Resumen Técnico: Sistemas de Antenas Fluidas por Difusión para ISAC Resiliente

1. Declaración del Problema

La investigación actual sobre Sensado y Comunicación Integrados (ISAC) se centra predominantemente en la perspectiva de la estación base (BS), utilizando diseño avanzado de formas de onda y asignación de potencia para apoyar el sensado y la comunicación sobre recursos compartidos. Sin embargo, la perspectiva del "lado del objeto" permanece poco explorada. De esta brecha surgen dos desafíos críticos:

1. Seguridad y Sigilo: Existe la necesidad de hacer que los objetos sean difíciles de detectar por razones de seguridad (por ejemplo, ocultar un objetivo). Los métodos tradicionales como el bloqueo (jamming) son controvertidos ya que contaminan todo el entorno de radio, mientras que el procesamiento posterior puramente impulsado por IA no puede alterar las propiedades físicas de dispersión de un objeto una vez iluminado.
2. Interferencia y Fiabilidad: En escenarios de proximidad cercana, un objeto no objetivo puede generar reflexiones dominantes que confunden a la BS, creando interferencia que perjudica la fiabilidad del sensado y la precisión de localización del objetivo previsto.

Las soluciones existentes a menudo dependen de MIMO masivo, que enfrenta limitaciones de escalabilidad en cuanto al consumo de energía y la sobrecarga de retroalimentación. Además, optimizar el ISAC únicamente en el dominio de la potencia es insuficiente para remodelar activamente las firmas de sensado. El artículo postula que los Sistemas de Antenas Fluidas (FAS), que introducen un grado de libertad (DoF) espacial reconfigurable mediante la selección de puertos, ofrecen una solución en la capa física a estos desafíos. Sin embargo, controlar los FAS para lograr objetivos específicos de sensado (como sigilo o anulación de interferencia) es un problema combinatorio NP-difícil, especialmente cuando el objeto tiene solo una observabilidad parcial del estado del canal.

2. Metodología: Diffusion-FAS

El artículo propone Diffusion-FAS, un marco de inteligencia artificial (IA) generativa que trata el ISAC como un problema de selección espacial dinámica. En lugar de optimizar en el dominio de la potencia, el sistema selecciona puertos de antena para dar forma a las firmas de sensado mientras mantiene los objetivos de comunicación.

Arquitectura Central

• Política Generativa: El sistema emplea un Modelo Probabilístico de Difusión de Desruido Condicional (DDPM). En lugar de tratar la selección de puertos como un problema de clasificación discreta, el modelo opera en un espacio de logits continuo.
• Manejo de Observabilidad Parcial: Dado que el nodo habilitado con FAS (Usuario B) no puede observar el estado completo del canal (solo se observa un subconjunto disperso de puertos), el DDPM reconstruye la estructura de correlación espacial latente a partir de estas mediciones limitadas.
• Muestreo Guiado por Energía: Para resolver el problema de selección de máscaras discretas NP-difícil, el marco utiliza una relajación diferenciable soft-top-M. Durante el proceso de difusión inversa, una función de energía de sensado personalizada guía la trayectoria hacia configuraciones de puerto óptimas. Esta función de energía se deriva del núcleo de solapamiento del filtro adaptado y es diferenciable, permitiendo que los gradientes dirijan la generación.

Paradigmas Operativos

El marco está diseñado para manejar dos casos de uso distintos ajustando los pesos de la guía de energía:

1. Sigilo Espacial Generativo (Caso de Uso I): El nodo FAS selecciona activamente puertos para minimizar su magnitud de acoplamiento efectiva, forzando que su retorno de retrodispersión emule estadísticamente el desorden de fondo coloreado. El objetivo es reducir la divergencia de Kullback-Leibler (KL) entre la presencia del nodo y la distribución de ruido/desorden, suprimiendo así la probabilidad de detección.
2. Aislamiento de Objetivo / Moldeado Cooperativo de Interferencia (Caso de Uso II): El nodo FAS (Usuario B) selecciona una máscara de puerto dispersa para crear nulos espaciales profundos en las "bins de guardia" que rodean un objetivo de interés (Usuario A). Esto rechaza activamente la interferencia del objeto adyacente, mejorando la precisión de localización del objetivo bajo un umbral fijo de Tasa Falsa de Alarma (CFAR).

Entrenamiento e Inferencia

• Entrenamiento: El modelo se entrena fuera de línea mediante imitación de expertos. Un oráculo heurístico busca exhaustivamente vectores de logits de alta calidad (minimizando la función de energía) dado el Estado Completo del Canal (CSI) para crear un conjunto de datos de entrenamiento. El DDPM aprende a predecir el ruido añadido a estas soluciones expertas.
• Inferencia: En tiempo de ejecución, el sistema genera múltiples máscaras candidatas a partir de ruido puro, guiado por el prior aprendido y el contexto de observación parcial. La máscara dura final se selecciona basándose en el funcional de energía determinista mínimo.

