6G 무선 네트워크의 발전은 대규모 MIMO 시스템에서 스펙트럼 및 에너지 효율을 최적화하는 고효율 빔포밍 전략을 요구합니다. 본 연구는 6G 대규모 MIMO 하이브리드 빔포밍을 위한 스펙트럼 에너지 최적화를 위해 양자 구동 강화 학습(QDRL) 프레임워크를 제안합니다. 이 프레임워크는 양자 딥 Q-네트워크(Q-DQN), 양자 정책 경사(QPG), 양자 근사 최적화 알고리즘(QAOA)을 활용합니다.
제안된 프레임워크는 엣지 AI 환경에 효율적으로 배포하기 위해 mruby 기반의 경량 스크립팅을 통합하여 계산 유연성과 자원 효율성을 향상시킵니다. 이를 통해 저전력 및 임베디드 환경에서 시스템의 적응성을 높여 실시간 6G 하이브리드 빔포밍을 위한 실행 가능한 솔루션을 제공합니다.
성능 평가 결과, 하이브리드 양자 모델은 11.21 bps/Hz의 스펙트럼 효율, 97%의 자원 활용 효율을 달성하고, 에너지 소비를 0.50 줄/비트로 줄여 기존 모델을 능가합니다. 비트 오류율(BER)은 0.0025로 최소화되었으며, 수렴 시간은 48.7초로 계산 효율성이 크게 향상되었습니다.
기존 딥 강화 학습(DRL) 기술과의 비교 분석에서, 제안된 양자 강화 모델은 에너지 효율성에서 32% 향상, 계산 복잡성에서 21% 감소를 보였습니다. 이 연구는 확장 가능하고 고속이며 에너지 효율적인 무선 통신을 위한 양자 지원 AI 프레임워크의 혁신적인 잠재력을 강조합니다.
다가오는 6G 및 미래 무선 네트워크는 마이크로파부터 테라헤르츠 대역까지 광범위한 주파수에서 작동하며 다양한 시나리오에서 연결성을 지원할 것입니다. 이를 위해서는 전체 대역 커버리지와 동적 스펙트럼 관리를 지원하기 위해 넓은 스펙트럼 내에서 적응적으로 재구성될 수 있는 단일 하드웨어 솔루션이 필요합니다. 그러나 기존 전기 또는 광자 보조 솔루션은 장치의 제한된 대역폭과 시스템 아키텍처의 고유한 경직성으로 인해 이러한 요구를 충족하는 데 어려움을 겪고 있습니다.
본 연구에서는 박막 리튬 나이오베이트(TFLN) 광자 무선 시스템을 기반으로 100GHz 이상에 걸친 전례 없는 주파수 범위에서 적응형 무선 통신을 시연합니다. TFLN 플랫폼의 포켈스 효과와 확장성을 활용하여 기저대역 변조, 광대역 무선-광자 변환, 재구성 가능한 반송파 및 국부 신호 생성 등 필수 기능 요소를 단일 칩에 통합했습니다.
광대역 튜닝 가능한 광전자 발진기를 통해 0.5GHz에서 115GHz까지 기록적인 넓은 주파수 범위에서 높은 주파수 안정성과 일관된 코히어런스를 갖는 신호 소스를 구현했습니다. 이 광대역 및 재구성 가능한 통합 광자 솔루션을 기반으로 9개 연속 대역에 걸쳐 전체 링크 무선 통신을 실현했으며, 최대 100Gbps의 기록적인 전송 속도를 달성했습니다.
실시간 재구성 기능은 복잡한 스펙트럼 환경에서 향상된 신뢰성을 보장하는 중요한 능력인 적응형 주파수 할당을 가능하게 합니다. 본 시스템은 미래의 풀 스펙트럼 및 전 시나리오 무선 네트워크를 향한 중요한 진전을 나타냅니다.
