A Generative AI-Enhanced Digital Twin Framework for Proactive Interference Management in Hybrid Near/Far-Field Wireless Systems

技術概要：ハイブリッド近・遠界無線システムにおける能動的干渉管理のための生成 AI 強化デジタルツインフレームワーク

問題提起
ミリ波（mmWave）およびテラヘルツ（THz）帯域で動作する次世代無線ネットワークは、深刻な経路損失と遮蔽物に対する高い感度により、重大な課題に直面しています。極大規模 MIMO（XL-MIMO）システムの導入は、ユーザーが近界（NF）と遠界（FF）の両領域に同時に存在する複雑なハイブリッド伝搬環境をもたらします。高密度な屋内シナリオでは、ユーザーの移動や動的な障害物（例：歩行する人々）が、急速かつ非定常的な干渉および信号遮蔽を引き起こします。従来の干渉管理は、瞬時のチャネル状態情報（CSI）を用いた反応型方式に依存しており、チャネルコヒーレンス時間内でのこれらの急速な変化を予測することにしばしば失敗します。デジタルツイン（DT）は物理環境の高忠実度仮想複製を提供しますが、既存の DT ベースのアプローチは、突発的な遮蔽やユーザーの軌道変化といった確率的な将来状態を予測する能力が欠如しており、主に反応的または決定論的なものにとどまっています。さらに、ハイブリッドフィールド XL-MIMO システムにおける能動的干渉管理のために、生成 AI（GenAI）と DT を統合する取り組みは未だ十分に探求されていません。

手法
著者は、能動的干渉抑制を可能にするために、高忠実度デジタルツイン（DT）と生成 AI（GenAI）モジュールを統合したフレームワークを提案します。このシステムは、4 つの主要な段階からなるクローズドループアーキテクチャとして動作します。

1. デジタルツインの初期化とレイトレーシング: サイト固有の DT は、屋内環境の仮想複製を構築し、3 次元幾何学、電磁気的特性、および送信機/受信機の位置を捉えます。レイトレーシングエンジンを用いて真のチャネルデータを合成し、レイリー距離に基づいて NF（球面波面）と FF（平面波面）の領域を区別します。
2. 時空間データ合成: DT は、過去のユーザー軌道、領域インジケータ（NF/FF）、および合成された遮蔽イベントを含む包括的なデータセットを生成します。遮蔽を確率変数として扱う標準的なモデルとは異なり、このフレームワークは予測されたユーザー経路と 3 次元障害物の交差から導き出される、幾何学的に意識された予測量として遮蔽をモデル化します。
3. GenAI 駆動予測: 条件付き生成敵対ネットワーク（cGAN）を、DT によって生成されたデータセットで訓練します。cGAN は、過去の観測と環境コンテキストに条件付けられた将来のネットワーク状態の条件付き分布を学習します。これは、チャネル、大規模フェーディング、および遮蔽インジケータ（$\hat{\xi}_k(t+\tau)$）の複数の妥当な将来軌道を確率的に合成し、ユーザーの移動と動的な遮蔽に内在する不確実性を捉えます。
4. 能動的最適化: 予測オプティマイザは、合成された $M$ 個の将来軌道のアンサンブルを用いて、適応ビームフォーミングベクトルを計算します。目的は、信号対干渉雑音比（SINR）制約を満たしつつ、サンプリングされたすべての未来にわたる累積干渉の期待値を最小化することです。この最適化は領域を認識しており、FF ユーザーに対してゼロフォース（ZF）を適用し、NF ユーザーに対して位置を認識したビームフォーミングを適用し、ハイブリッド領域に対して共同最適化を行います。

主要な貢献
本論文は、4 つの主要な貢献を概説しています。

• 統合フレームワーク: 本論文は、XL-MIMO 構成における FF と NF 領域間の遷移をモデル化するために、GenAI と DT を融合させた新規フレームワークを提示します。静的な干渉モデルとは異なり、このアプローチは進化型時空間モデルを採用し、ネットワーク管理を反応型から能動型へと転換します。
• 生成型遮蔽モデリング: この研究は、ユーザーの遮蔽をランダムな確率事象から生成パラメータへと変換します。DT の詳細な環境マップと予測されたユーザーの動きを組み合わせることで、システムは干渉が発生した後に反応するのではなく、信号が「いつ」「どこで」遮蔽されるかを事前に予測します。
• 統合クローズドループビームフォーミング: 著者は、ハイブリッド NF および FF 領域全体でビームフォーミングを適応的に制御する統合フレームワークを開発しました。貢献は、それ自体が新しいビームフォーミングアルゴリズムにあるのではなく、DT ベースの環境複製と GenAI 駆動予測の統合を通じて、干渉管理戦略を継続的に更新する点にあります。
• 包括的な検証: このフレームワークは、Sionna レイトレーシングデータセットに基づく広範なシミュレーションを用いて検証されました。提案手法は、反応型 ZF、反応型ハイブリッドフィールドビームフォーミング、決定論的生成非 AI DT、および領域を認識しない GenAI 強化 DT に対してベンチマーク評価されました。

結果
シミュレーション結果は、提案された GenAI 強化 DT フレームワークが、従来の反応型方式および純粋な決定論的アプローチを大幅に上回ることを示しています。

• 干渉抑制: このフレームワークは、反応型方式で見られる急激な劣化と比較して、動的イベント（例：遮蔽またはホットスポットの形成）中に干渉レベルを急速に低下させます。
• SINR とアウトアウ: 提案手法は、さまざまな SINR 閾値において、最も高い信号対干渉雑音比（SINR）分布と、最も低いアウトアウ確率をもたらします。動的な遮蔽および移動条件下でも、信頼性の高いリンクを維持します。
• 予測精度: 干渉予測の平均二乗誤差（RMSE）の観点から、領域を認識した GenAI アプローチは、異なる予測時間範囲にわたって一貫して最低の誤差を達成し、決定論的 DT ベースラインおよび領域を認識しない GenAI モデルを上回ります。
• ロバスト性: このフレームワークは、混雑したユーザー環境（$K$の増加）において優れたスケーラビリティを示し、長期的な予測シナリオにおける不確実性に対してもロバスト性を維持します。

重要性
本論文は、この研究がハイブリッドフィールドシステムにおける干渉抑制のために、GenAI 強化 DT を活用した最初の完全統合フレームワークであると主張しています。その重要性は、高忠実度な物理モデリング（DT）と、生成 AI の予測的・確率的な能力との間のギャップを埋める点にあります。将来のチャネル状態と遮蔽条件を予測することで、このフレームワークは、干渉が物理ドメインに現れる前に、ネットワークが空間的ヌルおよびビームフォーミング戦略を能動的に再構成することを可能にします。このアプローチは、現在の反応型システムおよび決定論的 DT の限界に対処し、将来の 6G 屋内ネットワークの高度に動的で複雑な環境において、超信頼性低遅延通信を維持するための道筋を提供します。