편, 본 명세서의 다양한 실시예에서, 상기 로컬 모델은 기계학습 모델로 구현될 수 있다. 상기 기계학습 모델은 SVM(Support Vector Machine), MLP(Multi-Layer Perceptron), 1D-CNN(1-dimentional Convolutional Neural Network), 2D-CNN(2-dimentional Convolutional Neural Network), LSTM(Long-Short Term Memory), GRU(Gated Recurrent Unit)를 포함할 수 있으나, 본 명세서의 다양한 실시예에 따른 기술적 사상이 이에 한정되는 것은 아니다.

상기 로컬 모델에 연관된 파라미터 셋들은 가중치 셋(set of weight)을 말한다. 이때, 가중치란 로컬 모델을 구성하는 신경망 간의 연결 관계(즉, Node Connection)에 따라 결정된다. 이와 같은 가중치는 기계학습 모델에 있어서 정확한 추론 결과를 산출하기 위한 것으로서, 구체적인 설명은 인공지능 기술분야의 통상의 기술지식을 가지는 자에게 자명한 것으로서 생략한다.

한편, 상기 파라미터 셋의 변경은 기계학습 모델의 학습 동작에 따라 수행된다. 상기 학습 동작은, 일 예로, 단말에 미리 설정된 배치 크기의 데이터가 누적되면 단말은 로컬 모델의 학습을 수행한다. 이때, 단말은 학습 모델의 학습은 비용함수(Cost Function) 또는 손실함수(Loss Function)에 기반하여 그래디언트(Gradient)를 산출하고, 산출된 그래디언트에 기반하여 가중치의 변화량을 구한 후, 러닝 레이트(Learning Rate)를 곱한다. 이에 따라, 제1 파라미터 셋은 제2 파라미터 셋으로 변경된다.

한편, 이러한 학습 과정 중 단말은 제1, 제2 파라미터 셋의 차이를 산출한다. 제1 파라미터 셋은 학습 이전 로컬 모델의 가중치들을 나타내고, 제2 파라미터 셋은 학습 이후 로컬 모델의 가중치들을 나타낸다. 즉, 단말은 학습 전후의 가중치 변화를 확인할 수 있다. 단말은 이후에 확인된 가중치 변화에 기초하여 제2 파라미터 셋 중 적어도 일부를 선택하며, 이러한 동작에 관한 구체적인 설명 및 효과에 대해서는 S1802를 참조하여 설명한다.

하나 이상의 프로세서는 제1, 제2 파라미터 셋의 차이에 기초하여 제2 파라미터 셋 중 적어도 일부를 선택한다(S1802).

여기서, 제2 파라미터 셋은 연합 학습을 위해 기지국으로 전송될 파라미터들을 말한다. 종래의 연합 학습 방법은 로컬 모델에 기반하여 생성된 가중치 또는 그래디언트를 기지국으로 단순 전송하였다. 그러나, 네트워크로의 전송 시 가중치 파라미터의 수에 비례하여 더 많은 UL 주파수 대역이 요구되는 문제점이 있다.

이에, 본 명세서의 다양한 실시예에 따른 연합 학습 방법은, 제1, 제2 파라미터 셋의 차이에 기초하여 산출된 제2 파라미터 셋 중 적어도 일부를 선택한다. 일 실시예에서, 로컬 모델의 총 가중치 개수가 M개인 경우 파라미터 셋은 제1 내지 제M 가중치를 갖는다. 이때, 단말은 제1 내지 제M 가중치를 요소 별로 비교하여 그 차이 값을 산출한다.

만약 산출된 차이 값이 0이라면 해당 엔트리(entry)의 가중치는 변화가 없으므로, 기지국으로 그 값이 전송되더라도 연합 학습의 성능 향상에 상당한 영향을 미치지는 않는다. 또한, 산출된 차이 값이 반드시 0이 아니더라도 설정된 특정 값 미만이라면 해당 엔트리의 가중치는 연합 학습의 효율에 영향을 주는 정도가 적으므로 기지국으로 반드시 전송될 필요가 없다.

즉, 본 명세서의 일부 실시예에 따른 연합 학습 방법은, 제1, 제2 파라미터 셋의 차이 값을 산출하고, 산출된 차이 값에 따라 제2 파라미터 셋을 구성하는 가중치 요소들 중 적어도 일부를 선택하고, 나머지를 생략함으로써 UL 주파수 대역을 절약할 수 있다.

하나 이상의 프로세서는 선택된 적어도 일부의 파라미터 셋을 기지국으로 전송한다(S1803).

상기 전송된 적어도 일부의 파라미터 셋은 기지국에서 수신되어 연합 학습을 위한 서버로 전송된다. 이후에, 서버는 상기 적어도 일부의 파라미터 셋에 기초하여 글로벌 AI 모델을 학습한다. 학습된 글로벌 AI 모델 또는 상기 글로벌 AI 모델의 파라미터 셋(즉, 변경된 가중치들)은 상기 서버와 연관된 하나 이상의 단말들로 전송된다.

한편, 서버로의 전송은 기지국과 연결된 단말이 직접 전송할 수 있으나, 이에 한정되는 것은 아니다. 일 예로, 단말은 WIFI AP(Access Point)로 선택된 적어도 일부의 파라미터 셋을 전송할 수도 있다. 이때, WIFI AP는 수신된 적어도 일부의 파라미터 셋을 기지국으로 전송할 수 있다.

또한, 도 18의 제1 실시예에 따른 연합 학습 방법의 하나 이상의 동작 중 로컬 모델의 파라미터 또는 파라미터 셋의 변경은 단말에서 수행되는 것으로 설명되었으나, 이에 한정되는 것은 아니다. 일 예로, 로컬 모델의 학습은 MEC(Mobile Edge Computing) 서버에서도 수행될 수 있다. 이처럼, MEC 서버를 이용하면 중앙화된 클라우드에서 네트워크 에지와 근접한 곳으로 트래픽과 서비스 컴퓨팅을 이동시킬 수 있다. 즉, 모든 데이터를 처리하기 위하여 반드시 클라우드로 이를 전송시키지 않더라도 네트워크 에지에서 데이터를 분석, 처리 및 저장함으로써 지연시간이 단축되고, 고대역폭 애플리케이션의 실시간 성능이 개선된다.

도 19는 본 명세서의 제2 실시예에 따른 연합 학습 방법의 순서도이다.

단말의 하나 이상의 프로세서는 단말에 수신되거나 입력되는 데이터에 대한 전처리를 수행한다(S1901).

일 례로, 본 명세서의 일부 실시예에 따른 단말은 자연어 처리 디바이스(Natural Language Processing Device, NLP Device)로 구현될 수 있다. 상기 단말이 NLP 디바이스인 경우, 단말은 NLP(Natural Language Process)를 위하여 음성 신호 또는 음성 데이터를 마이크를 통해 수신할 수 있다. 마이크를 통해 수신된 음성 신호들은 일반적으로 Melspectrogram으로 변환될 수 있으나, 이에 한정되는 것은 아니다. 이처럼, Melsepctrogram은 음성 신호의 특징을 나타낼 수 있으며, 그 결과 NLP 디바이스는 사용자의 발화 스타일이나 방크기에 따른 잔향 효과를 확인할 수 있다.

NLP 디바이스는 특정 사용자에 개인화된 데이터가 필요한 경우도 있으나, 외국인의 음성 데이터 또는 방크기에 따른 잔향 효과 등의 요인들로부터 탈중앙화(decentralized)된 학습용 데이터를 수집해야 하는 경우도 있다.

한편, 본 명세서의 일부 실시예에 따른 연합 학습 방법에서는 전처리된 데이터에 대한 오토레이블링(auto-labeling)을 수행한다. 연합 학습을 구현하기 위해서는 본 명세서의 다양한 실시예에 적용되는 단말에서 수집되거나 수집될 데이터에 대한 레이블(label)을 필요로 한다. 이에 따라, 단말의 하나 이상의 프로세서는 수집되는 로우데이터(Raw Data) 또는 상기 로우데이터로부터 변환된 특징 정보(예:Melspectrogram)에 대하여 비지도학습(Unsupervised Learning)에 기반하여 레이블을 할당한다. 이때, 상기 비지도학습은, 일 예로, K-means Clustering 또는 DBSCAN Clustering을 포함하나, 이에 한정되는 것은 아니다.

보다 구체적으로, 단말은 센서 또는 하나 이상의 입력 장치(예: 터치스크린, 버튼 등)를 통해 하나 이상의 물리동작과 연관된 입력을 수신할 수 있다. 일 예로, 상기 단말이 NLP 디바이스인 경우, 상기 단말은 음성 명령어를 수신하기 위한 마이크뿐만 아니라, 음성 명령어가 인식되지 않을 시 상기 단말의 동작을 제어하기 위한 하나 이상의 입력 장치를 포함한다.

오토레이블링을 위한 하나 이상의 레이블은 상기 하나 이상의 입력 장치에 대한 입력에 기반하여 결정된다. 일 예로서, 무선 청소기의 경우를 예시적으로 설명한다. 무선 청소기가 음성 명령을 수신하면, 상기 음성 명령에 포함된 명령어에 대응하는 동작을 수행하는 것이 일반적이나 상응하는 동작을 하지 않을 수 있다. 이때, 상기 무선 청소기는 하나 이상의 입력 장치(예: 물리적 버튼)를 통해 상기 명령어에 대응하는 동작과 동일한 제어 명령(예: 청소시작, 충전시작, 터보모드 등)을 수신하는 것이 일반적이다.

