⚡ electrical engineering

Diffusion Fluid Antenna Systems for Resilient ISAC

本文提出“扩散流体天线系统”，这是一个由生成式人工智能驱动的框架，利用条件去噪扩散概率模型来优化流体天线端口选择，以实现具有韧性的综合感知与通信，并通过在电磁衰落流形上动态重塑感知特征，实现生成式空间隐身和目标隔离等功能。

原作者： Noor Waqar, Kai-Kit Wong, Chan-Byoung Chae, Ross Murch

发布于 2026-05-25

📖 1 分钟阅读☕ 轻松阅读

原作者： Noor Waqar, Kai-Kit Wong, Chan-Byoung Chae, Ross Murch

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

以下是论文《用于弹性通感一体化的扩散流体天线系统》的通俗化解读，辅以生动的类比。

宏观图景：一种“看见”与“隐身”的新方式

想象这样一个世界：你的手机或智能设备不仅能与基站通话（通信），还能像雷达一样“看见”周围环境（感知）。这被称为通感一体化（ISAC）。

通常，工程师们试图通过调整信号本身来优化这一功能——比如改变无线电波的音量或节奏。但这篇论文认为这还不够。相反，他们提出改变天线本身的形状。

想象标准天线像一面刚性、固定大小的镜子，无法改变形状。这篇论文引入了一种流体天线系统（FAS）。想象一面由液态汞制成的镜子，或者由成千上万个可移动微小像素组成的柔性 sheet。你可以瞬间重塑它，将“激活”部分移动到不同位置，以特定方式捕捉或阻挡信号。

作者利用一种特殊的生成式人工智能（称为“扩散模型”）来精确计算如何重塑这种液态天线，以便要么隐藏设备免受雷达探测，要么清除干扰，让雷达能清晰地看到目标。

两大核心“绝技”（应用场景）

论文展示了该系统可实现的两项具体“超能力”：

1. “幽灵”模式（隐身）

问题： 有时，你不想被看见。也许你是一架需要保持隐蔽的无人机，或者是一个不应触发雷达警报的设备。
旧方法： 你可能会尝试干扰雷达（发送噪声），但这就像为了掩盖耳语而大声喊叫——它污染了整个空间，且往往违法或显而易见。
新方法（扩散 - 流体天线）： 设备利用其流体天线“变形”。它将激活部分移动到无线电波自然相互抵消的位置（就像在房间里找到声音无法传播的“死角”）。
结果： 设备在统计上变得不可见。对雷达而言，它看起来完全像背景杂波或“杂讯”（如雨滴或尘埃）。论文声称，在不发送任何干扰信号的情况下，这可使设备的探测难度增加 100 倍（下降两个数量级）。

2. “聚光灯”模式（目标隔离）

问题： 想象雷达试图寻找一辆特定的汽车（目标 A）。但在它旁边有一辆嘈杂的卡车（目标 B），反射了如此多的信号，以至于致盲了雷达，使其无法看到那辆汽车。
旧方法： 雷达难以将两者区分开，因为它们靠得太近。
新方法（扩散 - 流体天线）： 那辆嘈杂的卡车（用户 B）也配备了流体天线。卡车的 AI 计算出一个形状，在其自身的反射中制造一个专门针对雷达观察汽车视角的“阴影”或“空洞”。
结果： 卡车有效地“关闭”了朝向汽车方向的反射。它创造了一个空间零陷（静音区），让雷达能清晰地看到汽车，尽管卡车就在旁边。

AI 如何工作：“去噪”类比

最困难的部分在于，设备并不掌握无线电波的完整地图；它只能看到一些零散的线索（稀疏测量）。它如何知道该将天线移动到哪里？

作者使用了去噪扩散概率模型（DDPM）。这里有一个简单的类比：

想象你有一张完美、清澈天空的照片（理想的天线形状），但有人用厚厚的、旋转的雾气（噪声）将其覆盖。

前向过程： AI 从清晰的图像开始，逐渐添加越来越多的雾气，直到它变成纯粹的白噪声。
反向过程（AI 所做的）： AI 被训练为观察一张雾蒙蒙的图片，并猜测其下方应该是什么清晰的图像。它一层层地剥开雾气。

