AI-네이티브 RAN (AI-native RAN)을 위해 교차 대역 채널 예측 (cross-band channel prediction)을 실용화하려면, 알고리즘이 다양한 환경에 걸쳐 일반화될 수 있어야 하며 실시간 추론 (real-time inference)을 지원해야 합니다. 기존 방식들은 이 중 하나는 달성하지만 둘 다를 충족하지는 못합니다. 이러한 격차를 해소하기 위해, 우리는 무선 채널 물리 (wireless channel physics)를 미분 가능한 레이어 (differentiable layers)에 내장하는 물리 가이드 기반 딥 언폴딩 (physics-guided deep unfolding) 프레임워크인 GUIDE를 소개합니다. GUIDE는 학습되지 않은 환경에서 재학습 없이도, 추론 시간의 미미한 증가만으로 딥러닝 기반 베이스라인인 FIRE보다 2.75배 높은 빔포밍 이득 (beamforming gain)을 달성하며, 가장 강력한 모델 기반 베이스라인인 R2F2보다 1610배 이상 빠르게 작동하면서도 1.39배 높은 빔포밍 이득을 달성합니다.