3. Contribuciones Clave

El artículo describe cuatro contribuciones principales:

1. Formulación Centrada en el Sensado: Los autores formulan un modelo de instantánea de sensado sobre un banco de filtros adaptados blanqueado con desorden coloreado. Introducen métricas estrictamente calibradas por CFAR, centrándose específicamente en la precisión de localización condicional ($P(\text{correcto}|\text{detectado})$), para demostrar que los FAS pueden proteger la cuadrícula de localización de objetivos adyacentes.
2. Nuevos Paradigmas Operativos: El artículo define y resuelve matemáticamente dos nuevos paradigmas: (i) similitud con desorden/sigilo mediante selección inteligente de puertos para evadir el sensado, y (ii) moldeado cooperativo de interferencia para tallar nulos espaciales en las bins de guardia del objetivo.
3. Diseño de DDPM Condicional: Se diseña un DDPM condicional para eludir el problema de selección de máscaras discretas NP-difícil. Al difundir sobre logits continuos y aplicar una métrica de energía diferenciable derivada del núcleo de solapamiento del filtro adaptado, la política respeta presupuestos de cardinalidad estrictos mientras minimiza la interferencia de sensado.
4. Evaluación Numérica Robusta: El artículo presenta resultados que evalúan el marco bajo diversas restricciones de hardware (puertos activos, tamaño de apertura, presupuesto de medición) y condiciones de canal (dispersión finita frente a rica) sin volver a entrenar el modelo para cada escenario.

4. Resultados Numéricos

Las simulaciones, realizadas con $K=200$ puertos y presupuestos de observación variables, demuestran lo siguiente:

• Aislamiento de Objetivo (Caso 2):

  • Número de Puertos: A medida que el número de puertos activos ($M_{active}$) aumenta de 1 a 5, Diffusion-FAS exhibe una ganancia de rendimiento aguda y no lineal, cerrando rápidamente la brecha con el límite superior teórico libre de interferencia. El rendimiento se satura en un subconjunto compacto ($M_{active} \approx 5$), mientras que la selección aleatoria y las matrices estáticas no logran superar la interferencia de proximidad.
  • Observabilidad Parcial: El sistema reconstruye con éxito el campo de interferencia espacial utilizando menos del 10% de los puertos disponibles ($M_{obs} \approx 15-20$). El rendimiento se degrada bajo extrema dispersión ($M_{obs} \le 10$) pero se recupera bruscamente a medida que se expande la ventana de observación.
  • Tamaño de Apertura: El marco aprovecha eficazmente los DoF espaciales una vez que la apertura supera $0.5\lambda$. Una huella compacta de $2\lambda$ es suficiente para sintetizar nulos espaciales óptimos.
  • Desorden y Geometría: Diffusion-FAS mantiene un rendimiento cercano al límite libre de interferencia incluso bajo desorden severo ($\sigma_c$ hasta 2.0) y cuando el interferente es adyacente al objetivo ($\Delta \ge 1$). En contraste, los esquemas de referencia (FAS Aleatorio, Sin FAS) sufren caídas catastróficas de rendimiento en estos escenarios.
  • Rendimiento ROC: El método propuesto mantiene una brecha de rendimiento significativa sobre las referencias a través de diversas Tasas de Falsa Alarma, asegurando que las detecciones sean espacialmente precisas.

• Sigilo Generativo (Caso 1):

  • El marco logra una reducción de dos órdenes de magnitud en la probabilidad de detección ($P_D$) en comparación con la selección aleatoria no informada.
  • Al navegar por desvanecimientos profundos localizados, el nodo FAS "oculta" efectivamente su firma, manteniendo un piso de sigilo significativamente más bajo que las referencias estáticas o de subconjunto fijo.

5. Significado y Afirmaciones

El artículo afirma que Diffusion-FAS ofrece una solución viable para ISAC seguro y resiliente al combinar priores generativos con aperturas reconfigurables. Su significado radica en:

• Cambio de Paradigma: Mover la optimización de ISAC del dominio de potencia/forma de onda al dominio de selección espacial, permitiendo el control activo sobre las firmas de sensado a nivel de objeto.
• Resolución de Complejidad Combinatoria: Proporcionar una solución tratable y en tiempo real al problema de selección de puertos NP-difícil utilizando IA generativa, lo cual la aprendizaje profundo tradicional lucha por adaptar a restricciones dinámicas.
• Seguridad en la Capa Física: Demostrar que los objetos pueden reducir activamente su visibilidad de sensado o mitigar interferencias sin bloqueo, preservando así el entorno de radio mientras se logran objetivos de seguridad.
• Resiliencia: Mostrar que el sistema permanece efectivo bajo mediciones dispersas, restricciones de hardware variables y condiciones ambientales adversas, ofreciendo una vía robusta para trascender los límites tradicionales del ISAC basado en formas de onda.