DRIFT: Joint Channel Estimation and Prediction Towards Pilotless 6G Non-Terrestrial Networks

技術要約：DRIFT – パイロットレスな6G非地上ネットワークに向けた結合チャネル推定および予測

問題提起
非地上ネットワーク（NTN）、特に低軌道（LEO）衛星を利用するNTNは、第6世代（6G）システムにおける遍在的な接続性を実現するために極めて重要である。しかし、LEOの動態は、強力で時変的なドップラーシフトと遅延をもたらす。この「チャネル・エイジング」に対処するため、スペクトル利用効率を向上させるべく、チャネル予測が不可欠となっている。このタスクのために人工知能（AI）が提案されているが、既存のソリューションは複雑なアーキテクチャ（例：1億FLOPスを超えるTransformer）に依存することが多く、厳格な電力および計算制約がある衛星搭載実装には不向きである。さらに、多くの研究は（NMSEによって測定される）予測精度を優先しており、有効スペクトル効率（SE）のようなエンドツーエンドの指標を重視しておらず、トレーニングとテストのミスマッチ下での性能評価もほとんど行われていない。

手法
本論文は、6GアップリンクNTN向けに設計された、反復的な結合チャネル推定および予測フレームワークを提案する。核心となる革新技術は、DRIFT（Data-driven Refinement and Iterative Forecast for wireless channel Tracking）アーキテクチャである。

• システムフレームワーク： システムは、$N_{slot}$ 個の時間スロットにわたって動作する。パイロットは、プロセスを初期化するために、最初のスロット（$t=1$）においてのみ送信される。後続のスロット（$t \geq 2$）では、システムは完全にデータ駆動型処理に依存したパイロットレスモードで動作する。
• 反復ループ：
  1. 初期化： スロット1では、標準的な最小二乗法（LS）によるパイロット補助（PA）推定が計算され、等化に使用される。
  2. データ補助（DA）推定： 後続のスロットでは、受信シンボルは前回のイテレーションで予測されたチャネルを用いて等化される。等化されたシンボルに対してハード判定が行われ、送信されたデータを再構成する。これらの再構成されたシンボルは、「グラウンドトゥルース」として新たなDAチャネル推定ステップの役割を果たす。
  3. DRIFT処理： DA推定による誤差を修正するために、DA推定の結果がDRIFTモデルに入力される。モデルは以下の2つの機能を実行する：
     • チャネル精緻化（Refinement）： 軽量なブロックが、DA推定における不正確なデマッピングによって導入された誤差を補正し、精緻化された推定値（$\hat{H}^{(E')}_t$）を生成する。
     • チャネル予測： 精緻化された推定値を用いて、次のスロットのチャネル周波数応答（CFR）を予測する（$\hat{H}^{(P)}_{t+1}$）。
• DRIFTアーキテクチャ： モデルは低計算量で設計されており、3Dテンソル（CFRの実部および虚部）に対して動作する。以下で構成される：
  • 精緻化ブロック： 時間的因果畳み込み（CConv1D）、活性化関数、バッチ正規化、およびスペクトル畳み込み（Conv1D）を使用する。信頼性の低い後半の時間スロットへの更新を強調する動的な重み付けスキームを採用している。
  • 予測ブロック： 2つのバリアントが調査されている：
    1. ハイブリッドCNN-LSTM： 圧縮と再構成のためにConv2D/TConv2Dを使用し、時間的予測のためにLSTM層を使用する。
    2. 時間畳み込みネットワーク（TCN）： 残差接続を備えたフィードフォワード型の拡張Conv1D層を使用し、再帰構造を回避する。
• 学習戦略： モデルは、損失関数が初期段階ではチャネル精緻化を優先し、徐々に予測へと焦点を移していくカリキュラム学習を用いて学習される。学習には、NTN-TDLフェーディングモデルに基づく合成データが使用される。

主な貢献

1. 反復フレームワーク： パイロット補助による推定を、データ補助による推定、精緻化、および予測のサイクルに置き換えるパイロットレスフレームワークの導入。
2. DRIFTモデル： 最小限の計算コストで、チャネルの精緻化と将来のCFRの予測を同時に行う軽量なアーキテクチャ。
3. エンドツーエンド評価： 誤差伝播とトレーニング・テストのミスマッチ（例：16-QAMで学習し、QPSKでテストする）を明示的に考慮した、有効スペクトル効率（SE）に基づくシステムの評価。
4. 計算量解析： 提案されたモデルが20万MAC未満の積和演算（MAC）を必要とすることを実証し、衛星ペイロードへの実装可能性を示した。

結果
アップリンクLEOシナリオ（高度600 km、キャリア周波数2 GHz）におけるエンドツーエンドのMATLAB環境でシミュレーションを実施した。

• スペクトル効率： TCNベースのDRIFTモデルは、$N_{slot}=4$（1つのパイロットスロットと3つのパイロットレススロット）を使用した場合、従来のパイロットベースのシステムと比較して約12%のSE向上を達成した。ハイブリッドCNN-LSTMバリアントも利得を示したが、$N_{slot}=3$ 以降で誤差伝播による制限を受けた。
• 堅牢性： システムは、再学習なしで異なるチャネルモデル（NTN-TDL-CおよびNTN-TDL-D）にわたって一貫した性能を維持した。また、トレーニングデータ（16-QAM）とテストデータ（QPSK）の間のミスマッチに対しても堅牢性を示した。
• 精度： チャネル精緻化ステージにより、最初の3スロットにおける推定NMSEを-19 dB以下に低減することに成功した。誤差伝播は第4スロット以降で顕著になった。
• 計算量： 総推論計算量は、ハイブリッドCNN-LSTMで154k MACs、TCNで171k MACsと算出された。精緻化ステージは全計算量の約10%しか占めない。著者らは、低電力ハードウェアアクセラレータを用いた場合の推論レイテンシを、1スロットあたり約1.0–1.1 msと推定している。

意義と主張
本論文は、DRIFTが予測精度と計算の実現可能性の間の重要なトレードオフに対処していると主張している。厳格な電力制約下で堅牢な性能を維持しながらパイロットオーバーヘッドを大幅に削減することで、本アプローチは大幅なスペクトル効率の向上を可能にする。著者らは、20万MAC未満という低いMACカウントにより、地上ネットワーク向けに設計された高複雑度なAI予測器とは対照的に、本ソリューションがリアルタイムの衛星搭載実装に適していることを強調している。結論として、誤差伝播はより長いパイロットレスシーケンスにおいて課題として残るものの、提案されたフレームワークは、リソース制約の厳しい宇宙環境におけるパイロットレス通信への実行可能な道筋を提供するものであるとしている。今後の課題として、実機ハードウェアのレイテンシの評価、およびさらなる誤差伝播の抑制が挙げられている。