Fast Fluid Antenna Multiple Access

기술 요약: 코풀라 기반 고속 유동 안테나 다중 접속

문제 제기
고속 유동 안테나 다중 접속 (FAMA) 은 심볼 단위로 수신기 안테나 위치를 재구성하여 심각한 간섭을 완화하는 대규모 연결을 위한 유망한 개념입니다. 핵심 메커니즘은 합계 간섭 $I_k$가 자연스럽게 깊은 페이딩을 겪는 최적의 포트 $k^\star$를 선택하여 순간 신호 - 간섭비 (SIR) 를 최대화하는 것입니다.

그러나 고속 FAMA 의 실제 구현은 중요한'유령 (genie)-보조'병목 현상에 직면해 있습니다. 이론적 프레임워크는 사용자 단말기 (UT) 가 다음을 보유한다고 가정합니다:

1. 전체 포트 관측 가능성: 모든 $K$개 포트에서 동시에 수신 신호 $\{r_k\}$ 및 채널 계수 $\{h_k\}$에 접근할 수 있는 능력.
2. 간섭 지식: 최적 선택 지표 $\gamma_k = |h_k|^2 / |I_k|^2$를 계산하기 위해 모든 포트에서의 순간 합계 간섭 $\{I_k\}$에 대한 즉각적인 지식.

이러한 가정은 하드웨어 제약 ($K$개의 RF 체인 또는 심볼 레이트를 초과하는 스위칭 속도 필요), 채널 추정을 위한 과도한 파일럿 오버헤드, 그리고 간섭 심볼을 알지 않고는 데이터 종속 간섭 $I_k$를 직접 관측하는 것이 근본적으로 불가능하다는 사실로 인해 비현실적입니다. 이러한 가정을 완화하려는 이전 시도들 (예: 저속 FAMA 또는 터보 FAMA) 은 다중화 이득을 희생하거나 높은 복잡성과 비현실적인 관측 요구 사항을 유지했습니다.

방법론
본 논문은 포트 선택을 확률적 추론 문제로 취급하는 코풀라 기반 FAMA 프레임워크를 제안합니다. 핵심 가설은 UT 가 채널 및 간섭 필드의 학습된 결합 의존 구조를 활용하여 소수의 포트 ($M \ll K$) 만 관측함으로써 모든 포트에 대한 완전한 간섭 지식을 보유한 것처럼 행동할 수 있다는 것입니다.

제안된 방법론은 이 단계 주의 코풀라 시계열 모델을 포함합니다:

1. 문제 공식화:
   시스템은 모든 $K$개 포트에 걸쳐 복소수 삼중항 $(r_k, h_k, I_k)$의 결합 통계를 모델링합니다. 목표는 미관측 포트 $z_{\text{miss}}$와 부분 관측치 (일반적으로 $r_k$와 $h_k$가 모두 알려진 $M$개 포트) $z_{\text{obs}}$에 대한 조건부 분포 $p(z_{\text{miss}} | z_{\text{obs}})$를 학습하는 것입니다.

2. 모델 아키텍처:

   • 포트 주형 표현: 스냅샷 $(r, h, I)$는 실수부와 허수부를 분리한 길이 $T=3K$의 실수 시계열로 인코딩됩니다.
   • 1 단계 (주변 모델링): 각 스칼라 좌표에 대한 매개변수 단변량 주변 분포가 **딥 시그모이드 플로우 (DSF)**를 사용하여 적합됩니다. 이는 원시 데이터를 표준 균일 변수로 변환하여 주변 분포를 의존 구조로부터 분리합니다.
   • 2 단계 (코풀라 모델링): 트랜스포머 기반 아키텍처가 조건부 코풀라 밀도를 매개변수화합니다. 이는 관측 토큰 (과거 데이터) 에 대한 자기 주의 (self-attention) 와 미관측 토큰을 예측하기 위한 교차 주의 (cross-attention) 를 활용합니다.
   • 학습 전략: 모델은 무작위 부분 관측 마스크 하에서 훈련됩니다. 훈련 중 모델은 관측된 포트의 다양한 부분집합 ($M$) 에 노출되며 누락된 값을 추론해야 합니다. 이는 추론 시 특정 하드웨어 제약 (예: 고정된 수의 RF 체인) 에 대해 모델이 일반화하도록 보장합니다.