즉, 상기 무선 청소기는 캐싱된 음성 명령 또는 상기 음성 명령으로부터 변환된 특징 정보를 저장하고, 상기 하나 이상의 입력 장치를 통해 입력받은 제어명령에 연관되거나 대응되는 명령어를 레이블로 할당, 제공 또는 결정할 수 있다. 이처럼, 할당, 제공 또는 결정된 레이블은 이후에 연합 학습을 위한 레이블로서 이용된다.

한편, 레이블의 할당, 제공 또는 결정은 2 이상의 로우데이터 또는 특징 정보에 대하여 동일하게 수행될 수 있다. 구체적으로, 상기 하나 이상의 입력 장치를 통해 제어 명령을 입력받기 이전에 상기 단말은 캐싱된 2 이상의 로우데이터 또는 특징 정보에 대한 군집을 구성할 수 있다. 상기 군집은 비지도학습에 기반하여 구성된다. 상기 단말은 상기 군집에 대하여 상기 제어 명령에 연관되거나 대응되는 명령어를 레이블로 할당, 제공 또는 결정할 수 있다.

한편, 상기 오토레이블링 기법은 2 이상의 단말이 존재하는 실내 환경에서도 적용될 수 있다. 실내에 2 이상의 단말이 서로 다른 위치에 배치되는 경우, 상기 2 이상의 단말은 하나의 타겟 또는 오브젝트에 대하여 서로 다른 로우데이터 또는 특징 정보를 얻을 수 있다. 일 례로, 이미지의 경우 2 이상의 단말 각각이 배치된 장소에 따라 얻을 수 있는 이미지는 서로 다르다. 다른 례로, 음성 명령도 배치된 장소에 따라 서로 구분될 수 있다.

상기 2 이상의 단말은 하나의 타겟 또는 오브젝트에 대한 로우데이터 또는 특징 정보를 저장하거나, 다른 단말로 전송할 수 있다. 상기 다른 단말은 상기 2 이상의 단말 중 어느 하나 일 수도 있다. 상기 전송은 WIFI 네트워크를 통해 수행될 수 있으나, 이에 한정되는 것은 아니다.

상기 2 이상의 단말 또는 상기 다른 단말은 저장되거나 수신된 로우데이터 또는 특징 정보에 대하여 하나 이상의 입력 장치를 통해 입력된 제어 명령에 연관되거나 대응되는 레이블을 할당하거나 제공할 수 있다. 또한, 2 이상의 단말이 존재하는 환경에서도 전술한 비지도학습에 기반한 레이블의 할당을 수행할 수도 있다.

또한, 2 이상의 단말이 존재하는 실내 환경에서는 획득된 2 이상의 로우데이터 또는 특징 정보의 유효 정보를 추출할 수도 있다. 상기 유효 정보는 로컬 모델 또는 글로벌 모델의 학습에 불필요한 노이즈가 제거된 정보를 말한다. 일 례로, 상기 2 이상의 단말 중 어느 하나 또는 상기 다른 단말은 수집된 2 이상의 로우데이터 또는 특징 정보를 비교하여 공통 정보를 추출하고, 원래의 로우데이터 또는 특징 정보와 상기 공통 정보의 차를 산출한다. 상기 특징 정보와 공통 정보의 차분 값은 중간 정보를 구성한다.

상기 유효 정보는 상기 중간 정보들의 합에 기반하여 결정된다. 구체적으로, 상기 중간 정보들의 합이 가장 작은 정보는 유효 정보로 분류되고, 나머지는 노이즈 정보로 분류된다. 이때, 상기 유효 정보는 캐시에 저장되나, 나머지 정보들은 노이즈로 분류되어 저장되지 않을 수도 있다.

하나 이상의 프로세서는 전처리된 데이터를 배치 크기(batch size)만큼 누적한다(S1902).

상기 탈중앙화된 데이터를 전송하기 이전에 단말은 전처리된 데이터를 배치 크기만큼 캐싱(Caching)한다.

하나 이상의 프로세서는 로컬 모델에 기초하여 상기 로컬 모델에 연관된 제1 파라미터 셋을 제2 파라미터 셋으로 변경한다(S1903).

하나 이상의 프로세서는 상기 배치 크기의 전처리된 데이터에 기초하여 상기 로컬 모델에 대한 학습을 수행한다. 그 수행 결과, 상기 로컬 모델의 파라미터 셋은 제1 파라미터 셋에서 제2 파라미터 셋으로 변경된다.

보다 구체적으로, 상기 파라미터 셋은, 다른 실시예에서 하나 이상의 파라미터 또는 하나 이상의 파라미터로 구성된 시퀀스일 수도 있다. 보다 구체적으로, 상기 파라미터 셋은 2 이상의 파라미터로 구성되는 파라미터들의 군집을 말하나, 상기 하나 이상의 파라미터는 단일 파라미터를 의미하고 상기 시퀀스는 타임 스탬프에 따라 시계열적(time-series)으로 구분되는 파라미터들의 군집을 의미한다. 또한, 파라미터 셋은 파라미터 벡터 또는 파라미터 매트릭스로도 혼용될 수 있다.

한편, 상기 파라미터 셋의 변경은 기계학습 모델의 학습 동작에 따라 수행된다. 상기 학습 동작은, 일 예로, 단말에 미리 설정된 배치 크기의 데이터가 누적되면 단말은 로컬 모델의 학습을 수행한다. 이때, 단말은 학습 모델의 학습은 비용함수(Cost Fuction) 또는 손실함수(Loss Function)에 기반하여 그래디언트(Gradient)를 산출하고, 산출된 그래디언트에 기반하여 가중치의 변화량을 구한 후, 러닝 레이트(Learning Rate)를 곱한다. 이에 따라, 제1 파라미터 셋은 제2 파라미터 셋으로 변경된다.

한편, 이러한 학습 과정 중 단말은 제1, 제2 파라미터 셋의 차이를 산출한다. 제1 파라미터 셋은 학습 이전 로컬 모델의 가중치들을 나타내고, 제2 파라미터 셋은 학습 이후 로컬 모델의 가중치들을 나타낸다. 즉, 단말은 학습 전후의 가중치 변화를 확인할 수 있다. 단말은 이후에 확인된 가중치 변화에 기초하여 제2 파라미터 셋 중 적어도 일부를 선택하며, 이러한 동작에 관한 구체적인 설명 및 효과에 대해서는 S1904를 참조하여 설명한다.

하나 이상의 프로세서는 제1, 제2 파라미터 셋의 차이에 기초하여 제2 파라미터 셋 중 적어도 일부를 선택한다(S1904).

하나 이상의 프로세서는 선택된 적어도 일부의 파라미터 셋을 기지국으로 전송한다(S1905).

또한, 도 19의 제2 실시예에 따른 연합 학습 방법의 하나 이상의 동작 중 로컬 모델의 파라미터 또는 파라미터 셋의 변경은 단말에서 수행되는 것으로 설명되었으나, 이에 한정되는 것은 아니다. 일 예로, 로컬 모델의 학습은 MEC(Mobile Edge Computing)에서도 수행될 수 있다. 이처럼, MEC를 이용하면 중앙화된 클라우드에서 네트워크 에지와 근접한 곳으로 트래픽과 서비스 컴퓨팅을 이동시킬 수 있다. 즉, 모든 데이터를 처리하기 위하여 반드시 클라우드로 이를 전송시키지 않더라도 네트워크 에지에서 데이터를 분석, 처리 및 저장함으로써 지연시간이 단축되고, 고대역폭 애플리케이션의 실시간 성능이 개선된다.

도 20은 본 명세서의 제3 실시예에 따른 연합 학습 방법이다.

여기서, 제3 실시예는 제1 또는 제2 실시예와 결합될 수도 있으나, 이에 한정되는 것은 아니다. 제3 실시예가 제1 또는 제2 실시예와 결합되는 경우, 결합된 실시예들은 단말 및 서버를 포함하는 통신 시스템에 의해 구현될 수 있다. 한편, 제3 실시예는 서버에 의한 학습동작을 말하나, 상기 서버로 한정되는 것은 아니며 서버의 기능을 수행할 수 있는 다른 단말, MEC 서버로 대체될 수도 있다.

서버의 하나 이상의 프로세서는 2 이상의 단말로부터 글로벌 모델의 학습을 위한 파라미터 셋들을 수신한다(S2001).

상기 글로벌 모델의 학습을 위한 파라미터 셋은 로컬 모델에 의해 변경된 제2 파라미터 셋 중 적어도 일부로 구성된다. 즉, 서버는 2 이상의 단말로부터 의미있는 파라미터 셋들을 수신함으로써 효과적인 글로벌 모델의 학습을 수행할 수 있다.

하나 이상의 프로세서는 수신된 파라미터 셋들의 각 요소 별 평균에 기초하여 산출된 새로운 파라미터 셋으로 글로벌 모델의 파라미터 셋 중 적어도 일부를 변경한다(S2002).

일부 실시예에서, 상기 하나 이상의 프로세서는 상기 파라미터 셋들의 제1 내지 제N 엔트리를 요소 별로 합산하고, 수신된 파리미터 셋들의 수를 나눔으로써 그 평균이 산출할 수 있다.

다른 일부 실시예에서, 상기 하나 이상의 프로세서는 제1 내지 제N 엔트리를 요소 별로 합산하고, 각 요소 별로 합산의 기초가 된 파라미터의 수를 확인하거나 결정할 수 한다. 예를 들어, 제1 엔트리에는 2개의 파라미터가 수신되고, 제2 엔트리에는 3개의 파라미터가 수신되는 경우를 가정하면, 하나 이상의 프로세서는 제1 엔트리로 합산된 값에 대해서는 2를 나누고, 제2 엔트리로 합산된 값에 대해서는 3을 나눔으로써 요소 별 평균을 산출할 수 있다.

