본 논문은 특화된 태스크별 딥러닝 모델의 한계와 라벨링된 무선 데이터셋의 부족이라는 실질적인 문제를 해결하기 위해, 6세대(6G) 무선 물리 계층 아키텍처를 위한 통합 멀티태스크 파운데이션 모델인 적응형 저차원 마스크드 오토인코더(Adaptive Low-Rank Masked Autoencoders, WALoMA)를 제안합니다. 파운데이션 모델에서 영감을 얻은 개념을 활용하여, 제안된 프레임워크는 마스크드 오토인코더 (MAE) 패러다임을 채택함으로써 라벨링되지 않은 채널 데이터로부터 학습하여 광범위한 주석(Annotation)에 대한 의존도를 크게 낮춥니다. 이 모델은 무선 채널 상태 정보 (CSI)를 보편적인 모달리티(Modality)로 취급하며, 자기 지도 채널 재구성 (Self-supervised Channel Reconstruction)을 통해 전이 가능한 표현(Transferable Representations)을 학습합니다. 주요 구조적 혁신으로는 안테나와 부반송파(Subcarrier) 사이의 공간-주파수 관계를 명시적으로 보존하기 위한 2D 위치 인코딩 (Positional Encoding, PE)의 사용과, 매개변수 효율적인 미세 조정 (Fine-tuning)을 위한 저차원 적응 (Low-Rank Adaptation, LoRA)이 포함됩니다. 프레임워크의 효능은 5가지 다운스트림 태스크를 통해 입증되었으며, LoS/NLoS 분류에서 96.47%, 빔 예측 (Beam Prediction)에서 80.45%, 채널 보간 (Channel Interpolation)에서 85.78%, 채널 추정 (Channel Estimation)에서 99.12%, 그리고 채널 차팅 (Channel Charting)에서 77.18%의 개별 점수를 달성했습니다. 결과적으로, 수치적 결과에 따르면 제안된 모델은 전체 매개변수의 평균 14.68%만을 학습하면서도 대규모 무선 모델 (Large Wireless Model, LWM) 베이스라인이 달성한 59.90%를 크게 상회하는 87.80%의 종합 점수를 달성하였으며, 극도로 제한된 라벨링 데이터 조건에서도 강력한 성능을 유지함을 보여주었습니다.