Physics-Constrained Synthetic Training for Sub-Terahertz Channel Rainfall Sensing

技術要約：サブテラヘルツ・チャネルの降雨センシングに向けた物理制約付き合成トレーニング

問題提起
テラヘルツ（THz）チャネルは、高容量通信と高分解能センシング能力を提供し、6Gネットワークにおける統合感知通信（ISAC）の候補となっている。しかし、THz帯における降雨による減衰は、信頼性の面で大きな課題となる一方で、日和見的な降雨センシングのメカニズムをも提供する。衛星、レーダー、または商用マイクロ波リンク（CML）に基づく成熟した降雨推定システムとは異なり、THzチャネルの降雨推定は、実世界のデータの決定的な不足に直面している。既存の研究は、制御された人工降雨実験や短期間の屋外キャンペーンに限定されており、堅牢なディープラーニングモデルの学習を妨げている。

手法
データの不足に対処するため、著者らは、限られた屋外測定によって検証された「物理制約付き合成トレーニング・フレームワーク」を提案している。この手法は、主に3つの段階で構成される。

1. チャネル特性評価とキャリブレーション：

   • 測定： 北京理工大学において、140 GHzおよび229 GHzの固定41.5 mポイント・ツー・ポイントTHzリンクを用いた屋外キャンペーンを実施した。セットアップは垂直線形偏波を利用し、晴天時および降雨時の受信電力変動を記録した。
   • 統計モデリング： 本研究では、独立したデータセット（BIT-24）を用いて、リシアン$K$因子と降雨強度（$R$）の関係を確立した。この線形関係（$R$が増加すると$K$が減少する）は、小規模フェージングのモデリングに使用された。
   • 物理的制約： 降雨減衰は、ITU-R P.838-3標準およびミー理論（Mie theory）を用いてモデリングされ、4つの異なる降雨粒径分布（DSD）事前分布（Marshall-Palmer (M-P)、Joss-Widespread (J-W)、Joss-Drizzle (J-D)、およびITU-R P.838-3）を組み込んだ。

2. 合成データ生成 (BIT-24-Gen)：

   • データのギャップを埋めるため、物理制約付きの合成データセットが生成された。各周波数および各DSD事前分布に対して、20,000個のサンプルが作成された。
   • 各サンプルは、20秒間の受信電力シーケンス（0.05秒間隔の400点）と、一定の降雨強度ラベルで構成される。
   • 生成プロセスは、大規模な降雨減衰（DSD事前分布と経路長によって決定）と、小規模なリシアン・フェージング（校正された$K$-$R$関係によって制御）、および限定された確率的ドリフトを組み合わせたものである。
   • 降雨強度は、降雨イベントのロングテール特性を反映するため、2成分の一様混合分布からサンプリングされた（軽雨70%、中・豪雨30%）。

3. ネットワークアーキテクチャ (RainFormer)：

   • 短時間の受信電力シーケンスから降雨強度をマッピングするために、ハイブリッド・アテンション・畳み込みネットワークであるRainFormerが設計された。
   • アーキテクチャ： このモデルは、1D畳み込みエンベディングを採用し、その後に4つのスタックされたハイブリッド・ブロックが続く。各ブロックは、マルチヘッド自己注意機構（長距離の時間的依存関係のため）と、深度方向畳み込みゲート付きフィードフォワード層（局所的な変動パターンのため）を統合している。
   • 物理・統計的融合： 重要な設計上の特徴は、入力シーケンスの平均および標準偏差という物理・統計的記述子を、回帰ヘッドの前の潜在表現に明示的に結合している点である。これにより、ネットワークがバックボーンのみに統計量を推論させるのではなく、主要な減衰および変動統計量を直接利用することが保証される。

主な結果

• イン・ディストリビューション性能： 合成テストセット（BIT-24-Gen）において、RainFormerは140 GHz（ITU事前分布使用）で0.1782 mm/h、229 GHz（M-P事前分布使用）で0.2925 mm/hの平方根平均二乗誤差（RMSE）を達成した。
• アブレーション研究： 位置エンコーディングの除去が最も顕著な性能低下を引き起こし（RMSEが1.1 mm/h以上に増加）、次いで明示的な物理・統計的記述子の除去であった（229 GHzにおいてRMSEが1.65 mm/hに増加）。これは、時間的順序と明示的な統計的記述子が予測精度の主要な推進力であり、自己注意機構と畳み込みは補完的な洗練として機能していることを裏付けている。
• ベースライン比較： RainFormerは、1D-CNNおよびバニラ・Transformerの両方を上回った。140 GHzにおいて、RainFormerは1D-CNNと比較してRMSEを約13%、Transformerと比較して約40%低減した。229 GHzにおいても最小の平均絶対誤差（MAE）を達成し、周波数を超えた堅牢性を示した。
• ゼロショット転移： 実世界の降雨データによる直接的な学習や微調整なしに、測定されたBIT-25データセットに適用した場合、モデルはランク整合的な推定値を出力した。推定値は弱雨と強雨を正常に分離しており、4つのDSD事前分布にわたる予測の広がりは、観測不可能な経路DSDに起因する不確実性を効果的に境界付けていた。

意義と主張
本論文は、DSDによるブラケット化された合成トレーニングが、運用データが存在しないシナリオにおけるTHz降雨センシングの実行可能な基盤であることを主張している。主な貢献は以下の通りである：

1. データ不足への解決策： 限られた実世界のチャネル統計によって校正された物理制約付き合成データが、降雨ラベルに対する直接的な教師なしで、実測値に汎化できるモデルを訓練できることを示した。
2. 不確実性の定量化： 複数のDSD事前分布を用いて訓練することで、観測不可能な経路DSDを、未定量化のバイアスから、物理的に解釈可能な推定値へと、境界付けられた不確実性エンベロープへと変換した。
3. ハイブリッド・アーキテクチャの検証： THz降雨センシングにおいては、複雑なアテンション機構単独よりも、明示的な物理・統計的記述子と時間的順序情報がより重要であることを確立した。

著者らは、このアプローチが6G ISACにおける日和見的なTHz降雨センシングの開発をサポートし、気象レーダーの回収（リトリーバル）の相互校正にも役立つ可能性があると結論づけている。ただし、今後の課題として、マルチイベント・キャンペーンや、より長いチャネルへの拡張が必要であることも述べている。