하나 이상의 프로세서는 상기 글로벌 모델의 파라미터 셋을 상기 2 이상의 단말로 전송한다(S2003).

이후, 글로벌 모델의 파라미터 셋을 하나 이상의 단말에 재전송함으로써 로컬 모델은 갱신된다. 이처럼, 상기 과정들이 반복됨으로써 로컬 모델은 글로벌 모델과 유사하게 변화될 수 있다.

도 21은 본 명세서의 제4 실시예에 따른 연합 학습 방법이다.

여기서, 제4 실시예는 제1 또는 제2 실시예와 결합될 수도 있으나, 이에 한정되는 것은 아니다. 제4 실시예가 제1 또는 제2 실시예와 결합되는 경우, 결합된 실시예들은 단말 및 서버를 포함하는 통신 시스템에 의해 구현될 수 있다. 한편, 제4 실시예는 서버에 의한 학습동작을 말하나, 상기 서버로 한정되는 것은 아니며 서버의 기능을 수행할 수 있는 다른 단말, MEC 서버로 대체될 수도 있다.

서버의 하나 이상의 프로세서는 2 이상의 단말로부터 글로벌 모델의 학습을 위한 파라미터 셋들을 수신한다(S2101).

하나 이상의 프로세서는 수신된 파라미터 셋들의 각 요소 별 평균에 기초하여 산출된 새로운 파라미터 셋으로 글로벌 모델의 파라미터 셋 중 적어도 일부를 변경한다(S2102).

하나 이상의 프로세서는 상기 글로벌 모델의 파라미터 셋을 상기 2 이상의 단말로 전송한다(S2103).

이후, 글로벌 모델의 파라미터 셋의 적어도 일부를 하나 이상의 단말에 재전송함으로써 로컬 모델은 갱신된다. 일 례로, 글로벌 모델은 제1 내지 제K 파라미터로 구성되는 파라미터 셋을 가지고 있을 수 있다. 이때, 주파수대역의 절약을 위하여 전체 파라미터 셋이 아닌 상기 전체 파라미터 셋의 적어도 일부만이 전송될 수 있다. 보다 구체적으로, 서버는 상기 글로벌 모델의 파라미터 셋 중 학습 결과 변경된 적어도 일부를 선택할 수 있다. 이때, 선택되는 적어도 일부는 설정된 기준 값 이상으로 변경된 값들로 결정된다. 상기 변경된 적어도 일부의 파라미터들은 로컬 모델의 갱신을 위해 하나 이상의 단말로 재전송된다. 이처럼, 상기 과정들이 반복됨으로써 로컬 모델은 글로벌 모델과 유사하게 변화될 수 있다.

도 22는 본 명세서의 다양한 실시예에 따른 구현예이다.

도 22를 참조하면, 연합 학습을 위한 통신 시스템은, 제1 단말(2201), 제2 단말(2202), 기지국(2203), 서버(2204)를 포함한다. 여기서, 제1, 제2 단말(2201, 2202)은 예시적인 것으로서 본 명세서의 다양한 실시예에서 단말의 개수는 2개로 한정되지 않는다.

상기 제1 단말(2201)은 메모리에 제1 로컬 모델(2201m)을 저장하고 있고, 상기 제2 모델(2202)은 메모리에 제2 로컬 모델(2202m)을 저장하고 있다. 여기서, 제1, 제2 모델(2201m, 2202m)의 신경망 구조는 동일할 수 있다. 상기 제1, 제2 모델(2201m, 2202m)의 신경망 구조가 동일한 경우, 제1, 제2 모델(2201m, 2202m)은 동일하게 제1 내지 제M 가중치(W₁, ..., W_M)를 가질 수 있으나, 그 값은 서로 다를 수 있다.

제1, 제2 단말(2201, 2202)은 각각 제1, 제2 모델(2201m, 2202m)에 기초하여 제1 파라미터 셋을 제2 파라미터 셋으로 변경한다. 이후에, 제1, 제2 단말(2201, 2202)은 제1 파라미터 셋과 제2 파라미터 셋의 차이를 산출한다. 그 결과, 제1 단말은 제1 차이값 셋(Set of Difference Value, 2201s)을 산출하고, 제2 단말은 제2 차이값 셋(2202s)을 산출한다.

다시, 도 22를 참조하면, 제1 단말(2201)의 차이값 셋(2201s) 중 제2 엔트리에 위치한 가중치 값(W₂)은 그 차이값이 0인 것으로 확인된다. 이처럼, 차이값이 없는 가중치는 서버(2204)로 전송되더라도 학습에 영향이 적거나 없으므로 전송될 필요가 없다. 이에 따라 제1 단말(2201)은 제2 엔트리의 가중치를 제외한 제1 전송 파라미터 셋(2201t)을 기지국(2203)으로 전송한다.

이와 달리, 제2 단말(2202)은 차이값 셋 중 그 차이값이 0인 엔트리가 없으므로, 모든 변경된 파라미터를 포함하는 제2 전송 파라미터 셋(2202t)을 기지국(2203)으로 전송한다.

이후에, 서버(2204)는 제1, 제2 전송 파라미터 셋(2201t, 2202t)을 수신하여 글로벌 모델의 학습을 수행한다.

도 23 및 도 24는 본 명세서의 다양한 실시예에 적용되는 수신 파라미터 셋의 평균 산출 방법이다.

서버는 수신된 파라미터셋들의 제K 엔트리를 합산하고, 상기 제K 엔트리를 갖는 파라미터셋들의 수로 나눔으로써, 상기 제K 엔트리의 평균을 산출한다(S2301).

도 24를 참조하면, 제1, 제2 전송 파라미터 셋(2401t, 2402t)을 수신한 경우, 서버는 제1, 제3, 제4 엔트리에 대해서는 2(Nk=2)를 나누고, 제2 엔트리에 대해서는 1(Nk=1)을 나눔으로써 요소 별 평균을 산출할 수 있다.

서버는 상기 엔트리 별로 평균이 산출될 때마다 산출된 값을 새로운 파라미터 셋(2403t)의 대응되는 엔트리로 설정한다(S2302).

서버는 요소 별 평균으로 구성되는 새로운 파라미터 셋을 기초로 기존의 파라미터 셋을 새로운 파라미터 셋으로 변경한다(S2303).

무선 통신 시스템에 사용되는 장치

이로 제한되는 것은 아니지만, 상술한 본 발명의 다양한 제안들은 기기들간에 무선 통신/연결(예, 5G)을 필요로 하는 다양한 분야에 적용될 수 있다.

이하, 도면을 참조하여 보다 구체적으로 예시한다. 이하의 도면/설명에서 동일한 도면 부호는 다르게 기술하지 않는 한, 동일하거나 대응되는 하드웨어 블록, 소프트웨어 블록 또는 기능 블록을 예시할 수 있다.

도 25은 본 발명에 적용되는 통신 시스템을 예시한다.

도 25을 참조하면, 본 발명에 적용되는 통신 시스템(1)은 무선 기기, 기지국 및 네트워크를 포함한다. 여기서, 무선 기기는 무선 접속 기술(예, 5G NR(New RAT), LTE(Long Term Evolution))을 이용하여 통신을 수행하는 기기를 의미하며, 통신/무선/5G 기기로 지칭될 수 있다. 이로 제한되는 것은 아니지만, 무선 기기는 로봇(100a), 차량(100b-1, 100b-2), XR(eXtended Reality) 기기(100c), 휴대 기기(Hand-held device)(100d), 가전(100e), IoT(Internet of Thing) 기기(100f), AI기기/서버(400)를 포함할 수 있다. 예를 들어, 차량은 무선 통신 기능이 구비된 차량, 자율 주행 차량, 차량간 통신을 수행할 수 있는 차량 등을 포함할 수 있다. 여기서, 차량은 UAV(Unmanned Aerial Vehicle)(예, 드론)를 포함할 수 있다. XR 기기는 AR(Augmented Reality)/VR(Virtual Reality)/MR(Mixed Reality) 기기를 포함하며, HMD(Head-Mounted Device), 차량에 구비된 HUD(Head-Up Display), 텔레비전, 스마트폰, 컴퓨터, 웨어러블 디바이스, 가전 기기, 디지털 사이니지(signage), 차량, 로봇 등의 형태로 구현될 수 있다. 휴대 기기는 스마트폰, 스마트패드, 웨어러블 기기(예, 스마트워치, 스마트글래스), 컴퓨터(예, 노트북 등) 등을 포함할 수 있다. 가전은 TV, 냉장고, 세탁기 등을 포함할 수 있다. IoT 기기는 센서, 스마트미터 등을 포함할 수 있다. 예를 들어, 기지국, 네트워크는 무선 기기로도 구현될 수 있으며, 특정 무선 기기(200a)는 다른 무선 기기에게 기지국/네트워크 노드로 동작할 수도 있다.

무선 기기(100a~100f)는 기지국(200)을 통해 네트워크(300)와 연결될 수 있다. 무선 기기(100a~100f)에는 AI(Artificial Intelligence) 기술이 적용될 수 있으며, 무선 기기(100a~100f)는 네트워크(300)를 통해 AI 서버(400)와 연결될 수 있다. 네트워크(300)는 3G 네트워크, 4G(예, LTE) 네트워크 또는 5G(예, NR) 네트워크 등을 이용하여 구성될 수 있다. 무선 기기(100a~100f)는 기지국(200)/네트워크(300)를 통해 서로 통신할 수도 있지만, 기지국/네트워크를 통하지 않고 직접 통신(e.g. 사이드링크 통신(sidelink communication))할 수도 있다. 예를 들어, 차량들(100b-1, 100b-2)은 직접 통신(e.g. V2V(Vehicle to Vehicle)/V2X(Vehicle to everything) communication)을 할 수 있다. 또한, IoT 기기(예, 센서)는 다른 IoT 기기(예, 센서) 또는 다른 무선 기기(100a~100f)와 직접 통신을 할 수 있다.

