Deep Learning Based Sparse Array Design with Pre-Steering for Adaptive Beamforming

技術要約：適応型ビームフォーミングのためのプリステアリングを用いた深層学習ベースの疎アレイ設計

問題定式化
疎アレイ（Sparse Arrays）は、ハードウェアの複雑さを抑えつつ、高い空間分解能と干渉抑制を実現するために、レーダー、ソナー、および無線通信において広く利用されています。本研究で取り組む核心的な課題は、動的な環境において信号対干渉雑音比（SINR）を最大化するための、最適な疎アレイ構成（利用可能な$N$個の素子のうち、$M$個の能動アンテナを選択すること）の設計です。反復アルゴリズムや半正定値緩和（SDR）などの従来の最適化手法は、最大SINRを達成できる一方で、計算負荷が高く、急速に変化する伝搬条件下でのリアルタイムな適応には適さないことが多くあります。

既存の深層学習（DL）アプローチは、データからこれらの構成を直接学習することを試みてきました。しかし、従来の手法は、あらゆる可能な目的方向の角度をカバーする訓練データセットを必要とするのが一般的です。これは、膨大なデータセットと多大な計算リソースを必要とし、スケーラビリティや、再学習なしに任意の方向へと汎化する能力を制限しています。さらに、実用的な実装においては、到来方向（DOA）推定誤差が課題となります。これらの誤差は、システムが角度の不一致に対して堅牢でない場合、ビームフォーミング性能を低下させる可能性があります。

手法
提案される解決策は、プリステアリング戦略を畳み込みニューラルネットワーク（CNN）と統合することで、迅速かつ堅牢な疎アレイ構成を実現する深層学習フレームワークを導入しています。

1. プリステアリング変換:
   あらゆる可能なソース角度に対してネットワークを訓練する代わりに、著者らは、ブロードサイド（正面）方向（$90^\circ$）のみで単一のネットワークを訓練する手法を提案しています。任意のテストシナリオにおいて、目的のソース角が$\theta_s$である場合、受信された空間共分散行列$R_x$は、対角位相シフト行列$D(\theta_s)$を用いてプリステアリングされます。この変換により、目的の信号をブロードサイド（$90^\circ$）に整列させてからネットワークに入力します。
   $$R_{pre} = D(\theta_s) R_x D^H(\theta_s)$$
   これにより、ブロードサイドのシナリオのみで訓練されたネットワークが、問題を実質的に等価なブロードサイドのシナリオへと変換することで、任意のソース方向に対する最適な疎アレイ構成を推論することが可能になります。

2. 誤差拡張訓練による堅牢性:
   実用的なプリステアリングは、キャリブレーション誤差やDOA推定の不正確さに起因する影響を受ける可能性があることを認識し、著者らは訓練プロセスに構造化された摂動を組み込んでいます。完全な整列を仮定するのではなく、訓練プロセスには、小さな制御されたプリステアリング誤差（例：$\pm 0.1^\circ, \pm 0.2^\circ$）を含むサンプルが含まれます。この「誤差拡張」訓練により、実際のソース方向が想定された注視方向からわずかに逸脱した場合でも、有効な構成を学習するようにネットワークを強制します。

3. ネットワークアーキテクチャとセクタ化:
   CNNは、$N \times N$の相関行列の実部、虚部、および位相成分（$3 \times N \times N$）を入力として受け取ります。可能なアレイ構成の組合せ爆発（例：$N=12, M=6$の場合、924通り）を管理するため、視野は角度セクタに分割されます。各セクタには、その範囲内で最も頻繁に発生する最適な構成が割り当てられ、これにより分類タスクを管理可能な数の出力クラスへと削減します。

主な結果
12素子の均一線形アレイ（ULA）と6つのRFチェーンを用いたシミュレーション結果は、提案手法の有効性を実証しています。

• 再学習なしの汎化: プリステアリング戦略により、ブロードサイドのみで訓練されたネットワークが、任意のソース角度へと正常に汎化できることが示されました。理想的なプリステアリング条件下では、本手法は広範なソース角および干渉角において90%を超えるテスト精度を達成しました。
• 誤差に対する堅牢性: 初期実験では、訓練されていないネットワークは、プリステアリング誤差にさらされると大幅な精度低下（約25%まで低下）を示すことが分かりました。構造化された誤差拡張（特定の小さな摂動を含むサンプルを用いた訓練）を実装することで、ネットワークの堅牢性は劇的に向上しました。
• 大きな誤差における性能: 拡張されたデータセット（16,000サンプル）を用い、小さな系統的訓練誤差（$\pm 0.2^\circ$）を利用した最も堅牢な構成は、より大きなランダムなプリステアリング誤差（$\pm 1^\circ$）に対してテストされた際も、**90.66%**のテスト精度を維持しました。
• セクタ化のトレードオフ: セクタベースのラベル付けはモデルの複雑さを軽減しましたが、論文では、セクタの境界が広すぎる場合や、セクタ内で最適な構成が大きく変化する場合、SINR性能を低下させる可能性があると指摘しています。しかし、プリステアリングのアプローチは、高精度を維持するために本来必要となるマルチアングル訓練データセットの必要性を緩和しました。

意義および貢献
本論文は、適応型ビームフォーミングの分野において、主に以下の3つの貢献を主張しています。

1. スケーラブルなプリステアリング・フレームワーク: 単一のニューラルネットワークが、ブロードサイドのみの訓練で任意の目的方向へと汎化することを可能にする、DLベースのプリステアリング・フレームワークの導入。これは、あらゆる角度の網羅を必要とする手法と比較して、訓練の複雑さ、データストレージ要件、および汎化の負担を大幅に軽減します。
2. 不確実性下での堅牢性: 提案手法が角度の不確実性下でも高い精度を維持することを調査・実証しました。構造化されたプリステアリング摂動を体系的に訓練に組み込むことで、ネットワークはDOA推定誤差を許容するように学習し、動的な環境における信頼性の高い性能を確保します。
3. リアルタイム適応: 1つの目的信号と1つの干渉信号に対して、出力SINRを最大化するために能動アンテナを効率的に選択する能力。プリステアリングの効率性とニューラルネットワークの推論能力の組み合わせは、従来の反復最適化手法の計算レイテンシを克服する、リアルタイムな疎アレイ適応への実用的な経路を提供します。

著者らは、セクタベースのアプローチには特定の角度領域におけるSINR低下に関する限界があるものの、プリステアリングと誤差を考慮した訓練の統合が、不確実な伝搬環境におけるリアルタイムな疎アレイ構成のための、堅牢かつ効率的なソリューションを提供すると結論付けています。