목표 지향적 전송 (goal-oriented transmission)을 위한 의미론적 통신 (Semantic communication) 시스템은 소스 압축 (source compression)뿐만 아니라 물리 계층 매핑 (physical layer mapping)을 통해서도 작업 관련 정보를 보호해야 합니다. 기존 방식들은 성좌 설계 (constellation design)와 의미론적 인코딩 (semantic encoding)을 분리하여, 중요한 심볼들이 무관한 심볼들과 동일한 비율로 채널 오류에 노출되도록 합니다. 이와 대조적으로, 본 논문에서는 이산적 잠재 개념 (discrete latent concepts)을 추출하는 벡터 양자화 변분 오토인코더 (vector quantized-variational autoencoder), 각 개념의 작업 관련성을 점수로 매기는 의미론적 중요도 지표 (semantic criticality indicator, SCI), 그리고 즉각적인 채널 상태에 따라 전송 서브셋을 동적으로 선택하는 심층 강화학습 (deep reinforcement learning) 에이전트로 구성된 공동 의미론적-물리 계층 프레임워크 (joint semantic-physical layer framework)를 제안합니다. 물리 계층에서는 학습된 의미론적 인식 M-QAM 성좌 (semantic-aware M-QAM constellation)가 공동 공출현 통계 (joint co-occurrence statistics) 및 SCI 점수에 따라 심볼 위치를 할당하며, 이는 의미론적 내용을 고려하지 않고 평균 BER (bit error rate)을 최소화하는 표준 M-QAM의 균등 간격 및 Gray 코딩 (Gray coding) 방식에서 벗어납니다. 우리는 작업에 중요한 심볼이 디코딩 오류에 노출되는 정도를 정량화하기 위해 새로운 의미론적 심볼 취약성 (semantic symbol vulnerability, SSV) 지표와 의미론적 보호 확률 (semantic protection probability, SPP)을 도입하며, 소스가 비균등한 의미론적 중요도와 공출현 통계를 나타낼 때 어떠한 Gray 코딩된 성좌도 SCI 가중 SSV (SCI-Weighted SSV) 측면에서 엄격하게 하위 최적 (suboptimal)임을 증명합니다. 시뮬레이션 결과, 제안된 성좌는 높은 스펙트럼 효율성에서 표준 성좌의 50%와 비교하여 4-QAM부터 1024-QAM까지 거의 100%의 SPP를 달성하며, 수정 없이 MNIST, Fashion-MNIST, FSDD 전반에 걸쳐 0.9 이상의 의미론적 품질과 함께 21:1의 압축률을 보여줍니다.