무선 기기(100a~100f)/기지국(200)-기지국(200)/무선 기기(100a~100f) 간에는 무선 통신/연결(150a, 150b)이 이뤄질 수 있다. 여기서, 무선 통신/연결은 상향/하향링크 통신(150a)과 사이드링크 통신(150b)(또는, D2D 통신)은 다양한 무선 접속 기술(예, 5G NR)을 통해 이뤄질 수 있다. 무선 통신/연결(150a, 150b)을 통해 무선 기기와 기지국/무선 기기는 서로 무선 신호를 송신/수신할 수 있다. 예를 들어, 무선 통신/연결(150a, 150b)은 도 A1의 전체/일부 과정에 기반하여 다양한 물리 채널을 통해 신호를 송신/수신할 수 있다. 이를 위해, 본 발명의 다양한 제안들에 기반하여, 무선 신호의 송신/수신을 위한 다양한 구성정보 설정 과정, 다양한 신호 처리 과정(예, 채널 인코딩/디코딩, 변조/복조, 자원 매핑/디매핑 등), 자원 할당 과정 등 중 적어도 일부가 수행될 수 있다.

도 26은 본 발명에 적용될 수 있는 무선 기기를 예시한다.

도 26을 참조하면, 제1 무선 기기(100)와 제2 무선 기기(200)는 다양한 무선 접속 기술(예, LTE, NR)을 통해 무선 신호를 송수신할 수 있다. 여기서, {제1 무선 기기(100), 제2 무선 기기(200)}은 도 25의 {무선 기기(100x), 기지국(200)} 및/또는 {무선 기기(100x), 무선 기기(100x)}에 대응할 수 있다.

제1 무선 기기(100)는 하나 이상의 프로세서(102) 및 하나 이상의 메모리(104)를 포함하며, 추가적으로 하나 이상의 송수신기(106) 및/또는 하나 이상의 안테나(108)을 더 포함할 수 있다. 프로세서(102)는 메모리(104) 및/또는 송수신기(106)를 제어하며, 앞에서 설명/제안한 기능, 절차 및/또는 방법들을 구현하도록 구성될 수 있다. 예를 들어, 프로세서(102)는 메모리(104) 내의 정보를 처리하여 제1 정보/신호를 생성한 뒤, 송수신기(106)을 통해 제1 정보/신호를 포함하는 무선 신호를 전송할 수 있다. 또한, 프로세서(102)는 송수신기(106)를 통해 제2 정보/신호를 포함하는 무선 신호를 수신한 뒤, 제2 정보/신호의 신호 처리로부터 얻은 정보를 메모리(104)에 저장할 수 있다. 메모리(104)는 프로세서(102)와 연결될 수 있고, 프로세서(102)의 동작과 관련한 다양한 정보를 저장할 수 있다. 예를 들어, 메모리(104)는 프로세서(102)에 의해 제어되는 프로세스들 중 일부 또는 전부를 수행하거나, 앞에서 설명/제안한 절차 및/또는 방법들을 수행하기 위한 명령들을 포함하는 소프트웨어 코드를 저장할 수 있다. 여기서, 프로세서(102)와 메모리(104)는 무선 통신 기술(예, LTE, NR)을 구현하도록 설계된 통신 모뎀/회로/칩의 일부일 수 있다. 송수신기(106)는 프로세서(102)와 연결될 수 있고, 하나 이상의 안테나(108)를 통해 무선 신호를 송신 및/또는 수신할 수 있다. 송수신기(106)는 송신기 및/또는 수신기를 포함할 수 있다. 송수신기(106)는 RF(Radio Frequency) 유닛과 혼용될 수 있다. 본 발명에서 무선 기기는 통신 모뎀/회로/칩을 의미할 수도 있다.

제2 무선 기기(200)는 하나 이상의 프로세서(202), 하나 이상의 메모리(204)를 포함하며, 추가적으로 하나 이상의 송수신기(206) 및/또는 하나 이상의 안테나(208)를 더 포함할 수 있다. 프로세서(202)는 메모리(204) 및/또는 송수신기(206)를 제어하며, 앞에서 설명/제안한 기능, 절차 및/또는 방법들을 구현하도록 구성될 수 있다. 예를 들어, 프로세서(202)는 메모리(204) 내의 정보를 처리하여 제3 정보/신호를 생성한 뒤, 송수신기(206)를 통해 제3 정보/신호를 포함하는 무선 신호를 전송할 수 있다. 또한, 프로세서(202)는 송수신기(206)를 통해 제4 정보/신호를 포함하는 무선 신호를 수신한 뒤, 제4 정보/신호의 신호 처리로부터 얻은 정보를 메모리(204)에 저장할 수 있다. 메모리(204)는 프로세서(202)와 연결될 수 있고, 프로세서(202)의 동작과 관련한 다양한 정보를 저장할 수 있다. 예를 들어, 메모리(204)는 프로세서(202)에 의해 제어되는 프로세스들 중 일부 또는 전부를 수행하거나, 앞에서 설명/제안한 절차 및/또는 방법들을 수행하기 위한 명령들을 포함하는 소프트웨어 코드를 저장할 수 있다. 여기서, 프로세서(202)와 메모리(204)는 무선 통신 기술(예, LTE, NR)을 구현하도록 설계된 통신 모뎀/회로/칩의 일부일 수 있다. 송수신기(206)는 프로세서(202)와 연결될 수 있고, 하나 이상의 안테나(208)를 통해 무선 신호를 송신 및/또는 수신할 수 있다. 송수신기(206)는 송신기 및/또는 수신기를 포함할 수 있다 송수신기(206)는 RF 유닛과 혼용될 수 있다. 본 발명에서 무선 기기는 통신 모뎀/회로/칩을 의미할 수도 있다.

이하, 무선 기기(100, 200)의 하드웨어 요소에 대해 보다 구체적으로 설명한다. 이로 제한되는 것은 아니지만, 하나 이상의 프로토콜 계층이 하나 이상의 프로세서(102, 202)에 의해 구현될 수 있다. 예를 들어, 하나 이상의 프로세서(102, 202)는 하나 이상의 계층(예, PHY, MAC, RLC, PDCP, RRC, SDAP와 같은 기능적 계층)을 구현할 수 있다. 하나 이상의 프로세서(102, 202)는 본 문서에 개시된 기능, 절차, 제안 및/또는 방법에 따라 하나 이상의 PDU(Protocol Data Unit) 및/또는 하나 이상의 SDU(Service Data Unit)를 생성할 수 있다. 하나 이상의 프로세서(102, 202)는 본 문서에 개시된 기능, 절차, 제안 및/또는 방법에 따라 메시지, 제어정보, 데이터 또는 정보를 생성할 수 있다. 하나 이상의 프로세서(102, 202)는 본 문서에 개시된 기능, 절차, 제안 및/또는 방법에 따라 PDU, SDU, 메시지, 제어정보, 데이터 또는 정보를 포함하는 신호(예, 베이스밴드 신호)를 생성하여, 하나 이상의 송수신기(106, 206)에게 제공할 수 있다. 하나 이상의 프로세서(102, 202)는 하나 이상의 송수신기(106, 206)로부터 신호(예, 베이스밴드 신호)를 수신할 수 있고, 본 문서에 개시된 기능, 절차, 제안 및/또는 방법에 따라 PDU, SDU, 메시지, 제어정보, 데이터 또는 정보를 획득할 수 있다.

하나 이상의 프로세서(102, 202)는 컨트롤러, 마이크로 컨트롤러, 마이크로 프로세서 또는 마이크로 컴퓨터로 지칭될 수 있다. 하나 이상의 프로세서(102, 202)는 하드웨어, 펌웨어, 소프트웨어, 또는 이들의 조합에 의해 구현될 수 있다. 일 예로, 하나 이상의 ASIC(Application Specific Integrated Circuit), 하나 이상의 DSP(Digital Signal Processor), 하나 이상의 DSPD(Digital Signal Processing Device), 하나 이상의 PLD(Programmable Logic Device) 또는 하나 이상의 FPGA(Field Programmable Gate Arrays)가 하나 이상의 프로세서(102, 202)에 포함될 수 있다. 본 문서에 개시된 기능, 절차, 제안 및/또는 방법들은 펌웨어 또는 소프트웨어를 사용하여 구현될 수 있고, 펌웨어 또는 소프트웨어는 모듈, 절차, 기능 등을 포함하도록 구현될 수 있다. 본 문서에 개시된 기능, 절차, 제안 및/또는 방법을 수행하도록 설정된 펌웨어 또는 소프트웨어는 하나 이상의 프로세서(102, 202)에 포함되거나, 하나 이상의 메모리(104, 204)에 저장되어 하나 이상의 프로세서(102, 202)에 의해 구동될 수 있다. 본 문서에 개시된 기능, 절차, 제안 및 또는 방법들은 코드, 명령어 및/또는 명령어의 집합 형태로 펌웨어 또는 소프트웨어를 사용하여 구현될 수 있다.