在这篇论文中，“雾气”是无线电环境的不确定性。AI 从随机猜测天线端口的位置开始，然后利用其训练“剥开雾气”。它使用一种特殊的“能量指南”（数学规则）来推动猜测，使其趋向于完美的形状，从而要么隐藏用户，要么清除干扰。

这有何特别之处？
通常，寻找完美的天线形状是一个数学噩梦（一个"NP 难”问题），因为存在数十亿种组合。尝试所有组合是不可能的。这种 AI 并不尝试所有组合；它通过无线电波行为模式的“学习”来“梦想”出最佳解决方案，从而能够实时找到完美形状。

实验结果

作者进行了模拟测试以验证其想法。以下是他们严格基于结果的发现：

小即是强： 你不需要巨大的天线。即使是非常小的紧凑型流体天线（大约几个波长的尺寸），也足以产生这些“幽灵”或“聚光灯”效果。
少量线索已足够： 即使 AI 只“看到”可用天线端口的极小部分（少于 10%），它也能找出完美的天线形状。它利用学到的知识填补了图像的其他部分。
超越竞争对手：
- 随机选择： 如果你只是随机挑选天线位置，效果不佳。
- 静态天线： 如果你使用普通的固定天线，无法有效地隐藏或隔离目标。
- 扩散 - 流体天线： 这种方法始终优于上述两者，即使在非常“嘈杂”（杂波密集）的环境中，也能成功隔离目标并隐藏用户。

总结

这篇论文提出了一种控制无线电波的新方法。我们不再仅仅改变信号，而是利用智能 AI 改变天线的物理形状。这使得设备能够要么通过融入背景噪声而从雷达视野中消失，要么充当滤波器以消除干扰，从而使雷达能清晰地看到特定目标。AI 就像一位大师级雕塑家，即使只掌握部分环境信息，也能瞬间将天线塑造成解决问题的完美形状。

技术摘要：用于弹性通感一体化的扩散流体天线系统

1. 问题陈述

当前的通感一体化（ISAC）研究主要集中于基站（BS）视角，利用先进的波形设计和功率分配来支持共享资源上的感知与通信。然而，“物体侧”视角仍未得到充分探索。这一空白引发了两个关键挑战：

安全与隐蔽性：出于安全原因（例如隐藏目标），需要使物体难以被探测。传统的干扰方法因污染整个无线电环境而备受争议，而纯粹的 AI 驱动后处理无法在物体被照射后改变其物理散射特性。
干扰与可靠性：在近距离场景中，非目标物体可能产生主导反射，混淆基站，造成干扰，从而损害目标物体的感知可靠性和定位精度。

现有解决方案通常依赖大规模 MIMO，但这在功耗和反馈开销方面面临可扩展性限制。此外，仅在功率域优化 ISAC 不足以主动重塑感知特征。本文提出，**流体天线系统（FAS）**通过端口选择引入可重构的空间自由度（DoF），为解决这些挑战提供了物理层方案。然而，控制 FAS 以实现特定感知目标（如隐蔽或干扰置零）是一个 NP 难的组合问题，特别是当物体仅能部分观测信道状态时。

2. 方法论：扩散 -FAS

本文提出了扩散 -FAS，这是一个将通感一体化视为动态空间选择问题的生成式人工智能（AI）框架。该系统不在功率域进行优化，而是选择天线端口以塑造感知特征，同时保持通信目标。

核心架构

生成策略：系统采用条件去噪扩散概率模型（DDPM）。该模型不将端口选择视为离散分类问题，而是在连续 logit 空间中进行操作。
部分可观测性处理：由于启用 FAS 的节点（用户 B）无法观测完整的信道状态（仅观测到稀疏的端口子集），DDPM 利用这些有限测量值重建潜在的空间相关结构。
能量引导采样：为了解决 NP 难的离散掩码选择问题，该框架使用可微软 Top-M 松弛。在反向扩散过程中，定制的感知能量函数引导轨迹朝向最优端口配置。该能量函数源自匹配滤波重叠核，且具有可微性，允许梯度引导生成过程。

运行范式

该框架通过调整能量引导权重，旨在处理两种不同的用例：

生成式空间隐蔽（用例 I）：FAS 节点主动选择端口以最小化其有效耦合幅度，强制其反向散射回波在统计上模拟有色背景杂波。其目标是降低节点存在性与噪声/杂波分布之间的 Kullback-Leibler (KL) 散度，从而抑制探测概率。
目标隔离/协作干扰整形（用例 II）：FAS 节点（用户 B）选择稀疏端口掩码，在感兴趣目标（用户 A）周围的“保护仓”中创建深空间零陷。这主动拒绝了相邻物体的干扰，在固定的恒虚警率（CFAR）阈值下提高了目标的定位精度。

