6G 통신의 핵심 기술로 주목받는 테라헤르츠 대역 무선 통신은 초광대역 전송 속도를 제공하지만,심각한 경로 손실과 빔 정렬 문제로 자원 관리가 극도로 복잡하다. 디지털 트윈과 그래프 신경망을 결합해 이 문제를 해결하는 연구가 발표됐다.
연구진은 THz 무선 네트워크의 물리 환경을 실시간으로 반영하는 디지털 트윈 아키텍처를 설계하고,여기에 GNN 기반 전력 할당 및 사용자 연계 알고리즘을 적용했다. GNN은 네트워크 토폴로지를 그래프로 표현해 기지국·사용자·간섭 관계를 효율적으로 모델링하며, 중앙화된 계산 없이 분산적으로 최적 전력 할당을 결정한다.
실험 결과, 제안된 GNN 기반 접근법은 기존 전통적 최적화 알고리즘 대비 네트워크 처리량을 평균 23% 향상시켰다. 동시에 디지털 트윈을 통해 수집된 실시간 채널 상태 정보가 GNN 추론의 정확도를 크게 높여 동적 환경 변화에 빠르게 적응하는 능력을 보여줬다.
6G 시대의 THz 통신은 스마트 시티, 고해상도 XR, 산업용 자동화 등에서 필수 인프라가 될 전망이다. 이 연구는 AI와 디지털 트윈의 결합이 6G 자원 관리의 복잡성을 해소하는 현실적 경로임을 보여준다.
> 실무 시사점: 6G 네트워크 설계 시 디지털 트윈 기반 실시간 채널 데이터 수집 인프라를 구축하고, GNN을 활용한 분산 자원 할당을 통해 THz 대역의 간섭 및 경로 손실 문제를 완화해야 한다.
📖 *Semantic Scholar 논문* | 논문 원문
Terahertz (THz) wireless communication promises the ultra-wideband throughput that 6G networks demand, but its extreme path loss and precise beam alignment requirements make resource management extraordinarily complex. A novel solution combining Digital Twin (DT) technology with Graph Neural Networks (GNNs) tackles this challenge with a new level of intelligence.
Researchers proposed a DT architecture for THz wireless networks that creates a real-time virtual replica of the physical network environment. Unlike static network models, the digital twin continuously synchronizes with live channel measurements, providing an accurate dynamic representation of the highly variable THz propagation environment. This live twin serves as the inference substrate for a GNN-based power allocation and user association algorithm.
The GNN models the network topology as a graph—base stations and users as nodes, channel relationships and interference patterns as edges. This representation enables the algorithm to capture complex multi-hop dependencies and distributed optimization, avoiding the computational bottleneck of centralized solvers while accounting for interference among densely deployed THz nodes.
Experimental evaluations demonstrated an average 23% throughput improvement over traditional optimization algorithms under dynamic channel conditions. The digital twin's real-time channel state information proved critical—the GNN achieved higher inference accuracy when fed live DT data versus static channel models, reflecting the highly volatile nature of THz propagation.
The integration also reduced algorithmic convergence time, as the GNN policy learned from the DT's synthetic pre-training before deployment in the real network.
> Practical takeaway: For 6G network design, build digital twin infrastructure for real-time channel state collection early. Combine with GNN-based distributed resource allocation to manage THz interference and path loss at scale without centralized computational bottlenecks.
📖 *Semantic Scholar* | Full Paper
