기술 요약: 회복력 있는 ISAC 를 위한 확산 유동 안테나 시스템

1. 문제 제기

현재 통합 감지 및 통신 (ISAC) 연구는 주로 기지국 (BS) 관점에 초점을 맞추어, 공유 자원을 통한 감지와 통신을 지원하기 위해 고급 파형 설계 및 전력 할당을 활용하고 있습니다. 그러나 "객체 측" 관점은 여전히 미흡하게 탐구되어 있습니다. 이 격차에서 두 가지 중요한 과제가 발생합니다:

1. 보안과 은폐: 보안상 이유로 객체를 탐지하기 어렵게 만들 필요가 있습니다 (예: 표적 은폐). 재밍과 같은 전통적인 방법은 전체 전파 환경을 오염시킨다는 점에서 논란의 소지가 있으며, 순수한 AI 기반 후처리 기술은 객체가 조명된 후 물리적 산란 특성을 변경할 수 없습니다.
2. 간섭과 신뢰성: 근접 시나리오에서 비표적 객체가 지배적인 반사파를 생성하여 기지국을 혼란스럽게 만들 수 있으며, 이는 의도된 표적의 감지 신뢰성과 위치 추정 정확도를 저해하는 간섭을 유발합니다.

기존 솔루션은 종종 대규모 MIMO 에 의존하는데, 이는 전력 소비 및 피드백 오버헤드와 관련하여 확장성 한계에 직면해 있습니다. furthermore, 전력 영역에서만 ISAC 를 최적화하는 것은 감지 서명을 능동적으로 재구성하기에 불충분합니다. 본 논문은 포트 선택을 통해 재구성 가능한 공간 자유도 (DoF) 를 도입하는 **유동 안테나 시스템 (FAS)**이 이러한 과제에 대한 물리층 솔루션을 제공한다고 주장합니다. 그러나 특정 감지 목표 (은폐 또는 간섭 제로링 등) 를 달성하기 위해 FAS 를 제어하는 것은, 특히 객체가 채널 상태에 대한 부분적 관측성만 가질 때 NP-난해한 조합 최적화 문제입니다.

2. 방법론: Diffusion-FAS

본 논문은 ISAC 를 동적 공간 선택 문제로 간주하는 생성형 인공지능 (AI) 프레임워크인 Diffusion-FAS를 제안합니다. 전력 영역에서 최적화하는 대신, 이 시스템은 통신 목표를 유지하면서 감지 서명을 형성하기 위해 안테나 포트를 선택합니다.

핵심 아키텍처

• 생성 정책: 시스템은 **조건부 탈노이즈 확산 확률 모델 (DDPM)**을 사용합니다. 포트 선택을 이산적 분류 문제로 취급하는 대신, 이 모델은 연속적인 로그트 (logit) 공간에서 작동합니다.
• 부분 관측성 처리: FAS 가 적용된 노드 (사용자 B) 가 전체 채널 상태를 관측할 수 없기 때문에 (관측된 포트의 희소 부분집합만 존재), DDPM 은 이러한 제한된 측정치로부터 잠재적 공간 상관 구조를 재구성합니다.
• 에너지 유도 샘플링: NP-난해한 이산 마스크 선택 문제를 해결하기 위해, 프레임워크는 **미분 가능한 소프트-톱-M 완화 (differentiable soft-top-M relaxation)**를 사용합니다. 역확산 과정에서 맞춤형 감지 에너지 함수가 최적 포트 구성을 향해 궤적을 유도합니다. 이 에너지 함수는 정합 필터 겹침 커널에서 유도되며 미분 가능하므로, 기울기가 생성 과정을 유도할 수 있습니다.

운영 패러다임

프레임워크는 에너지 유도 가중치를 조정하여 두 가지 고유한 사용 사례를 처리하도록 설계되었습니다:

1. 생성형 공간 은폐 (사용 사례 I): FAS 노드는 유효 결합 크기를 최소화하도록 포트를 능동적으로 선택하여, 후방 산란된 반환 신호가 통계적으로 색잡힌 배경 클러터와 유사하게 행동하도록 만듭니다. 목표는 노드의 존재와 잡음/클러터 분포 간의 쿨백 - 라이블러 (KL) 발산을 줄여 탐지 확률을 억제하는 것입니다.
2. 표적 격리 / 협력적 간섭 형성 (사용 사례 II): FAS 노드 (사용자 B) 는 관심 표적 (사용자 A) 을 둘러싼 "가드 빈 (guard bins)"에 깊은 공간 제로 (null) 를 생성하기 위해 희소 포트 마스크를 선택합니다. 이는 인접 객체로부터의 간섭을 능동적으로 거부하여 고정된 상수 허위 경보율 (CFAR) 임계값 하에서 표적의 위치 추정 정확도를 향상시킵니다.

훈련 및 추론

• 훈련: 모델은 **전문가 모방 (expert-imitation)**을 통해 오프라인으로 훈련됩니다. 휴리스틱 오라클이 완전한 채널 상태 정보 (CSI) 를 기반으로 에너지 함수를 최소화하는 고품질 로그트 벡터를 포괄적으로 검색하여 훈련 데이터셋을 생성합니다. DDPM 은 이러한 전문가 솔루션에 추가된 노이즈를 예측하도록 학습합니다.
• 추론: 런타임에서 시스템은 학습된 사전 지식과 부분 관측 컨텍스트에 의해 유도되어 순수 잡음으로부터 여러 후보 마스크를 생성합니다. 최종 하드 마스크는 결정론적 에너지 함수의 최소값을 기준으로 선택됩니다.

