본 논문은 5G 및 차세대 네트워크에서 전송 학습과 강화 학습(RL)을 사용하여 빔 선택을 개선하는 지속 가능한 접근 방식을 제시한다. 기존 RL 기반 빔 선택 모델의 과도한 훈련 시간과 계산 자원 요구 사항 문제를 해결하기 위해, 환경을 gNodeB 및 주변 산란체의 위치를 나타내는 점 구름으로 모델링하고, Chamfer 거리를 사용하여 구조적으로 유사한 환경을 식별하여 전송 학습을 통해 사전 훈련된 모델을 재사용한다. 이 방법론은 훈련 시간과 계산 오버헤드를 16배 줄여 에너지 효율성에 기여하며, 새로운 환경에서의 재훈련 필요성을 최소화하여 전력 소비를 줄이고, AI 기반 통신 시스템의 배포를 가속화하며, 탄소 배출량을 줄인다. 시뮬레이션 결과는 높은 성능을 유지하면서 에너지 비용을 크게 절감하여 동적이고 다양한 전파 환경에서 확장 가능하고 적응 가능하며 환경 친화적인 RL 기반 빔 선택 전략을 가능하게 하는 전송 학습의 잠재력을 보여준다.
