AI-Driven Spatiotemporal Decoding of Counter-Propagating OAM States for Highly Resilient Physical-Layer Security

技術要約：反並行OAM状態の時空間デコーディングに向けたAI駆動型アプローチ

問題提起
従来の光通信ネットワークは、非線形シャノン限界に近づいており、容量の制約と物理的な傍受に対する脆弱性に直面している。軌道角運動量（OAM）を用いた空間分割多重化（SDM）は、理論上は無限の直交チャネルを提供するが、その実用的な展開は、モード分散、モード間クロストーク、および位相歪みによって阻害されている。これらの歪みは、フォトニック集積回路（PIC）における製造上の欠陥や、自由空間光通信（FSO）における大気揺らぎから生じる。さらに、アルゴリズムによる暗号プロトコルへの依存は、将来の量子コンピューティングによる解読脅威に対してインフラを無防備な状態にする。核心となる課題は、複雑でエラーが発生しやすい光学的な信号等化ハードウェアに頼ることなく、物理層レベルで本質的に安全であり、かつ深刻なハードウェアの不完全性やノイズに対して弾力性を持つ物理層アーキテクチャを開発することである。

手法：OAM-NET アーキテクチャ
本論文では、信号等化の負担を光学ハードウェアからソフトウェア定義のニューラルネットワークへと転換するために設計された、ハイブリッド時空間ネットワークである「OAM-NET」を提案する。この手法は、主に以下の3つのコンポーネントに基づいている。

1. 反並行OAM重ね合わせ： 可変的な空間モードを伝送する代わりに、本システムは高次の反並行トポロジカル電荷（$l = +21$ および $l = -21$）のコヒーレントな重ね合わせを利用する。この干渉により、安定した花弁状の強度パターンが生成される。
2. 回転ドップラー符号化： 情報は空間的な形状ではなく、回転ドップラー効果によって制御される干渉パターンの回転位相速度にエンコードされる。データペイロードは、特定の回転速度の調和シーケンス $v \in \{9, 6, 3\}$ にマッピングされる。時間的干渉信号 $I(t)$ は、トポロジカル電荷の差（$\Delta l = 42$）から生じる周波数シフトによって定義され、次式でモデル化される：$I(t) \propto \cos(2\pi \cdot v \cdot \Delta l \cdot t + \phi_{drift}) + N(t)$。ここで、$\phi_{drift}$ はハードウェアの不安定性を、$N(t)$ はチャネルノイズを表す。
3. AI駆動型デコーディング (Bi-LSTM)： 過酷な条件下でエンコードされた状態を再構成するために、双方向長短期記憶（Bi-LSTM）ニューラルネットワークが採用されている。アーキテクチャには以下が含まれる：
   • 逐次的な時空間干渉データのための入力層。
   • 過学習を防ぐための0.3のドロップアウト正則化を備えた2つの隠れBi-LSTM層（64および32ユニット）。
   • 螺旋速度の多クラス分類のためのSoftmax活性化関数を持つ高密度出力層。
     双方向構造により、デコーダーは時系列データを順方向と逆方向の両方向に処理することができ、モード分散によって引き起こされる過渡的な位相変化を捉えることが可能となる。

主な貢献

• トポロジカル・フットプリントによる物理層セキュリティ： 本論文は、データをユニークな調和シーケンスにマッピングするセキュリティメカニズムを導入している。特定の訓練済みBi-LSTM受信機の重みなしでは、高次元の干渉パターンは数学的に背景ノイズと区別がつかないため、不正な傍受は無効化される。
• ソフトウェア定義の等化： 本研究は、ディープラーニングが（導波路の側壁粗さなどの）物理的なハードウェアの欠陥や極端な大気揺らぎを数学的に回避できることを示し、複雑な光学補正ハードウェアの必要性を排除できることを実証している。
• 極限ノイズへの耐性： このアーキテクチャは、ノイズ振幅が信号振幅と一致またはそれを上回る、SN比（SNR）約0 dBの条件下でも機能するように設計されている。

結果
数値シミュレーションにより、現実的なハードウェアの不完全性と深刻なFSOの揺らぎ（ガウスノイズが元の信号を覆い隠している状態）を模した極限のストレス・テストをOAM-NETアーキテクチャに課した。

• 学習性能： Bi-LSTMモデルは、Adamオプティマイザとカテゴリカルクロスエントロピー損失を用いて、25エポックにわたって学習された。
• デコーディング精度： 極端な信号劣化（SNR $\approx$ 0 dB）にもかかわらず、デコーダーは**92.67%**の安定した精度を達成した。
• エラー率： モデルは0.2333という最小の検証損失を維持した。残留ビット誤り率は、標準的な前方誤り訂正（FEC）プロトコルの修正可能閾値内に完全に収まった。
• シミュレーションの結論： 結果は、AIデコーダーが破壊的なチャネルノイズからトポロジカル・フットプリントの調和シーケンスを確実に分離できることを裏付けている。

意義と主張
本論文は、自由空間光通信および安全な物理層通信のための、高度に弾力的で分散化に対応したインフラストラクチャの理論的および数値的な基礎を確立したと主張している。極限のストレス条件下で物理信号を正常にデコードできたことにより、高次元の反並行OAM状態とAI駆動の時空間等化器の組み合わせが、モード分散に対する堅牢な解決策を提供することを本研究は断言している。その意義は、物理的なハードウェアの限界がディープラーニングを通じて克服できることを証明した点にある。これは、次世代の光ネットワークのための、スケーラブルで数学的に安全なハードウェア基盤を提供するものである。