技術的概要：レジリエントな ISAC のための拡散流体アンテナシステム

1. 問題定義

現在の統合センシング・通信（ISAC）研究は、主に基地局（BS）の視点に焦点を当てており、共有リソース上のセンシングと通信を支援するために高度な波形設計と電力配分を利用しています。しかし、「物体側」の視点は未だ十分に探求されていません。このギャップから生じる 2 つの重要な課題は以下の通りです：

1. セキュリティとステルス：セキュリティ上の理由（ターゲットの隠蔽など）から、物体を検出されにくくする必要性があります。ジャミングのような従来の方法は、無線環境全体を汚染するため議論を呼び、純粋に AI 駆動のポストプロセッシングは、一度物体が照射されると、その物理的な散乱特性を変更できません。
2. 干渉と信頼性：近接シナリオでは、非ターゲット物体が支配的な反射を生成し、BS を混乱させる可能性があります。これにより干渉が生じ、意図したターゲットのセンシング信頼性と位置特定精度が損なわれます。

既存の解決策はしばしば Massive MIMO に依存していますが、これは電力消費とフィードバックオーバヘッドに関するスケーラビリティの限界に直面しています。さらに、電力ドメインのみで ISAC を最適化することは、センシング署名を能動的に再形成するには不十分です。本論文は、ポート選択を通じて再構成可能な空間自由度（DoF）を導入する**流体アンテナシステム（FAS）**が、これらの課題に対する物理層ソリューションを提供すると主張しています。しかし、特定のセンシング目標（ステルスや干渉の打ち消しなど）を達成するために FAS を制御することは、特に物体がチャネル状態の部分的な観測しか持たない場合、NP 困難な組合せ問題となります。

2. 手法：Diffusion-FAS

本論文は、ISAC を動的な空間選択問題として扱う生成人工知能（AI）フレームワークであるDiffusion-FASを提案します。電力ドメインで最適化するのではなく、このシステムは通信目標を維持しつつ、センシング署名を形成するためにアンテナポートを選択します。

コアアーキテクチャ

• 生成ポリシー：システムは**条件付き脱ノイズ拡散確率モデル（DDPM）**を採用します。ポート選択を離散分類問題として扱うのではなく、モデルは連続的な logit 空間で動作します。
• 部分的観測性の処理：FAS 対応ノード（ユーザー B）は完全なチャネル状態を観測できない（観測されるポートはスパースな部分集合のみ）ため、DDPM はこれらの限られた測定値から潜在空間相関構造を再構成します。
• エネルギーガイダンス付きサンプリング：NP 困難な離散マスク選択問題を解決するため、フレームワークは微分可能な soft-top-M 緩和を使用します。逆拡散プロセス中、カスタマイズされたセンシングエネルギー関数が、最適なポート構成への軌道を誘導します。このエネルギー関数はマッチドフィルタのオーバーラップカーネルから導出され、微分可能であるため、勾配が生成を誘導します。

運用パラダイム

このフレームワークは、エネルギーガイダンスの重みを調整することで、2 つの異なるユースケースを処理するように設計されています：

1. 生成空間ステルス（ユースケース I）：FAS ノードは有効結合係数を最小化するようにポートを能動的に選択し、その後方散乱帰還を統計的に有色背景クラッタと模倣させます。目的は、ノードの存在とノイズ/クラッタ分布との間のカルバック・ライブラー（KL）ダイバージェンスを低減し、検出確率を抑制することです。
2. ターゲット分離／協調的干渉形成（ユースケース II）：FAS ノード（ユーザー B）は、関心ターゲット（ユーザー A）を取り囲む「ガードビン」に深い空間的ヌルを生成するためのスパースなポートマスクを選択します。これにより隣接物体からの干渉を能動的に拒絶し、固定された一定の誤警報率（CFAR）閾値下でのターゲットの位置特定精度を向上させます。

学習と推論

• 学習：モデルは専門家模倣を通じてオフラインで学習されます。完全なチャネル状態情報（CSI）に基づき、エネルギー関数を最小化する高品質な logit ベクトルを網羅的に検索するヒューリスティックなオラクルが、学習データセットを作成します。DDPM は、これらの専門家ソリューションに追加されたノイズを予測することを学習します。
• 推論：実行時、システムは学習された事前分布と部分的観測コンテキストによって誘導され、純粋なノイズから複数の候補マスクを生成します。最終的なハードマスクは、最小の決定論的エネルギー汎関数に基づいて選択されます。