하나 이상의 메모리(104, 204)는 하나 이상의 프로세서(102, 202)와 연결될 수 있고, 다양한 형태의 데이터, 신호, 메시지, 정보, 프로그램, 코드, 지시 및/또는 명령을 저장할 수 있다. 하나 이상의 메모리(104, 204)는 ROM, RAM, EPROM, 플래시 메모리, 하드 드라이브, 레지스터, 캐쉬 메모리, 컴퓨터 판독 저장 매체 및/또는 이들의 조합으로 구성될 수 있다. 하나 이상의 메모리(104, 204)는 하나 이상의 프로세서(102, 202)의 내부 및/또는 외부에 위치할 수 있다. 또한, 하나 이상의 메모리(104, 204)는 유선 또는 무선 연결과 같은 다양한 기술을 통해 하나 이상의 프로세서(102, 202)와 연결될 수 있다.

하나 이상의 송수신기(106, 206)는 하나 이상의 다른 장치에게 본 문서의 방법들 및/또는 동작 순서도 등에서 언급되는 사용자 데이터, 제어 정보, 무선 신호/채널 등을 전송할 수 있다. 하나 이상의 송수신기(106, 206)는 하나 이상의 다른 장치로부터 본 문서에 개시된 기능, 절차, 제안, 방법 및/또는 동작 순서도 등에서 언급되는 사용자 데이터, 제어 정보, 무선 신호/채널 등을 수신할 수 있다. 예를 들어, 하나 이상의 송수신기(106, 206)는 하나 이상의 프로세서(102, 202)와 연결될 수 있고, 무선 신호를 송수신할 수 있다. 예를 들어, 하나 이상의 프로세서(102, 202)는 하나 이상의 송수신기(106, 206)가 하나 이상의 다른 장치에게 사용자 데이터, 제어 정보 또는 무선 신호를 전송하도록 제어할 수 있다. 또한, 하나 이상의 프로세서(102, 202)는 하나 이상의 송수신기(106, 206)가 하나 이상의 다른 장치로부터 사용자 데이터, 제어 정보 또는 무선 신호를 수신하도록 제어할 수 있다. 또한, 하나 이상의 송수신기(106, 206)는 하나 이상의 안테나(108, 208)와 연결될 수 있고, 하나 이상의 송수신기(106, 206)는 하나 이상의 안테나(108, 208)를 통해 본 문서에 개시된 기능, 절차, 제안, 방법 및/또는 동작 순서도 등에서 언급되는 사용자 데이터, 제어 정보, 무선 신호/채널 등을 송수신하도록 설정될 수 있다. 본 문서에서, 하나 이상의 안테나는 복수의 물리 안테나이거나, 복수의 논리 안테나(예, 안테나 포트)일 수 있다. 하나 이상의 송수신기(106, 206)는 수신된 사용자 데이터, 제어 정보, 무선 신호/채널 등을 하나 이상의 프로세서(102, 202)를 이용하여 처리하기 위해, 수신된 무선 신호/채널 등을 RF 밴드 신호에서 베이스밴드 신호로 변환(Convert)할 수 있다. 하나 이상의 송수신기(106, 206)는 하나 이상의 프로세서(102, 202)를 이용하여 처리된 사용자 데이터, 제어 정보, 무선 신호/채널 등을 베이스밴드 신호에서 RF 밴드 신호로 변환할 수 있다. 이를 위하여, 하나 이상의 송수신기(106, 206)는 (아날로그) 오실레이터 및/또는 필터를 포함할 수 있다.

도 27는 전송 신호를 위한 신호 처리 회로를 예시한다.

도 27를 참조하면, 신호 처리 회로(1000)는 스크램블러(1010), 변조기(1020), 레이어 매퍼(1030), 프리코더(1040), 자원 매퍼(1050), 신호 생성기(1060)를 포함할 수 있다. 이로 제한되는 것은 아니지만, 도 27의 동작/기능은 도 26의 프로세서(102, 202) 및/또는 송수신기(106, 206)에서 수행될 수 있다. 도 27의 하드웨어 요소는 도 26의 프로세서(102, 202) 및/또는 송수신기(106, 206)에서 구현될 수 있다. 예를 들어, 블록 1010~1060은 도 26의 프로세서(102, 202)에서 구현될 수 있다. 또한, 블록 1010~1050은 도 26의 프로세서(102, 202)에서 구현되고, 블록 1060은 도 26의 송수신기(106, 206)에서 구현될 수 있다.

코드워드는 도 27의 신호 처리 회로(1000)를 거쳐 무선 신호로 변환될 수 있다. 여기서, 코드워드는 정보블록의 부호화된 비트 시퀀스이다. 정보블록은 전송블록(예, UL-SCH 전송블록, DL-SCH 전송블록)을 포함할 수 있다. 무선 신호는 도 A1의 다양한 물리 채널(예, PUSCH, PDSCH)을 통해 전송될 수 있다.

구체적으로, 코드워드는 스크램블러(1010)에 의해 스크램블된 비트 시퀀스로 변환될 수 있다. 스크램블에 사용되는 스크램블 시퀀스는 초기화 값에 기반하여 생성되며, 초기화 값은 무선 기기의 ID 정보 등이 포함될 수 있다. 스크램블된 비트 시퀀스는 변조기(1020)에 의해 변조 심볼 시퀀스로 변조될 수 있다. 변조 방식은 pi/2-BPSK(pi/2-Binary Phase Shift Keying), m-PSK(m-Phase Shift Keying), m-QAM(m-Quadrature Amplitude Modulation) 등을 포함할 수 있다. 복소 변조 심볼 시퀀스는 레이어 매퍼(1030)에 의해 하나 이상의 전송 레이어로 매핑될 수 있다. 각 전송 레이어의 변조 심볼들은 프리코더(1040)에 의해 해당 안테나 포트(들)로 매핑될 수 있다(프리코딩). 프리코더(1040)의 출력 z는 레이어 매퍼(1030)의 출력 y를 N*M의 프리코딩 행렬 W와 곱해 얻을 수 있다. 여기서, N은 안테나 포트의 개수, M은 전송 레이어의 개수이다. 여기서, 프리코더(1040)는 복소 변조 심볼들에 대한 트랜스폼(transform) 프리코딩(예, DFT 변환)을 수행한 이후에 프리코딩을 수행할 수 있다. 또한, 프리코더(1040)는 트랜스폼 프리코딩을 수행하지 않고 프리코딩을 수행할 수 있다.

자원 매퍼(1050)는 각 안테나 포트의 변조 심볼들을 시간-주파수 자원에 매핑할 수 있다. 시간-주파수 자원은 시간 도메인에서 복수의 심볼(예, CP-OFDMA 심볼, DFT-s-OFDMA 심볼)을 포함하고, 주파수 도메인에서 복수의 부반송파를 포함할 수 있다. 신호 생성기(1060)는 매핑된 변조 심볼들로부터 무선 신호를 생성하며, 생성된 무선 신호는 각 안테나를 통해 다른 기기로 전송될 수 있다. 이를 위해, 신호 생성기(1060)는 IFFT(Inverse Fast Fourier Transform) 모듈 및 CP(Cyclic Prefix) 삽입기, DAC(Digital-to-Analog Converter), 주파수 상향 변환기(frequency uplink converter) 등을 포함할 수 있다.

무선 기기에서 수신 신호를 위한 신호 처리 과정은 도 27의 신호 처리 과정(1010~1060)의 역으로 구성될 수 있다. 예를 들어, 무선 기기(예, 도 26의 100, 200)는 안테나 포트/송수신기를 통해 외부로부터 무선 신호를 수신할 수 있다. 수신된 무선 신호는 신호 복원기를 통해 베이스밴드 신호로 변환될 수 있다. 이를 위해, 신호 복원기는 주파수 하향 변환기(frequency downlink converter), ADC(analog-to-digital converter), CP 제거기, FFT(Fast Fourier Transform) 모듈을 포함할 수 있다. 이후, 베이스밴드 신호는 자원 디-매퍼 과정, 포스트코딩(postcoding) 과정, 복조 과정 및 디-스크램블 과정을 거쳐 코드워드로 복원될 수 있다. 코드워드는 복호(decoding)를 거쳐 원래의 정보블록으로 복원될 수 있다. 따라서, 수신 신호를 위한 신호 처리 회로(미도시)는 신호 복원기, 자원 디-매퍼, 포스트코더, 복조기, 디-스크램블러 및 복호기를 포함할 수 있다.

도 28은 본 발명에 적용되는 무선 기기의 다른 예를 나타낸다. 무선 기기는 사용-예/서비스에 따라 다양한 형태로 구현될 수 있다(도 25, 도 29~34 참조).

도 28을 참조하면, 무선 기기(100, 200)는 도 26의 무선 기기(100,200)에 대응하며, 다양한 요소(element), 성분(component), 유닛/부(unit), 및/또는 모듈(module)로 구성될 수 있다. 예를 들어, 무선 기기(100, 200)는 통신부(110), 제어부(120), 메모리부(130) 및 추가 요소(140)를 포함할 수 있다. 통신부는 통신 회로(112) 및 송수신기(들)(114)을 포함할 수 있다. 예를 들어, 통신 회로(112)는 도 26의 하나 이상의 프로세서(102,202) 및/또는 하나 이상의 메모리(104,204) 를 포함할 수 있다. 예를 들어, 송수신기(들)(114)는 도 26의 하나 이상의 송수신기(106,206) 및/또는 하나 이상의 안테나(108,208)을 포함할 수 있다. 제어부(120)는 통신부(110), 메모리부(130) 및 추가 요소(140)와 전기적으로 연결되며 무선 기기의 제반 동작을 제어한다. 예를 들어, 제어부(120)는 메모리부(130)에 저장된 프로그램/코드/명령/정보에 기반하여 무선 기기의 전기적/기계적 동작을 제어할 수 있다. 또한, 제어부(120)는 메모리부(130)에 저장된 정보를 통신부(110)을 통해 외부(예, 다른 통신 기기)로 무선/유선 인터페이스를 통해 전송하거나, 통신부(110)를 통해 외부(예, 다른 통신 기기)로부터 무선/유선 인터페이스를 통해 수신된 정보를 메모리부(130)에 저장할 수 있다.