3. 주요 기여

본 논문은 네 가지 주요 기여를 제시합니다:

1. 감지 중심 공식화: 저자들은 색잡힌 클러터가 있는 백색화된 정합 필터 뱅크 위에 감지 스냅샷 모델을 공식화합니다. 그들은 조건부 위치 추정 정확도($P(\text{correct}|\text{detected})$)에 특히 초점을 맞춘 엄격한 CFAR 보정 지표를 도입하여, FAS 가 인접 표적의 위치 추정 그리드를 보호할 수 있음을 증명합니다.
2. 새로운 운영 패러다임: 본 논문은 두 가지 새로운 패러다임을 수학적으로 정의하고 해결합니다: (i) 지능형 포트 선택을 통한 클러터 유사성/은폐로 감지를 회피하는 것, 그리고 (ii) 표적 가드 빈에 공간 제로를 파내기 위한 협력적 간섭 형성.
3. 조건부 DDPM 설계: NP-난해한 이산 마스크 선택 문제를 우회하기 위해 조건부 DDPM 이 설계되었습니다. 연속 로그트 위에서 확산하고 정합 필터 겹침 커널에서 유도된 미분 가능 에너지 지표를 적용함으로써, 정책은 엄격한 카디널리티 예산을 준수하면서 감지 간섭을 최소화합니다.
4. 강건한 수치 평가: 본 논문은 모델을 각 시나리오에 대해 재훈련하지 않고도 다양한 하드웨어 제약 (활성 포트, 개구면 크기, 측정 예산) 과 채널 조건 (유한 대 풍부한 산란) 하에서 프레임워크를 평가한 결과를 제시합니다.

4. 수치 결과

$K=200$개의 포트와 다양한 관측 예산으로 수행된 시뮬레이션은 다음과 같은 결과를 보여줍니다:

• 표적 격리 (사례 2):

  • 포트 수: 활성 포트 수 ($M_{active}$) 가 1 에서 5 로 증가함에 따라 Diffusion-FAS 는 급격하고 비선형적인 성능 향상을 보이며, 이론적 무간섭 상한선과의 격차를 빠르게 좁힙니다. 성능은 컴팩트한 부분집합 ($M_{active} \approx 5$) 에서 포화되지만, 무작위 선택과 정적 어레이는 근접 간섭을 극복하지 못합니다.
  • 부분 관측성: 시스템은 사용 가능한 포트의 10% 미만 ($M_{obs} \approx 15-20$) 을 사용하여 공간 간섭장을 성공적으로 재구성합니다. 극단적인 희소성 ($M_{obs} \le 10$) 하에서는 성능이 저하되지만 관측 창이 확장됨에 따라 급격히 회복됩니다.
  • 개구면 크기: 개구면이 $0.5\lambda$를 초과하면 프레임워크는 공간 DoF 를 효과적으로 활용합니다. 컴팩트한 $2\lambda$ 발자국은 최적의 공간 제로를 합성하기에 충분합니다.
  • 클러터와 기하학: Diffusion-FAS 는 심각한 클러터 ($\sigma_c$ 최대 2.0) 하에서도 그리고 간섭원이 표적에 인접해 있을 때 ($\Delta \ge 1$) 도 무간섭 상한선에 가까운 성능을 유지합니다. 반면, 기준선 방식 (무작위 FAS, FAS 없음) 은 이러한 시나리오에서 치명적인 성능 저하를 겪습니다.
  • ROC 성능: 제안된 방법은 다양한 허위 경보율에 걸쳐 기준선보다 상당한 성능 격차를 유지하여 탐지가 공간적으로 정확하도록 보장합니다.

• 생성형 은폐 (사례 1):

  • 이 프레임워크는 무지한 무작위 선택에 비해 탐지 확률 ($P_D$) 을 **두 자릿수 (two-order-of-magnitude)**만큼 감소시킵니다.
  • 국소화된 깊은 페이드를 탐색함으로써 FAS 노드는 효과적으로 자신의 서명을 "숨겨" 정적 또는 고정 부분집합 기준선보다 훨씬 낮은 은폐 바닥을 유지합니다.

5. 중요성과 주장

본 논문은 Diffusion-FAS가 생성형 사전 지식과 재구성 가능한 개구면을 결합하여 안전하고 회복력 있는 ISAC 를 위한 실현 가능한 솔루션을 제공한다고 주장합니다. 그 중요성은 다음과 같습니다:

• 패러다임 전환: ISAC 최적화를 전력/파형 영역에서 공간 선택 영역으로 이동시켜, 객체 수준에서 감지 서명에 대한 능동적 제어를 가능하게 합니다.
• 조합 복잡성 해결: 기존 딥러닝이 동적 제약에 적응하는 데 어려움을 겪는 NP-난해 포트 선택 문제에 대해 생성형 AI 를 사용하여 실용적이고 실시간 해결책을 제공합니다.
• 물리층 보안: 객체가 재밍 없이 감지 가시성을 능동적으로 줄이거나 간섭을 완화할 수 있음을 보여주어, 보안 목표를 달성하면서도 전파 환경을 보존합니다.
• 회복력: 희소 측정, 다양한 하드웨어 제약, 가혹한 환경 조건 하에서도 시스템이 효과적으로 유지됨을 보여줌으로써, 전통적인 파형 기반 ISAC 한계를 극복하는 견고한 경로를 제시합니다.