3. 主な貢献

本論文は、4 つの主要な貢献を概説しています：

1. センシング中心の定式化：著者らは、有色クラッタを伴うホワイト化されたマッチドフィルタバンク上でセンシングスナップショットモデルを定式化します。特に条件付き位置特定精度（$P(\text{correct}|\text{detected})$）に焦点を当てた厳格な CFAR 較正メトリクスを導入し、FAS が隣接ターゲットの位置特定グリッドを保護できることを証明します。
2. 新しい運用パラダイム：本論文は、2 つの新しいパラダイムを数学的に定義し、解決します：(i) 知能ポート選択によるクラッタ類似性/ステルス（センシングからの回避）、および (ii) ターゲットガードビンに空間的ヌルを切り出すための協調的干渉形成。
3. 条件付き DDPM 設計：NP 困難な離散マスク選択問題を回避するために、条件付き DDPM が設計されています。連続的な logit 上で拡散させ、マッチドフィルタのオーバーラップカーネルから導出された微分可能なエネルギーメトリクスを適用することで、ポリシーは厳密な基数制約を尊重しつつ、センシング干渉を最小化します。
4. 堅牢な数値評価：本論文は、モデルを各シナリオで再学習することなく、さまざまなハードウェア制約（アクティブポート、アパーチャサイズ、測定予算）およびチャネル条件（有限散乱対豊か散乱）下でのフレームワークを評価する結果を提示します。

4. 数値結果

$K=200$ポートおよび変化する観測予算を用いて実施されたシミュレーションは、以下を示しています：

• ターゲット分離（ケース 2）：

  • ポート数：アクティブポート数（$M_{active}$）が 1 から 5 に増加するにつれて、Diffusion-FAS は急激な非線形性能向上を示し、理論上の干渉なし上限とのギャップを急速に埋めます。性能はコンパクトな部分集合（$M_{active} \approx 5$）で飽和しますが、ランダム選択や静的アレイは近接干渉を克服できません。
  • 部分的観測性：システムは利用可能なポートの 10% 未満（$M_{obs} \approx 15-20$）を使用して空間干渉場を正常に再構成します。極端なスパース性（$M_{obs} \le 10$）下では性能が低下しますが、観測ウィンドウが拡大すると急激に回復します。
  • アパーチャサイズ：このフレームワークは、アパーチャが$0.5\lambda$を超えると空間 DoF を効果的に活用します。コンパクトな$2\lambda$のフットプリントで、最適な空間的ヌルを合成するのに十分です。
  • クラッタと幾何学：Diffusion-FAS は、重度のクラッタ（$\sigma_c$が最大 2.0）下および干渉源がターゲットに隣接している場合（$\Delta \ge 1$）でも、干渉なしの上限に近い性能を維持します。これに対し、ベースライン方式（ランダム FAS、FAS なし）は、これらのシナリオで壊滅的な性能低下を被ります。
  • ROC 性能：提案手法は、さまざまな誤警報率にわたってベースラインに対して顕著な性能差を維持し、検出が空間的に正確であることを保証します。

• 生成ステルス（ケース 1）：

  • このフレームワークは、無知なランダム選択と比較して、検出確率（$P_D$）を2 桁低減します。
  • 局所的な深いフェードを航行することで、FAS ノードはその署名を効果的に「隠蔽」し、静的または固定部分集合ベースラインよりもはるかに低いステルスフロアを維持します。

5. 意義と主張

本論文は、Diffusion-FASが、生成事前分布と再構成可能アパーチャを組み合わせることで、安全かつレジリエントな ISAC の実現可能な解決策を提供すると主張しています。その意義は以下の点にあります：

• パラダイムの転換：ISAC 最適化を電力/波形ドメインから空間選択ドメインへ移行させ、物体レベルでセンシング署名の能動的制御を可能にします。
• 組合せ的複雑性の解決：生成 AI を用いて NP 困難なポート選択問題に対する実行可能かつリアルタイムの解決策を提供し、従来の深層学習が動的制約に適応することに苦労している点を克服します。
• 物理層セキュリティ：物体がジャミングなしに自らのセンシング可視性を能動的に低減するか、干渉を軽減できることを実証し、セキュリティ目標を達成しながら無線環境を保全します。
• レジリエンス：システムがスパースな測定、変化するハードウェア制約、過酷な環境条件下でも効果的であり続けることを示し、従来の波形ベースの ISAC 限界を超越する堅牢な道筋を提供します。