추가 요소(140)는 무선 기기의 종류에 따라 다양하게 구성될 수 있다. 예를 들어, 추가 요소(140)는 파워 유닛/배터리, 입출력부(I/O unit), 구동부 및 컴퓨팅부 중 적어도 하나를 포함할 수 있다. 이로 제한되는 것은 아니지만, 무선 기기는 로봇(도 25, 100a), 차량(도 25, 100b-1, 100b-2), XR 기기(도 25, 100c), 휴대 기기(도 25, 100d), 가전(도 25, 100e), IoT 기기(도 25, 100f), 디지털 방송용 단말, 홀로그램 장치, 공공 안전 장치, MTC 장치, 의료 장치, 핀테크 장치(또는 금융 장치), 보안 장치, 기후/환경 장치, AI 서버/기기(도 25, 400), 기지국(도 25, 200), 네트워크 노드 등의 형태로 구현될 수 있다. 무선 기기는 사용-예/서비스에 따라 이동 가능하거나 고정된 장소에서 사용될 수 있다.

도 28에서 무선 기기(100, 200) 내의 다양한 요소, 성분, 유닛/부, 및/또는 모듈은 전체가 유선 인터페이스를 통해 상호 연결되거나, 적어도 일부가 통신부(110)를 통해 무선으로 연결될 수 있다. 예를 들어, 무선 기기(100, 200) 내에서 제어부(120)와 통신부(110)는 유선으로 연결되며, 제어부(120)와 제1 유닛(예, 130, 140)은 통신부(110)를 통해 무선으로 연결될 수 있다. 또한, 무선 기기(100, 200) 내의 각 요소, 성분, 유닛/부, 및/또는 모듈은 하나 이상의 요소를 더 포함할 수 있다. 예를 들어, 제어부(120)는 하나 이상의 프로세서 집합으로 구성될 수 있다. 예를 들어, 제어부(120)는 통신 제어 프로세서, 어플리케이션 프로세서(Application processor), ECU(Electronic Control Unit), 그래픽 처리 프로세서, 메모리 제어 프로세서 등의 집합으로 구성될 수 있다. 다른 예로, 메모리부(130)는 RAM(Random Access Memory), DRAM(Dynamic RAM), ROM(Read Only Memory), 플래시 메모리(flash memory), 휘발성 메모리(volatile memory), 비-휘발성 메모리(non-volatile memory) 및/또는 이들의 조합으로 구성될 수 있다.

이하, 도 28의 구현 예에 대해 도면을 참조하여 보다 자세히 설명한다.

도 29는 본 발명에 적용되는 휴대 기기를 예시한다. 휴대 기기는 스마트폰, 스마트패드, 웨어러블 기기(예, 스마트워치, 스마트글래스), 휴대용 컴퓨터(예, 노트북 등)을 포함할 수 있다. 휴대 기기는 MS(Mobile Station), UT(user terminal), MSS(Mobile Subscriber Station), SS(Subscriber Station), AMS(Advanced Mobile Station) 또는 WT(Wireless terminal)로 지칭될 수 있다.

도 29를 참조하면, 휴대 기기(100)는 안테나부(108), 통신부(110), 제어부(120), 메모리부(130), 전원공급부(140a), 인터페이스부(140b) 및 입출력부(140c)를 포함할 수 있다. 안테나부(108)는 통신부(110)의 일부로 구성될 수 있다. 블록 110~130/140a~140c는 각각 도 28의 블록 110~130/140에 대응한다.

통신부(110)는 다른 무선 기기, 기지국들과 신호(예, 데이터, 제어 신호 등)를 송수신할 수 있다. 제어부(120)는 휴대 기기(100)의 구성 요소들을 제어하여 다양한 동작을 수행할 수 있다. 제어부(120)는 AP(Application Processor)를 포함할 수 있다. 메모리부(130)는 휴대 기기(100)의 구동에 필요한 데이터/파라미터/프로그램/코드/명령을 저장할 수 있다. 또한, 메모리부(130)는 입/출력되는 데이터/정보 등을 저장할 수 있다. 전원공급부(140a)는 휴대 기기(100)에게 전원을 공급하며, 유/무선 충전 회로, 배터리 등을 포함할 수 있다. 인터페이스부(140b)는 휴대 기기(100)와 다른 외부 기기의 연결을 지원할 수 있다. 인터페이스부(140b)는 외부 기기와의 연결을 위한 다양한 포트(예, 오디오 입/출력 포트, 비디오 입/출력 포트)를 포함할 수 있다. 입출력부(140c)는 영상 정보/신호, 오디오 정보/신호, 데이터, 및/또는 사용자로부터 입력되는 정보를 입력 받거나 출력할 수 있다. 입출력부(140c)는 카메라, 마이크로폰, 사용자 입력부, 디스플레이부(140d), 스피커 및/또는 햅틱 모듈 등을 포함할 수 있다.

일 예로, 데이터 통신의 경우, 입출력부(140c)는 사용자로부터 입력된 정보/신호(예, 터치, 문자, 음성, 이미지, 비디오)를 획득하며, 획득된 정보/신호는 메모리부(130)에 저장될 수 있다. 통신부(110)는 메모리에 저장된 정보/신호를 무선 신호로 변환하고, 변환된 무선 신호를 다른 무선 기기에게 직접 전송하거나 기지국에게 전송할 수 있다. 또한, 통신부(110)는 다른 무선 기기 또는 기지국으로부터 무선 신호를 수신한 뒤, 수신된 무선 신호를 원래의 정보/신호로 복원할 수 있다. 복원된 정보/신호는 메모리부(130)에 저장된 뒤, 입출력부(140c)를 통해 다양한 형태(예, 문자, 음성, 이미지, 비디오, 헵틱)로 출력될 수 있다.

도 30는 본 발명에 적용되는 차량 또는 자율 주행 차량을 예시한다. 차량 또는 자율 주행 차량은 이동형 로봇, 차량, 기차, 유/무인 비행체(Aerial Vehicle, AV), 선박 등으로 구현될 수 있다.

도 30를 참조하면, 차량 또는 자율 주행 차량(100)은 안테나부(108), 통신부(110), 제어부(120), 구동부(140a), 전원공급부(140b), 센서부(140c) 및 자율 주행부(140d)를 포함할 수 있다. 안테나부(108)는 통신부(110)의 일부로 구성될 수 있다. 블록 110/130/140a~140d는 각각 도 28의 블록 110/130/140에 대응한다.

통신부(110)는 다른 차량, 기지국(e.g. 기지국, 노변 기지국(Road Side unit) 등), 서버 등의 외부 기기들과 신호(예, 데이터, 제어 신호 등)를 송수신할 수 있다. 제어부(120)는 차량 또는 자율 주행 차량(100)의 요소들을 제어하여 다양한 동작을 수행할 수 있다. 제어부(120)는 ECU(Electronic Control Unit)를 포함할 수 있다. 구동부(140a)는 차량 또는 자율 주행 차량(100)을 지상에서 주행하게 할 수 있다. 구동부(140a)는 엔진, 모터, 파워 트레인, 바퀴, 브레이크, 조향 장치 등을 포함할 수 있다. 전원공급부(140b)는 차량 또는 자율 주행 차량(100)에게 전원을 공급하며, 유/무선 충전 회로, 배터리 등을 포함할 수 있다. 센서부(140c)는 차량 상태, 주변 환경 정보, 사용자 정보 등을 얻을 수 있다. 센서부(140c)는 IMU(inertial measurement unit) 센서, 충돌 센서, 휠 센서(wheel sensor), 속도 센서, 경사 센서, 중량 감지 센서, 헤딩 센서(heading sensor), 포지션 모듈(position module), 차량 전진/후진 센서, 배터리 센서, 연료 센서, 타이어 센서, 스티어링 센서, 온도 센서, 습도 센서, 초음파 센서, 조도 센서, 페달 포지션 센서 등을 포함할 수 있다. 자율 주행부(140d)는 주행중인 차선을 유지하는 기술, 어댑티브 크루즈 컨트롤과 같이 속도를 자동으로 조절하는 기술, 정해진 경로를 따라 자동으로 주행하는 기술, 목적지가 설정되면 자동으로 경로를 설정하여 주행하는 기술 등을 구현할 수 있다.

일 예로, 통신부(110)는 외부 서버로부터 지도 데이터, 교통 정보 데이터 등을 수신할 수 있다. 자율 주행부(140d)는 획득된 데이터를 기반으로 자율 주행 경로와 드라이빙 플랜을 생성할 수 있다. 제어부(120)는 드라이빙 플랜에 따라 차량 또는 자율 주행 차량(100)이 자율 주행 경로를 따라 이동하도록 구동부(140a)를 제어할 수 있다(예, 속도/방향 조절). 자율 주행 도중에 통신부(110)는 외부 서버로부터 최신 교통 정보 데이터를 비/주기적으로 획득하며, 주변 차량으로부터 주변 교통 정보 데이터를 획득할 수 있다. 또한, 자율 주행 도중에 센서부(140c)는 차량 상태, 주변 환경 정보를 획득할 수 있다. 자율 주행부(140d)는 새로 획득된 데이터/정보에 기반하여 자율 주행 경로와 드라이빙 플랜을 갱신할 수 있다. 통신부(110)는 차량 위치, 자율 주행 경로, 드라이빙 플랜 등에 관한 정보를 외부 서버로 전달할 수 있다. 외부 서버는 차량 또는 자율 주행 차량들로부터 수집된 정보에 기반하여, AI 기술 등을 이용하여 교통 정보 데이터를 미리 예측할 수 있고, 예측된 교통 정보 데이터를 차량 또는 자율 주행 차량들에게 제공할 수 있다.

