Deep Learning Based Multi-Step Channel Prediction for Adaptive Underwater Acoustic OFDM Systems

技術要約：適応型水中音響OFDMシステムのためのディープラーニングに基づく多段階チャネル予測

問題提起
水中音響（UWA）通信は、周波数依存の減衰、激しい時変マルチパスフェージング、運動誘発によるドップラーシフト、および低音速に起因する長い伝搬遅延といった重大な課題に直面している。これらの要因により、タイムリーなチャネル状態情報（CSI）の取得は困難である。キロメートル規模のリンクにおける往復遅延は数秒に達することもあり、チャネルコヒーレンス時間がそれと同程度である場合、従来のフィードバックベースのリンク適応は実用的ではない。チャネル予測はプロアクティブなリンク適換を可能にする解決策となるが、既存の手法には限界がある。従来の適応フィルタ（例：逐次最小二乗法：RLS）は、UWAチャネルの非線形かつ急速に変化する性質に対して苦戦する。さらに、クロス次元の特徴混合を用いる既存のディープラーニング（DL）アプローチ（例：RNNベースのアーキテクチャ）は、多段階予測における誤差蓄積の問題を抱えており、また、特徴混合を用いるモデルは、海中での測定データが乏しい状況下では過学習（オーバーフィッティング）を起こしやすい。

手法
著者らは、以下の2つの主要コンポーネントからなる適応型直交周波数分割多重（OFDM）フレームワークを提案している：

1. PatchCSI-T (チャネル予測モデル):

   • アーキテクチャ: 時系列予測モデルであるPatchTSTに着想を得たTransformerベースのモデル。
   • パッチング (Patching): 計算量を削減し、セグメントレベルの依存関係を捉えるために、入力CSIシーケンスを個々のタイムサンプルとしてではなく、重複するパッチに分割して処理する。これにより、自己注意（self-attention）の計算複雑度が$O(T_{win}^2)$から$O(N_{patch}^2)$へと低減される。
   • 特徴独立モデリング (Feature-Independent Modeling): 相関を捉えるために特徴（サブキャリア間やタップ間など）を混合する多くの先行DL手法とは異なり、PatchCSI-Tは特徴を独立して扱う。特徴次元をバッチ次元に統合することで、すべての特徴を共有モデルパラメータを用いて並列に処理することを可能にしている。このアプローチは、特に訓練データが限られている場合に過学習を抑制することを目的としており、明示的なクロス特徴モデリングの複雑さを回避する。
   • 結合多段階予測 (Joint Multi-Step Prediction): モデルは、単一のフォワードパスで将来の予測シーケンス全体（$T_{pred}$ステップ）を生成する。これにより、自己回帰的な再帰手法に固有の誤差伝播を回避する。

2. 貪欲な適応変調および電力割り当て (Greedy Adaptive Modulation and Power Allocation):

   • 本システムは、予測されたCSIを利用して、サブキャリアごとの変調次数と送信電力を共同で選択する。
   • ターゲットとするビット誤り率（BER）を満たすために、予測されたチャネル利得と予測誤差分散（ガウス分布としてモデル化）に基づいた、閉形式の最小電力閾値が導出される。
   • 低計算量の貪欲アルゴリズムは、総電力予算が尽きるか、あるいはターゲットBER制約に抵触するまで、最も増分電力が小さいサブキャリアの変調次数を反復的にアップグレードしていく。チャネル状態が悪化した場合は、限界コストが最大のサブキャリアをダウングレードする。

主な貢献

• PatchCSI-T モデル: パッチングと特徴独立モデリングを用いることで、精度、推論速度、および過学習に対する堅牢性のバランスをとった、UWAチャネル向けに特化したTransformerベースのアーキテクチャの導入。
• 統合フレームワーク: 多段階予測モデルと貪欲なリソース割り当てスキームを結合した、完全な適応型OFDMシステムの開発。
• 実証的検証: 実世界のUWAチャネルデータセット（中国・万路ダム）を用いた評価により、最先端のベースラインに対する改善を実証。

実験結果
実験は、中国・万路ダムのデータセット（2,137個のCIR測定値、256サブキャリア、6 kHz帯域幅）を用いて行われた。PatchCSI-Tモデルを、RLS、BiGRU、CNN1d-LSTM、およびMTL-LSTMと比較した。

• 予測精度: 予測ホライゾン $T_{pred} = 32$ において、PatchCSI-Tは -14.76 dB の正規化平均二乗誤差（NMSE）を達成した。これは、ベースラインに対して1.4〜4.9 dBの利得を示している。特筆すべき点として、CNN1d-LSTMおよびBiGRUは、より大きなホライゾンにおいてNMSEが -10 dB 付近で飽和した。
• 推論効率: PatchCSI-Tは、極めて高速な推論時間（$T_{pred}=32$で14.7 ms）を示した。これは、CNN1d-LSTM/BiGRUよりも約6倍速く、MTL-LSTMよりも50倍以上高速である。
• システム性能: SNR 15 dBにおいて、本モデルを適応型OFDMシステムに統合した結果：
  • PatchCSI-Tは、BER $\le 10^{-3}$ を維持しながら、送信シンボルの89.7%を保持した。
  • 5.14 bps/Hz のスペクトル効率を達成した。
  • これは、RLS（シンボル保持率72.9%、4.15 bps/Hz）およびMTL-LSTM（75.8%、4.34 bps/Hz）を上回る性能であった。
• 適応挙動: 貪欲な割り当てアルゴリズムはチャネル変動を正常に追跡し、チャネル利得が高い時には、より多くのサブキャリアを活性化し高次の変調を選択し、フェード時にはターゲットBERを維持するためにリソースを削減した。

意義
本論文は、提案されたフレームワークが、UWA通信におけるレイテンシと精度のトレードオフという重要な課題に対処すると主張している。特徴独立モデリングとパッチングを活用することで、PatchCSI-Tは過学習と誤差蓄積を効果的に軽減し、低遅延で正確なCSI予測を可能にする。この予測器を貪欲な割り当てスキームと統合することで、適応型システムは、古くなったチャネル条件ではなく、予測された条件に基づいて動作することができ、それによって実世界のUWA環境におけるエンドツーエンドのビット誤り率（BER）とスペクトル効率を向上させることができる。著者らは、今後の課題として、より強いドップラー効果と長い遅延を伴う海中データへの検証、およびリアルタイムのクローズドループ実験への拡張を挙げている。