본 연구는 인공지능(AI) 기술을 무선 접속 네트워크(RAN)에 적용하여 네트워크 자원 관리의 지능화를 추구하는 AI-RAN 기술 개발에 중점을 둔다. 다양한 서비스 요구사항과 실시간으로 변하는 채널 환경에 효과적으로 대응하기 위해, 본 연구는 UCB(Upper Confidence Bound) 방식의 강화학습 알고리즘과 자원 블록(RB) 할당을 위한 랜덤 코드북을 활용하는 네트워크 자원 슬라이싱 및 최적 할당 기법을 제안한다. 이를 통해 한정된 무선 자원의 이용 효율을 극대화하고, 각 사용자 및 서비스 유형에 따른 맞춤형 통신 품질(QoS)을 보장하는 것을 목표로 한다.

본 연구는 차세대 무선 통신 시스템에서 기지국(Base Station)과 사용자 단말(User) 간의 효율적인 채널 상태 정보(CSI) 교환을 위한 채널 압축 기술 개발에 중점을 둔다. 대규모 다중 안테나(Massive MIMO) 시스템 등에서 발생하는 막대한 CSI 피드백 오버헤드 문제를 해결하기 위해, 본 연구는 트랜스포머(Transformer)와 같은 심층 신경망(Deep Neural Network) 기반의 가변 길이 및 다중 전송률 채널 압축 기법을 제안한다. 이를 통해 주어진 비트율(Rate)에서 채널 추정 오류(Distortion)를 최소화하는 최적의 압축 방식을 학습하고, 기존 방식 대비 우수한 압축 성능을 달성하여 시스템 전체의 통신 효율을 향상시키는 것을 목표로 한다.