训练与推理

训练：模型通过专家模仿进行离线训练。启发式预言机在给定完整信道状态信息（CSI）的情况下，穷举搜索高质量 logit 向量（最小化能量函数）以创建训练数据集。DDPM 学习预测添加到这些专家解决方案中的噪声。
推理：在运行时，系统从纯噪声中生成多个候选掩码，由学习到的先验和部分观测上下文引导。最终硬掩码基于最小确定性泛函进行选择。

3. 主要贡献

本文概述了四项主要贡献：

以感知为中心的公式化：作者在具有有色杂波的白化匹配滤波器组上构建了感知快照模型。他们引入了严格的 CFAR 校准指标，特别关注条件定位精度（ $P(\text{correct}|\text{detected})$ ），以证明 FAS 可以保护相邻目标的定位网格。
新颖的运行范式：本文数学定义并解决了两种新范式：(i) 通过智能端口选择实现杂波相似性/隐蔽性以规避感知，以及 (ii) 协作干扰整形以在目标保护仓中刻画空间零陷。
条件 DDPM 设计：设计了一种条件 DDPM 以规避 NP 难的离散掩码选择问题。通过在连续 logit 上进行扩散并应用源自匹配滤波重叠核的可微能量指标，该策略在尊重严格基数预算的同时最小化了感知干扰。
鲁棒的数值评估：本文展示了评估结果，在变化的硬件约束（活动端口、孔径大小、测量预算）和信道条件（有限散射与丰富散射）下评估该框架，且无需为每种场景重新训练模型。

4. 数值结果

在 $K=200$ 个端口和不同观测预算下进行的仿真表明：

目标隔离（案例 2）：
- 端口数量：随着活动端口数量（ $M_{active}$ ）从 1 增加到 5，扩散 -FAS 表现出急剧的非线性性能增益，迅速缩小与理论无干扰上限的差距。性能在紧凑子集（ $M_{active} \approx 5$ ）处达到饱和，而随机选择和静态阵列无法克服邻近干扰。
- 部分可观测性：系统成功利用少于 10% 的可用端口（ $M_{obs} \approx 15-20$ ）重建了空间干扰场。在极端稀疏（ $M_{obs} \le 10$ ）下性能下降，但随着观测窗口扩大而急剧恢复。
- 孔径大小：一旦孔径超过 $0.5\lambda$ ，该框架就能有效利用空间自由度。紧凑的 $2\lambda$ 足迹足以合成最优空间零陷。
- 杂波与几何结构：即使在严重杂波（ $\sigma_c$ 高达 2.0）且干扰源紧邻目标（ $\Delta \ge 1$ ）的情况下，扩散 -FAS 仍保持接近无干扰上限的性能。相比之下，基线方案（随机 FAS、无 FAS）在这些场景下遭受灾难性的性能下降。
- ROC 性能：所提出的方法在各种虚警率下均保持相对于基线的显著性能差距，确保探测在空间上是准确的。
生成式隐蔽（案例 1）：
- 与无信息的随机选择相比，该框架将探测概率（ $P_D$ ）降低了两个数量级。
- 通过导航局部深衰落，FAS 节点有效地“隐藏”了其特征，保持了显著低于静态或固定子集基线的隐蔽底限。

5. 意义与主张

本文主张，扩散 -FAS通过结合生成先验与可重构孔径，为安全且具弹性的 ISAC 提供了可行的解决方案。其意义在于：

范式转变：将 ISAC 优化从功率/波形域转移到空间选择域，从而在物体层面实现对感知特征的主动控制。
解决组合复杂性：利用生成式 AI 为 NP 难的端口选择问题提供可处理、实时的解决方案，而传统深度学习难以适应动态约束。
物理层安全：证明物体可以在不干扰的情况下主动降低其感知可见性或减轻干扰，从而在实现安全目标的同时保持无线电环境。
弹性：表明该系统在稀疏测量、变化的硬件约束和恶劣环境条件下仍然有效，提供了一条超越传统基于波形的 ISAC 限制的稳健途径。