도 31은 본 발명에 적용되는 차량을 예시한다. 차량은 운송수단, 기차, 비행체, 선박 등으로도 구현될 수 있다.

도 31을 참조하면, 차량(100)은 통신부(110), 제어부(120), 메모리부(130), 입출력부(140a) 및 위치 측정부(140b)를 포함할 수 있다. 여기서, 블록 110~130/140a~140b는 각각 도 28의 블록 110~130/140에 대응한다.

통신부(110)는 다른 차량, 또는 기지국 등의 외부 기기들과 신호(예, 데이터, 제어 신호 등)를 송수신할 수 있다. 제어부(120)는 차량(100)의 구성 요소들을 제어하여 다양한 동작을 수행할 수 있다. 메모리부(130)는 차량(100)의 다양한 기능을 지원하는 데이터/파라미터/프로그램/코드/명령을 저장할 수 있다. 입출력부(140a)는 메모리부(130) 내의 정보에 기반하여 AR/VR 오브젝트를 출력할 수 있다. 입출력부(140a)는 HUD를 포함할 수 있다. 위치 측정부(140b)는 차량(100)의 위치 정보를 획득할 수 있다. 위치 정보는 차량(100)의 절대 위치 정보, 주행선 내에서의 위치 정보, 가속도 정보, 주변 차량과의 위치 정보 등을 포함할 수 있다. 위치 측정부(140b)는 GPS 및 다양한 센서들을 포함할 수 있다.

일 예로, 차량(100)의 통신부(110)는 외부 서버로부터 지도 정보, 교통 정보 등을 수신하여 메모리부(130)에 저장할 수 있다. 위치 측정부(140b)는 GPS 및 다양한 센서를 통하여 차량 위치 정보를 획득하여 메모리부(130)에 저장할 수 있다. 제어부(120)는 지도 정보, 교통 정보 및 차량 위치 정보 등에 기반하여 가상 오브젝트를 생성하고, 입출력부(140a)는 생성된 가상 오브젝트를 차량 내 유리창에 표시할 수 있다(1410, 1420). 또한, 제어부(120)는 차량 위치 정보에 기반하여 차량(100)이 주행선 내에서 정상적으로 운행되고 있는지 판단할 수 있다. 차량(100)이 주행선을 비정상적으로 벗어나는 경우, 제어부(120)는 입출력부(140a)를 통해 차량 내 유리창에 경고를 표시할 수 있다. 또한, 제어부(120)는 통신부(110)를 통해 주변 차량들에게 주행 이상에 관한 경고 메세지를 방송할 수 있다. 상황에 따라, 제어부(120)는 통신부(110)를 통해 관계 기관에게 차량의 위치 정보와, 주행/차량 이상에 관한 정보를 전송할 수 있다.

도 32은 본 발명에 적용되는 XR 기기를 예시한다. XR 기기는 HMD, 차량에 구비된 HUD(Head-Up Display), 텔레비전, 스마트폰, 컴퓨터, 웨어러블 디바이스, 가전 기기, 디지털 사이니지(signage), 차량, 로봇 등으로 구현될 수 있다.

도 32을 참조하면, XR 기기(100a)는 통신부(110), 제어부(120), 메모리부(130), 입출력부(140a), 센서부(140b) 및 전원공급부(140c)를 포함할 수 있다. 여기서, 블록 110~130/140a~140c은 각각 도 28의 블록 110~130/140에 대응한다.

통신부(110)는 다른 무선 기기, 휴대 기기, 또는 미디어 서버 등의 외부 기기들과 신호(예, 미디어 데이터, 제어 신호 등)를 송수신할 수 있다. 미디어 데이터는 영상, 이미지, 소리 등을 포함할 수 있다. 제어부(120)는 XR 기기(100a)의 구성 요소들을 제어하여 다양한 동작을 수행할 수 있다. 예를 들어, 제어부(120)는 비디오/이미지 획득, (비디오/이미지) 인코딩, 메타데이터 생성 및 처리 등의 절차를 제어 및/또는 수행하도록 구성될 수 있다. 메모리부(130)는 XR 기기(100a)의 구동/XR 오브젝트의 생성에 필요한 데이터/파라미터/프로그램/코드/명령을 저장할 수 있다. 입출력부(140a)는 외부로부터 제어 정보, 데이터 등을 획득하며, 생성된 XR 오브젝트를 출력할 수 있다. 입출력부(140a)는 카메라, 마이크로폰, 사용자 입력부, 디스플레이부, 스피커 및/또는 햅틱 모듈 등을 포함할 수 있다. 센서부(140b)는 XR 기기 상태, 주변 환경 정보, 사용자 정보 등을 얻을 수 있다. 센서부(140b)는 근접 센서, 조도 센서, 가속도 센서, 자기 센서, 자이로 센서, 관성 센서, RGB 센서, IR 센서, 지문 인식 센서, 초음파 센서, 광 센서, 마이크로폰 및/또는 레이더 등을 포함할 수 있다. 전원공급부(140c)는 XR 기기(100a)에게 전원을 공급하며, 유/무선 충전 회로, 배터리 등을 포함할 수 있다.

일 예로, XR 기기(100a)의 메모리부(130)는 XR 오브젝트(예, AR/VR/MR 오브젝트)의 생성에 필요한 정보(예, 데이터 등)를 포함할 수 있다. 입출력부(140a)는 사용자로부터 XR 기기(100a)를 조작하는 명령을 회득할 수 있으며, 제어부(120)는 사용자의 구동 명령에 따라 XR 기기(100a)를 구동시킬 수 있다. 예를 들어, 사용자가 XR 기기(100a)를 통해 영화, 뉴스 등을 시청하려고 하는 경우, 제어부(120)는 통신부(130)를 통해 컨텐츠 요청 정보를 다른 기기(예, 휴대 기기(100b)) 또는 미디어 서버에 전송할 수 있다. 통신부(130)는 다른 기기(예, 휴대 기기(100b)) 또는 미디어 서버로부터 영화, 뉴스 등의 컨텐츠를 메모리부(130)로 다운로드/스트리밍 받을 수 있다. 제어부(120)는 컨텐츠에 대해 비디오/이미지 획득, (비디오/이미지) 인코딩, 메타데이터 생성/처리 등의 절차를 제어 및/또는 수행하며, 입출력부(140a)/센서부(140b)를 통해 획득한 주변 공간 또는 현실 오브젝트에 대한 정보에 기반하여 XR 오브젝트를 생성/출력할 수 있다.

또한, XR 기기(100a)는 통신부(110)를 통해 휴대 기기(100b)와 무선으로 연결되며, XR 기기(100a)의 동작은 휴대 기기(100b)에 의해 제어될 수 있다. 예를 들어, 휴대 기기(100b)는 XR 기기(100a)에 대한 콘트롤러로 동작할 수 있다. 이를 위해, XR 기기(100a)는 휴대 기기(100b)의 3차원 위치 정보를 획득한 뒤, 휴대 기기(100b)에 대응하는 XR 개체를 생성하여 출력할 수 있다.

도 33은 본 발명에 적용되는 로봇을 예시한다. 로봇은 사용 목적이나 분야에 따라 산업용, 의료용, 가정용, 군사용 등으로 분류될 수 있다.

도 33을 참조하면, 로봇(100)은 통신부(110), 제어부(120), 메모리부(130), 입출력부(140a), 센서부(140b) 및 구동부(140c)를 포함할 수 있다. 여기서, 블록 110~130/140a~140c은 각각 도 28의 블록 110~130/140에 대응한다.

통신부(110)는 다른 무선 기기, 다른 로봇, 또는 제어 서버 등의 외부 기기들과 신호(예, 구동 정보, 제어 신호 등)를 송수신할 수 있다. 제어부(120)는 로봇(100)의 구성 요소들을 제어하여 다양한 동작을 수행할 수 있다. 메모리부(130)는 로봇(100)의 다양한 기능을 지원하는 데이터/파라미터/프로그램/코드/명령을 저장할 수 있다. 입출력부(140a)는 로봇(100)의 외부로부터 정보를 획득하며, 로봇(100)의 외부로 정보를 출력할 수 있다. 입출력부(140a)는 카메라, 마이크로폰, 사용자 입력부, 디스플레이부, 스피커 및/또는 햅틱 모듈 등을 포함할 수 있다. 센서부(140b)는 로봇(100)의 내부 정보, 주변 환경 정보, 사용자 정보 등을 얻을 수 있다. 센서부(140b)는 근접 센서, 조도 센서, 가속도 센서, 자기 센서, 자이로 센서, 관성 센서, IR 센서, 지문 인식 센서, 초음파 센서, 광 센서, 마이크로폰, 레이더 등을 포함할 수 있다. 구동부(140c)는 로봇 관절을 움직이는 등의 다양한 물리적 동작을 수행할 수 있다. 또한, 구동부(140c)는 로봇(100)을 지상에서 주행하거나 공중에서 비행하게 할 수 있다. 구동부(140c)는 액츄에이터, 모터, 바퀴, 브레이크, 프로펠러 등을 포함할 수 있다.

도 34는 본 발명에 적용되는 AI 기기를 예시한다. AI 기기는 TV, 프로젝터, 스마트폰, PC, 노트북, 디지털방송용 단말기, 태블릿 PC, 웨어러블 장치, 셋톱박스(STB), 라디오, 세탁기, 냉장고, 디지털 사이니지, 로봇, 차량 등과 같은, 고정형 기기 또는 이동 가능한 기기 등으로 구현될 수 있다.