3. 추론 및 선택:
   실행 시 UT 는 $M$개 포트를 관측합니다. 모델은 모든 $K$개 포트에 대한 간섭 필드 $\{I_k\}$ 및 채널 $\{h_k\}$의 사후 분포를 재구성합니다. 그런 다음 UT 는 추론된 순간 SIR 을 최대화하는 포트 $k^\star$를 선택하여 완벽한 지식을 가진 오라클을 효과적으로 모방합니다.

주요 기여

• 고속 FAMA 의 재형식화: 본 논문은 직접적인 간섭 관측의 필요성을 벗어나 복소수 삼중항 $(r_k, h_k, I_k)$에 대한 결합 보간 작업으로 고속 FAMA 포트 선택 문제를 공식화합니다.
• 새로운 학습 프레임워크: FAS 간섭 필드에 특화된 주의 - 코풀라 시계열 모델을 도입합니다. 이 프레임워크는 채널, 간섭, 수신 신호의 결합 분포를 명시적으로 모델링하여 부분 데이터로부터 미관측 변수를 추론할 수 있게 합니다.
• 다양한 시나리오에 대한 강건성: 이 프레임워크는 다음과 같은 다양한 조건에서 평가되었습니다:
  • 기하학: 1D 선형 및 2D 평면 FAS 구성 모두.
  • 채널 모델: 풍부한 산란 (가우스/레이리) 및 유한 산란 (제한된 경로를 가진 리시안).
  • 관측 제약: 총 포트 수 $K$보다 훨씬 작은 $M$으로 성능을 분석.

시뮬레이션 결과
광범위한 시뮬레이션은 제안된 접근법의 유효성을 입증합니다:

• 재구성 정확도: 관측된 포트 수 $M$이 개구면의 공간 자유도 (DoF) 를 초과하면 (1D 개구면의 경우 길이 $W$에 대해 약 $2W$), $h$, $r$, $I$를 재구성하는 정규화된 평균 제곱 오차 (NMSE) 는 $10^{-4}$ 수준으로 떨어집니다.
• 시스템 성능: 제안된'예측'방식에 의해 달성된 이진 대칭 채널 (BSC) 합계율은 모든 포트에 대한 완벽한 지식을 가정하는'오라클'벤치마크와 밀접하게 일치합니다.
  • 1D 및 2D 기하학의 경우, $M \approx 2W$가 되면 성능 격차가 사라집니다.
  • 시스템은 유한 산란 환경과 많은 수의 간섭기 ($U$가 최대 200) 가 있더라도 거의 이상적인 성능을 유지합니다.
• 확장성: 추론 복잡성은 총 포트 수 $K$가 아닌 관측된 포트 수 $M$에 의해 지배되므로, 이 접근법은 대규모 FAS 어레이에 확장 가능합니다.

의의 및 주장
본 논문은 고속 FAMA 의 이론적 잠재력과 실제 하드웨어 제약 사이의 간극을 해소한다고 주장합니다. UT 가 소수의 심볼당 감지 포트 (예: $M \ll K$) 만으로도 거의 이상적인 고속 FAMA 성능을 달성할 수 있음을 입증함으로써, 이 연구는'유령 - 보조'간섭 관측성에 대한 필요성을 실질적으로 완화합니다.

저자들은 이 접근법이 프리코딩, 전력 제어, 또는 연속 간섭 제거 (SIC) 없이 간섭을 완화할 수 있는 능력이라는 고속 FAMA 의 개념적 단순성을 복원하면서도 현실적인 스위칭 및 파일럿 오버헤드 제약 하에서 실행 가능하다고 주장합니다. 결과는 FAS 채널의 풍부한 공간적 구조가 간섭 필드를 추론하기 위해 확률적 모델을 통해 효과적으로 활용될 수 있음을 시사하며, 이는 향후 6G 네트워크에서 고다중화 대규모 연결을 가능하게 합니다.