[주간기술동향 제2157호] 5G New Radio의 AI/ML 기술

I. 서론

5G NR(뉴 라디오)은 데이터 트래픽 증가와 네트워크 복잡성에 대응하기 위해 실시간 의사결정 및 개인화된 서비스 제공이 요구되며, 이를 위해 AI/ML 기술의 활용이 필수적입니다. 3GPP는 Release 15부터 AI/ML 연구를 시작하여 Release 18에 이르기까지 AI/ML 기반 기술의 발전을 이어가고 있습니다. 본 문서는 3GPP의 AI/ML 관련 연구와 유즈 케이스를 중심으로 5G NR의 기술적 진보를 설명합니다.

---

II. 5G NR에서의 AI/ML 프레임워크

3GPP는 AI/ML 프레임워크를 정의하며, 데이터 수집, 모델 학습, 관리, 추론, 모델 저장 등의 기능으로 구성된 구조를 제시했습니다.

• 데이터 수집: AI/ML 모델 학습과 추론에 필요한 데이터를 제공.
• 모델 학습: 데이터 전처리 및 성능 검증을 통해 학습된 모델을 생성.
• 관리 기능: 모델 성능 모니터링 및 재교육 요청.
• 추론 기능: 수집된 데이터를 기반으로 추론 작업 수행.
• 모델 저장: 학습된 모델 저장 및 전달.

AI/ML 모델의 생애 주기 관리를 위한 Life Cycle Management(LCM)도 제안되었습니다. 이는 기능 기반 LCM과 모델 ID 기반 LCM으로 나뉘며, 두 방식은 상호보완적으로 사용됩니다.

---

III. AI/ML 기반 CSI 피드백

채널 상태 정보(CSI)는 네트워크 효율성을 위해 중요한 데이터로, AI/ML을 통해 CSI 피드백의 정확도를 향상할 수 있습니다.

1. 공간 주파수 영역 CSI 압축: AI/ML 기반 인코더와 디코더를 통해 CSI 피드백을 압축 및 재구성하여 네트워크 효율성을 증가시킵니다.
2. 시간 영역 CSI 예측: AI/ML 모델을 사용하여 지연 문제와 채널 에이징 문제를 해결합니다. UE는 과거 데이터를 바탕으로 미래 채널 상태를 예측합니다.

---

IV. AI/ML 기반 빔 관리

밀리미터파(mmWave) 주파수에서의 효율적 통신을 위해 빔 관리 기능이 필요합니다. 주요 기능은 다음과 같습니다.

• 빔 스위핑: 최적의 빔 탐색.
• 빔 결정: 수집된 데이터를 기반으로 최적 빔 결정.
• 빔 스위칭: 환경 변화 시 새로운 빔으로 전환.
• 빔 트래킹: 이동 중에도 최적 빔 유지.

AI/ML 기반 빔 관리 사례로는 공간 및 시간 영역 다운링크 빔 예측이 있습니다. 이를 통해 신호 품질을 개선하고 네트워크 성능을 최적화할 수 있습니다.

---

V. AI/ML 기반 측위 정확도 향상

기존 측위 방식(DL-TDOA, UL-AOA 등)은 장애물과 같은 NLOS 환경에서 정확도가 떨어집니다. AI/ML은 다음 방식으로 측위 정확도를 개선합니다.

• 직접 AI/ML 기반 측위: 채널 응답 데이터를 사용해 UE 위치를 추론.
• AI/ML 지원 측위: LOS/NLOS 식별, 타이밍, 각도 측정 데이터를 활용해 기존 측위 방식 보완.

---

VI. 결론

3GPP는 Release 18에서 AI/ML 기술을 본격적으로 5G NR에 적용하였으며, 향후 Release 19에서는 더 다양한 유즈 케이스와 AI/ML 기술 활용 방안이 기대됩니다. 이러한 연구는 6G로의 기술 발전을 위한 중요한 밑거름이 될 것입니다.