論文要約：スケーラブル・フラッドアンテナシステム（S-FAS）の基礎分析：識別限界、情報理論、および結合処理

1. 背景と問題設定

第 6 世代（6G）無線ネットワークでは、自動運転や産業用 IoT などの応用において、センチメートルレベルの位置特定精度が求められています。これを実現する方向到来（DOA）推定技術において、従来の固定位置アレイ（FPA）は以下の限界を抱えています。

• 相互結合（Mutual Coupling）: 素子間隔が狭いと相互結合が発生し、推定性能が劣化する。
• 自由度（DoF）の固定性: 静的な幾何構造により、識別可能なソース数（DoF）が物理アンテナ数に制限され、超解像や多数のソースの識別が困難である。

これに対し、スケーラブル・フラッドアンテナシステム（S-FAS）は、ソフトウェア制御により物理的な開口部（アパチャ）を動的に変更できる新しいパラダイムです。S-FAS は、グリッドローブ（格子状の副波束）を回避するための「圧縮構成（サブ波長間隔）」と、高分解能を得るための「拡張構成（半波長間隔）」の 2 段階で動作しますが、その根本的な理論的限界や、複数の構成を組み合わせる際の情報理論的な容量については未解明でした。従来の代数的な識別性解析（ランク解析）だけでは、動的な構成変化に伴う情報フローやボトルネックを十分に説明できません。

2. 提案手法：観測エントロピー・フレームワーク

本論文は、S-FAS の解析のために**「観測エントロピー・フレームワーク（Observation Entropy Framework）」**を提案しました。これは、代数的なランク解析を超えた情報理論的な基礎を提供するものです。

• 観測エントロピー予算（Entropy Budget）: 各構成（圧縮/拡張）において、有効な観測次元 $M_{eff}$ に応じて、観測行列 $Y$ の微分エントロピー $H(Y)$ に上限が存在すると定義します（$H(Y) \leq M_{eff} \log(2\pi e \sigma_y^2)$）。
• 識別性の条件: パラメータを識別するためには、信号部分空間とは直交する「ノイズ部分空間」が少なくとも 1 次元残っている必要があります（$M_{eff} - K \geq 1$）。これが識別可能なソース数 $K$ の上限を決定します。
• ボトルネック診断: データ処理不等式（Data Processing Inequality）を用いて、2 段階処理（圧縮→拡張）において、第一段階の圧縮構成のエントロピー予算が全体の容量を制限することを示しました。
• 結合処理の理論的根拠: 両方の構成の観測ベクトルを空間的にスタック（結合）することで、エントロピー予算を拡張し、単一構成では達成できない容量限界を突破できることを示唆しました。

3. 主要な貢献と理論的導出

3.1 識別限界の階層化

S-FAS の異なる構成における最大識別可能ソース数 $K_{max}$ を導出しました（$M$：アンテナ総数、$p$：相互結合緩和のために除去する端の素子数）。

1. 圧縮構成（Compressed Configuration）:

   • 相互結合を抑制するため、両端から $p$ 素子ずつ除去し、中央サブアレイを選択します。
   • 有効次元：$M_{eff,c} = M - 2p$
   • 識別限界：$K_{max,c} = M - 2p - 1$
   • 利点：サブ波長間隔によりグリッドローブが発生せず、DOA 推定の初期化に信頼性があります。

2. 拡張構成（Extended Configuration）:

   • 半波長間隔で動作し、相互結合は無視できます。遠方界（Far-field）だけでなく、近傍界・混合界（Mixed-field）の距離推定も可能です。
   • 有効次元：$M_{eff,e} = M$
   • 識別限界：$K_{max,e} = M - 1$
   • 重要な知見：ソースあたりのパラメータ数（角度のみか、角度＋距離か）に関わらず、識別限界は観測次元 $M$ によって決まり、パラメータ数には依存しません。

3. 逐次処理（Sequential Processing）のボトルネック:

   • 圧縮構成で推定した結果を拡張構成の初期値として使う 2 段階方式の場合、全体の容量は第一段階の限界に制限されます。
   • 容量：$K_{seq} = K_{max,c} = M - 2p - 1$
   • 情報理論的解釈：第二段階で得られる追加情報は、第一段階の観測エントロピーを超えて伝達できないため（データ処理不等式）、拡張構成の潜在能力が浪費されます。

4. 結合処理（Joint Processing）による容量拡張:

   • 圧縮構成と拡張構成の観測データを空間的にスタックして結合処理を行います。
   • 有効次元：$M_{joint} = M_{eff,c} + M_{eff,e} = 2M - 2p$
   • 識別限界：$K_{joint} = (M_{eff,c} + M_{eff,e}) - 1 = 2M - 2p - 1$
   • 結果：逐次処理のボトルネックを打破し、理論上は単一構成の約 2 倍のソース数を識別可能にします。

3.2 提案アルゴリズム：J-MUSIC

結合処理を実現するための**J-MUSIC（Joint Multiple Signal Classification）**アルゴリズムを提案しました。

• 圧縮構成と拡張構成からの観測ベクトルを結合した拡張 steering ベクトルを使用します。
• 結合された共分散行列の固有値分解を行い、拡張されたノイズ部分空間と直交する方向を探索します。
• 計算量は $O((M_c + M_e)^3)$ となります。

4. 実験結果と検証

モンテカルロシミュレーションにより、代数的検証（ノイズ部分空間の次元）と情報理論的検証（ノイズエントロピー比）の両面から理論を裏付けました。

• 識別限界の一致: 圧縮、拡張、結合の各構成において、シミュレーション結果が理論限界（$K_{max} = M_{eff} - 1$）と完全に一致することを確認しました。
• 逐次処理のボトルネック: 2 段階処理では、拡張構成単独では識別可能なソース（例：$K=26 \sim 31$）が、第一段階の圧縮構成の限界により識別不可能になることを示しました。
• 結合処理の優位性:
  • 結合処理（J-MUSIC）は、拡張構成単独に比べて約 84% の容量増加（例：$M=32, p=3$ の場合、31 ソースから 57 ソースへ）を実現しました。
  • 低 SNR や少ないスナップショット数においても、J-MUSIC は従来の MUSIC よりも 15-30% の RMSE（平均二乗誤差）低減を示し、高いロバスト性を有しました。
• 実用性の限界: 理論上の最大値（57）には至りませんが、アレイ行列の条件数（Manifold Conditioning）や MDL 基準の不安定性により、実用上は約 34-36 ソース程度で飽和することが確認されました。それでも、拡張構成単独に比べれば大幅な改善です。

5. 意義と結論

本論文は、S-FAS における識別限界を初めて情報理論的な観点から体系的に解明しました。

• 理論的意義: 代数的なランク解析だけでは説明できない「構成依存のエントロピー予算」と「情報フローのボトルネック」を明らかにし、再構成可能アレイの設計指針を提供しました。
• 実用的意義: 逐次処理の非効率性を指摘し、結合処理（Joint Processing）が容量を最大化する有効な戦略であることを実証しました。
• 将来展望: 提案されたエントロピーフレームワークは、S-FAS のシステム設計において、相互結合、配置、処理方式のトレードオフを定量的に評価するための基盤となります。

要約すると、本論文は S-FAS が単なる「アンテナの移動」ではなく、**「観測エントロピーの動的スケーリング」**を通じて、従来の物理的制約を超えた情報処理能力を実現しうることを理論的に証明し、その最大限の性能を引き出すためのアルゴリズム（J-MUSIC）と設計指針を提示した画期的な研究です。