Tri-Band Channel Measurement-Enabled Multi-Layer Digital Twin for Terahertz Wireless Data Centers

The rapid growth of AI computing has driven increasing demands for flexible and high-capacity data-center interconnections. Owing to its ultra-wide bandwidth and high spatial reuse capability, terahertz (THz) communication has emerged as a promising solution for future wireless data centers, while digital twins (DTs) enable efficient wireless planning and real-time optimization. In this work, a measurement-driven multi-layer DT framework is proposed for THz wireless data centers, where the physical, channel, evaluation, and manipulation layers are progressively constructed from bottom to top. First, extensive channel measurements are conducted at 140, 220, and 300 GHz to characterize frequency-dependent propagation behaviors. Based on the tri-band measurements, a measurement-calibrated physical twin is established by jointly optimizing the geometry, material, antenna, and hybrid propagation models. On top of the physical twin, a line-of-sight (LoS)-aware implicit neural field is developed to construct an AI channel twin for efficient channel reconstruction. The proposed AI twin learns location-dependent channel statistics from the calibrated twin, enabling real-time prediction of received power and LoS probability. Building upon the reconstructed channel field, a system-level evaluation layer is derived to analyze coverage and interference for both AP-to-rack and rack-to-rack communications. Experimental results show that the proposed AI twin achieves lower power reconstruction error than existing neural-field baselines while maintaining real-time inference capability. Moreover, the ceiling-mounted AP deployment achieves over 90% coverage under a 10 dB signal-to-interference-plus-noise ratio (SINR) threshold, demonstrating the effectiveness of the proposed DT framework for THz wireless data-center planning and optimization.

한 줄 요약

THz 대역 무선 데이터센터를 위한 측정 기반 다층 디지털 트윈 프레임워크를 제안한다.

핵심 기여도

140, 220, 300 GHz 대역에서 측정을 기반으로 주파수 의존적 전파 특성을 분석.
기하학, 재질, 안테나, 혼합 전파 모델을 결합한 측정 기반 물리 트윈 구축.
LoS-aware 잠재 신경장 모델을 사용한 AI 채널 트윈 제안, 실시간 수신 전력 및 LoS 확률 예측 가능.
AP-to-rack 및 rack-to-rack 통신에서 10 dB SINR 기준으로 90% 이상 커버리지 달성.

핵심 아이디어

기존의 THz 무선 네트워크 설계는 측정 데이터와 모델 간의 불일치로 인해 한계가 있었다. 본 연구는 측정 데이터와 물리적 모델을 결합하여 측정 기반 물리 트윈을 구축하고, 이를 기반으로 AI 채널 트윈을 학습시켜 채널 재구성을 실시간으로 수행한다. 특히, LoS-aware 잠재 신경장은 위치에 따른 채널 통계를 학습하여, 기존 신경장 기반 방법 대비 더 낮은 전력 재구성 오차를 보인다. 이는 THz 대역의 고주파 특성과 공간 재사용 능력을 고려한 새로운 통찰을 반영한다.

기술적 접근법

**측정 대역**: 140, 220, 300 GHz에서 측정 수행.
**물리 트윈**: 기하학, 재질, 안테나, 혼합 전파 모델을 결합한 측정 기반 트윈.
**AI 채널 트윈**: LoS-aware 잠재 신경장 모델을 사용한 채널 재구성.
**평가 계층**: AP-to-rack 및 rack-to-rack 통신의 커버리지와 간섭 분석.
**하드웨어 배치**: 천장에 장착된 AP 배치를 기준으로 실험 수행.

주요 결과

AI 채널 트윈은 기존 신경장 기반 기법 대비 **더 낮은 전력 재구성 오차**를 보임.
천장에 장착된 AP 배치에서 **10 dB SINR 기준으로 90% 이상의 커버리지** 달성.
AP-to-rack 및 rack-to-rack 통신에서 **시스템 수준 평가 계층**을 통해 간섭 분석 가능.

의의 및 한계

본 연구는 THz 대역 무선 데이터센터 설계에 있어 측정 기반 디지털 트윈을 구축하는 첫 사례로, 실시간 최적화와 계획 수립에 기여한다. 특히, LoS-aware 잠재 신경장은 채널 예측 정확도와 추론 속도를 동시에 달성하는 데 기여한다. 그러나 실험은 특정 환경(예: 천장 AP 배치)에 국한되었으며, 다양한 물리적 환경에서의 일반화 가능성은 추가 연구가 필요하다.

실용적 활용

본 프레임워크는 고밀도 THz 무선 데이터센터의 설계 및 최적화에 활용 가능하며, AI 추론 서버, 클라우드 컴퓨팅 센터 등에서 실시간 네트워크 성능 분석에 적용할 수 있다.