도 34를 참조하면, AI 기기(100)는 통신부(110), 제어부(120), 메모리부(130), 입/출력부(140a/140b), 러닝 프로세서부(140c) 및 센서부(140d)를 포함할 수 있다. 블록 110~130/140a~140d는 각각 도 28의 블록 110~130/140에 대응한다.

통신부(110)는 유무선 통신 기술을 이용하여 다른 AI 기기(예, 도 25, 100x, 200, 400)나 AI 서버(200) 등의 외부 기기들과 유무선 신호(예, 센서 정보, 사용자 입력, 학습 모델, 제어 신호 등)를 송수신할 수 있다. 이를 위해, 통신부(110)는 메모리부(130) 내의 정보를 외부 기기로 전송하거나, 외부 기기로부터 수신된 신호를 메모리부(130)로 전달할 수 있다.

제어부(120)는 데이터 분석 알고리즘 또는 머신 러닝 알고리즘을 사용하여 결정되거나 생성된 정보에 기초하여, AI 기기(100)의 적어도 하나의 실행 가능한 동작을 결정할 수 있다. 그리고, 제어부(120)는 AI 기기(100)의 구성 요소들을 제어하여 결정된 동작을 수행할 수 있다. 예를 들어, 제어부(120)는 러닝 프로세서부(140c) 또는 메모리부(130)의 데이터를 요청, 검색, 수신 또는 활용할 수 있고, 적어도 하나의 실행 가능한 동작 중 예측되는 동작이나, 바람직한 것으로 판단되는 동작을 실행하도록 AI 기기(100)의 구성 요소들을 제어할 수 있다. 또한, 제어부(120)는 AI 장치(100)의 동작 내용이나 동작에 대한 사용자의 피드백 등을 포함하는 이력 정보를 수집하여 메모리부(130) 또는 러닝 프로세서부(140c)에 저장하거나, AI 서버(도 25, 400) 등의 외부 장치에 전송할 수 있다. 수집된 이력 정보는 학습 모델을 갱신하는데 이용될 수 있다.

메모리부(130)는 AI 기기(100)의 다양한 기능을 지원하는 데이터를 저장할 수 있다. 예를 들어, 메모리부(130)는 입력부(140a)로부터 얻은 데이터, 통신부(110)로부터 얻은 데이터, 러닝 프로세서부(140c)의 출력 데이터, 및 센싱부(140)로부터 얻은 데이터를 저장할 수 있다. 또한, 메모리부(130)는 제어부(120)의 동작/실행에 필요한 제어 정보 및/또는 소프트웨어 코드를 저장할 수 있다.

입력부(140a)는 AI 기기(100)의 외부로부터 다양한 종류의 데이터를 획득할 수 있다. 예를 들어, 입력부(120)는 모델 학습을 위한 학습 데이터, 및 학습 모델이 적용될 입력 데이터 등을 획득할 수 있다. 입력부(140a)는 카메라, 마이크로폰 및/또는 사용자 입력부 등을 포함할 수 있다. 출력부(140b)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시킬 수 있다. 출력부(140b)는 디스플레이부, 스피커 및/또는 햅틱 모듈 등을 포함할 수 있다. 센싱부(140)는 다양한 센서들을 이용하여 AI 기기(100)의 내부 정보, AI 기기(100)의 주변 환경 정보 및 사용자 정보 중 적어도 하나를 얻을 수 있다. 센싱부(140)는 근접 센서, 조도 센서, 가속도 센서, 자기 센서, 자이로 센서, 관성 센서, RGB 센서, IR 센서, 지문 인식 센서, 초음파 센서, 광 센서, 마이크로폰 및/또는 레이더 등을 포함할 수 있다.

러닝 프로세서부(140c)는 학습 데이터를 이용하여 인공 신경망으로 구성된 모델을 학습시킬 수 있다. 러닝 프로세서부(140c)는 AI 서버(도 25, 400)의 러닝 프로세서부와 함께 AI 프로세싱을 수행할 수 있다. 러닝 프로세서부(140c)는 통신부(110)를 통해 외부 기기로부터 수신된 정보, 및/또는 메모리부(130)에 저장된 정보를 처리할 수 있다. 또한, 러닝 프로세서부(140c)의 출력 값은 통신부(110)를 통해 외부 기기로 전송되거나/되고, 메모리부(130)에 저장될 수 있다.

전술한 본 명세서는, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있으며, 또한 캐리어 웨이브(예를 들어, 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다. 본 명세서의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 명세서의 등가적 범위 내에서의 모든 변경은 본 명세서의 범위에 포함된다.

Claims

무선 통신 시스템에서 단말의 연합 학습 방법에 있어서,
로컬 모델에 기초하여 상기 로컬 모델에 연관된 제1 파라미터 셋을 제2 파라미터 셋으로 변경하는 단계;
상기 제1, 제2 파라미터 셋의 차이에 기초하여 상기 제2 파라미터 셋 중 적어도 일부를 선택하는 단계; 및
상기 선택된 적어도 일부를 서버로 전송하는 단계;
를 포함하는, 연합 학습 방법.
제1 항에 있어서,
하나 이상의 로우 데이터를 얻는 단계;
상기 하나 이상의 로우 데이터에 기초하여 하나 이상의 특징 정보를 추출하는 단계;
를 포함하고,
상기 변경하는 단계는,
상기 하나 이상의 특징 정보와 상기 특징 정보에 연관된 하나 이상의 레이블에 기초하여 수행되고, 연합 학습 방법.
제2 항에 있어서,
상기 하나 이상의 특징 정보 중 적어도 일부에 대하여 레이블을 할당하는 단계;
를 더 포함하고,
상기 레이블을 할당하는 단계는,
상기 단말의 제어 동작에 연관된 입력을 수신하는 것에 응답하여 상기 제어 동작에 연관된 명령어를 상기 적어도 일부의 특징 정보에 대한 레이블로 할당하는, 연합 학습 방법.
제2 항에 있어서,
상기 하나 이상의 특징 정보 중 적어도 일부에 대하여 레이블을 할당하는 단계;
를 더 포함하고,
상기 추출하는 단계는,
상기 단말의 제어 동작에 연관된 입력을 수신하는 것에 응답하여 수행되고,
상기 레이블을 할당하는 단계는,
상기 제어 동작에 연관된 명령어를 상기 적어도 일부의 특징 정보에 대한 레이블로 할당하는, 연합 학습 방법.
제1 항에 있어서,
상기 선택하는 단계는,
상기 제1, 제2 파라미터 셋의 차이가 설정된 기준 값을 초과하는 적어도 일부의 파라미터들을 선택하는 것인, 연합 학습 방법.
제5 항에 있어서,
상기 기준 값은 0인, 연합 학습 방법.
제1 항에 있어서,
상기 기지국으로 전송되는 적어도 일부의 파라미터는,
상기 서버에 저장된 글로벌 모델의 학습을 위한 것인, 방법.
무선 통신 시스템에서 서버의 연합 학습 방법에 있어서,
2 이상의 단말로부터 글로벌 모델의 학습을 위한 제1 파라미터 셋들을 수신하는 단계;
상기 수신된 제1 파라미터 셋들의 각 요소 별 평균(element-wise averaging)에 기초하여 산출된 새로운 제2 파라미터 셋으로 상기 글로벌 모델의 파라미터 셋 중 적어도 일부를 변경하는 단계; 및
상기 변경된 제3 파라미터 셋을 상기 2 이상의 단말로 전송하는 단계;
를 포함하는, 연합 학습 방법.
제8 항에 있어서,
상기 제1 파라미터 셋들은,
상기 2 이상의 단말에 저장된 로컬 모델에 기초하여 산출된 파라미터 셋들인, 연합 학습 방법.
제9 항에 있어서,
상기 2 이상의 단말에 저장된 로컬 모델들은,
동일한 신경망 구조를 갖는, 연합 학습 방법.
제9 항에 있어서,
상기 제1 파라미터 셋들은,
상기 로컬 모델의 학습 전후 파라미터 셋의 차이에 기초하여 선택된 파라미터들, 연합 학습 방법.
제11 항에 있어서,
상기 변경된 파라미터들은,
상기 학습 전후 파라미터 셋의 차이가 설정된 기준 값을 초과하는 적어도 일부의 파라미터들로 구성되는, 연합 학습 방법.
제8 항에 있어서,
상기 글로벌 모델은,
상기 로컬 모델과 동일한 신경망 구조를 갖는, 연합 학습 방법.
제8 항에 있어서,
상기 전송하는 단계는,
상기 변경된 제3 파라미터 셋 중 상기 제2 파라미터 셋에 기초하여 값이 변경된 파라미터만을 전송하는 것인, 연합 학습 방법.
하나 이상의 트랜시버;
하나 이상의 프로세서; 및
상기 하나 이상의 프로세서에 연결되고, 명령들(instructions)을 저장하는 하나 이상의 메모리;를 포함하고,
상기 명령들은 상기 하나 이상의 프로세서에 의해 실행될 때 하나 이상의 프로세서로 하여금 연합 추론을 위한 동작들을 지원하며, 상기 동작들은,
로컬 모델에 기초하여 상기 로컬 모델에 연관된 제1 파라미터 셋을 제2 파라미터 셋으로 변경하는 동작;
상기 제1, 제2 파라미터 셋의 차이에 기초하여 상기 제2 파라미터 셋 중 적어도 일부를 선택하는 동작; 및
상기 선택된 적어도 일부를 서버로 전송하는 동작;
을 포함하는, 단말.